По мере того, как ритейлеры расширяют свое присутствие, они также вкладывают значительные средства в инновационные склады, чтобы улучшить свои возможности выполнения заказов. Гиперподключенные склады, передовые центры управления и контроля, компьютерное зрение для контроля качества или дроны для подсчета запасов — это лишь некоторые из множества таких инноваций. Однако с увеличением инвестиций в автоматизацию розничные продавцы также должны оценить, может ли автоматизация сама по себе обеспечить ожидаемую ценность для склада или для процветания также требуется сильная экосистема взаимодействия человека и машины.

В этой статье мы рассмотрим сдвиг в парадигме складской рабочей силы и связанные с этим проблемы в свете растущей автоматизации. Мы также узнаем, как экспоненциальная технология искусственный интеллект – Машинное обучение (AI-ML) может помочь ритейлерам повысить окупаемость инвестиций в автоматизацию.

Начнем с того, что, как показано здесь, парадигма рабочей силы нового века находится на пороге революции. В новой парадигме рабочая сила представляет собой гибридное сочетание штатных, случайных или работающих по контракту сотрудников и пула роевых роботов. Теперь рабочие места планируются в соответствии со спросом и не являются строго базовыми операционными требованиями и могут включать как производственную, так и вспомогательную деятельность. Как уже отмечалось, совместная работа человека и машины уже изменила парадигму «Кто есть» современной рабочей силы, а также с появлением гиперсвязанных суперскладов или моделей складирования на основе «уберизации». , 'Как также переопределяется. Итак, в новой парадигме Warehouse Workforce 4.0 гибридная рабочая сила совместно работает над смешанными заданиями в высокоавтоматизированных и общих моделях складского хранения.

От транзакционного к трансформационному управлению персоналом:

В гибкой цепочке поставок подход к планированию спроса меняется с ориентированного на запасы на более ориентированный на информацию. Чтобы поддержать этот сдвиг, необходимо внедрить интегрированный и оперативный план загрузки. В случае волатильности спроса одной из самых больших проблем, с которыми сталкиваются ритейлеры, является сокращение потерь производительности из-за избытка или нехватки производственных мощностей. Розничные продавцы сталкиваются с такими проблемами, в первую очередь из-за транзакционного подхода к управлению персоналом склада,которыйпостоянно не соответствует потребностям меняющейся динамики рабочей силы, а также не в полной мере способен обеспечить соблюдение ключевых параметров емкости — объем, производительность и доступность.

Чтобы подчеркнуть сложности управления новой парадигмой рабочей силы 4.0, давайте возьмем примеры трех ключевых участников управления рабочей силой — Производительность Планировщик, Планировщик заданий и Менеджер операций:

На интеллектуальном складе планировщик должен просматривать доступную мощность в целом, т. е. по всем секциям, сменам и т. д., поскольку традиционное фрагментированное представление емкости будет снижать производительность выполнения заказов. Кроме того, вместо того, чтобы планировать ресурсы с учетом численности персонала, планировщик должен оценить требования к мощности на основе навыков. Для любого внезапного краткосрочного увеличения емкости также должен быть готов оптимальный план гибридных ресурсов. Плановик также должен составить план действий на случай внезапной потери рабочей силы или непредвиденного невыхода на работу.

В то время как Планировщик выполняет задачу оптимального планирования ресурсов, Планировщик должен разумно планировать задания, чтобы одновременно применялись как текущие, так и будущие ограничения. Поскольку ограничения ресурсов зависят от состава рабочей силы, большее количество машин приводит к большему количеству ограничений, связанных с машинами. Ограничения могут стать еще более сложными для совместной работы, которая требует согласования между ресурсами. Во всех таких случаях планировщику необходимо обеспечить правильное сочетание рабочей силы для всех видов заданий — отдельных или совместных.

Даже после получения наилучших результатов от Planner & Scheduler основная ответственность по-прежнему лежит на менеджере операций. Менеджер должен принимать оперативные решения в режиме реального времени, что является одним из самых сложных аспектов во всей цепочке создания стоимости. Самое сложное действие по оркестровке — оптимально перераспределить задачи между гибридной рабочей силой, если запланированное действие было отменено или изменено. Выполнение таких изменений в реальном времени не является простым, поскольку для этого требуется множество соображений, связанных с человеком и машиной, и действий рабочего процесса, таких как воссоздание рабочих мест, сопоставление навыков и рабочих мест или обмен сменами и т. д.

Ключевой вывод из приведенных выше примеров заключается в том, что для создания экосистемы, готовой к рабочей силе будущего, крайне важно принимать разумные решения, такие как: сглаживание сложных взаимозависимостей между человеком и машиной, обеспечение сложное оперативное управление в режиме реального времени или прогнозирование доступности ресурсов и т. д.Такие достижения в новой парадигме Workforce 4.0 создали прочный след для вмешательств AI-ML в управление персоналом. Перечислены ключевые атрибуты инструмента принятия решений с помощью AI-ML:

1. Научные модели принятия решений — от суждений, основанных на данных, к данным

Научные модели устраняют предубеждения или неоптимальные решения, используя силу статистики. Принятие решений на основе ИИ гораздо более актуально, чем традиционное суждение при оценке множества вариантов.

2. Расширенное обучениеhorizon— слияние прошлого и будущего

ИИ повышает аналитические возможности принятия решений, предоставляя нужную информацию в нужное время. При изучении расширенных временных горизонтов используются как исторические тенденции, так и прогнозы на будущее, чтобы гарантировать, что решения являются оптимальными и соответствуют текущим ограничениям.

3. Выявление невидимых проблем — коррекция курса в реальном времени

ИИ помогает выявить неизвестные «неизвестные», т. е. может помочь выявить неотслеживаемые проблемы, а также рекомендовать корректировку курса на лету. Чтобы обеспечить принятие высокопроизводительных решений, он также предлагает компромиссы и преимущества вместе с рекомендациями.

Переход к трансформационной экосистеме управления персоналом склада:

Безусловно, розничные продавцы, приступающие к инициативам по автоматизации склада и взаимодействующие с гибридной рабочей силой, должны по-новому взглянуть как на «Чем управлять» (рабочая парадигма), так и на >Как управлять (парадигма управления персоналом).

Осознавая огромный потенциал решений, основанных на искусственном интеллекте, розничные продавцы могут создать действующую и самокорректирующуюся экосистему управления персоналом в режиме реального времени. Такая интеллектуальная платформа может предоставить адаптируемую «буферы» для любой ожидаемой волатильности и используйте «обучения» из каждого цикла для принятия более эффективных решений.

Чтобы сделать дополнительный акцент на инновационной стратегии склада с использованием AI-ML, давайте рассмотрим несколько вариантов использования и моделей, которые могут создать преобразующую экосистему управления персоналом склада:

1. Сегодня боты составляют 20 % от общего числа сотрудников склада. Таким образом, из общей доли задач большая часть производственных рабочих мест уже приходится на машины. Таким образом, для сотрудников-людей совместная работа с разносторонними навыками стала более актуальной. Чтобы поддержать это, управляемая искусственным интеллектом модель "Best Fit Task Share" может включать Распределение нескольких навыков. Модель можетизучать аспекты иерархии навыков и создавать портфолио вакансий для людей, ботов и совместной работы.

2. В парадигме рабочей силы, тесно связанной с человеком и машиной, кривая обучения является более важным исходным параметром для планирования пропускной способности. Традиционный подход к планированию ресурсов со стандартизированной скоростью работы больше не является оптимальным, поскольку машинное обучение происходит с разной скоростью. Модель с поддержкой ИИ может прогнозировать пропускную способность с помощью параметров динамической кривой обучения и может адаптироваться к различным параметрам рабочей силы склада, таким как только люди, только машины или гибридная рабочая сила.

3. Как и беспилотные автомобили, склады без света не надуманные. Для полностью бесконтактной настройки склада существующая модель WFM, управляемая ИИ, может быть настроена для планирования производительности в единицах машино-часов, совместного планирования совместимых заданий, планирования времени простоя для профилактического обслуживания, предотвращения и - устранять тупиковые ситуации или прогнозировать KPIS автоматизированного процесса, такие как - узкие места, резервы и т. д.

4. Для распределенной или общей модели склада управление динамическими потребностями в персонале является ключом к повышению операционной эффективности. WFM с поддержкой ИИ может предоставить интегрированную платформу в режиме реального времени для управления потребностями в рабочей силе в разных местах.

Конечно, эти варианты использования не являются исчерпывающим списком, но могут в значительной степени обосновать, что «трансформационная WFM» имеет большой потенциал для получения совершенно нового набора преимуществ для всей цепочки создания стоимости склада.

Заключение

В мире, где доминирует цепочка поставок 4.0, ритейлеры постоянно стремятся внедрять инновации в свои складские операции и стараются добиться максимальной отдачи от своих инвестиций. Но чтобы раскрыть весь потенциал этих инноваций в области автоматизации, они также должны создать возможности для работы с быстрорастущей гибридной и гибкой рабочей силой. Поскольку парадигма рабочей силы уже претерпевает изменения, экосистема управления персоналом с поддержкой AI-ML еще больше повышает динамизм и гибкость складских операций, а также обещает принести многократные выгоды от полученной эффективности.