Dynamiska regler

Uppdaterad 11/9/20 av Leigh Hutchens

Dynamiska regler är ett arbetssätt till att skapa en bemanningsguide eller "optimal bemanning". Dynamiska regler kan skapas för en eller flera variabler och genererar ett behov beroende på det värde som prognosen eller det faktiska utfallet har.

För att kunna lägga till variabler måste modulen Prognos vara aktiverad för er organisation samt att användaren har tillgång till Gruppinställningar och behörighet till Prognos
  • Från Gruppinställningar
  • Gå till Prognos   Dynamiska regler
  • Klicka Lägg till

Beskrivning av fält

Antal per timme

Detta värde är det värde för den kopplade variabeln och dess värde för en full timme. Exempelvis om vi definierar att 1000 av variabeln försäljning under 1 timme motsvarar 1 skift och 4000 motsvarar 4 skift. Beroende på vilken upplösning du har valt på din variabel kommer Quinyx att beräkna den "optimala bemanningen" utifrån det beräknade fulla värdet per timme. I exemplet med att 4000 motsvarar 4 skift innebär det också att 1000 i beräknad försäljning för 15 minuter även det kräver 4 skift de 15 minuterna (1000*4 = 4000, 4000 = 4 skift).

Variabel

Välj vilken variabel du vill att den dynamiska regeln ska beräknas på

Veckodagar

Välj vilka veckodagar som denna regel ska beräknas på. Du kan välja en eller flera dagar beroende på hur behovet för er organisation ser ut över en vecka. Veckodag tar enbart hänsyn till kalenderdygn och är inte kopplat till affärsdygn på något sätt

Starttid

Välj vilken starttid på dygnet som regeln skall beräknas på. Du kan således ha olika regler på olika tider på dygnet. Som standard sätts heldag om du inte gör ett val.

Sluttid

Välj vilken sluttid på dygnet som regeln skall beräknas på. Du kan således ha olika regler på olika tider på dygnet. Som standard sätts heldag om du inte gör ett val.

Skifttyper

Välj vilka skifttyper du vill koppla till den regeln. Dvs vad är det för behov i förhållande till de värden som angetts. För att i framtiden kunna dra nytta av utökad automatisk optimisering av schemat är det viktigt att sätta denna korrekt

Det finns möjlighet att lägga till flera skifttyper till varje regel.

Exempel på beräkning

Detta är ett exempel på hur den dynamiska regeln beräknar optimal bemanning när upplösningen av uppladdade data är 60,30 eller 15 minuter.

Belopp per timme definierat i den dynamiska regeln

Antal skift / personer per timme som motsvarar det värdet

130

2 vanliga skift (namnet på skifttypen)

230

3 vanliga skift (namnet på skifttypen)

430

4 vanliga skift (namnet på skifttypen)

730

5 vanliga skift (namnet på skifttypen)

830

6 vanliga skift (namnet på skifttypen)

930

8 vanliga skift (namnet på skifttypen)

1130

10 vanliga skift (namnet på skifttypen)

1350

12 vanliga skift (namnet på skifttypen)

60 minuters upplösning

I det här exemplet har vi bara inmatningsdata för Neo Prognosen på 60 minuter (timnivå). Våra inputdata finns i detta exempel Brutto försäljning

Datum

Tid (från - till)

Prognoserad bruttoförsäljning

Försäljning "kadens" per timme

Optimalt antal uppgifter för den perioden (enligt tabellen ovan)

2019-02-28

17: 00: 00-17: 59: 59

589,32

589,32

4 vanliga skift (namnet på skifttypen) under 60 minuter (240 minuter schemalagd tid)

30 minuters upplösning

I det här exemplet har vi inmatningsdata för Neo Forecast med 30 minuters upplösning. Våra inputdata är i detta exempel fortfarande Brutto försäljning OCH är samma enhet och period som tidigare men med en "bättre" upplösning

Datum

Tid (från - till)

Prognoserad bruttoförsäljning

Försäljning "kadens" per timme

Optimalt antal uppgifter för den perioden (enligt tabellen ovan)

2019-12-28

17:00:00 - 17:29:59

290,99

581.98

4 vanliga skift (namnet på skifttypen) denna period på 30 minuter (120 minuter schemalagd tid)

2019-12-28

17:30:00 - 17:59:59

298,33

596,66

4 vanliga skift (namnet på skifttypen) denna period på 30 minuter (120 minuter schemalagd tid)

I det här exemplet gav utfallet av den data som fanns samma resultat när det gäller optimal personalantal för heltimme. Dvs 4 skift för varje 30 minuters period
15 minuters upplösning

I det här exemplet har vi ingångsdata för Neo Forecast med 15 minuters upplösning. Våra inputdata är i detta exempel fortfarande Brutto försäljning OCH det är samma enhet och period som tidigare men med en ännu "bättre" upplösning.

Datum

Tid (från - till)

Prognoserad bruttoförsäljning

Försäljning "kadens" per timme

Optimalt antal uppgifter för den perioden (enligt tabellen ovan)

2019-12-28

17:00:00 - 17:14:59

83,7

334,8

3 vanliga skift (namnet på skifttypen) denna 15 minuters period (45 minuter schemalagd tid)

2019-12-28

17:15:00 -17: 29: 59

207,29

829,16

5 vanliga skift (namnet på skifttypen) denna 15 minuters period (75 minuter schemalagd tid)

2019-12-28

17:30:00 - 17:44:59

211,16

844,64

6 vanliga skift (namnet på skifttypen) denna 15 minuters period (90 minuter schemalagd tid)

2019-12-28

17:45:00 -17: 59: 59

87,17

348,68

3 vanliga skift (namnet på skifttypen) denna 15 minuters period (45 minuter schemalagd tid)

I detta exempel ger data och regler en bättre förståelse för hur behovet sprids över timmen och att bemanningsbehovet varierar mellan varje 15 minuters period


Fick du hjälp?