Tervetuloa lukemaan The Black Box -blogisarjaa, jossa avaamme tekoälyn mustaa laatikkoa ja kerromme vaikeaselkoisesta teknologiasta ymmärrettävästi. Tarkastelemme mitä kaikkea Quinyxin AI:n sisällä tapahtuu. Lisäksi näytämme, miten tekoälymme ratkaisee haastavimmatkin henkilöstöresursointiin liittyvät tilanteet.
Työvuorosuunnittelussa on usein kyse siitä, kuka työskentelee missäkin vuorossa. Ennen kuin työvuoroja voidaan suunnitella, on kuitenkin osattava vastata kysymykseen siitä, kuinka monta työntekijää oikeastaan tarvitaan.
Monille työvuorosuunnittelua tekeville tieto todellisesta työvoimatarpeesta on kuin teelehdistä ennustaminen: tarkastellaan edellisen vuoden tapahtumia, selvitetään tämänhetkisiä trendejä ja tehdään niiden perusteella valistuneita arvauksia. Kuluttajakäyttäytyminen voi kuitenkin muuttua nopeastikin, jolloin arvailu muuttuu mahdottomaksi. Lopputuloksena on yleensä joko ylimitoitettu henkilöstö, mikä kasvattaa työvoimakustannuksia tai alimitoitettu henkilöstö, mikä puolestaan kuormittaa työntekijöitä.
Tarkastellaan seuraavaksi The Black Box -blogisarjamme ennustamiseen liittyvää aihepiiriä ja sitä, miten Quinyx korvaa arvailun täsmällisillä ennusteilla.
Yleinen harhaluulo on, että tekoälyennusteet ovat vain eräänlainen ”historiadata 2.0”. Tämän käsityksen mukaan algoritmi tarkastelee esimerkiksi viime tiistain myyntilukuja, lisää niihin muutaman prosentin kasvua ja toteaa ennusteen olevan valmis.
Jos asia olisi näin yksinkertainen, tavallinen taulukkolaskentaohjelma riittäisi. Monet operatiiviset johtajat suhtautuvat kuitenkin tekoälyennusteisiin epäilevästi, sillä markkina ei kehity suoraviivaisesti. Vaikka trendikäyrä näyttäisi tasaista kehitystä, sesonkihuipun tiistai näyttää todellisuudessa aivan erilaiselta kuin tavallinen tiistai lokakuussa.
Miten Quinyxin ennustemoduuli oikeastaan toimii? Järjestelmä ei ainoastaan tarkastele menneisyyttä, vaan ottaa huomioon myös muuttuvat olosuhteet.
Työvuorosuunnittelija osaa tunnistaa trendejä, mutta ihmisaivojen on vaikea käsitellä kymmeniä jatkuvasti muuttuvia tekijöitä samanaikaisesti. Ja tässä kohtaa tekoäly pääsee oikeuksiinsa. Se yhdistää historiadatan ulkoisiin signaaleihin, eli kysyntään vaikuttaviin tekijöihin. Näitä on usein vaikea havaita.
Kysyntään vaikuttava tekijä on mittari, joka määrittää, kuinka paljon työtä tietyssä toimipisteessä on tehtävä. Kyseessä voi olla esimerkiksi myymälän asiakasmäärä, ravintolan maksutapahtumien määrä tai varastoon saapuvien kuormalavojen määrä. Quinyxin tekoäly hyödyntää kysyntään vaikuttavia tekijöitä kolmella eri tavalla:
Erilaisten tapahtumien huomioiminen: Järjestelmä ei arvaile, milloin paikkakunnalla järjestetään konsertti tai milloin kouluissa on loma-aika, vaan näissä se hyödyntää ihmisen antamaa tietoa. Kun järjestelmään syötetään tietoja yksittäisistä tapahtumista, tekoäly varmistaa, että tämä paikallinen tietämys otetaan huomioon ennusteessa.
Operatiivinen hallinta: Yksi tekoälyyn liittyvistä yleisistä huolenaiheista on se, että organisaatio menettää mahdollisuuden hallita henkilöstötarpeen laskentaa. Quinyxissä henkilöstömitoituksen perusteet eivät ole mysteeri – ne määritellään itse ja pysyvät näin aina hallinnassa.
Useisiin muuttujiin perustuva henkilöstötarve: Voit määrittää henkilöstötarpeen useiden muuttujien perusteella, mutta päätösvalta säilyy aina sinulla.
Kiinteät mitoitusperiaatteet: Järjestelmä ei itse muuta henkilöstömitoituksen sääntöjä, vaan se soveltaa ennalta määriteltyjä ja toimiviksi todettuja periaatteita tarkkaan kysyntäennusteeseen. Lopputulos on sekä automatisoitu että täysin ennakoitava.
Hyperpaikalliset kysyntätekijät (enemmän kuin myyntilukuja): Yleiset ennustemallit keskittyvät laajoihin markkinatrendeihin. Quinyxin AI sen sijaan keskittyy paikallisiin kysyntämalleihin ja analysoi jokaista kysyntään vaikuttavaa tekijää omana, erillisenä tietovirtanaan.
Tarkkuutta ilman häiriötekijöitä: Malli tarkastelee yksittäisen muuttujan käyttäytymistä ja välttää samalla muista, asiaan liittymättömistä tiedoista aiheutuvan häiriön.
Yksityiskohtainen ymmärrys: Järjestelmä tunnistaa tietyn toimipisteen ja tietyn mittarin yksilöllisen rytmin. Näin ennuste kuvastaa yksittäisen toimipisteen todellista tilannetta koko yrityksen keskiarvon sijaan.
Kun avaamme tässä The Black Box -blogisarjassamme ennustamisen toimintaa, esittelemme tieteellisesti perustellun mallin, joka rakentuu organisaatiosi omalle datalle. Tekoäly käsittelee yksityiskohtaisella tasolla juuri niitä tekijöitä, jotka vaikuttavat organisaatiosi kysyntään. Näin arvailu voidaan korvata täsmällisellä laskelmalla siitä, missä ja milloin ketäkin työntekijää tarvitaan.
Kun työvuorosuunnittelu perustuu tunnistettuihin malleihin eikä intuitioon, saavutetaan monia hyötyjä:
Vähemmän hukkaan meneviä työtunteja: Työvuoroihin ei enää tarvitse varmuuden vuoksi varata ylimääräisiä työntekijöitä. Tämä tehostaa kannattavuutta ja auttaa pitämään henkilöstökustannukset budjetissa.
Parempi asiakaskokemus: Kun asiakkaita saapuu ruuhka-aikaan, paikalla on riittävästi työntekijöitä palvelemassa heitä.
Vähemmän stressiä: Työvuorosuunnittelusta vastaavan ei enää tarvitse tuskailla kysyntäennusteiden kanssa. Työvuorosuunnittelua ei tarvitse aloittaa tyhjästä, vaan käytettävissä on heti alusta alkaen toimiva pohja.
Tulevaisuuden ennustamisen ei pitäisi perustua kristallipalloon. Avaamalla tekoälyn mustaa laatikkoa haluamme näyttää, että tarkassa ennustamisessa on kyse selkeämmästä näkymästä. Silloin päivittäisen toiminnan tietotulvasta osataan tunnistaa juuri ne tiedot, joilla on merkitystä.
Oletko valmis siirtymään reaktiivisesta arvailusta tarkkoihin ennusteisiin? Varaa Quinyx-esittely ennustamisesta ja tutustu tarkemmin siihen, miten hyperpaikallisia tekijöitä analysoiva tekoälymme muuttaa organisaatiosi operatiivisen datan henkilöstöresursoinnin luotettavaksi perustaksi.