A sensitivity analysis approach to improve workforce optimization results by simulating employee training
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3055
Degree programme
Language
en
Pages
41+8
Series
Abstract
Efficient scheduling in retail operations is achieved through workforce optimization whic is essential in managing the large expense of personnel costs. In addition to regulations and contractual terms, the employee skills determining which tasks an employee is able to complete play a significant role in the scheduling process. An optimal workforce schedule ensures the personnel is fully utilized while complying with rules and regulations. However, a shedule is rarely optimal due to the complex restrictions leading to employee idling. This thesis proposes a simulation based sensitivity analysis algorithm to improve the results of an existing workforce optimization solution. The algorithm recommends new skills to be trained to employees in attempt to lower the idle hours of employees by enabling them to work on additional tasks. Missing employee-skill recommendations are determined with a Multiple One-At-a-Time sensitivity analysis method which uses Latin Hypercube Sampling to explore the space of possibilities. Different scenarios representing stores or store departments are used to test the algorithm. improved and the run times of the algorithm. Some test cases decrease idle hours close to zero while others can not be improved. In addition, the differences between the fastest and slowest execution time is almost thousandfold. Based on the results and the initial data of test cases, observations are made to help identify whether there is a possibility for improvement or not although definitive conclusions can not be made. The thesis is concluded with suggestions on how the algorithm could be improved.Tehokas aikataulutus vähittäiskaupan alalla saavutetaan työvoiman optimoinnilla, joka on olennaisen tärkeää suurten henkilöstökustannusten hallinnassa. Säädösten ja sopimusehtojen lisäksi työntekijöiden taidot, jotka määrittävät, mitä tehtäviä työntekijä pystyy suorittamaan, ovat merkittävässä asemassa aikataulutusprosessissa. Optimaalinen työvoiman aikataulutus varmistaa sen, että henkilöstöä hyödynnetään täysimääräisesti, noudatetaan sääntöjä ja määräyksiä. Aikataulut ovat kuitenkin harvoin optimaalisia, koska monimutkaiset rajoitukset johtavat työntekijöiden joutilaana toimimiseen. Työssä ehdotetaan simulointiin perustuvaa herkkyysanalyysialgoritmia, jolla parannetaan olemassa olevan työvoiman optimointiratkaisun tuloksia. Algoritmi suosittelee työntekijöille koulutettavia uusia taitoja, joilla pyritään vähentämään työntekijöiden joutilaanaoloaikaa heidän pystyessä työskentelemään useamman työtehtävien parissa. Puuttuvia taitoja suositellaan moninkertaisesti toistamalla yksi kerrallaan -herkkyysanalyysimenetelmää, jossa hyödynnetään latinalaista hyperkuutiopoimintametodia otosten keräämiseen syöteavaruudesta. Algoritmin testaamiseen käytetään todellisia myymälöitä tai myymäläosastoja edustavia skenaarioita. Testiskenaarioiden tuloksien parannusta mitataan sillä, kuinka paljon joutilaanaolotunteja voidaan vähentää. Tulokset osoittavat suurta vaihtelua sekä parannettavissa olevien joutilaanaolotuntien määrässä, että algoritmin suoritusajoissa. Joissakin testitapauksissa joutilaanaolotunnit vähenevät lähes nollaa, kun taas toisissa tapauksissa niitä ei voida lainkaan vähentää. Lisäksi erot nopeimman ja hitaimman suoritusajan välillä ovat lähes tuhatkertaiset. Tulosten ja testitapausten lähtötietojen perusteella havainnoidaan tunnistettavia ominaisuuksia tapauksista, joissa on parannusmahdollisuuksia, vaikka lopullisia johtopäätöksiä niistä ei pystytäkään tekemään. Työn lopussa esitetään algoritmin parannusehdotuksia.Description
Supervisor
Punkka, AnttiThesis advisor
Pulliainen, LaurSaikko, Paul