Data Department, bir otomotiv servis ağı için atölye iş planlama sistemi geliştirdi. Bir makine öğrenmesi modeli her işin ne kadar süreceğini tahmin ediyor; bir optimizasyon modeli de bu tahminleri kullanarak işleri teknisyenlere atıyor. Proje, ortalama brüt atölye gelirini yaklaşık %15 artırdı. Tahmin ve optimizasyon tek bir planlama kararında birleşiyor.
Karar neydi?
Bir servis atölyesi her iş günü, hangi işi hangi teknisyenin, hangi sırayla yapacağına karar verir. Teknisyen ve lift sayısı bellidir. İşler ise birbirinden çok farklıdır: kimi birkaç dakika sürer, kimi neredeyse bütün günü alır.
Süre tahminleri isabetsiz olduğunda plan iki şekilde aksar. Bazı teknisyenlerin işi erken biterken diğerleri geride kalır. Öğleden sonraya söz verilen araçlar ertesi güne kalır. İki durumda da ücreti ödenen teknisyen saatleri boşa gider; boşa giden her saat, kaybedilen gelir anlamına gelir.
Dolayısıyla asıl soru "bir iş ortalama ne kadar sürer?" değildi. Soru şuydu: "Bugünkü işler ve bugünkü teknisyenlerle, en fazla işin tamamlanmasını sağlayan atama hangisidir?"
Ne geliştirdik?
Birlikte çalışan iki bileşen kurduk:
| Bileşen | Ne yapar? | Neden önemli? |
|---|---|---|
| İş süresi tahmini | Gelen her işin ne kadar süreceğini tahmin eder | Planın kalitesi, süre tahminlerinin kalitesine bağlıdır |
| Teknisyen atama optimizasyonu | Tahmin edilen sürelerle işleri teknisyenlere atar | Daha iyi tahmini daha iyi bir iş planına dönüştürür |
| Çıktı | Atölye için iş atama planı | Atölyenin gerçekte verdiği karar |
Neden iki bileşen birden? Tek başına bir süre modeli, bir karara bağlanmayan sayılar üretir. Tek başına bir optimizasyon modeli ise tahminî değerlerle çalışır. İkisini bağlamak, daha iyi tahminlerin planı doğrudan değiştirmesini sağlar.
Genel olarak, servis atölyelerinde süre modelleri tamamlanmış işlerin geçmişinden öğrenir: hangi işin yapıldığı ve gerçekte ne kadar sürdüğü. Atama optimizasyonu da işleri, çalışma saatleri ve uygun lift gibi günün kısıtları içinde teknisyenlerle eşleştirir. Burada genel yöntemi anlatıyoruz; bu servis ağının verisine ve kurallarına ilişkin ayrıntılar gizli kalıyor.
Sonuçlar
- Ortalama brüt atölye gelirinde yaklaşık %15 artış.
- Tek planlama akışı: süre tahminleri ayrı bir raporda kalmıyor, doğrudan teknisyen atama optimizasyonunu besliyor.
Başarıyı belirleyen etkenler
Modelden değil, atama kararından başladık. Amaç daha iyi bir iş atama planıydı. İş süresi tahmini, bu planın en çok ihtiyaç duyduğu girdiydi.
Tahmin ve optimizasyon birlikte çalışmalı. Pek çok proje tahmin aşamasında kalır. Buradaki değer, tahmini asıl kararı veren bir optimizasyon modeline bağlamaktan kaynaklandı. Bu yaklaşım optimizasyon ve simülasyon hizmetimizin merkezinde yer alıyor.
Başarı ölçütü gelirdi. Sistemi yalnızca model doğruluğuyla değil, işletmenin zaten takip ettiği brüt atölye geliriyle değerlendirdik.
Servis ağları benzer soruları parça tarafında da yaşar. Bunun için yedek parça talep tahmini projemize ve otomotiv sektöründeki çalışmalarımıza göz atabilirsiniz.
Sık sorulan sorular
İş süresi tahmini atölye gelirini nasıl artırır?
Daha iyi süre tahminleri, optimizasyon modelinin her teknisyenin gününü daha dolu planlamasını sağlar. Daha az boş saat ve ertesi güne kalan daha az iş, daha fazla ücretli işin tamamlanması demektir; bu projede ortalama brüt atölye geliri yaklaşık %15 arttı.
Optimizasyon modeli servis şefinin yerini alıyor mu?
Hayır. Model, tahmin edilen iş sürelerine göre bir teknisyen ataması önerir. Günü yine atölye ekibi yönetir ve beklenmedik bir durumda planı değiştirebilir.
Bu yaklaşım başka servis operasyonlarında da kullanılabilir mi?
Prensipte evet. Süresi belirsiz işleri sınırlı bir ekibe atayan her operasyon, örneğin saha servisi ya da bakım ekipleri, aynı kararla karşı karşıyadır. Ücretsiz 30 dakikalık yapay zekâ fırsat değerlendirmesi, bu yaklaşımın işletmenize uygun olup olmadığını değerlendirmenin kolay bir yoludur.