Manajemen Tenaga Kerja dan Sumber Daya - Penempatan Staf yang Optimal
Persyaratan pasar yang baru dan semakin menuntut berarti bahwa perusahaan menghadapi tekanan yang meningkat untuk meningkatkan kinerja mereka. Tekanan ini juga menyebabkan tantangan ekstra untuk intralogistics, seperti jumlah barang yang terus meningkat yang perlu ditangani selama operasi gudang atau tugas tambahan yang perlu dilakukan di gudang, serta waktu pengiriman yang singkat.
Perencanaan dan pemantauan yang efisien dari semua proses di gudang menjadi semakin penting karena penggunaan yang efisien dan penyediaan sumber daya adalah faktor kunci dalam memastikan keberhasilan. Untuk menjamin efektivitas biaya operasi gudang, kualitas dan implementasi kegiatan ini harus diukur.
Faktor kunci lainnya adalah pekerjaan manual di gudang agak mahal. Biaya tinggi cenderung mengarah pada otomatisasi yang lebih banyak. Oleh karena itu, tugas-tugas yang masih harus dilakukan secara manual membutuhkan perencanaan dan pemantauan sebaik mungkin. Semua ini berarti bahwa organisasi pekerja telah menjadi aspek penting dalam manajemen gudang. Sistem Manajemen Tenaga Kerja dan Sumber Daya dapat membantu memberikan operator gudang keuntungan yang signifikan atas persaingan.
Bagaimana cara kerja Manajemen Sumber Daya dan Sumber Daya?
WAMAS LRM (kependekan dari " Labor and Resource Management ") yang dikembangkan oleh SSI SCHAEFER mencatat kinerja staf gudang. Baik kegiatan yang menambah nilai maupun yang tidak termasuk. Untuk mencatat kinerja, proses gudang dibagi menjadi modul waktu. Untuk melakukan ini, model gudang LRM menghitung rute dan waktu transit yang dihasilkan dan waktu yang dihabiskan untuk mengangkat, kemudian mengubahnya menjadi modul waktu berdasarkan perangkat transportasi yang digunakan. Kinerja kemudian dihitung dengan membandingkan waktu yang diharapkan dengan waktu aktual. Sistem LRM dapat diintegrasikan ke dalam sistem manajemen gudang WAMAS WMS dan mencatat semua tugas yang dilakukan dalam WAMAS itu sendiri. Ini juga dapat digunakan sebagai solusi mandiri, untuk itu tersedia antarmuka eksternal.
Apa manfaat dari LRM?
Data yang dikumpulkan dapat digunakan untuk mengembangkan jadwal penempatan staf yang menyeimbangkan dan mengoptimalkan proses di gudang. Selain itu, setiap dasbor dan laporan yang dikontrol waktu dapat dibuat untuk memastikan transparansi dan kinerja proses yang komprehensif dapat ditampilkan secara real time. Fitur-fitur ini membantu operator untuk mengidentifikasi di mana ada kesenjangan dalam proses dan di mana pelatihan diperlukan.
Merekam semua data ini menghasilkan 'data besar'. Apa cara terbaik mengelola tingkat kerumitan ini?
Sebagai bagian dari tahap pengembangan masa depan, kegiatan manual dan langkah proses otomatis akan dicatat dan digunakan untuk perencanaan. Ini akan membantu untuk mencapai kombinasi ideal dari teknologi gudang otomatis dan tenaga kerja manusia.
Banyak data dikumpulkan saat mengukur dan mendokumentasikan kinerja, proses gudang, waktu, dan rute. SSI Schäfer IT Solutions GmbH menggunakan kecerdasan buatan untuk menganalisis catatan data yang kompleks. Sistem Manajemen Tenaga Kerja dan Sumber Daya 'mempelajari' informasi berharga dari analisis ini dan operator menikmati manfaat lebih dari sekadar analisis kinerja, dasbor, dan laporan saja. Menggabungkan data historis menggunakan kecerdasan buatan menciptakan proses pembelajaran berkelanjutan - baik untuk pelanggan dan sistem.
SSI Schaefer, seperti halnya banyak perusahaan lain, menganggap AI sebagai bagian sentral dari strategi perusahaannya dan faktor penentu bagi bisnis inti masa depan dan gelombang baru digitalisasi yang muncul.
Tentang Penulis
Guenter Wachter adalah manajer proyek dan produk IT yang berpengalaman. Selama lebih dari 18 tahun ia telah mendefinisikan solusi produk untuk area intralogistics dan manajemen biaya transportasi dan pengangkutan, yang ia juga terapkan dalam proyek-proyek dengan pelanggan strategis. Dalam SSI SCHAEFER IT Solutions GmbH, Guenter Wachter bertanggung jawab atas solusi baru di bidang WMS yang diperluas dan solusi rantai pasokan dan mendorong pengembangan solusi baru menuju pelaksanaan rantai pasokan dan analitik secara signifikan.
Karina Konrath belajar matematika teknis di Universitas Teknologi Graz dan telah bekerja untuk SSI SCHAEFER sejak 2017. Sebagai seorang ilmuwan data, dia bertanggung jawab atas analisis dan persiapan data serta untuk penciptaan konsep optimisasi matematika untuk mencapai peningkatan proses dalam gudang. Dia bekerja sama erat dengan tim simulasi dan dalam kolaborasi mereka mengevaluasi pendekatan baru, model AI dan optimisasi.