Työvoimaresurssien jakaminen

Tähän diplomityöhön liittyvän projektin alkuvaiheessa oli yksi tärkeimmistä ongelmista kulloinkin tarvittavan työvoiman tarpeen arvointi. Kuinka paljon työntekijöitä tarvitaan tiettynä kellonlyömänä lähitulevaisuudessa? Tämän diplomityön esiselvitysvaiheessa todettiin jo, ettei ennustaminen ole helppoa ainakaan MLP- ja SOM-neuroverkoilla. Yritettiin ennustaa seuraavan päivän saapumisintensiteetin kellonajoittaista profiilia lähimenneisyyden puheluvirran perusteella. Esiselvityksessä verrattiin naiivia ennustetta ja neuroverkoilla saatua ennustetta. Kun valittiin ennusteeksi keskiarvo ennustettavan viikonpäivän profiileista lähimenneisyydestä, saatiin vähintään yhtä hyvä tulos ennusteeksi kuin paljon laskentaa vaativilla neuroverkoilla.

Oletetaan, että saapuvan liikenteen intensiteetti voitaisiin riittävällä tilastollisella tarkkuudella ennakoida, käytetäänpä sitten viikonpäivien keskiarvoa kausikorjattuna tai neuroverkkoa. Seuraava ongelma on arvioida työvoiman määrä, jolla puheluita menetetään vain tietty määrä ja tietty osuus odotusajoista on alle määrätyn rajan. Se, minkälaisiksi nämä rajat asetetaan on laatuongelma ja taloudellinen ongelma. On esimerkiksi valittava, missä suhteessa ovat soittajan jonottamiseen kuluvan työajan ja hermostumisen hinta, ja tarvittavien vastaajien palkkakustannukset. Voidaan esimerkiksi arvioida, kuinka monta tuntia soittajat yhteensä menettävät työaikaansa -- tai ainakin heikentävät työaikansa laatua -- odottamalla puhelimessa.

Neuroverkkomenetelmillä (ei kuitenkaan ensisijaisesti itseorganisoituvalla kartalla) voitaisiin laatia malli, joka jäljittelee jonotusjärjestelmän epälineearistakin toimintaa. Tuntuu kuitenkin siltä, että tässä tapauksessa tarkasteltava järjestelmä on verraten selkeä ja olisi mahdollista saada parempia tuloksia analyyttisellä mallilla tai jonotusjärjestelmän simulaatiolla. Erityisen hankalaksi tilanne käy, jos halutaan kokeilla, mitä tapahtuisi jos eri palveluita yhdistettäisiin. Palveluita yhdistettäessä muuttuu saapumisintensiteettien ja palveluaikojen jakautuma siten, että parametrit ovat täysin alkuperäisen data-avaruuden ulkopuolella. Neuroverkkomenetelmät ovat täysin syötedatan varassa, ja ekstrapolointi tämän datan ulkopuolelle on riski, varsinkin jos toimitaan ilman asiantuntemusta tutkittavasta ilmiöstä. Jonosimulaattorilla sen sijaan voitaisiin tutkia myös uusia, vielä suunnitteluvaiheessa olevia järjestelmiä. Simuloinnissa nimittäin rakennetaan järjestelmästä malli, joka tuottaa dataa, jota voidaan edelleen tutkia. Mallin tarkkuus riippuu siitä, osataanko järjestelmä kuvata simulaattoriin riitävän hyvin.

Jonotusjärjestelmän resurssien hallintaan voisi sopia paremmin malli, jossa jollain menetelmällä estimoidaan saapumis-, palvelu- ja luopumisintensiteettien parametrien jakautumat kellonajan ja viikonpäivän mukaan ja tehdään näiden perusteella simulaatiomalli ja -kokeita. Neuraalilaskentaan perustuvaan järjestelmään turvaudutaan yleensä, jos tiedetään ilmiön osaongelmia, joita perinteisellä mallia ei osata selvittää. Neuraalilaskenta voi auttaa erikois- tai rajatapauksien selvittämisessä; neuraalilaskentamenetelmällä voidaan esimerkiksi estimoida saapumisintensiteetin jakautumaa tai tutkia järjestelmän toiminnan erityispiirteitä tässä työssä esitellyillä työkaluilla. On onton tuntuista kehittää pelkästään neuroverkkoon perustuvaa datalähtöistä ratkaisua ongelmaan, johon ei ole ensin sovellettu sopivaa ''perinteistä'' menetelmää.

Työvuorojen hallintaan jonotusjärjestelmässä on pankin asiantuntijoiden mukaan olemassa verraten kalliita valmiita ohjelmistoja. Se, olisiko oman järjestelmän kehittäminen kannattavaa, on kysymys, johon tämä työ ei voi vastata.