Планирование смен в магазинах с помощью ML моделей
Планирование смен в магазинах с помощью ML моделей, #Статья тут (https://habr.com/ru/companies/X5Tech/articles/812093/)
Эта тема мне особенно интересна, потому что в свое время мы с коллегами провели немало времени, бесконечно рассчитывая планы по численности сотрудников для магазинов и ресторанов – устанавливали нормы, определяли целевую численность для разного типа объектов… В общем, кажется, что я достаточно хорошо знаю это тему, чтобы немного о ней поразмышлять.
Надо сказать, что в X5, по крайней мере в Перекрестке, этим упражнением занимались и 10 и 5 лет назад и делали это, конечно, без применения DS, но очень грамотно, со знанием дела (Жанна, Лена, если вы меня еще читаете, то большой вам привет 👋)
В рамках своей статьи ребята упоминают среди факторов влияние:
• Cезонности по году
• Дней недели
• Времени суток
«Проведя анализ исторических данных, мы пришли к выводу, что профиль количества операций может сильно отличаться в зависимости от дня недели» 😊
Плюc «у каждого магазина своя специфика и различающиеся бизнес-процессы», про которые мало что написано.
А меж тем, есть еще:
• график работы магазина (часы работы ограничены или круглосуточный)
• формат («у дома», супер, гипер…)
• расположение (в ТЦ или отдельно стоящий)
• наличие пекарни, кулинарии, мясного цеха, рыбного цеха, пиццерии
• наличие киосков выдачи 5POST
Все примеры в статье основаны на расчете потребности кассиров. И это понятно, потому что это проще всего:
• их много
• они взаимозаменяемы
• их работа однотипна
• их работа напрямую зависит от трафика гостей
При этом статья от 3 мая, но в ней ничего нет про кассы самообслуживания, которые сейчас есть практически во всех магазинах, и которые, на мой взгляд, абсолютно перекрывают потребность в недостающих кассирах, при необходимости.
А вот касается сотрудников зала, то тут можно посчитать общее количество сотрудников, необходимых для работы в день, но этого недостаточно, нужно еще распределить их по «зонам». Не все и не всегдап взаимозаменяемы.
Например, есть такой важный фактор как пол сотрудников. И это не просто так, это обусловлено теми самыми «бизнес-процессами». Ни один хороший директор не поставит девушек в молочный отдел, где нужно работать преимущественно в зоне работы холодильников. Точно также в отделе консервации, где нужно пополнять полки тяжелыми банками — не самая легкая работа для женщин.
Соответственно, нормативы при работе продавца-мужчины и женщины будут разными только из-за того, что они могут поднимать за раз разное количество товара.
Про категорию поваров и пекарей я вообще молчу, это штучный «товар» для каждого магазина.
Также ничего нет про маркетинговые акции. А это тоже важный фактор, влияющий на загрузку работы сотрудников того или иного отдела. И если их еще можно заложить в модель, т.к. они обычно известны заранее. А вот ремонт дороги, перенос автобусной остановки, открытие/закрытие на реконструкцию выхода из метро, даже погода вообще не прогнозируемы и наступают внезапно, влияя на трафик очень сильно.
В общем, что-то я начинаю разочаровываться в кейсах применения DS и ML для целей HR) А еще в том, что HR-ов недооценивают, не обращаясь к ним за советом при решении задач.
Даже если HR-ы и не владеют инструментами продвинутой аналитики, то они могут дать тонну полезной информации для решения задач планирования, прогнозирования и оптимизации.
Ну и, еще важно помнить, что результаты любой модели, все же, являются только рекомендацией и не могут быть целевыми значениями для оценки в рамках короткого промежутка времени, т.к. вероятность ошибки из-за недоучета факторов довольно высока.
Еще посты по теме:
Модель расчета численности в ресторанах быстрого обслуживания
https://t.me/whrdata/793
Гибкое планирование
https://t.me/whrdata/668
Планирование численности исполнителей работ на стройке
https://t.me/whrdata/780
Стратегическое планирование численности (и киоски самообслуживания)
https://t.me/whrdata/810
Про мороженое 🍦и #метрики производительности труда, ч.1
https://t.me/whrdata/359
Про #метрики производительности, ч.2
https://t.me/whrdata/382
