港湾労働者派遣の最適化

港湾労働者派遣の最適化

BCMEA (British Columbia Maritime Employers Association) は、カナダのブリティッシュ コロンビア州の 5 つの港湾地域で活動する港湾労働者によって作成された組織です。雇用主は、貨物の積み降ろしやその他のドック活動を港湾労働者に依存しているターミナル オペレーター、港湾労働者、および船舶代理店などです。この協会は、7,000 人を超える現役の港湾労働者を代表しており、労働者の訓練と仕事の派遣に携わっています。

BCMEA は、SimWell およびSimon Fraser University Beedie School of Businessと提携して、バンクーバーの港湾労働者派遣のデジタル ツインを作成しました。

SimWell は、カナダとアメリカ合衆国に拠点を置く、産業工学シミュレーションと最適化の専門家であり、この分野での受賞歴があります。同社のシミュレーション モデリングの専門家チームは、デジタル ツイン 機能について BCMEA に助言し、AnyLogic を使用した エージェントベースのシミュレーション の実装を支援しました。

Simon Fraser University Beedie School of Business の 2 つの学生グループがこのプロジェクトに取り組みました。1 つのグループは機械学習を使用して労働力とスキルの可用性(Availability)についてモデルをトレーニングし、2 つ目のグループはシナリオの比較に役立つ視覚化を担当しました。

問題:港湾労働者の不足

BCMEA は、不足を回避する目的で、すべての港で訓練を受け、資格のある港湾労働者を確実に供給する責任を負っています。2016 年、BCMEA は想定外の記録的な人員不足に見舞われ、その対応には、港湾労働者のトレーニングと可用性を向上させるための短期、中期、および長期計画の策定が含まれていました。

プロジェクトの目的は、労働力不足に対処するための短期的および長期的な計画策定
プロジェクトの目的は、労働力不足に対処するための短期から長期的な計画策定
(クリックして拡大)

計画の一環として、労働者の派遣プロセスをシミュレートしたいと考えていました。これにより、派遣時のスキルマッチングの分析や研修ニーズの判断が可能になります。

港湾労働者派遣の複雑さ

BCMEA の場合、派遣は 1 日 3 回行われ、必要な仕事と利用可能な従業員のマッチングが含まれます。一致するには、さまざまなパラメータに依存します:

従業員は、どこに行き、誰のために働くかを選択できます。つまり、労働力の可用性は予測できません。例外は、従業員が働いていた職位のために呼び戻されるコールバックと、直接雇用されている従業員の場合です。

ある日から次の日にどの労働者が利用できるかわからないということは、いつでも不足が発生する可能性があり、特定のスキルを必要とする仕事が満たされない可能性があることを意味します。答えは、訓練を受け資格のある労働力を豊富に確保することです。これは、進行中の課題につながります:どのくらいのトレーニングが必要なのでしょうか?

このプロジェクトまで、トレーニングの量は、雇用主の見積もりから、直感によって決定されていました。その働き方は満足のいくものでしたが、最近では不足の KPI を満たすのにあまり効果的ではありませんでした。それは仕事により多くのスキルとトレーニングが必要になってきたからでした。

解決策

2016年の想定外の不足に対応して作成されたBMCEAの中長期計画は、データ分析プログラムの作成につながります。

まず、BMCEA はデータセットとダッシュボードを作成して、ブリティッシュ コロンビア州の港湾労働者派遣の現在および過去の状態を把握しました。この最初の作業の結果、彼らはその傾向を認識し、計画をより適切に伝えることができるようになりました。

データセットとダッシュボードに続いて、目的は予測分析機能を開発することでした。これにより、BMCEA は、新しいコンテナ ターミナルの開設や、より多くのトラック ドライバーのトレーニングの効果など、将来を見据えてシナリオを分析することができます。意思決定者にとって、より多くのトレーニングが労働力の利用可能性を改善することを予測するのは簡単かもしれませんが、予測分析の目的は、労働力とトレーニングの必要性を定量化することでした。

SimWell は、予測分析を開発するための基礎として、バンクーバーの港湾労働者派遣のデジタル ツインの構築に助言し、支援しました。彼らは、AnyLogic を使用してエージェントベースのシミュレーション モデルを実装しました。このモデルは、必要なメトリックを処理し、現実世界のシステムの動作を表現しました。

このデジタル ツインは、労働力の利用可能性の機械学習(ML) モデルで、この可用性モデルは、Simon Fraser University Beedie School of Businessによって開発され、理解とコミュニケーションを向上させるための視覚化も提供しました。

モデル図とユーザー インターフェイスの例
モデル図とユーザー インターフェイスの例(クリックして拡大)

開発者は、可用性モデルをモデルの残りの部分から分離して、シミュレーション モデルとは独立して反復できるようにしました。ML モデルは外部にあり、web APIを介して AnyLogic シミュレーション モデルに接続しました。

可用性モデルが ML を使用して労働の変動性を把握する理由は、この方法がヒューリスティックなどの代替方法よりも時間の経過とともに正確であることが証明されたためです。過去のデータに存在する労働変動のパターンを明示的に把握することは困難ですが、ML はそれらを処理する方法を提供します。

重要な設計機能は、データ パラメータをプロセス構成から分離したことです。この違いにより、雇用記録などの履歴データをさまざまな方法で変更して仮説を検証できる、データ主導のシナリオ作成が可能になりました。たとえば、アナリストは、さまざまなトレーニング プログラムがさまざまなシナリオに与える影響を調査できます。

現在、デジタル ツインは、バンクーバーの港湾労働派遣の 1 年分を 6 分でシミュレートできます。シミュレーションは、ユーザー インターフェイスまたは Python スクリプトから呼び出されるヘッドレス モードで実行できます。シミュレーションのすべてのアクションはログに記録され、Python スクリプトと Tableau データの視覚化を使用して、プラットフォーム外でさらに分析することができます。

結果

ディジタルツインは多く点で役立ちます。最初の結果は、バルク・オペレーター・プールの分析(大きなトレーニング努力を要求する複雑な格付け)を含んでいます。トレーニングの必要度を分析するディジタルツインの使用は、トレーニングのための最適な3年の投資収益率を測定しました。

別のケースでは、このモデルを使用して、港湾ターミナルの拡張シナリオでタイヤ式ガントリー クレーン(RTG/RMG) の労働力の必要性を調べました。その結果、この港では RTG/RMG の労働需要が 300% 増加することが示されました。

港湾派遣ツールのビジュアル
ユーザーインターフェース
港湾派遣ツールのビジュアル ユーザーインターフェース(クリックして拡大)

全体として、バンクーバーの港湾労働者派遣デジタル ツインは、長期的な戦略をサポートし、人口統計と技術の傾向を予測し、シナリオ モデリングに基づいてビジネスを可能にします。デジタルツインは、他の地域にも随時拡張されていきます。

このケース スタディは、BCMEA のシニア データ サイエンティストである Bart Fransen によって、AnyLogic Conference 2021 で発表 [PDF]されました。



同様のケーススタディ

その他のケーススタディ

各業界のケーススタディが記載されたパンフレットを入手(英語)

ダウンロード