Contacto

La optimización de los turnos laborales basada en datos mejora teniendo pronósticos precisos

Sep 23, 2020 4 min.

La optimización de Workforce es el proceso de creación de los horarios del personal; horarios que no sólo han de contemplar los contratos y regulaciones de los empleados sino que también tienen que coincidir con la carga de trabajo basada en pronósticos y las aptitudes de los trabajadores. La optimización de las jornadas laborales ayuda a los retailers a asegurarse de que cada turno laboral se cubre con el número adecuado de personas para evitar el exceso o la escasez de personal, pero además se completa con las personas adecuadas según sus habilidades, disponibilidad y requerimientos legales.

La carga de trabajo consiste en tareas fijas y tareas basadas en volumen

El primer paso en la optimización de las jornadas laborales es identificar la carga de trabajo según los niveles de demanda. La carga de trabajo normalmente consiste en dos tipos de tares: las fijas y las que están basadas en el volumen.

Las tareas fijas se repiten de manera constante y tienen los mismos (o casi los mismos) requisitos de personal en todo momento, estas tareas, como el trabajo administrativo o las tareas diarias de apertura de tiendas pueden configurarse una vez en el sistema de workforce y luego asignarlas según sea necesario al crear los horarios.

Sin embargo, aproximadamente el 80% de la carga de trabajo de las tiendas se compone de tareas basadas en el volumen, tareas que varían día a día y de una semana a otra dependiendo de la afluencia de clientes, de los volúmenes entrantes y de los pedidos online. Estas tareas pueden verse afectadas por variaciones recurrentes en los patrones de la demanda, como la estacionalidad; decisiones de negocio, cómo promociones; y factores externos como la meteorología. Estas complejidades hacen que el machine learning sea esencial para hacer proyecciones precisas de la carga de trabajo.

Pronósticos que dan información sobre la carga de trabajo de las tareas según el volumen

Las tareas basadas en el volumen incluyen el funcionamiento de las cajas, la reposición de estanterías, el servicio al cliente en tienda, la descarga de las entregas y la preparación de los pedidos online. Para tener más información sobre este tipo de tareas y la carga de trabajo asociada, el sistema de optimización de las jornadas laborales ha de tener acceso a diferentes tipos de pronósticos:

  • Pronósticos de afluencia de clientes en intervalos de 15 minutos. Estos pronósticos granulares se usan para identificar los requisitos de carga de trabajo para tareas como servicio al cliente y cajeros, que se relacionan con el nivel de ocupación de la tienda en un momento dado y que ocurren en momentos específicos.
  • Pronósticos de las entregas diarias. Estos pronósticos ofrecen un calendario detallado diario de los productos que se entregarán y cuando, lo que proporciona una información valiosa para la carga de trabajo relacionada con las tareas de gestión de inventario, como la descarga de camiones y la reposición de estanterías. Los volúmenes entrantes normalmente siguen un patrón muy diferente al de los clientes o las ventas, por lo que es importante considerarlos por separado. A diferencia de las tareas que están relacionadas con la afluencia de clientes, con las tareas relacionadas con el inventario generalmente hay algo más de flexibilidad.
  • Pronósticos del canal online. Para los retailers omnicanal, los pronósticos del canal online ofrecen información que puede ayudar a determinar el nivel de la carga de trabajo y los tiempos para cualquier tarea relacionada explícitamente al ecommerce, incluyendo la preparación de los pedidos. Los pedidos online suelen seguir una cadencia muy diferente a la de las compras en las tiendas físicas, con lo que un sistema de optimización de workforce necesita pronósticos separados para determinar los patrones de turnos y las tareas del personal responsable de gestionar las tareas relacionadas a los pedidos online y para calcular cuando puede que se necesiten más empleados.

Los horarios optimizados tienen que combinar información de las tareas fijas y las basadas en volumen con los datos de los empleados

La información de las tareas basadas en volumen que ofrecen los tres tipos de previsiones debe combinarse con la información de las tareas fijas para pronosticar con precisión el nivel total de la carga de trabajo en cualquier día o momento. Un sistema de optimización de las jornadas laborales debería poder tener en cuenta la afluencia de clientes, las tareas fijas y flexibles y optimizarlo todo para que no interfieran entre sí o con las necesidades de los clientes, por ejemplo: el acceso a los pasillos durante los momentos con los picos de más gente en las tiendas.

Una vez los diferentes tipos de pronósticos y tareas fijas se optimizan, el sistema puede tomar esa carga de trabajo y hacer una referencia cruzada con los perfiles de los empleados (que contienen detalles sobre contratos, legislación, capacidades y necesidades individuales) para crear horarios que satisfagan tanto los requerimientos de la empresa como los de los empleados. Es casi imposible gestionar manualmente estas grandes cantidades de datos por lo que es vital aprovechar el poder de los algoritmos inteligentes.

Los retailers que introducen un sistema de optimización de las jornadas laborales pueden esperar importantes beneficios de negocio. Por ejemplo, los supermercados suecos Coop Värland observaron una reducción de los costes de personal entre un 6 y un 8% como resultado de la implementación del sistema. Además los empleados sienten que sus horarios tienen en cuenta sus necesidades lo que conlleva a tener una plantilla más feliz y satisfecha. En general, es probable que la optimización de las jornadas laborales lleve a una reducción de costes y una mejora en los niveles de servicio.

Para aprovechar todo el potencial de la optimización de las jornadas laborales, el sistema debe tener acceso a pronósticos altamente precisos que cubran la información sobre la afluencia de clientes, las entregas diarias y el canal online. Estos datos, al combinarse automáticamente con los perfiles detallados de los empleados, permiten que el sistema desarrolle de forma algorítmica horarios de alta calidad que coincidan con la carga de trabajo y requieran una mínima intervención manual, permitiendo a los equipos de tienda centrarse en otras necesidades y tareas de negocio importantes.

Autor

Mika Halme

Mika Halme

Business Area Lead