如今，劳动力规划已经到了一个转折点。 传统的劳动力管理流程严重依赖耗时且不一致的手动步骤，在劳动力市场持续混乱的情况下，无法再提供所需的动态劳动力调度。 过去两年，随着 COVID-19 大流行给许多行业的日常运营带来了不可预见的压力，传统流程的低效率比以往任何时候都更加明显。 劳动力供应有限和工资上涨的挑战仍然是首要问题。
近年来，先进的数据应用和人工智能优化了许多业务流程。 但到目前为止，劳动力规划尚未实现同等水平的数字化转型。 最近的技术进步和成本下降使得端到端、人工智能驱动的时间表优化成为现实，也是一个机会。 本文探讨了如何通过提供更快的速度、灵活性和智能来解决优化时间表的问题，从而推动长期需要的转型，以便公司可以在需要时部署所需的人员，并释放新的效率水平。
未解决的优化挑战
优化调度是所有优化问题中最具挑战性的问题之一。 劳动力类型和运营以及跨部门和企业的巨大变化使得这些解决方案难以标准化。
即使在个体企业内，劳动力规划的复杂性和对动态行动的需求也使得敏捷决策变得困难。 为了以最高效率运营，企业必须部署适当数量的员工来满足需求并最大限度地减少员工每天的停工时间。 不断变化的情况和大量的决策变量生成复杂的传统计算机模型，通常需要很长时间才能运行。 考虑到不可预见的变化（例如员工突然没有上班或需求激增），优化模型面临的压力会变得更大。 新的时间表必须使用新的输入非常快速地计算出来，但大多数一体化优化模型需要数小时才能提供更新的时间表。
更重要的是，现有的调度工具并不总是用户友好的，可能需要数据科学家团队来维护和更新。 为了真正有价值，调度模型必须与其他模型集成，例如需求预测。 由于这些挑战，企业可能会失去简化产品和为客户提供更好服务的机会，从而也会损失收入。
优化劳动力管理现在比以往任何时候都更加重要。 最近的三个因素迫使其被提上公司战略议程。 首先（也是最意想不到的）是 COVID-19 大流行对全球运营的影响，因为需求的突然波动使基于电子表格的劳动力调度模型超出了极限。 一家北美电信公司说明了这一挑战：在互联网容量需求飙升的情况下，该组织很难重新分配其技术人员（他们长期以来习惯于提供现场安装和维修）来远程解决问题。 受旧技术的阻碍，该企业无法克服劳动力管理和人员调度方面的问题。 客户和现场工作人员的满意度均下降，而客户流失和员工流失则增加。
其次，尽管 COVID-19 可能被证明是我们一生中的一次性事件，但由于高通胀、人口流动（大量经验丰富的工人退休）等原因，预计劳动力格局将发生更多变化。 影响劳工条款和条件的潜在政策变化。 由此产生的不确定性可能会使劳动力规划持续复杂化。
拟议的法规可能会迫使组织改变其运营和劳动力供应策略。 鉴于当前劳动力管理系统的手动性质，优化和改变日常运营需要大量时间，以及大型规划人员和容量经理团队。 因此，当前的调度流程往往不一致，并且严重受到人为偏见的影响，这增加了出现错误、效率低下和监管风险的可能性。 所有这些因素可能都随着劳动力的复杂性而增加。
第三，也是最令人鼓舞的，人工智能和云计算新技术的出现降低了部署端到端、人工智能驱动的解决方案以优化时间表的成本。 在过去的十年中，组织对采用数字解决方案进行劳动力管理的兴趣不断增加。
利用人工智能来管理和安排劳动力
当前的市场环境使得优化时间表比以往任何时候都更加重要。 人工智能驱动的工具为一系列相互依赖的约束和不断变化的需求提供了最佳解决方案。 这些解决方案生成尽可能高效的时间表，以便正确的资源在正确的时间到达正确的地点。
与当前基于电子表格的模型相比，人工智能驱动的解决方案在安排劳动力方面所需的时间要少得多，并且可以更有效地捕获运营中的意外变化。 该技术允许采用一致和系统的方法，消除人为偏见和错误，创建更公平的规划时间表，并减少监督调度过程所需的管理带宽。
例如，图表 1 展示了智能调度如何通过简化日常活动、减少出行时间以及提高现场整体生产力和效率来优化公用事业服务中心工作人员的日常日程安排。 左侧显示了船员传统上花在工作、旅行以及未分配或非工作工作（例如培训课程）上的时间。 右侧显示了优化的时间表——智能调度如何分配这些员工的时间。 由于地理优化和使用更好的工作持续时间估计，工作时间显着增加。 未分配的时间下降。
