- Опубликовано
Планирование смен курьеров: HR‑аналитика
- Автор
- Имя
- Красивая аналитика | HR | Tech
- Telegram
- Красивая аналитика | HR | Tech18345 подписчиков1117 постовАвторский канал Виктории Пискаревой 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
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!)
Предыдущий пост
- Опубликовано
Пульс-опросы и eNPS
Закрепленные
Из подборки #HR-аналитика
- Опубликовано
Про ротации и мобильность
- Опубликовано
Оркестр и Фокус внимания
- Опубликовано
HR 2026: общий язык работодателей и сотрудников
- Опубликовано
Теги
- Опубликовано
Про рекомендации
- Опубликовано
Время роста
Свежие посты
- Опубликовано
HR аналитика для небольших компаний
- Опубликовано
мотивирующий инсайт из отпуска
- Опубликовано
#заметки с конференции Битрикс24, которая прошла 🗓 26.02.2026
- Опубликовано
AI-native-подход в карьерном обучении
- Опубликовано
LLM в Яндексе,
- Опубликовано
заметки с конференции ИТ в промышленности от TAdviser, 18.03.2026 г.
- Опубликовано
💡 Переход на КЭДО: аргументы для генерального директора и директора по персоналу
- Опубликовано














