Automatisering er en ferdighet du kan lære En effektivitetsgevinst på ≥ 10% er oppnåelig

I praksis er disse målene realistiske og oppnåelige. Samtidig blir reisen mot dem ofte undervurdert. Det er en tendens til å anta at en planleggingsmotor er plug and play, og at optimal effektivitet vil oppnås nesten umiddelbart.

I virkeligheten fungerer prosessen annerledes. Implementering av en planleggingsmotor kan sammenlignes med onboarding av en ny menneskelig planlegger. Det er en implementeringsfase der systemet må konfigureres, leveres med nøyaktige data og justeres til det spesifikke driftsmiljøet. Dette etterfølges av forbedring: optimalisering basert på erfaring fra den virkelige verden, justering av parametere og kontinuerlig forbedring av datakvaliteten.

Først da oppstår en situasjon der organisasjon og teknologi forsterker hverandre. De første resultatene er ofte synlige med en gang: større ro i planleggingsteamet, forbedret forutsigbarhet og de første prosentpoeng av effektivitetsgevinst. Men som med en menneskelig planlegger, kommer reell vekst gjennom erfaring, veiledning og strukturert bruk av data for optimalisering.
På alle nivåer kreves innsikt, disiplin og tid for å gradvis tilpasse driften til måten en planleggingsmotor fungerer mest effektivt på. Teknologi må samsvare med mennesker, men folk må også lære å jobbe effektivt med teknologien.

På tvers av flere prosjekter ble det klart at denne utviklingen verken er rent teknisk eller rent organisatorisk. Det oppstår fra kombinasjonen av begge.

To selskaper, som opererer uavhengig for samme klient og med samme mål, reduserer planleggingssårbarhet og øker driftseffektiviteten, samarbeidet på en komplementær måte.

I en casestudie som involverte både en sentral utsendelsesorganisasjon og et mellomstort drosjeselskap, resulterte kombinasjonen av Euphoria Opt1Route-planleggingsmotoren levert av Cabman og Opt1dev og målrettet drift og bruk av dataveiledning levert av Schurink Consultancy i en strukturell og målbar forbedring av effektiviteten. Gjennom kontinuerlig månedlig optimalisering basert på datainnsikt har effektiviteten blitt stadig bedre siden implementeringen og økt med mer enn 10 prosent i løpet av ett år.

Operasjonelle utfordringer

Kapasitetsplanlegging
I mange organisasjoner har kapasitetsplanlegging utviklet seg historisk. Oppgavelister er basert på erfaring, vaner og arvemønstre, og har ofte ikke blitt gjennomgått fundamentalt over tid. Drivere har ofte faste tidsplaner som de er motvillige til å avvike fra. Som et resultat blir listene ofte formet mer av førerens tilgjengelighet enn av operasjonell etterspørsel.

Dette kan føre til daglige svingninger i balansen mellom tilbud og etterspørsel, samt uoverensstemmelser i blandingen av kjøretøytyper, som ikke alltid gjenspeiler operasjonell virkelighet. I tillegg mangler ofte konsekvent kjøretøyallokering. Når sjåfører står fritt til å velge et kjøretøy hver dag, oppstår usikkerhet i distribusjonen.

Planleggingsmotoren blir da konfrontert med uventede begrensninger, noe som gjør det vanskeligere å fleksibelt omfordele tidligere planlagte reiser med spesifikke krav, for eksempel rullestoltransport eller taxiklassifisering.

Et konsistent og forutsigbart planleggingsresultat krever et stabilt kapasitetsfundament. Dette betyr realistisk tilpasning mellom etterspørsel og tilbud, både når det gjelder timer og kjøretøytyper, og tjenester som registreres nøyaktig og i god tid, med klare start- og sluttsteder, start- og slutttider og faste kjøretøytildelinger.

Reisedistribusjon
Avtalt transport og målgruppetransport er generelt spredt utover dagen, men preget av klare toppperioder. Disse toppene er vanskelige å dekke effektivt uten å utplassere overskuddskapasitet i roligere perioder.

Dette skaper to uønskede scenarier: enten blir ekstra kapasitet utplassert i rushtiden, eller et relativt høyt antall reiser leveres sent innenfor denne tidsblokken, noe som krever overkompensasjon i andre tidsluker for å holde seg innenfor servicenivåavtalene generelt.

Den største muligheten for forbedring ligger i begynnelsen av prosessen. Ved aktivt å styre kjørefordelingen under inntaket, kan topper flates ut. Når ansatte har innsikt i etterspørselsnivåer per time eller kvarttimeblokk, kan volumet justeres bedre med tilgjengelig kapasitet.

Planlegger og sjåføratferd
Planleggere har ofte en tendens til å følge faste mønstre og deres pålitelige måte å jobbe på, og opprettholde full personlig kontroll. Dette kan resultere i fortsatt manuell intervensjon i planleggingsresultatene. Selv om det drives av engasjement og ansvar, har slike inngrep ofte en negativ innvirkning på den generelle optimaliseringen.

En planleggingsmotor må få lov til å fungere så autonomt som mulig, med beslutninger som er forklarbare og gjennomsiktige. Systemet fører tilsyn med hele nettverket og planlegger lenger fremover enn noen enkeltperson kan. Manuelle korreksjoner forstyrrer denne bredere likevekten.

Driveratferd påvirker også planleggingsresultatene direkte. Når reisene ikke utføres i optimal rekkefølge, når sjåfører reiser sent eller når reiser er stengt med forsinkelser, blir påfølgende planlegging ubalansert. Planleggingsmotoren beregner kontinuerlig; operasjonelle avvik gjenspeiles umiddelbart i systemet.

Historisk vokste avtaler og vaner spiller også en rolle. Sjåfører kan være vant til å ta pauser på faste tider og faste steder, for eksempel hjemme eller på en bestemt rang. Det som oppfattes som en ervervet rettighet kan være operasjonelt ineffektivt. Det kan resultere i unødvendig tom kjørelengde, både for den enkelte sjåfør og for kolleger som midlertidig må dekke området.

Det forekommer også at sjåfører ikke tar pauser i roligere perioder, mens de er utilgjengelige i rushtiden. Slike ineffektiviteter må da kompenseres med ytterligere kapasitet, noe som direkte undergraver de tilsiktede effektivitetsgevinstene.

En datadrevet tilnærming til kontinuerlig forbedring

Forbedring begynner med innsikt. Uten en grunnlinjemåling er det umulig å avgjøre om justeringer har hatt effekt. Det er viktig å se utover en enkelt nøkkelytelsesindikator. En lavere kjørefaktor indikerer for eksempel ikke automatisk dårligere ytelse; på visse dager kan gjennomsnittlig reiselengde være høyere, noe som resulterer i økte inntekter per utplassert time.

Med riktig datainnsikt kan organisasjoner gjøre målrettede forbedringer, for eksempel ved å:

• Optimalisering av kapasitetsplanlegging ved å identifisere dager eller tidsblokker der det er ubalanse i etterspørsel, tilbud eller kjøretøytype.
• Oppmuntre til bedre reisefordeling ved å gi personalet synlighet av etterspørselen per kvarttimeblokk. Under bestillingsinntaket kan volumet justeres bedre med tilgjengelig kapasitet. En kunde som ønsker å bestille kl. 20.00, kan for eksempel informeres om ledig plass kl. 19.45 eller 20.15, noe som muliggjør bedre reisekombinasjoner.
• Overvåking av ytelse og reisefordeling per kontrakt, slik at ulønnsomme kontrakter som legger uforholdsmessig press på toppkapasiteten kan justeres eller avsluttes.
  Gjør manuelle planleggingsintervensjoner gjennomsiktige, noe som tillater atferdsstyring og coaching.
• Måling av førerens ytelse, både daglig og over lengre perioder, noe som muliggjør målrettet handling der ytelsen konsekvent halter.
• Sporing av avvik relatert til pauser og tom kjørelengde, reduserer ineffektivitet og veileder atferdsjusteringer.

Basert på disse innsiktene kan prosesser forbedres og atferdsendring kan systematisk støttes. Dette skaper en kontinuerlig forbedringssyklus der måling, analyse og justering forsterker hverandre og øker organisatorisk effektivitet strukturelt.

De tiltenkte effektivitetsgevinstene realiseres ikke gjennom programvare alene, men gjennom kombinasjonen av automatisering, bruk av data for prosessoptimalisering og målrettet atferdsendring.

Organisasjoner som nærmer seg automatisering som en læringsprosess, og strukturelt bruker data for kontinuerlig å styre og forbedre ytelsen, frigjør det fulle potensialet til planleggingsmotoren og kan påviselig oppnå effektivitetsgevinster på 10 prosent eller mer.

‍