Перейти к содержимому
Опубликовано

Планирование смен курьеров: HR‑аналитика

Автор
  • Имя
    Красивая аналитика | HR | Tech
    Telegram

Кратко

Как планировать смены курьеров: прогноз спроса, метрики заполнения слотов и автоматизация данных в HR‑аналитике

В сервисах, которые на большую долю зависят от исполнителей, планированием "смен" линейных сотрудников (курьеров, сборщиков, водителей такси...) занимается не HR, а аналитики и "бигдата" (в их терминологии это называется "планирование слотов")

Вот почему интересно и полезно слушать профессиональные конференции аналитиков.

Мои заметки с выступления Мединцева Сергея, ЯндексМаркет с бесплатного онлайн-дня конференции AHA!22, которая прошла вчера, 06.07.2022

Тема выступления: "Прогноз вывода курьеров в город для эффективной работы сервиса" (в нашей, HR, картине мира это "составление графиков сменности" :)

1. Терминология: Слот курьера - время и место, которое обуславливает когда и где курьер может выполнять доставки заказов. Order - заказ OpH - количество заказов в час

2. Есть 2 типа слотов: Плановый слот: курьер выбирает слот с фиксированным началом и концом Свободный слот: курьер может начать и закончить в любой момент

3. Нужен не прогноз заказов, а спрос на заказы (т.е. не просто статистика "как было", а "как могло бы быть если бы хватало курьеров и не было отмен) (!)

4. Ключевые метрики: * Заполняемость слотов (все / плановые / свободные) * План и факт заказов * Среднее количество заказов на курьера (OpH) * Доля заказов с повышенным коэффициентом (похоже на "наши" укомплектованность и производительность)

Лично мне немного не хватило инфо про "технику" (ха ха :), но я спросила у Сергея после доклада:

- Сергей, расскажи немного как организована работа с данными и обработка информации?

- История по заказам, выводам курьеров и т.п. хранится в распределённом файловом хранилище YT (аналог hadoop)

Данные из БД автоматически забираются с помощью SQL запросов

Python скрипты обрабатывают их по логике, которую я описал, и выкладывают раз в неделю смены для курьеров во всех городах, где представлена Я.Еда (на данный момент их 186)

- А чем плох excel? 😉 - Excel - замечательный инструмент для широкого круга задач обработки данных. Но обрабатывать тот, объём данных, которым обладает Я.Еда, конечно, затруднительно. Другой большой недостаток обработки данных в excel - сложнее воспроизводить результаты. В наших решениях, мы можем перезапускать скрипты и получать те же результаты. Для анализа это полезное качество.

- Супер, спасибо за твой опыт!

__ Вокруг много интересного опыта, смотрите, делитесь!)

Красивая аналитика | HR | Tech
18345 подписчиков
1191 пост
Авторский канал Про HRTech продукты, автоматизацию HR процессов, аналитику, данные о людях, опыт пользователей и жизнь вокруг РКН: https://vk.cc/cHknrk за сотрудничеством к @victoria_pi или https://telega.in/c/whrdata/?r=hC2dMj5r HR