Predicción de arribos y programación de turnos en una estación de servicio

Abstract

La programación de turnos en estaciones de servicio consiste en la asignación de horarios de trabajo rotativos al personal de manera tal que pueda atenderse al público de la mejor manera posible. Ésta es una tarea que influye directamente en los costos y en la calidad de atención de las estaciones de servicio, ya que determina el tamaño de la nómina de empleados de la empresa y la cantidad de trabajadores que van a estar disponibles para atender al público a cada hora. Sin embargo, no se le suele dar la importancia que debería tener, ya que su realización suele ser asignada a un encargado de personal que los lleva a cabo de manera manual y sin ningún tipo de análisis. Esta situación genera que haya empresas con una cantidad de empleados excesiva e innecesaria, los cuales, a la vez, suelen estar mal asignados, debido a que sobran en algunos días y después faltan en otros con mayor demanda. Por consiguiente, muchos empresarios se encuentran pagando en este momento sueldos de trabajadores que no necesitan, perdiendo clientes por brindarles una mala atención y/o padeciendo las consecuencias de un mal clima laboral dado el malestar que genera en los empleados la imprevisibilidad de las correcciones constantes de horarios. La pregunta principal de este trabajo consiste en cómo predecir la demanda y optimizar los turnos de trabajo en una estación de servicio, haciendo especial foco en las implicancias que esto tiene sobre el tiempo de espera del cliente, la utilización del sistema de atención al público y cantidad de personal necesario para atender correctamente. Para ello, se ha tomado como objeto de estudio una estación de servicio ubicada en San Justo, provincia de Buenos Aires, para comparar su situación actual, realizando horarios de manera manual, con la programación de horarios que se propone en este trabajo. Para llevarla a cabo, se ha realizado un análisis de los datos históricos de la empresa basado en la teoría de colas, se han utilizado dos de los algoritmos de machine learning más potentes de la actualidad, y se ha empleado un solver de gran capacidad que permitió armar los horarios de manera óptima, los cuales se encuentran sujetos a determinadas restricciones legales y de la industria.