Al decennialang passen bedrijven wiskundige methoden toe om planningen en roosters te automatiseren en te optimaliseren. Met de opkomst van AI zijn de verwachtingen nog verder gestegen. Daarbij dromen ondernemers van planners die niet meer hoeven te puzzelen. Met één druk op de knop produceert de computer het beste plan. Maar is dat zo?

‘Pietje werkt liever niet op vrijdag’
In de praktijk blijkt dit plannen met één druk op de knop toch vaak lastig. En dat ligt niet perse aan de techniek. Algoritmen zijn uitstekend in het vinden van optimale oplossingen voor goed gedefinieerde problemen. Maar juist daar zit de uitdaging: het probleem moet goed gedefinieerd zijn. Dit betekent dat alle planningsregels volledig en duidelijk moeten zijn en de inputdata gestructureerd, compleet en correct. Precies hier gaat het mis. Regels die voor een menselijke planner logisch zijn laten zich moeilijk vatten in een strikt algoritmisch kader. Denk maar aan kennis als ‘Pietje werkt liever niet op vrijdag’. Bovendien is de dagelijkse data vaak niet goed genoeg om de planning volledig aan een computer over te laten.

Minder moeite doen voor betere planningen
Optimalisatie van planning en roosters gaat uiteindelijk niet alleen om de inzet van AI en slimme algoritmen. Deze kunnen heel krachtig zijn, maar zijn tegelijkertijd geen doel op zich. Uiteindelijk draait het om het maken van betere planningen met minder moeite. Ofwel het realiseren van zo goed mogelijke resultaten met zo min mogelijk inzet. Zoals veel bedrijven en planners inmiddels wel weten, kunnen wiskundige technieken daar een belangrijke rol in spelen. Toch zijn die technieken niet altijd direct essentieel om aanzienlijke verbeteringen te realiseren.

Van tussenstap naar opstap naar ‘More’
De planapplicatie van More Optimal kan al veel waarde toevoegen aan planningsproblemen die nog niet klaar zijn voor wiskundige algoritmen. Dat doet de software onder andere door planningen op een overzichtelijke manier te visualiseren en de consequenties van beslissingen inzichtelijk te maken. Tegelijkertijd verkleint het gebruik van een goede, beslissing-ondersteunende, planapplicatie de stap naar de volgende fase: het gebruik van optimalisatie-algoritmen die de planner verder ondersteunen.

Praktijkvoorbeeld: Excel
Als More Optimal hebben we recent bij een klant een planapplicatie geïmplementeerd. Dit bedrijf werkte eerder met verschillende Excel-sheets. Daarmee konden ze nieuwe opdrachten best goed plannen. De planner wist meestal wel wie beschikbaar was voor welke klus en hield dit bij in Excel. De echte uitdaging ontstond bij wijzigingen in de planning. Werd een klus een week verschoven, dan was het moeilijk om een geschikte oplossing te vinden. Het ontbrak de planner aan een aantal zaken: overzicht van wie precies wanneer beschikbaar was, wie de juiste vaardigheden had en de benodigde hoeveel reistijd. Om toch enig overzicht te behouden diende de planner wijzigingen handmatig op meerdere plaatsen door te voeren.

Overstap naar planner met inzicht
Na de overgang naar het nieuwe plansysteem werd dit allemaal eenvoudiger. De planner ziet nu in één oogopslag wie op welk moment welke klus uitvoert. De applicatie geeft direct een waarschuwing als iemand niet over de juiste vaardigheden beschikt en berekent reistijden automatisch. Zo kan de planner gemakkelijk de beste kandidaat voor de opdracht kiezen. Dat kan bij zowel de initiële planning als wanneer er verstoringen optreden. Op termijn willen we nog steeds wiskundige optimalisatie toepassen en daarmee de volgende stap nemen, maar eerst moet de basis op order zijn. In dit geval is dat het zorgen voor een goede handmatige planning in een krachtige planapplicatie.