Die British Columbia Maritime Employers Association (BCMEA) ist eine Organisation, die von Arbeitgebern aus der Seefahrt in den fünf Hafenregionen von British Columbia, Kanada, gegründet wurde. Zu den Arbeitgebern gehören Terminalbetreiber, Stauer und Schifffahrtsagenten, die beim Be- und Entladen der Fracht und bei anderen Hafenaktivitäten auf Hafenarbeiter angewiesen sind. Der Verband vertritt mehr als siebentausend aktive Hafenarbeiter und ist an ihrer Ausbildung und Arbeitsvermittlung beteiligt.
In Zusammenarbeit mit SimWell und der Simon Fraser University Beedie School of Business erstellte die BCMEA einen digitalen Zwilling der Hafenarbeitervermittlung der Stadt Vancouver.
SimWell ist ein preisgekrönter Experte für Simulation und Optimierung in der Industrietechnik mit Sitz in Kanada und den USA. Ihr Expertenteam für Simulationsmodellierung beriet BCMEA zu den Möglichkeiten des digitalen Zwillings und half bei der Implementierung einer agentenbasierten Simulation mit AnyLogic.
Zwei Studentengruppen der Simon Fraser University Beedie School of Business arbeiteten an dem Projekt. Eine Gruppe verwendete maschinelles Lernen, um ein Modell für die Arbeitskräfte- und Qualifikationsverfügbarkeit zu trainieren, die zweite Gruppe erstellte Visualisierungen, um den Vergleich von Szenarien zu erleichtern.
Problem: Mangel an Hafenarbeitern
Das BCMEA ist dafür verantwortlich, eine zuverlässige Versorgung mit ausgebildeten, gut qualifizierten Hafenarbeitern für alle seine Häfen zu gewährleisten, um Engpässe zu vermeiden. Im Laufe des Jahres 2016 litt der BCMEA unerwartet unter einem rekordverdächtigen Arbeitskräftemangel. Ein Teil der Reaktion darauf war die Entwicklung von kurz-, mittel- und langfristigen Plänen zur Verbesserung der Ausbildung und Verfügbarkeit von Hafenarbeitern.
Im Rahmen der Pläne sollte der Arbeitsvermittlungsprozess simuliert werden, um den Abgleich von Fähigkeiten bei der Entsendung zu analysieren und etwaigen Schulungsbedarf zu ermitteln.
Optimierung des Einsatzes von Hafenarbeitern
Beim BCMEA findet die Vermittlung dreimal täglich statt und umfasst den Abgleich zwischen benötigten Aufträgen und verfügbaren Mitarbeitern. Die Zuordnung hängt dabei von verschiedenen Parametern ab:
- Einstufungen — zeigen an, ob ein Mitarbeiter über eine bestimmte Fähigkeit verfügt und eine bestimmte Aufgabe ausführen kann
- Fähigkeiten — Fähigkeiten der Mitarbeiter, die sich typischerweise auf bestimmte Arten von Fracht oder Maschinen beziehen
- Einschränkungen — zeigen an, ob ein Mitarbeiter bestimmte Aufgaben oder an bestimmten Standorten nicht ausführen kann
- Boards — eine Methode zur fairen Verteilung von Arbeitsplätzen auf verfügbare Arbeitskräfte
- Gewerkschaft und Gelegenheitsarbeiter — Mitarbeiter sind entweder gewerkschaftlich organisiert oder Gelegenheitsarbeiter, weshalb sich der Vermittlungsprozess unterscheidet
Die Arbeitskräfte können sich aussuchen, wohin sie gehen und für wen sie arbeiten. Das bedeutet: Die Verfügbarkeit von Arbeitskräften ist nicht vorhersagbar. Eine Ausnahme sind Rückrufe, bei denen Mitarbeiter für eine Stelle zurückgerufen werden, die sie bereits innehatten, sowie Direktbeschäftigte.
Nicht zu wissen, welche Arbeitskräfte von einem Tag auf den anderen zur Verfügung stehen, bedeutet, dass es jederzeit zu Engpässen kommen kann und dass Arbeitsplätze, die bestimmte Fähigkeiten erfordern, nicht besetzt werden können. Die Antwort darauf liegt in einem umfangreichen Pool an ausgebildeten und qualifizierten Arbeitskräften, aus dem man schöpfen kann. Das wiederum führt zu einer ständigen Herausforderung: Wie viel Training ist nötig?
Bis zu diesem Projekt wurde der Umfang der Ausbildung empirisch bestimmt, d. h. anhand der Einschätzungen von Personen im Gespräch mit Arbeitgebern. Diese Arbeitsweise war zwar zufriedenstellend gewesen, doch nun war sie für die Erfüllung der Mangel-KPIs weniger effektiv, da die Tätigkeiten mehr Fähigkeiten und eine bessere Ausbildung erforderten.
Lösung
Die mittel- und langfristigen Pläne des BMCEA, die als Reaktion auf die unerwarteten Engpässe des Jahres 2016 erstellt wurden, führten zur Schaffung eines Datenanalyseprogramms.
Zunächst erstellte die BMCEA Datensätze und Dashboards, um den aktuellen und historischen Stand der Vermittlung von Hafenarbeitern in British Columbia zu verstehen. Das Ergebnis dieser ersten Arbeit ermöglichte ihnen, Trends zu erkennen und die Planung zu verbessern.
Aufbauend auf den Datensätzen und Dashboards war das Ziel, prädiktive Analysemöglichkeiten zu entwickeln. Diese würden es dem BMCEA ermöglichen, in die Zukunft zu blicken und Szenarien zu analysieren, wie z. B. die Eröffnung eines neuen Containerterminals oder die Auswirkungen der Ausbildung von mehr Lkw-Fahrern. Für die Entscheidungsträger mag es einfach sein, vorherzusagen, dass mehr Schulungen die Verfügbarkeit von Arbeitskräften verbessern werden, aber das Ziel der prädiktiven Analytik war es, den Bedarf an Arbeitskräften und Schulungen zu quantifizieren.
SimWell beriet und half bei der Erstellung eines digitalen Zwillings für die Vermittlung von Vancouvers Hafenarbeitern als Grundlage für die Entwicklung vorausschauender Analysen. Mithilfe von AnyLogic wurde ein agentenbasiertes Simulationsmodell implementiert, das mit den erforderlichen Metriken arbeitet und das Verhalten des realen Systems darstellt.
Dank der einfachen Erweiterbarkeit des digitalen Zwillings wurde ein separates maschinelles Lernenmodell (ML-Modell) für die Verfügbarkeit von Arbeitskräften in den digitalen Zwilling integriert. Dieses Modell wurde von der Simon Fraser University Beedie School of Business entwickelt, die auch Visualisierungen zum besseren Verständnis und zur Kommunikation bereitstellte.
Die Entwickler trennten das Verfügbarkeitsmodell vom restlichen Modell, damit es unabhängig vom Simulationsmodell iteriert werden kann. Das ML-Modell ist extern und wird über eine Web-API mit dem AnyLogic-Simulationsmodell verbunden.
Der Grund dafür, dass das Verfügbarkeitsmodell ML verwendet, um Arbeitsschwankungen zu erfassen, ist, dass sich die Methode im Laufe der Zeit als genauer erwies als z. B. Heuristiken. Die in den historischen Daten vorhandenen Muster der Arbeitsvariabilität sind nur schwer explizit zu erfassen, aber ML bietet eine Möglichkeit, mit ihnen zu arbeiten.
Ein anderes wesentliches Designmerkmal war die Trennung der Daten-Parameter von der Prozesskonfiguration. Diese Unterscheidung ermöglichte die datengesteuerte Erstellung von Szenarien, bei denen historische Daten, wie z. B. Beschäftigungsdaten, auf verschiedene Weise verändert werden können, um Hypothesen zu testen. So können Analysten zum Beispiel untersuchen, welche Auswirkungen unterschiedliche Trainingsprogramme für verschiedene Szenarien haben könnten.
Gegenwärtig kann der digitale Zwilling den Arbeitseinsatz von Hafenarbeitern in Vancouver für ein Jahr in sechs Minuten simulieren. Simulationsläufe können mit einer Benutzeroberfläche oder in einem Headless-Modus ausgeführt werden, der über ein Python-Skript aufgerufen wird. Alle Aktionen in einer Simulation werden protokolliert und stehen für weitere Analysen außerhalb der Plattform mithilfe von Python-Skripten und Tableau-Datenvisualisierung zur Verfügung.
Ergebnisse
Der digitale Zwilling ist in vielerlei Hinsicht nützlich. Erste Ergebnisse umfassten die Analyse des Bulk-Operator-Pools – eine komplexe Bewertung, die einen großen Schulungsaufwand erfordert. Durch die Verwendung des digitalen Zwillings zur Analyse des Schulungsbedarfs wurde ein optimaler Dreijahres-ROI für Schulungsmaßnahmen ermittelt.
In einem anderen Fall wurde das Modell verwendet, um den Bedarf an Arbeitskräften für gummibereifte Portalkrane (RTG/RMG) in einem Szenario zur Erweiterung eines Hafenterminals zu untersuchen. Die Ergebnisse zeigten, dass der Hafen einen um 300 % höheren Bedarf an RTG/RMG-Arbeitskräften haben würde.
Insgesamt wird der digitale Zwilling von Vancouver Longshore Labour Dispatch langfristige Strategien unterstützen, Trends in der Demografie und Technologie vorhersagen und Geschäfte auf der Grundlage von Szenariomodellen ermöglichen. Der digitale Zwilling wird zukünftig auch auf andere Regionen ausgedehnt werden.
Diese Fallstudie wurde auf der AnyLogic Conference 2021 von Bart Fransen, Senior Data Scientist bei BCMEA, vorgestellt [PDF].
