Оптимальное распределение рабочей силы в порту с помощью цифрового двойника

Оптимальное распределение рабочей силы в порту с помощью цифрового двойника

Ассоциация работодателей морской индустрии Британской Колумбии (British Columbia Maritime Employers Association, BCMEA) была создана компаниями, осуществляющими деятельность в пяти портовых регионах Британской Колумбии, Канада. Работодатели (чаще всего это операторы терминалов, стивидоры и экспедиторы) сильно зависят от портовых рабочих, осуществляющих погрузку и разгрузку судов и другие операции в порту.

Совместно с SimWell и Бизнес-школой Биди при Университете Саймона Фрейзера (SFU Beedie School of Business) BCMEA создали цифрового двойника для управления рабочей силой в порту Ванкувера.

Компания SimWell – известные специалисты в области имитационного моделирования и оптимизации производственных процессов с офисами в США и Канаде. Их команда предложила BCMEA использовать для решения задачи концепцию цифрового двойника и помогла воплотить эту идею в жизнь с помощью агентного моделирования в AnyLogic.

Над проектом также работали две студенческие группы из Бизнес-школы Биди. Одна группа использовала машинное обучение, чтобы создать модель доступности трудовых ресурсов, а вторая работала над визуализацией сравнения сценариев в имитационной модели.

Проблема: нехватка рабочей силы

В обязанности BCMEA входит обеспечение всех своих портов достаточным количеством квалифицированных рабочих. В 2016 году Ассоциация неожиданно столкнулась с беспрецедентным дефицитом персонала, в связи с чем было решено разработать краткосрочные, среднесрочные и долгосрочные планы по набору и обучению сотрудников.

 На графике показаны краткосрочные, среднесрочные и долгосрочные планы по решению проблемы дефицита рабочей силы
Краткосрочные, среднесрочные и долгосрочные планы по решению проблемы дефицита рабочей силы (нажмите, чтобы увеличить)

В рамках разработанных планов Ассоциация хотела создать имитационную модель управления персоналом, чтобы проанализировать распределение задач с точки зрения эффективности использования навыков и квалификаций рабочих и определить потребности в обучении персонала.

Особенности распределения рабочих задач в порту

В BCMEA распределение задач между портовыми рабочими происходит три раза в день. Выбор сотрудника для конкретной задачи зависит от нескольких параметров:

Рабочие свободны выбирать, где и на кого им работать, что делает доступность трудовых ресурсов непредсказуемой. Исключение составляют сверхурочные работы, когда сотрудника вызывают работать сверхурочно там, где он уже работал в основные часы, и сотрудники, нанятые для исполнения конкретных обязанностей.

Так как не известно, сколько рабочих будет в распоряжении работодателя даже не следующий день, дефицит трудовых ресурсов может возникнуть в любой момент и поставить под угрозу выполнение задач, требующих специализированных навыков. Решить эту проблему можно наличием большого резерва обученных и квалифицированных сотрудников. Отсюда следует вопрос: сколько обучения необходимо проводить?

До реализации описываемого проекта объемы обучения определялись по наитию на основе бесед работодателя с персоналом. Такая методика определения потребности в обучении была приемлема в прошлом, но оказалась непригодной при дефиците рабочей силы, когда ключевой показатель эффективности по подготовке и обучению персонала стал <1.5%, что не соответствует минимальным требованиям для ряда работ.

Решение

Среднесрочные и долгосрочные планы BCMEA, созданные в ответ на неожиданный дефицит рабочей силы в 2016 году, привели к созданию программного средства для аналитики. Для начала Ассоциация создала массив данных и панель мониторинга, чтобы разобраться в прошлой и нынешней практике управления портовыми рабочими в Британской Колумбии. Этот первый шаг позволил выявить основные тенденции и информационно подкрепить планирование.

Следующим шагом после создания массива данных и панели мониторинга была разработка инструмента прогнозирования. Инструмент должен был помочь BCMEA заглянуть в будущее и проанализировать возможные сценарии, например, что будет, если открыть новый контейнерный терминал или провести дополнительное обучение водителей грузовиков. Кажется очевидным, что дополнительное обучение в любом случае положительно скажется на обеспеченности BCMEA необходимыми трудовыми ресурсами. Однако целью Ассоциации было определить конкретные необходимые объемы обучения и количество персонала.

В качестве основы для создания инструмента прогнозирования специалисты из SimWell предложили концепцию цифрового двойника. Команда SimWell помогла его разработать с помощью агентного моделирования в AnyLogic. Полученная модель отражала все необходимые характеристики и поведение реальной системы.

Благодаря масштабируемости цифрового двойника, в него была интегрирована модель машинного обучения (ML), отражающая доступность трудовых ресурсов.

 Схема модели и пример интерфейса
Схема модели и пример интерфейса
(нажмите, чтобы увеличить)

Разработчики сделали так, что модель доступности трудовых ресурсов осталась обособленной частью цифрового двойника, что позволяет повторно запускать ее отдельно от основной имитационной модели. Модель машинного обучения является внешней и соединяется с моделью AnyLogic с помощью API.

Разработчики модели доступности трудовых ресурсов использовали машинное обучение для имитации изменения количества и состава доступного персонала, так как такой метод зарекомендовал себя как более точный по сравнению с другими, например, с использованием эвристических алгоритмов. За основу машинного обучения были взяты архивные данные, из которых было бы невозможно вывести однозначных зависимостей традиционными способами.

Главная отличительная особенность архитектуры модели заключалась в том, что параметры данных и конфигурации процессов были разделены. Это разделение позволило создавать сценарии на основе измененных исторических данных (например, трудового стажа) для тестирования всевозможных гипотез. Таким образом, аналитики могли экспериментально проверять, какое влияние на систему оказали бы те или иные программы обучения при разных сценариях.

Сейчас цифровой двойник может смоделировать год управления портовыми рабочими Ванкувера за шесть минут. Модель можно запускать с помощью пользовательского интерфейса или скрипта Python. Информация о любых манипуляциях с моделью сохраняется и полученные результаты доступны для дальнейшего анализа уже вне модели: с помощью Python и визуализации данных в Tableau.

Результаты

Цифровой двойник может быть использован для разных целей. Первоначальные результаты включали в себя анализ необходимых процедур по обучению операторов портовых кранов для сыпучих грузов. С помощью цифрового двойника был определен оптимальный срок возврата инвестиций в обучение – три года.

Также цифровой двойник был использован для анализа потребности в персонале для работы с козловыми кранами на колесах (RTG/RMG) в случае расширения портового терминала. Результаты моделирования показали, что потребность в квалифицированных рабочих возрастет на 300%.

 Скриншот пользовательского интерфейса, который показывает портовых рабочих, направляющихся на работу в Ванкувере
Визуализация процесса управления портовыми
рабочими (нажмите, чтобы увеличить)

В целом, цифровой двойник управления портовыми рабочими стал эффективным инструментом долгосрочного планирования и прогнозирования демографических и технологических тенденций и ведения бизнеса на основе сценарного моделирования в порту Ванкувера. Созданный программный иснтрумент планируется использовать и в других регионах страны.

Этот пример из практики был представлен на AnyLogic Conference 2021 Бартом Франсеном, старшим специалистом по анализу данных BCMEA.



Похожие проекты

Другие истории успеха

Сборник историй успеха от пользователей AnyLogic

Скачать