An Algorithmic approach to shift structure optimization

Abstract

Workforce scheduling in organizations often consists of three major phases: workload prediction, shift generation, and staff rostering. Workload prediction involves using historical behaviour of e.g. customers to predict future demand for work. Shift generation is the process of transforming the determined workload into shifts as accurately as possible. In staff rostering, the generated shifts are assigned to employees.

In general the problem and even its subproblems are NP-hard, which makes them highly challenging for organizations to solve. Heuristic optimization methods can be used to solve practical instances within reasonable running times, which in turn can result in e.g. improved revenue, improved service, or more satisfied employees for the organizations. This thesis presents some specific subproblems along with practical solution methods

--- Työvoiman aikataulutusprosessi koostuu kolmesta päävaiheesta: työtarpeen ennustaminen, työvuorojen muodostus ja työvuorojen miehitys. Tulevaa työtarvetta ennustetaan pääasiassa menneisyyden asiakaskäytöksen perusteella käyttäen esimerkiksi tilastollisia malleja tai koneoppimiseen perustuvia menetelmiä. Työvuorojen muodostuksessa tehdään työvuororakenne, joka noudattaa ennustettua ja ennalta tiedettyä työtarvetta mahdollisimman tarkasti. Työvuorojen miehityksessä määritetään työvuoroille tekijät.

Jokainen vaihe itsessään on haasteellinen ratkaistava. Erityisesti työvuorojen miehitys on yleensä NP-kova ongelma. On kuitenkin mahdollista tuottaa käytännöllisiä ratkaisuja järkevässä ajassa käyttäen heuristisia optimointimenetelmiä. Näin on saavutettavissa mitattavia hyötyjä mm. tuottoon, asiakkaiden palvelutasoon sekä työntekijöiden työtyyväisyyteen. Tässä väitöskirjassa esitellään eräitä työvoiman aikataulutuksen aliongelmia sekä niihin sopivia ratkaisumenetelmiä.