Personaleinsatzplanung mit KI

Chat

Hallo

Ich bin der Chatbot der HEC GmbH. Ich beantworte Ihnen Fragen zum Unternehmen, zur Bewerbung, zu Parkmöglichkeiten und ähnlichem!

Der Kunde

Das Kern­ge­schäft der FESTMA liegt in der Vertäu­ung von Schif­fen in Bremen und Bremer­ha­ven. Neben dem Fest­ma­chen bietet die FESTMA noch weitere Dienst­leis­tun­gen an, wie die Instal­la­tion einer Gang­way oder Bereit­stel­lung von Tele­fon- und Wasser­ver­sor­gung. Die Perso­nal­pla­nung für eine Schicht ist abhän­gig von der anfal­len­den Arbeit, die an mehrere Fakto­ren gebun­den ist, wie z. B. die Anzahl der Schiffe, die fest- und losge­macht werden müssen, weitere Dienst­leis­tun­gen, die ange­for­dert werden, die Wetter­lage, die aktu­elle Saison. Die Perso­nal­pla­nung wird momen­tan durch erfah­rene Kolle­gen vorge­nom­men. Die Frage­stel­lung der FESTMA ist, ob es anhand ihrer histo­ri­schen Daten möglich ist, die Perso­nal­pla­nung mithilfe von Machine Lear­ning Verfah­ren zu unter­stüt­zen.

Die Herausforderung

Die Heraus­for­de­rung bestand in erster Linie darin, dass zwar Daten aus fast einem Jahr­zehnt zur Verfü­gung stan­den, diese jedoch häufig unstruk­tu­rierte Felder oder nicht homo­gene Einträge enthal­ten haben. Zudem haben sich aus der Grund­fra­ge­stel­lung der Perso­nal­pla­nung weitere Fragen, u.a. nach der Dauer eines Schiffs­auf­ent­hal­tes, erge­ben.

Die Umsetzung

Die Umset­zung des Projek­tes erfolgte in drei Phasen:

  1. Die bereit­ge­stell­ten Daten wurden extra­hiert und anschlie­ßend berei­nigt, indem Tupel mit fehlen­den oder fehler­haf­ten Werten entfernt und neue Daten hinzu­ge­fügt wurden.
  2.  Die Daten wurden visua­li­siert, um u.a. Ausrei­ßer und Korre­la­tio­nen sicht­bar zu machen und ggf. weitere Berei­ni­gun­gen vorzu­neh­men. Folg­lich wurden die passen­den Featu­res zum Trai­nie­ren der Machine Lear­ning Algo­rith­men iden­ti­fi­ziert. Zusätz­lich wurden weitere externe Daten hinzu­ge­zo­gen.
  3. Verschie­dene Algo­rith­men wurden mit den ausge­such­ten Featu­res trai­niert und die Perfor­mance vergli­chen. Aus den Erkennt­nis­sen wurden weitere Featu­res abge­lei­tet und zusätz­li­che Algo­rith­men gegen­ein­an­der getes­tet. Für die am besten funk­tio­nie­ren­den Algo­rith­men wurden in mehre­ren Itera­tio­nen die Para­me­ter ange­passt, um die Ergeb­nisse weiter zu verbes­sern.

Das Ergebnis

Für die Vorher­sage der benö­tig­ten Mitar­bei­ter für eine Schicht konnte mit den Daten eine Genau­ig­keit von 88,5% und für die Liege­dauer von Schif­fen eine von 44,78% erreicht werden. Es wurde gezeigt, dass eine Vorher­sage möglich ist, für diese aber zusätz­li­che externe Daten benö­tigt werden, um eine zufrie­den­stel­lende Genau­ig­keit zu errei­chen.

Die Projektdetails auf einen Blick

  • Analyse von histo­ri­schen Daten aus ~10 Jahren
  • Bran­chen­be­dingt schwe­rer Daten­zu­gang
  • Evalu­ie­rung, ob eine KI Lösung möglich ist
  • Vorher­sage von benö­tig­tem Perso­nal (Schicht)
  • Vorher­sage der Schiffs­lie­ge­dauer

Die eingesetzten Technologien (Auswahl)

  • Python
  • ScikitLearn
  • Jupy­ter Note­book
  • Gephi

Projektbericht herunterladen

Ihre Ansprechpartner zu diesem Thema

Softwareentwicklung
Softwareentwicklung