MYNERVA
Ottimizzazione della previsione operativa
In ambito aeroportuale, come noto, si verificano con una certa frequenza imprevisti operativi che necessitano di risposte adeguate e tempestive.
Molto è stato fatto nel tempo, anche con l’utilizzo di modelli predittivi basati su machine learning, per governare ad esempio i ritardi dei voli ed i loro possibili effetti sulle operazioni di turnaround, sulla gestione di stand e gate, e così via.
Ciò che sino a ieri è stato difficile gestire in maniera soddisfacente è la previsione dei tassi di assenza del personale di servizio a breve termine, per singoli turni, e l’integrazione di tale previsione nella pianificazione operativa.
La nostra soluzione, Mynerva, riesce a far fronte a questa esigenza, fornendo la capacità di risposta a vari tipi di imprevisto.
Obiettivi di Mynerva
Arricchimento della piattaforma di gestione delle attività aeroportuali
Il modulo di Mynerva dedicato alla previsione di tassi specifici di assenza del personale di servizio nel breve termine, suddivisi per turno, fornisce ai pianificatori la capacità di effettuare una valutazione preventiva del rischio di sottostaffing per singolo turno, e quindi la possibilità di intervenire con aggiustamenti tempestivi, ottenendo dei piani turno più stabili e riducendo al minimo le variazioni dell’ultimo minuto.
Riduzione significativa delle carenze di personale a breve termine
Mynerva consente lo sviluppo di modelli predittivi che, attraverso l’utilizzo di metodi di Machine Learning e framework di IA, vengono addestrati sui dati resi disponibili da un potenziale cliente, quali lo storico delle assenze, le tipologie di turno, gli andamenti stagionali delle assenze stesse, i modelli delle preferenze fornite dagli addetti, le dimensioni del carico di lavoro, per stimare il tasso di assenza possibile ed imprevisto nel breve termine e per turno.
Dashboard interattive
Vengono fornite interfacce grafiche che consentono di verificare in tempo reale lo stato dei turni al momento e nel prossimo futuro.
Descrizione della soluzione
Mynerva combina le funzionalità già esistenti del sistema di Pianificazione utilizzato dall’azienda aeroportuale con tecniche di IA avanzate, per riuscire a prevedere con attendibilità i tassi di assenza del personale di servizio a breve e brevissimo termine, suddividendo inoltre tali assenze per singola struttura e singolo turno. I componenti di Intelligenza Artificiale servono a sviluppare dei pattern, trasformando dati grezzi in segnali significativi e generando previsioni accurate che riflettono le mutevoli esigenze di copertura, le preferenze dei dipendenti e l’impatto di fattori esterni.
L’approccio è basato su tre pillar complementari:
Il Workforce Management fornisce le basi per la modellazione di workload e staffing requirements. Ogni turno può essere trattato come una specifica richiesta di workload, mentre il personale disponibile rappresenta la capacità complessiva utile a soddisfare tale richiesta. Analizzando i livelli di copertura storici, la disponibilità dei dipendenti e i dati sulle preferenze, Mynerva evidenzia dove si sono verificate storicamente carenze di capacità e dove rischi simili potrebbero ripresentarsi. Viene elaborata una baseline strutturata che definisce cosa si intende per “copertura sana” per ogni tipo di turno.
Per trasformare i modelli storici in previsioni prospettiche, abbiamo utilizzato metodi di ML classici e librerie open source consolidate (come Scikit-learn, TensorFlow o PyTorch, ove opportuno). Questi modelli sono stati addestrati sui dati resi disponibili dall’utente (storico delle assenze, tipi di turno, effetti stagionali, intensità del carico di lavoro e modelli di preferenze) per stimare il tasso di assenza a breve termine previsto per turno.
Il motore di ML si adatta continuamente man mano che aumentano i dati disponibili, migliorando la precisione nel tempo. Questo livello predittivo estende il capacity forecast di base di Mynerva con una stima statistica dei probabili livelli di assenza per i turni futuri.
Gli LLM non vengono utilizzati per le previsioni numeriche in quanto tali, ma come assistenti intelligenti all’interno del processo di forecasting. Supportano il sistema nella seguente maniera:
- Guidando la configurazione della pipeline di addestramento ML
- Generando o trasformando dati esterni (ad esempio, convertendo previsioni meteorologiche, dati di eventi pubblici o alert regionali in serie temporali che corrispondono alla struttura dei turni)
- Creando dati sintetici per i test quando i dati storici sono limitati
- Aiutando a interpretare e rendere significativi gli output del modello per i pianificatori.
Grazie a queste caratteristiche, gli LLM consentono al processo di previsione di incorporare informazioni complesse, destrutturate o esterne al sistema che altrimenti sarebbero difficili o impossibili da integrare.
Contenuti Innovativi rispetto ai prodotti / servizi / processi esistenti
Utilizzo di metodi di machine learning con librerie open source di IA
I modelli sviluppati con metodi di ML e librerie di IA vengono addestrati sui dati resi disponibili dall’operatore aeroportuale per stimare il tasso di assenza a breve termine previsto per turno e funzione aziendale. L’elemento distintivo è l’adattamento continuo del motore di ML con l’aumentare dei dati disponibili, cosicché anche la precisione della pianificazione dei turni futuri continuerà a migliorare.
Dashboard interattive con visualizzazione predittiva
Le interfacce, oltre ad una fotografia dello stato attuale dei turni, potranno fornire anche simulazioni e scenari predittivi, evidenziando quelle che potrebbero diventare le maggiori criticità, in funzione dell’area di appartenenza del personale e del turno considerato.
Contenuti Innovativi rispetto al mercato di riferimento
Attualmente, il mercato offre soluzioni di gestione in real-time delle assenze inaspettate. Questo comporta soprattutto 2 tipologie di rischio: la prima è quella di sovrastaffare alcune aree aziendali, con i costi e l’inefficienza che ne conseguono, la seconda è che si verifichino in contemporanea più eventi negativi, che causano overload di attività per il personale presente e ritardi e disagi nelle attività previste.
L’innovazione di Mynerva risiede nell’affrontare la previsione dei tassi di assenza a breve termine per i singoli turni utilizzando una combinazione di requisiti di copertura dinamici del fabbisogno, preferenze dei dipendenti e fattori esterni rilevanti. Mentre alcuni sistemi tracciano i dati storici sulle assenze, Mynerva prevede i tassi di assenza specifici per turno e li integra direttamente nella pianificazione operativa. Questo crea una capacità unica: i pianificatori ottengono una valutazione preventiva del rischio di sottostaffaggio per singolo turno, consentendo aggiustamenti tempestivi e piani turno più stabili, riducendo in maniera significativa le variazioni dell’ultimo minuto.
Perché le modifiche NON sono solo ordinarie / di routine
L’introduzione di tecniche avanzate di IA per la gestione delle assenze impreviste rappresenta un ulteriore passo in avanti rispetto alla situazione di partenza:
- Si ha un passaggio effettivo da una gestione delle assenze puramente reattiva ad un’altra fondamentalmente predittiva, con sensibili miglioramenti dell’efficienza operativa
- Si rafforza la capacità di prevenire o mitigare situazioni di rischio nelle coperture dei turni
- Si aumenta la granularità del calcolo dei carichi di lavoro, rendendo più ampia la configurazione delle preferenze da parte dei dipendenti. In questa maniera, comparando tali preferenze con le serie storiche, la stagionalità ed altri parametri, si raffina la capacità predittiva del sistema.
Indicatori di performance
Mynerva consentirà di ottenere i seguenti benefici:
- Riduzione delle criticità: con l’aumento dei dati disponibili, e la capacità dell’IA di interpretarli al meglio, andando a comprendere in maniera più approfondita soprattutto le dinamiche delle richieste di cambio turno nel tempo, il motore di ML diventerà sempre più preciso ed in grado di ottimizzare al meglio la pianificazione proattiva dei turni. Di conseguenza, si ridurrà sia il rischio di sovrastaffaggio che quello di sottostaffaggio; si può ritenere che l’impatto di questi interventi possa migliorare la capacità di risposta agli imprevisti di circa il 15-20%
- Riduzione dei costi: il miglioramento della pianificazione consente di ridurre il numero di risorse staffate, con un conseguente risparmio economico nel costo del personale di un ordine di grandezza che potrebbe arrivare nel tempo anche al 10-15%
- Soddisfazione dei dipendenti: la capacità predittiva degli imprevisti introdotta dal sistema consentirà di “stressare” meno il personale, garantendo una pianificazione delle attività più stabile e meno soggetta a variazioni improvvise, con un conseguente miglioramento della qualità della vita ed una percezione migliore dell’azienda nell’attenzione al benessere dei propri dipendenti.