解决方案丨AI排班，助银行等企业解决手动排班痛点
1
以银行为例，人工手动排班多年痛点无法解
伴随着近些年以A（artificial intelligence）B（big data）C（cloud）为代表的新技术飞速发展，以银行为例，近年来愈发重视引入金融科技来提升关键工作环节的精确化和自动化，从而更好的为自身业务发展服务，特别是一些特殊的业务场景，亟需引入智能化的工具或方法来解决以往效率低下的问题。 以银行运营中心业务员排班场景为例， 传统银行运营中心的后台作业团队在安排员工排班作业时，通常面临以下困难：由于缺少有效工具对业务量进行精准预测，运营管理者面对大量作业人员和作业岗位，只能凭经验来制定人员作业排班，这种模式 一是导致了管理者花费大量时间在低价值的班表制定上，二是所设计的班表缺少科学依据，人员与作业难以形成有效资源配置，降低了运营中心整体的效率。 因此银行运营中心需要引入有效的解决方案，结合大数据技术与AI技术，对后台海量业务进行精准预测和科学建模，从而通过智能化的排班系统提升运营中心排班效率，提升银行运营管理精细化水平。
2
从AI智能工单，到AI智能排班
在上述方面， 滴滴出行依托自身多年的大数据和AI技术积累，有着相似的业务场景可以借鉴转化。 例如准确有效地预测出行需求并对平台的运力合理调配，目前平台对于半小时粒度的需求预测精度已经可以达到90%以上；科学合理地安排客服人员及时有效地处理进线；安排坐席人员方面滴滴出行积累了大量的经验和技术。因此，针对银行运营排班这一场景，滴滴打造智能排班解决方案，希望从根本帮助银行在运营中心排班场景提升服务交付质量，降低运营成本。
3
智能排班解决方案，融合真实排班场景
智能排班解决方案 是一套针对银行运营中心后台业务排班开发的定制化系统，系统分为前端控制展示平台与后台算法平台，算法平台主要包括 业务量预测、人员班次安排和实时人员调配 三大部分，通过人工智能技术，优化网点及后端人员调配，改变传统人工方式耗费人力、缺乏有效管理及不灵活的缺点。
业务量预测模块主要是根据银行运营中心海量业务的历史运营数据（包括了业务的处理日期、业务编码、业务来源以及业务种类等详细信息）， 实现各网点未来至少一个月每半小时粒度业务量预测功能 ，标准化模型基于LSTM(Long Short-Term Memory)来拟合历史数据，为后续智能化排班模块提供精准输入和参考。智能排班主要是基于业务量预测的数据， 根据银行具体的策略要求 （包含上班时间要求、加班时间要求、调休要求、员工画像、岗位画像），利用登山法、遗传算法、模拟退火算法等算法进行计算，得出未来1个月每半小时颗粒度业务员排班表。标准化系统提供基于员工处理工作效率的任务分配模型，其中员工的工作效率将从历史数据中学习得到。实时人员调配模块以解决积压问题为目标，通过对业务设置阈值，自动触发岗位调整，将其他岗位上的员工调整到任务超量积压的岗位，利用模型得到的员工效率来进行临时的任务分配，实现处理业务的时效性和最小量调度作业员工。智能排班系统页面部分，呈现智能排班系统的前端交互页面展示情况，主要包括业务预测、智能排班、实时分流、个人信息，通过标准化控制台完成对排班作业的预测、排班与人员调度。
4
智能排班解决方案，帮助银行运营中心降本提效
实时修改能力。 基于银行历史数据的多类型数据融合预测方法，综合考虑网点功能定位、人群画像、交通信息、天气环境，融合多种影响因素，实现实时修正。 自适应学习。 采用遗传算法进行求解，相关特征可根据上月数据做到及时更新，并自动引入模型，动态变化中的各项参数使得模型运转情况更加贴近实际。 智能化排班 。进行任务自适应排班，并实时根据业务实时的安排情况，进行实时的任务调度。 三级保护。 关注系统稳定性，对业务量进行阈值设计，建立完整应急预案，解决排班积压问题。以国内某银行为例，该解决方案在使用过程中，极大的降低了某行运营中心管理人员的管理成本，原先一名管理人员需要花费几天时间完成的班表设计，在本平台上线后， 仅需要几个小时 就可以完成。同时， 业务量预测的偏离度平均不超过10%，各别业务不超过5%，整体排班执行度在90%以上 ，作业人员第一时间得知自己未来1个月的工作状态，也极大增强了作业人员的工作舒适度。
作者：滴滴云