CN108256755A - 一种基于单个员工同时胜任多岗位要求的排班方法 - Google Patents
一种基于单个员工同时胜任多岗位要求的排班方法 Download PDFInfo
- Publication number
- CN108256755A CN108256755A CN201810018482.1A CN201810018482A CN108256755A CN 108256755 A CN108256755 A CN 108256755A CN 201810018482 A CN201810018482 A CN 201810018482A CN 108256755 A CN108256755 A CN 108256755A
- Authority
- CN
- China
- Prior art keywords
- post
- employee
- data
- competent
- manpower
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computational Linguistics (AREA)
Abstract
本发明公开一种基于单个员工同时胜任多岗位要求的排班方法,该方法通过机器学习模型获得高精度的业务量预测结果,同时考虑了显著因子来修正业务量预测模型,提高了模型精度;采用排队论分解一个任务的多种岗位,并用优化的遗传算法,满足单个员工身兼多岗和公司劳务规定的排班约束,获得人性化的排班结果。基于这种人力分配模式的转变,使得管理人员从繁重的排班中解放出来,排班结果更公平公正,提高了员工工作积极性,同时智能人力分配系统提升了客户的服务感知及满意度。
Description
技术领域
本发明涉及人力资源智能管理领域,具体涉及一种基于单个员工同时胜任多岗位要求的排班方法。
背景技术
随着人力资源的量化管理,作业中心业务量预测的需求日益增加,同时对服务水平、坐席利用率和工时管理等方面的要求不断提高。在现有条件下,如何合理安排人力、提高业务处理效率、优化现场管理成为目前面临的巨大挑战。科学合理的业务预测模型是合理安排班表的重要依据,是作业中心实现高效率运营管理、降低运营成本、保证客户服务质量和水平的重要环节。
集中作业中心是对银行传统会计业务处理流程再造,将原有支行/网点下的业务处理职能集中到分行甚至总行营运中心,改变原来以支行为单元的业务体系,变成以营运中心为核心的业务管理体系,系统实行前台分散受理、中心集中处理的管理模式。具体而言,是网点柜台操作人员负责接受客户指令、审核业务正确、采集业务信息,中心操作人员负责根据影像信息进行录入、复核、授权、记账的业务处理模式。颠覆了银行传统“一手清”的业务处理模式,业务处理不再由网点/支行人员全部完成,而分解为网点和总行账务处理中心和分行特色业务处理两部分完成。现有排班方法,存在调度滞后,没有预先评估每小时各岗位人员需求,导致人员调度滞后,影响作业平台的任务处理效率。没有考虑到业务增长导致岗位人员需求增加,特别是高峰期,按照过往的经验可能会导致业务处理时间超时;没有考虑岗位问题,导致在某段时间岗位人员分配不均衡,某些岗位人员过于富余,而某些岗位人员过于紧张的问题。
发明内容
本发明针对现有技术的不足,提出一种基于单个员工同时胜任多岗位要求的排班方法,其具体技术方案如下:
一种基于单个员工同时胜任多岗位要求的排班方法,其特征在于,该方法包括如下步骤:
S1:定时采集数据库中的历史数据和人力资源池;
S2:根据所述的历史数据预测未来一段时间小时为粒度的业务量模型,具体的业务量模型预测如下:
S2.1:选定需要预测的时间范围,抽取需要预测的时间范围内固定时间段的历史数据;
S2.2:对历史数据做清洗,对异常数据进行异常分析并修正;
S2.3:选择多种可用于时序预测的模型,并将历史数据分为训练数据、验证数据和测试数据,训练调试多种用于时序预测的模型,将预测误差最小的模型作为预测模型;
S2.4:采用影响业务量的显著因子对S2.3获得的预测模型进行修正;
S3:将预测时间范围前一段时间的流水数据转化为小时为粒度的业务量数据,输入到S2.4修正后的业务量预测模型中,得到所预测的时间范围的业务量预测结果;
S4:根据历史业务处理岗位的先后顺序,通过平均处理时效将S3的业务量预测结果转化为小时为粒度的岗位人力;将同时胜任多个岗位的多个员工的历史业务量数据,通过机器学习模型学习得到单个员工同时兼任多个岗位时,胜任每个岗位的人力;
S5:根据S4测算的小时为粒度的岗位人力,生成班表,所述的班表包括班次个数、班次开始结束时间段、每个班次每个岗位所需人力;
S6:根据S4测算的小时为粒度的岗位人力、单个员工同时兼任多个岗位时胜任每个岗位的人力、S5的班表以及排班约束条件,采用遗传算法计算出员工的排班结果。
进一步地,所述的S1的数据库中的历史数据包括处理某类型业务需要经过的岗位流程、该类型业务中每项业务处理的起始时间和结束时间、每项业务中每个岗位处理的开始和结束时间。
进一步地,所述的人力资源池包含员工岗位、员工休息意愿和员工职位。
进一步地,所述的步骤S2.3的详细步骤如下:
(1)将历史数据分为训练数据、验证数据和测试数据;
(2)对训练数据归一化处理;
(3)选定预测时间范围内的日业务量和小时为粒度的业务量的训练数据对由深度学习模型以及传统机器学习模型集成的融合模型进行训练;
(3)在测试数据上选择预测误差最小的模型作为预测模型。
进一步地,所述的步骤S4的详细步骤如下:
S4.1依据某类型业务的岗位流程、岗位要求进行任务分解;
S4.2依据历史数据,获得某类型业务的每个岗位的平均处理时效;
S4.3依据排队论预测出小时为粒度的每个岗位的岗位人力。
进一步地,所述的排班约束条件包括强约束和弱约束,所述的强约束包括周期内休息总天数限制、连续上班天数限制、周期内总工时限制、双休次数均衡;所述的弱约束包括员工休假意愿、周期内班次稳定、员工能力级别均衡。
进一步地,所述的步骤S6的具体步骤如下:
(1)随机产生满足强约束条件的个体组成初始种群;
(2)根据所述的S4测算的小时粒度的人力、所述的排班约束条件,采用时段预测和实际排班的人力之间的方差来计算个体的适应度;
(3)选择:采用轮盘赌进行选择,对于优良个体遗传,不参与交叉和变异;
(4)变异:采用分段单点变异;
(5)判断种群是否满足终止规则,所述的终止规则包括迭代次数超过一定值,或者连续X次迭代个体适应度无改进,或者运行时间超过一定时间T;
(6)更新种群:当不满足终止规则时,通过选择、变异、优良个体遗传操作对所述的个体适应度进行比较调整,更新初始种群直至更新的种群满足终止规则,生成自动排班表。
进一步地,所述的S2.1的时间范围为一天、一周、一个月、一年、一周中的工作日中的任意一个或多个。
与现有技术相比,本发明的有益效果如下:
本发明结合人力资源库自动生成排班表,可以解决员工不同技能在一项业务中身兼多岗,岗位不匹配造成的工时浪费,满足了多技能兼岗这种复杂的排班需求;
本发明的排班方法考虑了影响业务量的显著因子来修正业务量预测模型,提高了模型精度。通过机器学习模型学习到了多岗位的人员配比,采用了优化的遗传算法,满足复杂的排班约束,获得的排班结果更人性化,并且在排班时候可以校验排班的合理性。
本发明实现了班次稳定,方便管理,使得员工上班舒适度提高。这种人力分配模式的转变,使得管理人员从繁重的排班中解放出来,更为公平的排班结果员工工作积极性得到进一步提高。
附图说明
图1为本发明的基于单个员工同时胜任多岗位要求的排班方法的流程图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的排班方法以银行集中作业中心为例,共有59种岗位,多班次,全部岗位人员优先处理集中作业平台任务池中的任务,在空闲期可登陆其它系统处理其它事务;每位人员可处理2~3个岗位的任务。
如图1所示,一种基于单个员工同时胜任多岗位要求的排班方法,其特征在于,该方法包括如下步骤:
S1:定时采集数据库中的历史数据和人力资源池;
这里的历史数据包括处理某类型业务需要经过的岗位流程、该类型业务中每项业务处理的起始时间和结束时间、每项业务中每个岗位处理的开始和结束时间;人力资源池包含员工岗位、员工休息意愿和员工职位。
S2:根据所述的历史数据预测未来一段时间小时为粒度的业务量模型,具体的业务量模型预测如下:
S2.1:选定需要预测的时间范围,抽取需要预测的时间范围内固定时间段的历史数据;
这里的时间范围可以是一天、一周、一个月、一年等时间段中的一部分,例如一天中的工作时段(8点至20点)、一周中的工作日(星期一至星期五)等等。时段还可以是跨越常规时间单位的时间段,如第一天的早上8点至第二天的中午12点。这里历史时段的例子并不构成对本模型的限制,也能够采用其他可以用于业务量统计的时段单位。因此,确定与所述预测时刻对应的历史时刻,包括:在多个历史时段中,分别确定与所述预测时刻对应的各历史时刻。其中,上述的时刻也应该基于时段的具体情况进行广义理解。例如,如果历史时段是一天,那么历史时刻可以是该一天时间中的一个小时;如果历史时段是一周,那么历史时刻可以是该一周时间中的一天。某时刻的业务量可以是该时刻前、后或附近的业务量累计值。例如,对于一天的时段,其中某时刻的业务量可以是某整点时刻前、后或附近业务量的累计值,只要各时刻的业务量覆盖整个时段;对于一周的时段,其中某时刻的业务量可以是某天业务量的累计值。这里不做具体限定。
S2.2:对历史数据做清洗,对异常数据进行异常分析并修正;
(1)将所述历史业务量数据按预设的清洗单位计算,计算每一清洗单位内的业务量数据;
(2)按照预设的最小清洗粒度分为多个时段,对每一个时段计算一个清洗参考值A,如果时段内的业务量在清洗数据范围之外则对该时段内的业务量执行清洗操作,所述清洗数据范围以该时段对应的清洗参考值为基准。
所述清洗参考值采用如下方式计算:
a.确定时段对应的月份为X月、对应的日期为Y日,以及一星期中的第W天;计算月指数Cm=mX/ma
b.其中mX为清洗单位内X月的业务量,ma为清洗单位内月份业务量均值;
c.计算清洗周指数,其中Cw=ww/wa,ww为清洗单位内X月在星期W的业务量均值;其中wi为清洗单位内X月在星期i的业务量均值;计算第一参考值=S÷Cm÷Cw;
d.计算清洗单位内每月Y日的第一参考值;
e.剔除清洗单位内每月Y日的第一参考值的异常数据,得到剔除后数据;
f.计算清洗参考值A=A′×Cm×Cw
g.最后剔除清洗单位内每月Y日的第一参考值的异常数据,采用肖维勒准则剔除异常数据;
h.清洗数据范围为A×(1±R%),其中R为预设的清洗度;清洗操作为:用该时段对应的清洗参考值替换该时段的业务量。
最后数据清洗干净,输出清洗后干净数据。
S2.3:选择多种可用于时序预测的模型,并将历史数据分为训练数据、验证数据和测试数据,训练调试多种用于时序预测的模型,将预测误差最小的模型作为预测模型;
(1)将历史数据分为训练数据、验证数据和测试数据;
(2)对训练数据归一化处理;
(3)选定预测时间范围内的日业务量和小时为粒度的业务量的训练数据对由深度学习模型以及传统机器学习模型集成的融合模型进行训练;
(3)在测试数据上选择预测误差最小的模型作为预测模型。
S2.4:采用影响业务量的显著因子(包括营销活动、天气等)对S2.3获得的预测模型进行修正;
本实例中,因为有营销活动,根据历史数据或经验数据,这种营销对于业务量的贡献为20%。那么可以将历史趋势上调20%作为未来业务量的预测。参考上面的例子,可以预测未来的下一周的周一的业务量为175*(1+20%)=210。天气因素对未来业务量进行预测。假设本周的平均气温比上周的平均气温下降5摄氏度,根据历史数据或经验数据,这种温度下降对于业务量的贡献为-12%(即,会导致未来业务量下降),那么可以将历史趋势下调12%作为未来业务量的预测。参考上面的例子,可以预测未来的下一周的周一的业务量为175*(1-12%)=154。
S3:将预测时间范围前一段时间的流水数据转化为小时为粒度的业务量数据,输入到S2.4修正后的业务量预测模型中,得到所预测的时间范围的业务量预测结果;
S4:根据历史业务处理岗位的先后顺序,通过平均处理时效将S3的业务量预测结果转化为小时为粒度的岗位人力;将同时胜任多个岗位的多个员工的历史业务量数据,通过机器学习模型学习得到单个员工同时兼任多个岗位时,胜任每个岗位的人力;
本实例中初始设置一个员工同时兼职2个岗位的情况下,每个岗位的人力为0.5,之后会根据机器学习模型学习到单个员工同时兼任多个岗位时胜任每个岗位的人力。
S5:根据S4测算的小时为粒度的岗位人力,生成班表,所述的班表包括班次个数、班次开始结束时间段、每个班次每个岗位所需人力;
S6:根据S4测算的小时为粒度的岗位人力、单个员工同时兼任多个岗位时胜任每个岗位的人力、S5的班表以及排班约束条件,采用遗传算法计算出员工的排班结果。
进一步地,所述的步骤S4的详细步骤如下:
S4.1依据某类型业务的岗位流程、岗位要求进行任务分解;
S4.2依据历史数据,获得某类型业务的每个岗位的平均处理时效;
S4.3依据排队论预测出小时为粒度的每个岗位的岗位人力。
进一步地,所述的排班约束条件包括强约束和弱约束,所述的强约束包括周期内休息总天数限制、连续上班天数限制、周期内总工时限制、双休次数均衡;所述的弱约束包括员工休假意愿、周期内班次稳定、员工能力级别均衡。
进一步地,所述的步骤S6的具体步骤如下:
(1)随机产生满足强约束条件的个体组成初始种群;
(2)根据所述的S4测算的小时粒度的人力、所述的排班约束条件,采用时段预测和实际排班的人力之间的方差来计算个体的适应度;
(3)选择:采用轮盘赌进行选择,对于优良个体遗传,不参与交叉和变异;
(4)变异:采用分段单点变异;
(5)判断种群是否满足终止规则,所述的终止规则包括迭代次数超过一定值,或者连续X次迭代个体适应度无改进,或者运行时间超过一定时间T;
(6)更新种群:当不满足终止规则时,通过选择、变异、优良个体遗传操作对所述的个体适应度进行比较调整,更新初始种群直至更新的种群满足终止规则,生成自动排班表。
获得排班表后,分析人力拟合度和员工排班满意度,若满足直接输出班表;若不满足,人工手工调整排班表。
Claims (8)
1.一种基于单个员工同时胜任多岗位要求的排班方法,其特征在于,该方法包括如下步骤:
S1:定时采集数据库中的历史数据和人力资源池;
S2:根据所述的历史数据预测未来一段时间小时为粒度的业务量模型,具体的业务量模型预测如下:
S2.1:选定需要预测的时间范围,抽取需要预测的时间范围内固定时间段的历史数据;
S2.2:对历史数据做清洗,对异常数据进行异常分析并修正;
S2.3:选择多种可用于时序预测的模型,并将历史数据分为训练数据、验证数据和测试数据,训练调试多种用于时序预测的模型,将预测误差最小的模型作为预测模型;
S2.4:采用影响业务量的显著因子对S2.3获得的预测模型进行修正。
S3:将预测时间范围前一段时间的流水数据转化为小时为粒度的业务量数据,输入到S2.4修正后的业务量预测模型中,得到所预测的时间范围的业务量预测结果;
S4:根据历史业务处理岗位的先后顺序,通过平均处理时效将S3的业务量预测结果转化为小时为粒度的岗位人力;将同时胜任多个岗位的多个员工的历史业务量数据,通过机器学习模型学习得到单个员工同时兼任多个岗位时,胜任每个岗位的人力;
S5:根据S4测算的小时为粒度的岗位人力,生成班表,所述的班表包括班次个数、班次开始结束时间段、每个班次每个岗位所需人力;
S6:根据S4测算的小时为粒度的岗位人力、单个员工同时兼任多个岗位时胜任每个岗位的人力、S5的班表以及排班约束条件,采用遗传算法计算出员工的排班结果。
2.根据权利要求1所述的基于一个员工胜任多岗位要求的排班方法,其特征在于,所述的S1的数据库中的历史数据包括处理某类型业务需要经过的岗位流程、该类型业务中每项业务处理的起始时间和结束时间、每项业务中每个岗位处理的开始和结束时间。
3.根据权利要求1所述的基于单个员工同时胜任多岗位要求的排班方法,其特征在于,所述的人力资源池包含员工岗位、员工休息意愿和员工职位。
4.根据权利要求1所述的基于单个员工同时胜任多岗位要求的排班方法,其特征在于,所述的步骤S2.3的详细步骤如下:
(1)将历史数据分为训练数据、验证数据和测试数据;
(2)对训练数据归一化处理;
(3)选定预测时间范围内的日业务量和小时为粒度的业务量的训练数据对由深度学习模型以及传统机器学习模型集成的融合模型进行训练;
(3)在测试数据上选择预测误差最小的模型作为预测模型。
5.根据权利要求1所述的基于单个员工同时胜任多岗位要求的排班方法,其特征在于,所述的步骤S4的详细步骤如下:
S4.1依据某类型业务的岗位流程、岗位要求进行任务分解;
S4.2依据历史数据,获得某类型业务的每个岗位的平均处理时效;
S4.3依据排队论预测出小时为粒度的每个岗位的岗位人力。
6.根据权利要求1所述的基于单个员工同时胜任多岗位要求的排班方法,其特征在于,所述的排班约束条件包括强约束和弱约束,所述的强约束包括周期内休息总天数限制、连续上班天数限制、周期内总工时限制、双休次数均衡;所述的弱约束包括员工休假意愿、周期内班次稳定、员工能力级别均衡。
7.根据权利要求1所述的基于单个员工同时胜任多岗位要求的排班方法,其特征在于,所述的步骤S6的具体步骤如下:
(1)随机产生满足强约束条件的个体组成初始种群;
(2)根据所述的S4测算的小时粒度的人力、所述的排班约束条件,采用时段预测和实际排班的人力之间的方差来计算个体的适应度;
(3)选择:采用轮盘赌进行选择,对于优良个体遗传,不参与交叉和变异;
(4)变异:采用分段单点变异;
(5)判断种群是否满足终止规则,所述的终止规则包括迭代次数超过一定值,或者连续X次迭代个体适应度无改进,或者运行时间超过一定时间T;
(6)更新种群:当不满足终止规则时,通过选择、变异、优良个体遗传操作对所述的个体适应度进行比较调整,更新初始种群直至更新的种群满足终止规则,生成自动排班表。
8.根据权利要求1所述的基于单个员工同时胜任多岗位要求的排班方法,其特征在于,所述的S2.1的时间范围为一天、一周、一个月、一年、一周中的工作日中的任意一个或多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018482.1A CN108256755A (zh) | 2018-01-09 | 2018-01-09 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810018482.1A CN108256755A (zh) | 2018-01-09 | 2018-01-09 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256755A true CN108256755A (zh) | 2018-07-06 |
Family
ID=62726075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810018482.1A Pending CN108256755A (zh) | 2018-01-09 | 2018-01-09 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256755A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271593A (zh) * | 2018-11-06 | 2019-01-25 | 北京京航计算通讯研究所 | 基于聚类的军工集团人员信息标签化方法 |
CN109472490A (zh) * | 2018-11-06 | 2019-03-15 | 北京京航计算通讯研究所 | 基于聚类的军工集团人员信息标签化系统 |
CN109935308A (zh) * | 2019-03-15 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 一种排班方法及系统 |
CN110135732A (zh) * | 2019-05-16 | 2019-08-16 | 北京理工大学 | 一种适用于高校勤工助学岗位的一键智能排班方法及系统 |
CN110598991A (zh) * | 2019-08-15 | 2019-12-20 | 中国民用航空总局第二研究所 | 一种基于机器学习的管制员排班方法 |
CN111382911A (zh) * | 2020-03-20 | 2020-07-07 | 达而观信息科技(上海)有限公司 | 一种基于银行网点业务数据的高柜人员排班预测方法 |
CN111950760A (zh) * | 2020-06-22 | 2020-11-17 | 苏州盖雅信息技术有限公司 | 基于机器学习算法的劳动力需求预测系统及预测方法 |
CN113256027A (zh) * | 2021-06-22 | 2021-08-13 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
CN113469523A (zh) * | 2021-06-30 | 2021-10-01 | 上海浦东发展银行股份有限公司 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
CN113743640A (zh) * | 2020-09-27 | 2021-12-03 | 北京京东振世信息技术有限公司 | 一种仓库内的人员排班调度方法和装置 |
CN113888060A (zh) * | 2021-11-24 | 2022-01-04 | 中国工商银行股份有限公司 | 用于确定网点运营策略的方法、装置、电子设备和介质 |
CN114118792A (zh) * | 2021-11-25 | 2022-03-01 | 中国建设银行股份有限公司 | 集中作业中心的排班预测方法以及排班预测装置 |
CN115271372A (zh) * | 2022-07-04 | 2022-11-01 | 无锡喔趣信息科技有限公司 | 一种基于区域联动的人力资源排班管理系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103297626A (zh) * | 2013-05-20 | 2013-09-11 | 杭州远传通信技术有限公司 | 排班方法及装置 |
CN104778532A (zh) * | 2015-03-12 | 2015-07-15 | 科大国创软件股份有限公司 | 智能呼叫中心管理系统及智能排班控制方法 |
US20150281448A1 (en) * | 2014-03-25 | 2015-10-01 | Interactive Intelligence, Inc. | System and method for predicting contact center behavior |
-
2018
- 2018-01-09 CN CN201810018482.1A patent/CN108256755A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103297626A (zh) * | 2013-05-20 | 2013-09-11 | 杭州远传通信技术有限公司 | 排班方法及装置 |
US20150281448A1 (en) * | 2014-03-25 | 2015-10-01 | Interactive Intelligence, Inc. | System and method for predicting contact center behavior |
CN104778532A (zh) * | 2015-03-12 | 2015-07-15 | 科大国创软件股份有限公司 | 智能呼叫中心管理系统及智能排班控制方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472490A (zh) * | 2018-11-06 | 2019-03-15 | 北京京航计算通讯研究所 | 基于聚类的军工集团人员信息标签化系统 |
CN109271593A (zh) * | 2018-11-06 | 2019-01-25 | 北京京航计算通讯研究所 | 基于聚类的军工集团人员信息标签化方法 |
CN109935308A (zh) * | 2019-03-15 | 2019-06-25 | 无锡雪浪数制科技有限公司 | 一种排班方法及系统 |
CN110135732A (zh) * | 2019-05-16 | 2019-08-16 | 北京理工大学 | 一种适用于高校勤工助学岗位的一键智能排班方法及系统 |
CN110598991A (zh) * | 2019-08-15 | 2019-12-20 | 中国民用航空总局第二研究所 | 一种基于机器学习的管制员排班方法 |
CN111382911A (zh) * | 2020-03-20 | 2020-07-07 | 达而观信息科技(上海)有限公司 | 一种基于银行网点业务数据的高柜人员排班预测方法 |
CN111382911B (zh) * | 2020-03-20 | 2023-11-14 | 达而观信息科技(上海)有限公司 | 一种基于银行网点业务数据的高柜人员排班预测方法 |
CN111950760A (zh) * | 2020-06-22 | 2020-11-17 | 苏州盖雅信息技术有限公司 | 基于机器学习算法的劳动力需求预测系统及预测方法 |
CN113743640B (zh) * | 2020-09-27 | 2023-09-26 | 北京京东振世信息技术有限公司 | 一种仓库内的人员排班调度方法和装置 |
CN113743640A (zh) * | 2020-09-27 | 2021-12-03 | 北京京东振世信息技术有限公司 | 一种仓库内的人员排班调度方法和装置 |
CN113256027A (zh) * | 2021-06-22 | 2021-08-13 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
CN113256027B (zh) * | 2021-06-22 | 2021-10-29 | 南京邮电大学 | 基于货物量的人力资源配置方法 |
CN113469523A (zh) * | 2021-06-30 | 2021-10-01 | 上海浦东发展银行股份有限公司 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
CN113469523B (zh) * | 2021-06-30 | 2022-12-30 | 上海浦东发展银行股份有限公司 | 柜员排班信息的获取方法、装置、电子设备和存储介质 |
CN113888060A (zh) * | 2021-11-24 | 2022-01-04 | 中国工商银行股份有限公司 | 用于确定网点运营策略的方法、装置、电子设备和介质 |
CN114118792A (zh) * | 2021-11-25 | 2022-03-01 | 中国建设银行股份有限公司 | 集中作业中心的排班预测方法以及排班预测装置 |
CN115271372A (zh) * | 2022-07-04 | 2022-11-01 | 无锡喔趣信息科技有限公司 | 一种基于区域联动的人力资源排班管理系统及方法 |
CN115271372B (zh) * | 2022-07-04 | 2023-09-12 | 无锡喔趣信息科技有限公司 | 一种基于区域联动的人力资源排班管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256755A (zh) | 一种基于单个员工同时胜任多岗位要求的排班方法 | |
CN107844915B (zh) | 一种基于话务预测的呼叫中心的自动排班方法 | |
Parisio et al. | A two-stage stochastic programming approach to employee scheduling in retail outlets with uncertain demand | |
CN103679373B (zh) | 生产基建标准成本体系的全链条预算数据处理系统及方法 | |
Shao et al. | The therapist routing and scheduling problem | |
CN110363323B (zh) | 一种周期性客户拜访路线的智能规划方法、系统及设备 | |
CN104778532A (zh) | 智能呼叫中心管理系统及智能排班控制方法 | |
CN103297626A (zh) | 排班方法及装置 | |
CN114118691A (zh) | 基于业务量的排班方案处理方法、装置、设备和介质 | |
Usman et al. | Embedding project management into XP, SCRUM and RUP | |
CN110196711A (zh) | 基于人工智能的插件式工单辅助决策方法及其系统 | |
CN107392425A (zh) | 一种烟草行业项目实施sop的管理方法及系统 | |
CN115511434A (zh) | 基于业务元数据驱动的企业数据治理方法和系统 | |
Li et al. | Discrete event simulation analysis of a reservation-based, one-way car-sharing system | |
CN116645041A (zh) | 基于需求度的智慧燃气结单管理方法、物联网系统和介质 | |
Piramuthu et al. | Information-based dynamic manufacturing system scheduling | |
CN116051055A (zh) | 一种数字化项目管理系统 | |
Xiao et al. | A constraint-driven human resource scheduling method in software development and maintenance process | |
Bosenko et al. | Development of an automated system to improve the efficiency of the oil pipeline construction management | |
Peng et al. | Grey Critical Chain Project Scheduling Technique and Its Application/TECHNIQUE DE PROGRAMMATION DE LA CHAINE CRITIQUE GRISE DU PROJET ET SON APPLICATION | |
Casado et al. | Heuristical labour scheduling to optimize airport passenger flows | |
Cohen | Data-driven project planning: An integrated network learning, process mining, and constraint relaxation approach in favor of scheduling recurring projects | |
Surbakti et al. | Analysis of software development method selection: A case of a private financial institution | |
CN111613312A (zh) | 设备运行情况对比分析方法及装置 | |
Yudistria | The Role of Information Systems in the Effectiveness of Supply Chain Management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant after: Sinyada Technology Co.,Ltd. Address before: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051 Applicant before: SUNYARD SYSTEM ENGINEERING Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |
|
RJ01 | Rejection of invention patent application after publication |