Искусственный интеллект может трансформировать кадровое планирование туристических и логистических компаний

Туристические и логистические компании сталкиваются с растущими проблемами с рабочей силой, включая частую нехватку, растущие затраты и снижение производительности.
Сочетание инструментов ИИ с новыми способами работы может повысить эффективность.

Для многих туристических и логистических компаний кадровые проблемы становятся все более тревожным фактором. Часто наблюдается нехватка рабочей силы, а ее стоимость растет. Ошибки в кадровом планировании могут привести к снижению рентабельности и ухудшению качества обслуживания клиентов. Эти кадровые проблемы затрагивают более трех миллионов человек, занятых в 40 самых прибыльных туристических и логистических компаниях.

Компании имеют ограниченный контроль над будущей стоимостью и доступностью рабочей силы. Но правильные стратегии могут помочь максимизировать производительность рабочей силы на переднем крае, гарантируя, что нужное количество сотрудников будет направлено в нужные места в нужное время. Это может повысить устойчивость к непредвиденным событиям. В туристических и логистических компаниях, таких как авиакомпании, отели, поставщики логистических услуг и другие, можно создать значительную ценность за счет улучшения управления персоналом, которое одновременно включает долгосрочные, краткосрочные и повседневные цели.

Сегодняшние проблемы проистекают из решений, принятых за последние десятилетия. Хотя они богаты данными, многие компании недостаточно инвестировали в основы и инструменты оптимизации, которые позволили бы им использовать эти данные для более эффективного планирования. В условиях ограниченной видимости кадровое планирование часто основывается на устаревших предположениях и методах, что часто приводит к ситуациям, когда сложной рабочей силой управляют с использованием чрезмерно простых моделей и электронных таблиц. Инструментам, используемым компаниями в настоящее время, часто не хватает точности и гибкости, необходимых для решения сегодняшних кадровых проблем в постоянно меняющейся операционной среде.

Новые решения, такие как генеративный искусственный интеллект (gen AI), могут интегрировать большие и разрозненные наборы данных для создания новых возможностей и повышения гибкости персонала. Но одних инструментов и аналитики недостаточно для решения текущих задач. Решения должны соответствовать уникальным потребностям организации, целям различных ее бизнес-подразделений и существующей технологической архитектуре. Даже лучшие инструменты управления персоналом могут оказаться неэффективными, если их не сочетать с правильными изменениями процессов и управлением производительностью.

Компаниям следует внедрять целостные процессы и структуры управления, основанные на сотрудничестве, чтобы помочь передовым сотрудникам умело справляться с повседневными задачами, с которыми они сталкиваются. Технический прогресс может сочетаться с изменениями в мышлении и культуре, способствуя долгосрочному росту производительности. Мы видели, как компании используют эти подходы для увеличения операционной прибыли, снижения затрат и повышения рейтинга обслуживания клиентов.

По мере роста числа выходов бэби-бумеров на пенсию компании, по прогнозам, потеряют многолетний опыт. Сейчас самое время обновить кадровое планирование для следующего поколения сотрудников — используя инструменты и стратегии нового поколения. При разработке комплексного подхода к управлению персоналом компании могут учитывать эти пять тем: сокращение спроса с помощью цифровых технологий, расширенное планирование ресурсов и производственных мощностей, прием на работу и развитие персонала, оперативное принятие решений и постоянное совершенствование.

Отрасль сталкивается со значительными кадровыми проблемами

В секторах путешествий и логистики существует множество кадровых проблем. Например, многие компании уже сталкиваются — или могут вскоре столкнуться — с нехваткой рабочей силы, вызванной целым рядом факторов:

Высокий уровень выбытия персонала может привести к появлению незаполненных должностей. Текучесть кадров в сфере логистики выросла на 33 процента по сравнению с тем, что было до пандемии COVID-19.¹
Ожидаемая волна выхода на пенсию бэби-бумеров может привести к нехватке квалифицированных сотрудников во многих секторах. Ежегодно около четырех миллионов бумеров увольняются.² Почти 6000 пилотов в год достигают установленного Федеральным авиационным управлением пенсионного возраста 65 лет.³
Узкие места в обучении во всех отраслях ограничивают возможности компаний по повышению квалификации работников, которые могут выполнять более сложные роли. В частности, авиационный сектор переживает постпандемическое восстановление спроса (создавая потребность в большем количестве работников) в сочетании с требованиями к высокоспециализированному обучению жизненно важных сотрудников, таких как пилоты и механики.
Быстрый рост платформ электронной коммерции — согласно исследованию McKinsey, от 10 до 20 процентов каждого доллара электронной коммерции идет на логистику — увеличивает общий спрос на работников логистики.

Рост спроса на рабочую силу совпадает с увеличением затрат, а в некоторых случаях может усугубить их (рис. 1). Расходы выросли из—за стечения обстоятельств – во главе с общей инфляцией, — при этом затраты на рабочую силу часто играют важную роль. Затраты на рабочую силу в секторах путешествий и логистики выросли на целых 40 процентов с 2018 по 2023 год.⁴

Рисунок 1

Между тем, рост электронной коммерции усилил ожидания потребителей относительно скорости обслуживания (например, в тот же день) и опыта (например, беспрепятственного оформления заказов и отслеживания), усилив давление на поставщиков логистических услуг. И хотя спрос на рабочую силу и затраты в туристических и логистических компаниях возросли, производительность труда выросла несоизмеримо. 40 компаний с самыми высокими доходами в сфере туризма и логистики увеличили производительность, измеряемую доходом на одного сотрудника, на 15 процентов с 2018 по 2023 год, но в других отраслях с такой же большой и распределенной рабочей силой производительность росла быстрее (рисунок 2).

Рисунок 2

Несмотря на эти тенденции, многие туристические и логистические компании продолжают полагаться на устаревшие подходы к кадровому планированию. Эти традиционные подходы не учитывают всю ценность инноваций, основанных на ИИ. Зачастую они плохо подготовлены к преодолению сезонных пиков и неожиданных осложнений, которые требуют динамичного реагирования для бесперебойного выполнения операций. Выборочные данные одной авиакомпании показывают, что использование статических моделей планирования может привести к несогласованному распределению рабочей силы — до 60 процентов часов работы приходится либо на нехватку персонала, либо на переукомплектование штата.

Пять действий с использованием искусственного интеллекта для повышения производительности труда

Развивающиеся возможности управления персоналом мирового класса могут найти применение в самых разных рабочих группах. Операторы (включая водителей, пилотов и экипажи), работники по обслуживанию клиентов (включая сотрудников колл-центра и агентов у выхода на посадку), группы планирования (такие как диспетчеры и планировщики), а также коммерческие функции и функции приема заказов (такие как прием заказов) – все они могут извлечь выгоду из подходов с поддержкой искусственного интеллекта.

Многие организации преуспевают в определенных аспектах управления персоналом, что объясняет важность выявления конкретных остающихся пробелов для улучшения. Применяя решения на базе искусственного интеллекта в пяти областях, туристические и логистические компании могут получить максимальную отдачу от имеющейся у них рабочей силы, одновременно предпринимая шаги по созданию нужной рабочей силы.

Сокращение цифрового спроса

Благодаря цифровому сокращению спроса – использованию автоматизации и самообслуживания — часть работы может оказаться ненужной до того, как она дойдет до передовых сотрудников. Освобождение передовой линии от ненужных отходов создает гибкость и подвижность для организации. Он позволяет тратить больше времени на выполнение критически важных задач, которые повышают ценность предложения для клиентов.

Ведущие организации используют искусственный интеллект для понимания того, когда и почему возникают проблемы с клиентами — до того, как они возникают. Прогнозирующие модели позволяют анализировать прошлые взаимодействия с клиентами, чтобы помочь предвидеть будущие потребности клиентов, а упреждающие вмешательства могут решать проблемы до их возникновения. Организация получает возможность вносить коррективы до того, как начнут поступать жалобы клиентов.

Что касается сотрудников, то автоматизация повторяющихся задач может позволить переключать сотрудников на более результативные виды деятельности. Цифровые инструменты приема упрощают сбор информации, которую затем можно интегрировать из нескольких систем для предоставления обобщенной информации сотрудникам там, где и когда им это нужно. Использование ИИ нового поколения для синтеза результатов может повысить как производительность, так и опыт сотрудников. Когда работа быстро направляется в нужное место, это устраняет задержки и генерацию избыточных заказов на выполнение работ.

На стороне клиентов цифровые инструменты могут помочь быстро и эффективно решать проблемы. Создание онлайн-инструментов, таких как чат-боты с искусственным интеллектом и приложения самообслуживания, которые управляют заказами и составлением расписания, дает клиентам необходимую им информацию — или предоставляет информацию, необходимую бизнесу, — без постановки задач перед непосредственными сотрудниками. Мы видели, как компании используют цифровое отклонение, чтобы добиться сокращения количества звонков на 15-20%.

Преимущества автоматизации и новых инструментов обработки данных не будут реализованы автоматически. Организация должна перепроектировать рабочие требования и оптимизировать рабочие процессы с учетом сокращения спроса. Но при правильном подходе выигрыш может быть значительным. Многие туристические и логистические компании представляют собой сложные бизнесы, которые часто развивались годами за счет слияний, поглощений и внедрения новых моделей обслуживания, что может привести к накоплению избыточности или неэффективности рабочих процессов. Учитывая масштаб этих компаний, цифровое снижение требований к их многочисленной, распределенной рабочей силе может значительно повысить производительность и привести к огромной отдаче.

Одна логистическая компания боролась с сокращением рабочих процессов между сотрудниками, которые забирают и доставляют посылки, и теми, кто их обрабатывает, сортирует и хранит. Посылка будет сканироваться несколько раз, и одна и та же информация также будет вручную вводиться в несколько баз данных. Используя поездки в одиночку, посещения объектов и семинары с участием руководителей технологических, операционных и коммерческих подразделений, компания смогла выявить возможности для сбора более качественных данных и выработки новых идей. Это привело к разработке решений на базе искусственного интеллекта, которые могли бы интегрировать системы сканирования и исключить ненужные шаги, что привело к 10-процентному сокращению времени обработки.

Планирование ресурсов и производственных мощностей

Туристические и логистические компании должны ориентироваться в сложных производственных условиях, связанных с большим количеством оборудования и инвентарных запасов, при этом учитывая неопределенность потребительского спроса. Им необходимо оптимизировать как долгосрочные, так и сезонные циклы планирования. Им приходится бороться с погодными условиями, запутанными цепочками поставок и другими непредвиденными сбоями. Все эти проблемы делают крайне важным, но и затруднительным, приведение кадрового потенциала в соответствие со спросом в разных географических регионах и на протяжении всего бизнес-цикла.

Современные, более детализированные инструменты прогнозирования могут использовать анализ ИИ огромных объемов исторических данных для более точного прогнозирования потребностей в персонале, позволяя компаниям стратегически распределять ресурсы в соответствии с конкретными должностными функциями и требованиями к навыкам. Модели долгосрочного и краткосрочного прогнозирования на основе искусственного интеллекта обеспечивают более гибкое кадровое обеспечение и повышают точность благодаря частым обновлениям. В средах, где исторических данных не существует, их теперь часто можно моделировать из других источников. Это может помочь сократить сверхурочную работу, свести к минимуму простой и избежать штрафных санкций поставщиков, вызванных неточным прогнозированием.

Искусственный интеллект также может обеспечивать динамическое планирование, адаптируемое к ежедневным колебаниям спроса и сезонной нестабильности. Интеграция нескольких источников данных обеспечивает всестороннее представление, повышает точность инструментов планирования и, в конечном итоге, приводит к принятию более обоснованных решений. Эти инструменты создают непрерывный цикл обратной связи между планированием и исполнением, позволяя компаниям быстро приспосабливаться к меняющимся рыночным условиям и эффективно адаптировать рабочие процессы. Этот непрерывный цикл также обеспечивает автоматизацию, значительно снижая необходимость ручного вмешательства.

Одной авиакомпании потребовалось обновить свои процессы, чтобы соответствовать новым правилам, касающимся максимальной продолжительности смен пилотов (что привело к необходимости иметь в резерве больше пилотов). Авиакомпания внедрила цифровые инструменты, которые повысили точность прогнозов спроса на пилотов примерно на 8 процентов. Благодаря лучшему прогнозированию планирование ресурсов стало более точным. Тщательная интеграция цифровых инструментов в процессы авиакомпании позволила обеспечить быстрое внедрение и масштабируемость.

В колл-центрах модели прогнозирования на основе искусственного интеллекта принесли значительную пользу, упростив кадровое планирование. Эти модели позволяют с точностью более 90% прогнозировать потребности в персонале, будь то с интервалом в 15 минут или в прогнозах на 18 месяцев вперед. Благодаря такой повышенной точности затраты на сверхурочную работу могут сократиться на 15-20 процентов.

Наем и развитие персонала

Ведущие организации используют цифровые решения для управления кадровыми потоками – от найма до обучения и удержания. Искусственный интеллект может помочь выявить отличных кандидатов (хотя организациям важно уделять пристальное внимание риску возникновения предвзятости при оценке с помощью искусственного интеллекта), а автоматизированные процессы подачи заявок и отбора кандидатов могут ускорить процесс найма. Индивидуальные программы обучения помогают ускорить как адаптацию, так и рост производительности. Имитационные модели направляют обучение и развитие, выявляя подходящих кандидатов для обучения на нужных этапах продвижения и тестируя для различных потенциальных сценариев.

Глубокое изучение характеристик сотрудников, их поведения, производительности и бизнес-результатов с помощью технологий позволяет выявить важные характеристики персонала, которые могут лечь в основу целевых стратегий подбора персонала. Инструменты на базе искусственного интеллекта помогают компаниям прогнозировать спрос на рабочую силу на детальном уровне, учитывающем требования к навыкам, должностные функции и динамику потребностей различных отделов в кадрах.

Одна авиакомпания столкнулась с острой нехваткой пилотов, что во многом было вызвано проблемами в процессе планирования обучения. Ее учебный ландшафт включал более 40 различных программ обучения, десять типов инструкторов и шесть путей продвижения по службе. Компания внедрила решение “цифровой двойник” с двумя модулями: в первом был разработан более упрощенный план обучения пилотов, а во втором были внедрены симуляции разрушительных событий (например, болезни инструктора), чтобы проверить надежность плана в потенциальных реальных ситуациях. Это привело к 5-10-процентному сокращению узких мест в обучении, 3-5-процентному сокращению избыточного набора персонала и 15-20-процентному сокращению времени планирования за счет ускорения анализа сценариев.

Другая авиакомпания столкнулась с жесткими сроками найма большого количества специалистов по обслуживанию для своих наземных операций. Для достижения этой цели она изменила свою стратегию подбора персонала, внедрив гибкую систему, основанную на данных. Пошаговый анализ процесса найма позволил выявить узкие места и получить представление о коэффициентах конверсии. Гибкий подход позволил быстро вносить корректировки и тестировать, что позволило авиакомпании снизить неэффективность и улучшить качество обслуживания кандидатов. Это помогло авиакомпании достичь своих целей по подбору персонала за счет оптимизации процесса и повышения прозрачности при создании более адаптивной системы.

День принятия решений

Типичная туристическая и логистическая компания управляет распределенной сетью, состоящей из десятков или сотен сайтов, каждый из которых должен работать бесперебойно и независимо. Чтобы эти сайты функционировали, местной команде необходимо ежедневно принимать сотни кадровых решений — например, о том, где и когда размещать передовых сотрудников и как корректировать планы при возникновении неожиданных сбоев. Чтобы обеспечить эффективность, последовательность и принятие решений, соответствующих более широким целям компании, организации должны поддерживать местных лидеров, предоставляя стандарты, рамки и инструменты для решения повседневных операционных задач.

Важно четко определять и распространять политику, регулирующую процесс принятия решений, чтобы местные команды могли самостоятельно воспроизводить эти рассуждения. Но даже когда местные команды наделены такими полномочиями, решения не должны приниматься изолированно. Частые коллективные встречи помогают организациям понять, с какими проблемами сталкиваются местные подразделения и достаточны ли текущие политики и инструменты для поддержки отделений на местах.

Компании могут разрабатывать учебные пособия по восстановлению, адаптированные к конкретным ситуациям. Но из-за незапланированных отлучек сотрудников, опозданий поездов / грузовиков / самолетов, плохой погоды и других неожиданных препятствий каждый день создает свои уникальные кадровые проблемы, и непредвиденный хаос всегда подстерегает за углом. Используя аналитическую информацию, такую как данные о доступности ресурсов и требованиях к задачам в режиме реального времени, а также упреждающую информацию, которая помогает прогнозировать всплески и спады спроса, и интегрируя эти аналитические возможности с оптимизацией восстановления и практическим выполнением, команды могут адаптироваться к меняющимся потребностям в режиме реального времени.

Одна глобальная логистическая компания не смогла добиться повышения производительности в своей обширной сети водителей. Анализ показал, что маршруты водителей менялись слишком редко, и водители полагались на одни и те же маршруты при каждом развертывании, не внося коррективов в меняющиеся обстоятельства. Когда компания начала использовать оптимизацию ежедневных маршрутов с поддержкой искусственного интеллекта для минимизации пройденного расстояния, время в пути водителей сократилось на 15%, что привело к значительному росту производительности.

Постоянное совершенствование

Внедрение новых инструментов и рабочих процессов, а также наем выдающихся специалистов – отличные первые шаги. Но их недостаточно. Культура организации, включающая общие ценности, убеждения, установки и поведение, будет служить истинным двигателем ее трансформации. Центральное место в этой культуре занимает способность способствовать постоянному совершенствованию с помощью четко определенных стандартов, эффективного управления производительностью и всеобщей подотчетности.

Четкие стандарты работы определят сроки и ожидания от качества, а также определят необходимый персонал для выполнения задач. Управление производительностью в режиме реального времени возможно при использовании множества показателей использования, продуктивности и результативности, которые предоставляются всем соответствующим сотрудникам с помощью удобных цифровых информационных панелей. Руководители могут использовать рычаги для поощрения сотрудников или привлечения их к ответственности. Как денежные, так и неденежные стимулы необходимы для мотивации сотрудников и обеспечения соответствия целям организации.

Быстрое понимание первопричин завышенной или недостаточной эффективности, выявляемых с помощью показателя, позволяет быстро принимать меры и исправлять их, что ведет к постоянному совершенствованию. Цифровые решения могут помочь автоматизировать анализ первопричин. Ведущие организации также используют цифровую аналитику для улучшения обратной связи и коучинга: механизм рекомендаций искусственного интеллекта может направлять сотрудникам персональные подсказки, предлагая области, требующие улучшения, и предупреждать менеджеров о появлении возможности коучинга.

В одной железнодорожной компании, несмотря на значительные инвестиции, из-за сопротивления на передовой, использование автоматического инструмента маршрутизации было ограничено. Технические проблемы и опасения смены работы препятствовали принятию сотрудников. Железнодорожная компания отреагировала ускоренным внедрением и целенаправленными мероприятиями. Анализ первопричин позволил разработать индивидуальные инициативы, результатом которых стало увеличение числа обученных диспетчеров на 40-50 процентов, увеличение использования автоматизированной маршрутизации на 25-30 процентных пунктов и трехкратное увеличение количества участков сети, маршрутизируемых автоматически. Искусственный интеллект может обеспечить следующий рубеж эффективности для рядовых сотрудников, но для достижения полного потенциала требуется сочетание инструментов, процессов и управления изменениями.

Для проведения преобразований требуется стратегический подход к управлению изменениями. Это предполагает наращивание потенциала, поддержку улучшений процессов и переосмысление способов работы. Без эффективных стратегий управления изменениями даже самые хорошо разработанные инструменты и рабочие процессы могут столкнуться с сопротивлением или не достичь желаемого эффекта.

Любые усилия по управлению изменениями могут начинаться с создания убедительной истории изменений, которая разъясняет необходимость, а также выгоды для всех, кого это касается. Он может прояснить, что следует изменить и каковы ожидания от новых методов работы, а также обеспечить соответствующее обучение, чтобы сотрудники могли принять изменения. Лидеры могут стать примером для подражания изменениям и подчеркнуть их важность, помогая тренировать свои команды во время переходного периода и вмешиваясь при возникновении проблем.

Компании, вероятно, будут обладать сильными сторонами в определенных областях управления персоналом, в то время как в других важных областях будут существовать пробелы. Чтобы понять эти пробелы, компании могут задать себе подобные вопросы:

Эффективно ли наша политика и рабочие процессы оптимизируют задачи, снимая ненужную нагрузку с сотрудников?
Есть ли у нас соответствующая техническая инфраструктура и квалифицированные члены команды для эффективного использования инструментов управления персоналом на базе искусственного интеллекта?
Соответствует ли наш текущий процесс найма и обучения операционным требованиям, обеспечивая готовность персонала?
Насколько хорошо мы справляемся с неопределенностью в операционный день и реагируем на нее?
Есть ли у нас прозрачные и своевременные показатели эффективности, которые должным образом передаются для отслеживания результатов и выявления возможностей для улучшения?

Как только организация определяет возможности, с чего она может начать? Самые инновационные компании переходят от точечных решений к комплексному подходу, который направлен не только на решение текущих проблемных вопросов, но и на определение новой культуры работы, охватывающей всю организацию. Эти усилия объединяют архитекторов данных и ученых с ведущими руководителями и работниками, чтобы переосмыслить методы выполнения работы, способствуя повышению производительности и качества жизни. В то время как более масштабная трансформация может занять годы, эффект от проверки концепции и основных изменений можно увидеть всего за несколько месяцев. Для успеха потребуется целостное решение, сочетающее инновационную аналитику с опытом работы. Но переход к комплексному кадровому планированию на основе данных ИИ – это путь, который можно начать немедленно.

ОБ АВТОРЕ (АВТОРАХ)

Хорхе Амар – старший партнер офиса McKinsey в Майами; Нил Парих – партнер офиса McKinsey в Далласе, где также работает Тейлор Корнуолл; Сэл Арора – старший партнер офиса в Гонконге; Скотт Макконнелл – партнер офиса в Чикаго; и Джозеф Фошер – ассоциированный партнер офиса в Бостоне.

Эту статью отредактировал Сет Стивенсон, старший редактор нью-йоркского офиса.

Источник