Vilken data behöver AI:n för att lägga ett bra schema?

De flesta schemaläggningssystem har någon form av AI-funktion idag. Men vad innebär det egentligen och på vilket sätt tillför det ett värde till programmet? Det som betyder något är, vad ska AI:n användas till och har den tillgång till rätt data?

En AI-baserad schemaläggning behöver fyra sorters data, i fallande ordning efter hur mycket de betyder: volymdata som visar vad som driver behovet, till exempel försäljning eller bokningar med tidsstämpel; den tid som faktiskt arbetades; avtal och regler som schemat måste följa; och en kalender med helgdagar, kampanjer och andra avvikelser.

Vilken data krävs för att AI ska kunna lägga ett schema?

‍

‍

Utan volymdata finns det ingenting att prognostisera, och utan arbetad tid går prognosen inte att översätta till timmar. Avtalen och kalendern gör schemat bättre, men de kan byggas upp efter hand.

Volymdata: tidsstämpel och rätt enhet

Den viktigaste egenskapen hos volymdata är upplösningen. En prognos kan aldrig bli finare än den data den bygger på. Om kassasystemet bara lämnar en summa per dag kan ingen modell säga något om klockan elva. Data per kvitto, bokning eller order med klockslag går att summera till vilket intervall som helst, och det är den formen ni ska be om.

Välj också rätt enhet. Antal transaktioner eller kunder speglar arbetsbelastningen bättre än kronor, eftersom kronor påverkas av prisändringar och av vad kunderna köper. En kund som köper en dyr jacka tar ungefär lika lång tid i kassan som en som köper strumpor.

Hur lång historik som krävs har vi gått igenom i Så räknar du ut hur mycket personal som behövs. Tumregeln är minst en full cykel av det mönster som ska förutsägas. Veckomönstret syns efter några veckor, men ett årsmönster syns först när året har gått en gång. En säsongsverksamhet behöver därför minst ett helt år.

Varför räcker det inte med det planerade schemat som historik?

Den andra datatypen är lätt att få fel. Många verksamheter har sparat sina gamla scheman, och det är frestande att mata in dem. Men ett planerat schema visar vad någon trodde skulle behövas. Om någon var sjuk, gick hem tidigare eller fick stanna kvar en timme syns det inte där.

Tränas en modell på planerade timmar lär den sig att upprepa gamla planer, inklusive gamla misstag. Den data som behövs är den faktiska närvaron: stämplingar in och ut, rapporterad tid eller det som till slut gick till lönen. Den ska dessutom gå att koppla till rätt avdelning eller funktion. En kassatimme och en lagertimme är inte utbytbara, och om de ligger i samma summa går sambandet mellan volym och arbete inte att räkna ut.

Vilka regler måste systemet känna till?

Prognosen säger hur många som behövs. Avtal och regler avgör vilka som kan stå där. Ett schema som matchar behovet perfekt men bryter mot dygnsvilan, eller sätter en medarbetare utan truckkort på lagret, går inte att använda.

Det här behöver finnas i en form som systemet kan läsa:

Kollektivavtalet som gäller för varje medarbetare, med arbetstidsregler, ob-tider och övertidsregler

• Anställningsform och sysselsättningsgrad, och om den ska räknas per vecka eller över en längre period
• Behörigheter och kompetenser, till exempel kassa, kök, truck, farligt gods eller nattansvar
• Begränsningar som gäller enskilda personer, som ålder under 18 år, studier eller överenskommen ledighet
• Önskemål om tider, om ni arbetar med det

Avtal och regler behöver ingen historik, men de måste vara aktuella. Ett vanligt problem vid införanden är att sysselsättningsgrader och behörigheter ligger i olika system med olika uppgifter. Det går snabbare att rätta före starten än efter.

Läs gärna också Vad AI inte ska bestämma i ett schema, som handlar om var gränsen går mellan det systemet räknar fram och det en chef ska avgöra.

Varför behöver prognosen en kalender?

En modell som bara ser volymer ser att påskafton var annorlunda, men inte varför. Kalenderdata ger förklaringen, så att modellen kan förutse nästa gång. Det handlar om helgdagar och klämdagar, lönedagar, egna kampanjer och utskick, lokala evenemang som konserter och matcher, skolans lov och, för verksamheter som påverkas av det, vädret.

Det mesta av detta finns redan någonstans. Problemet är att det sällan finns i en form som går att läsa in. Kampanjplanen ligger i en presentation hos marknadsavdelningen och evenemangen i chefens huvud. Att samla dem i en enkel lista med datum, typ och förväntad effekt är ofta det enklaste sättet att förbättra en prognos.

Vad förstör en prognos?

En prognos blir aldrig bättre än underlaget. Det här är problem i datan som drar ner den:

‍

Hur vet man om ens data räcker?

Gör ett enkelt test innan ni pratar med en leverantör. Ta ut behovsdriven data för det senaste året per timme och lägg den i ett kalkylark. Titta på den vecka för vecka. Ni bör kunna se ett tydligt veckomönster, kunna förklara de veckor som sticker ut och inte hitta några tomma dagar som borde ha haft volym. Om det går är underlaget troligen tillräckligt.

När systemet väl är igång är det bästa beviset prognosens träffsäkerhet mot utfallet. Metoden för att mäta den finns i Hur bra är en AI-prognos egentligen?.

Så ser det ut i TooEasy

I TooEasy hanteras schema, tidrapportering och lönefiler på samma plattform. Den arbetade tiden finns därför redan i systemet, och prognosen räknas på den i stället för på gamla planer. Data från andra verktyg och system är enkelt att integrera, Tooeasy kan kopplas ihop de flesta löneprogram, kassasystem och bokningssystem som finns på marknaden.