In enger Zusammenarbeit mit einem unserer Kunden haben wir ein innovatives Tool zur optimalen Verteilung des Personaleinsatzes entwickelt. Eine Herausforderung, vor der viele Unternehmen immer wieder stehen, ist die effiziente Planung und Zuteilung von Mitarbeitenden, um sowohl Über- als auch Unterbesetzungen zu vermeiden. Besonders in Branchen mit stark schwankenden Auftragszahlen ist genau das entscheidend, denn so können Kosten gesenkt und die Kundenzufriedenheit gesteigert werden.

Ein solches Tool bietet viele Vorteile. Es hilft nicht nur, die Arbeitszeiten der Mitarbeitenden besser zu planen, sondern auch, die Produktivität zu steigern sowie die Zufriedenheit der Mitarbeitenden zu erhöhen. Durch die Vorhersage von Personalbedarfen basierend auf historischen Daten können Unternehmen proaktiv handeln und Ressourcen gezielt einsetzen.

Anforderungserhebung

Um eine Anwendung zur optimalen Verteilung des Personaleinsatzes zu entwickeln, starteten wir mit einer umfassenden Anforderungserhebung. Dabei stellte sich heraus, dass Transparenz und Nachvollziehbarkeit der Entscheidungen für die betroffenen Mitarbeitenden von größter Bedeutung sind. Vor allem bei KI-Anwendungen ist in vielen Fällen nicht bis ins kleinste Detail ersichtlich, wie bestimmte Ergebnisse zustande kommen, was zu Misstrauen und Widerstand führen kann.

Unser Ziel war es daher, eine Lösung zu entwickeln, die nicht nur präzise und effizient arbeitet, sondern auch gut kontrollierbar und verständlich ist. Die Möglichkeit der Einflussnahme auf die zugrunde liegenden Parameter ist somit besonders wichtig, um für genügend Transparenz und Akzeptanz zu sorgen.

Entscheidungsfindung und Anforderungen an das Tool

Im Zuge unserer Analyse wurde schnell klar, dass diese Aufgabe ideal für einen Solver geeignet ist. Da wir im Java-Umfeld arbeiten, begannen wir unsere Suche nach passenden Tools und stießen auf den OptaPlanner. OptaPlanner ist eine regelbasierte Engine, die auf Drools basiert und die es ermöglicht, verschiedene Kriterien und Regeln zu definieren und daraufhin die besten Lösungen zu finden.

Allerdings zeigte unsere Analyse auch, dass es nicht sinnvoll wäre, das gesamte Problem dieser Engine zu überlassen. Die Nachvollziehbarkeit der Entscheidungen sowie die Kontrollmöglichkeiten wären damit erheblich eingeschränkt. Im Anschluss definierten wir die Kernfunktionen, die das Tool erfüllen muss:

• Arbeitslast berechnen und vorhersagen: Das Tool muss in der Lage sein, zukünftige Arbeitsanforderungen präzise zu prognostizieren.
• Bedarf an Mitarbeitenden ermitteln: Basierend auf den Vorhersagen soll der notwendige Personalbedarf berechnet werden.
• Optimale Zuweisung der Mitarbeitenden: Die Mitarbeitenden sollen entsprechend ihrer Qualifikationen und Verfügbarkeiten den jeweiligen Aufgaben zugewiesen werden.

OptaPlanner erfüllt die Anforderungen, die Mitarbeitenden genau dort einzusetzen, wo sie am dringendsten gebraucht werden.

Time Series Forecasting

Eine der zentralen Herausforderungen bestand darin, die zukünftige Arbeitslast präzise vorherzusagen. Zudem hatten wir Zugriff auf eine umfangreiche Sammlung an KPIs, wie: neue Aufträge, abgearbeitete Aufträge, offene Aufträge und Bearbeitungszeiten.

Um diese Daten effektiv zu nutzen, haben wir uns für die Methode des Time Series Forecasting entschieden. Diese bewährte Technik zur Vorhersage von Daten ist besonders in zeitkritischen Branchen wie Verkehr, Logistik und Energie weit verbreitet. Sie ermöglicht es, historische Daten zu analysieren, Muster und Trends zu erkennen und daraus zuverlässige Prognosen abzuleiten.

Frameworks

Da unser Projekt im Java-Umfeld angesiedelt ist, haben wir uns zunächst nur Java-basierte Frameworks angesehen. Dabei mussten wir feststellen, dass es nur wenige spezialisierte Frameworks für Time Series Forecasting in Java gibt. Diese Limitierung stellte uns vor die Herausforderung, geeignetere Lösungen zu finden.

Python und Pandas

Zunächst erschien Python, mit seiner umfangreichen Bibliothek Pandas, als attraktive Alternative. Pandas bietet zahlreiche Möglichkeiten zur Manipulation und Analyse von Zeitreihendaten. Allerdings erfordert die Nutzung dieser Tools einen erheblichen Aufwand an Programmierung und Datenmanagement. Das würde den Entwicklungsprozess unserer Anwendung erheblich verlangsamen und die Komplexität erhöhen.

Nixtla und NeuralForecast

Während unsrer Recherche stießen wir auf Nixtla, insbesondere auf die Bibliothek NeuralForecast. Nixtla bietet eine Sammlung von Tools für die Zeitreihenvorhersage, die speziell für einfache Integration und hohe Genauigkeit entwickelt wurden.

Vorteile:

• Einfache Integration: Nixtla lässt sich leicht in bestehende Projekte integrieren und erfordert keine umfangreiche Vorarbeit.
• Hohe Genauigkeit: Durch die Nutzung fortschrittlicher neuronaler Netzwerke liefert NeuralForecast sehr genaue Vorhersagen.
• Effiziente Cross-Validation: Nixtla bietet integrierte Funktionen zur Cross-Validation, die es ermöglichen, die Genauigkeit der Modelle zu überprüfen und zu verbessern.

Cross-Validation ist eine Technik, die im Machine Learning verwendet wird, um die Leistungsfähigkeit eines Modells zu bewerten. Dabei wird das verfügbare Datenset in mehrere Teile, sogenannte Folds, aufgeteilt. Das Modell wird dann mehrmals trainiert und getestet, wobei in jedem Durchgang ein anderer Teil der Daten als Testset und die restlichen Daten als Trainingsset verwendet werden.

Auswahl und Anwendung spezifischer Algorithmen

In unserem Projekt zur Vorhersage der Zeitreihen haben wir uns dazu entschieden, folgende Algorithmen miteinander zu vergleichen:

• TimesNet
• NHiTS
• NBEATS

TimesNet
TimesNet ist ein neuronales Netzwerk, das speziell für die Vorhersage von Zeitreihen entwickelt wurde. Es nutzt Deep Learning, um komplexe Muster und Beziehungen in den Daten zu erkennen. Ein wesentlicher Vorteil von TimesNet ist seine Fähigkeit, sowohl kurzfristige als auch langfristige Vorhersagen mit hoher Genauigkeit zu treffen.

NHiTS (Neural Hierarchical Interpolation for Time Series)
NHiTS verwendet eine mehrstufige Interpolationsstrategie, um Vorhersagen zu verbessern. Diese Methode ist besonders nützlich für Zeitreihen mit saisonalen Mustern und ermöglicht es, feine Details und langfristige Trends gleichzeitig zu erfassen.

NBEATS (Neural Basis Expansion Analysis for Time Series)
NBEATS nutzt eine Basis-Expansionstechnik, um Vorhersagen zu generieren. Es ist bekannt für seine hohe Vorhersagegenauigkeit und seine Fähigkeit, sowohl additive als auch multiplikative Dekompositionen durchzuführen.

Beispiel:

Die Grafik zeigt in Blau die historischen Daten der neu eingegangenen Aufträge. Dabei wird deutlich, dass an den Wochenenden kaum Aufträge eingehen, was sich in den Rückgängen der blauen Kurve widerspiegelt.

Die Vorhersagen der verschiedenen Modelle sind in Grün, Orange und Rot dargestellt. Die Modelle NHITS und NBEATSx verlaufen sehr ähnlich und folgen eng dem Muster der historischen Daten. Das RNN-Modell weist eine größere Variation in seinen Vorhersagen auf und prognostiziert an den Wochenenden weniger Aufträge, was eher dem tatsächlichen Trend entspricht. Mit gezielter Anpassung kann dieses Modell noch genauere Vorhersagen liefern und die Schwankungen im Auftragsvolumen besser berücksichtigen.

Zusammenfassend arbeiten alle drei Modelle zufriedenstellend, auch wenn keines von ihnen bisher perfekt ist und sie noch nicht im produktiven Einsatz sind. Die Analyse hat gezeigt, dass weitere Optimierungen notwendig sind – etwa das manuelle oder API-basierte Hinzufügen von Feiertagen sowie die Berücksichtigung spezifischer Lastspitzen beim Kunden. Trotz dieser offenen Punkte sind die ersten Ergebnisse bereits sehr vielversprechend.

Fazit

Die in einem solchen Projekt auftretenden Hürden und Möglichkeiten zeigen, wie entscheidend die Verbindung von technologischer Innovation und konkreten Unternehmensanforderungen ist. Durch den Einsatz von Time Series Forecasting und die Evaluierung verschiedener Algorithmen können Unternehmen die zukünftige Arbeitslast präzise vorhersagen und ihre Ressourcen effizient planen. Obwohl die ersten Ergebnisse vielversprechend sind, besteht weiterhin Potenzial für Optimierungen.

Insgesamt zeigt sich, dass solche Lösungen nicht nur die Effizienz steigern und Kosten senken, sondern auch die Zufriedenheit der Mitarbeitenden und Kunden nachhaltig erhöhen können. Unternehmen, die vor ähnlichen Herausforderungen stehen, können von diesem Ansatz profitieren und sollten die Implementierung solcher Technologien in ihre Planungsprozesse in Betracht ziehen.

Quellen

https://www.nixtla.io/