Bierviltje

Vroeger, en bij sommige bedrijven nog steeds, werd de behoefte aan reservepersoneel (standbys) bepaald op basis van ervaring. Een planner keek naar het schema en schatte in: “Op zo’n dag hebben we ongeveer tien extra mensen nodig.” Dat noem ik de berekening op de achterkant van een bierviltje.

Vaak werkt dat redelijk, maar ‘redelijk’ is in de huidige markt niet meer goed genoeg. Personeel is schaars en duur. Je kunt het je niet veroorloven om mensen onnodig op de bank te laten zitten, maar je kunt het je ook niet veroorloven om diensten te moeten cancellen door personeelstekort. 

Met Intelligent Forecasting vervangen we die schatting door harde data. We combineren historische gegevens (zoals ziektepatronen en seizoensinvloeden) met actuele roosterinformatie en externe variabelen. Het resultaat is een voorspelmodel dat veel nauwkeuriger aangeeft wat je daadwerkelijk nodig hebt. 

Complexer dan alleen aantallen 

Waar het pas echt interessant wordt, en waar ik in mijn werk de meeste winst zie, is wanneer we dieper kijken dan alleen de kale aantallen. Het gaat er niet alleen om dat je tien mensen standby hebt staan, maar ook wanneer en hoe ze inzetbaar zijn. 

Neem de luchtvaart als illustratief voorbeeld. Bij een klant als Transavia luistert de planning extreem nauw. Als er één stewardess ontbreekt, mag een vliegtuig wettelijk gezien niet vertrekken. Dat zijn high stakes.

Maar een standby-dienst duurt bijvoorbeeld maar acht uur. Iemand die om 05:00 uur begint, is in de namiddag niet meer inzetbaar voor een vertraagde vlucht, mede door strikte regels rondom ‘fatique’ en ‘maximum awake time’. 

Een intelligent model houdt rekening met al die variabelen. Het berekent niet alleen dat je op vrijdag extra capaciteit nodig hebt, maar adviseert ook hoe je die diensten moet spreiden over de dag. Bijvoorbeeld: drie standbys die vroeg starten, vier in de middag en drie in de avond. Zo leg je een ‘deken’ van beschikbaarheid over de operatie die de risico’s precies afdekt. 

Rust en efficiëntie 

Wat levert deze datagedreven aanpak concreet op? 

1. Minder verspilling: door scherper te plannen, voorkom je dat je mensen onnodig oproept of laat wachten. In specifieke pilots hebben we gezien dat het aantal benodigde standbys op bepaalde dagen met wel 30% omlaag kon, zonder dat de leveringszekerheid in gevaar kwam. 

2. Minder paniek: doordat het model al weken van tevoren (bijvoorbeeld bij de roosterpublicatie) een betrouwbare inschatting maakt, hoeven planners minder lastminute gaten te vullen. De planner verandert van een brandweerman in een verkeersleider die strategisch stuurt. 

3. Betere dienstverlening: of je nu vliegtuigen, treinen of pakketbezorgers plant; als je planning robuust is, hoef je de eindklant minder vaak teleur te stellen. 

De menselijke factor

Betekent dit dat de planner overbodig wordt? Absoluut niet. Een algoritme kan patronen herkennen die wij missen, maar het begrijpt de context niet altijd. Planners verschuiven in hun rol: van het uitvoeren van telefoontjes naar het beoordelen van scenario’s. Het model ondersteunt de besluitvorming, maar de mens hakt de knoop door. 

Bij de implementatie van dit soort trajecten merk ik dat transparantie essentieel is. Als een model zegt: “Plan morgen vijf man extra”, wil een planner weten waarom. Omdat er storm op komst is? Omdat er een grieppiek is? Door die logica inzichtelijk te maken (bijvoorbeeld via dashboards), creëer je vertrouwen in de data. 

Van onzekerheid naar structuur 

Vooruitkijken is in de huidige markt geen luxe, maar noodzaak. Organisaties zoals Transavia, maar ook partijen als PostNL of NS, hebben te maken met enorme operationele puzzels. Met Intelligent Forecasting geef je structuur aan die onzekerheid.

Je weet nooit precies wat de dag brengt, maar met de juiste data sta je wel 1-0 voor voordat de dag begint. Wil je sparren over hoe Intelligent Forecasting meer rust kan brengen in jouw personeelsplanning? Neem gerust contact op.