Er is veel aandacht voor Kunstmatige Intelligentie (AI) en Machine Learning (ML), maar hoe kunnen ze praktisch worden toegepast in personeelsplanning? In dit artikel delen we vier manieren waarop onze klanten AI-technieken gebruiken, zoals wiskundige optimalisatie of Machine Learning, om hun roosters te verbeteren. Het belang om betere roosters te maken is groter dan ooit: het personeelstekort is een groot probleem in veel sectoren. De vergrijzing betekent dat er simpelweg minder mensen op de arbeidsmarkt beschikbaar zijn, waardoor personeelsbehoud en een efficiënt planningsproces nog crucialer worden. Daarbij willen medewerkers flexibiliteit, transparantie en een gepersonaliseerd rooster dat een goede balans tussen werk en privé bevordert. AI kan je helpen deze doelstellingen te bereiken. Bijvoorbeeld door de verwachte werklast vóór de uitvoering van de werkzaamheden te voorspellen of door te controleren hoe goed wensen worden gerespecteerd door de analyse van historische gegevens na de uitvoering. Door de lessen uit het verleden toe te passen in de volgende periode, creëer je een ‘learning loop’ om continu je hele personeelsplanningsproces te verbeteren.
Een artikel van Goos Kant, Industry Leader Workforce & Professor in Logistieke Optimalisatie
Voordat je verbeteringen doorvoert in de personeelsplanning, is het belangrijk om te begrijpen wat een goed rooster inhoudt. Een rooster moet zich houden aan diverse regels, zoals de cao en arbeidswetgeving, maar moet ook voldoen aan de organisatiedoelstellingen. Bovendien moet het flexibiliteit bieden binnen andere beperkingen, waaronder voorkeuren van medewerkers, gewenste dienstlengtes, het aantal jaren ervaring, mentoring van teamleden, overwerk, contractbeperkingen, en meer. Verschillende stakeholders binnen een organisatie kunnen uiteenlopende opvattingen hebben over wat het beste rooster vormt.
Daarom verschilt de definitie van een 'goed rooster' per organisatie. Het zal grotendeels afhangen van de visie van de organisatie op workforce management. We raden aan om aan het begin één (of meerdere) workshops te organiseren met belangrijke stakeholders om tot een gemeenschappelijke definitie van een goed rooster te komen. Dit kan resulteren in meerdere criteria, elk met een andere prioriteit. Het creëren van een basislijn met behulp van historische gegevens helpt bij het vaststellen van een benchmark voor de huidige kwaliteit van het rooster.
Een cruciale eerste stap voordat mensen aan diensten worden toegewezen, is het voorspellen van de vereiste werklast voor de komende periode. Door gebruik te maken van historische gegevens kan machine learning de nauwkeurigheid van de voorspelling aanzienlijk verbeteren. Als dit leidt tot pieken in de werklast, zou je deze kunnen afvlakken wanneer sommige taken kunnen worden uitgesteld. Een optimizer kan pieken in de werklast gladstrijken en het optimale aantal diensten bepalen, inclusief hun begin- en eindtijden, waarbij ook rekening wordt gehouden met de vereiste kwalificaties.
Onze ervaring toont aan dat deze aanpak de kwaliteit en efficiëntie van het rooster verbetert zonder extra kosten met zich mee te brengen. Stel bijvoorbeeld dat er in de afgelopen week 3 dagen overbezetting en 2 dagen onderbezetting waren. Medewerkers merken misschien niet wanneer je overbezet bent, maar ze voelen wél de stress van onderbezetting. Met een nauwkeurigere voorspelling kunnen diensten worden herverdeeld naar andere dagen, waardoor zowel onderbezetting als de bijbehorende kosten, én ook stress, worden verminderd.
De huidige generatie medewerkers wil meer controle over hun roosters. Daarmee wordt een intelligente self-service-app voor medewerkers steeds belangrijker, om zo aan de individuele voorkeuren tegemoet te komen. Bovendien gaan organisaties steeds vaker aan de slag met zelfroosteren, waarbij medewerkers hun voorkeuren in de eerste planningsronde kunnen prioriteren. Tijdens daaropvolgende rondes werken teams samen om eventuele resterende conflicten in de planning aan te pakken. Als er tijdens de totstandkoming van het rooster de nodige uitdagingen blijven bestaan, kan een op AI gebaseerde optimizer deze problemen objectief oplossen, waarbij vaak meer dan 90% van de wensen en voorkeuren van medewerkers wordt vervuld. Deze neutraliteit en efficiëntie overstijgen de standaard, handmatige planningsmethoden. Naarmate het tegemoetkomen aan de persoonlijke voorkeuren van medewerkers, alsook het waarborgen van flexibiliteit in het roosterproces in belang toenemen, zal daarmee ook de vraag naar AI-oplossingen groeien.
Goos Kant
"Medewerkers moeten eenvoudig diensten kunnen ruilen. AI kan ondersteunen bij het berekenen van geschikte alternatieve opties, rekening houdend met arbeids- en bedrijfsregels."
Een goede werkgever biedt transparante en gepersonaliseerde communicatie. Diverse onderwerpen die relevant zijn voor de medewerker, zoals de organisatiestrategie, carrièremogelijkheden en persoonlijke ondersteuning, moeten duidelijk en regelmatig worden gecommuniceerd. Gepersonaliseerde communicatie, gebaseerd op voorkeuren en kenmerken van medewerkers, kan helpen om de juiste informatie op het juiste moment over te brengen. Dankzij machine learning kun je deze voorkeuren en kenmerken onttrekken op basis van historische gegevens. Het integreren van alle informatie in één medewerkers-app, inclusief roosteren, kan je IT-landschap een stuk eenvoudiger maken. Bovendien moet het voor medewerkers mogelijk zijn gemakkelijk diensten te kunnen ruilen. AI kan daarbij ondersteunen bij het berekenen van geschikte alternatieve opties, rekening houdend met arbeids- en bedrijfsregels.
Als je zowel geplande als daadwerkelijke dienstroosters opslaat, kunnen waardevolle inzichten worden verkregen. Bijvoorbeeld, significante verschillen tussen de daadwerkelijke en gepubliceerde roosters geven aan dat er aanzienlijke veranderingen hebben plaatsgevonden, mogelijk door verzoeken van medewerkers of aanpassingen van de werkgever. De frequentie van veranderingen dient als maatstaf voor het beoordelen van de kwaliteit van het initiële rooster. Machine learning kan correlaties ontdekken, zoals de relatie tussen roostergezondheid, naleving van medewerkervoorkeuren en de impact op het behoud van medewerkers. Bovendien kunnen inzichten worden verkregen in medewerkervoorkeuren, ideale dienstlengtes en het gedrag in zelfroosteren. Nieuwe AI-toepassingen maken het mogelijk om nieuwe roosters te genereren op basis van historische gegevens, terwijl op het gebied van HR-analytics uitgebreide gegevens worden gebruikt om HR-processen te verbeteren.
Dit zijn slechts vier praktische voorbeelden van hoe AI je personeelsplanningsproces kan verbeteren, maar deze kunnen ook van toepassing zijn op andere gebieden in de organisatie. Het inzien van de waarde van de beschikbare data in je organisatie, hier met behulp van machine learning en wiskunde van leren en te verbeteren, zorgt niet alleen voor hogere tevredenheid en efficiëntie van medewerkers, maar verbetert ook algemene processen, zoals klantenservice en operationele processen.
Van een boerenzoon die zijn vader hielp bij het berekenen van welke koeien te houden, tot expert in logistieke optimalisatie en zijn huidige rol als Global Industry Director voor Workforce bij ORTEC: Goos Kant zet zich al van jongs af aan in om een impact te maken. Kant is gespecialiseerd in logistieke planning en geeft er de voorkeur aan om academische kennis te combineren met een meer praktische, toegepaste benadering. Kant noemt de academische wereld zijn "tweede thuis" en is sinds 2005 professor in logistieke optimalisatie. Hij is de projectleider van een groot R&D-project over horizontale samenwerking, wordt regelmatig uitgenodigd als spreker op conferenties en geeft lezingen voor executive educatie-programma's. Het optimaliseren van wiskundige modellen zit in zijn aard, maar hij is ook gedreven om verbeteringen te verkennen die niet in modellen te vinden zijn.
Meld je aan voor de mailinglijst en ontvang onze driemaandelijkse nieuwsbrief met onder andere het Data & AI magazine (Engelstalig) als eerste in je mailbox.