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 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.

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.