Verwaltung von Lernen und Fluktuation in der Mitarbeiterbesetzung

Wir untersuchen das Problem der Mitarbeiterbesetzung in einer Dienstleistungsorganisation, die die Mitarbeiterkapazität nutzt, um zufällige, nicht stationäre Serviceanforderungen zu erfüllen. Die Mitarbeiter erleben Lernen und Fluktuation in ihrem Job, und wir entwickeln ein Modell des Markov-Entscheidungsprozesses (MDP), das die stochastische Natur dieser Effekte explizit darstellt. Theoretische Ergebnisse zeigen, dass die optimale Einstellpolitik vom Typ 'hire-up-to' abhängt, ähnlich einer 'order-up-to'-Policy im Inventarmanagement. Für zwei wichtige Spezialfälle ist eine kurzsichtige Politik optimal. Wir testen auch eine heuristische, die auf linearer Programmierung (LP) basiert, die durchschnittliches Lern- und Fluktuationsverhalten in stationären Umgebungen nutzt. In den meisten Fällen schneidet die auf LP basierende Politik recht gut ab und liegt innerhalb von 1% von der Optimalität. Wenn flexible Kapazitäten – in Form von Überstunden oder Outsourcing – jedoch teuer oder nicht verfügbar sind, kann die explizite Modellierung von stochastischen Lern- und Fluktuationseffekten die Leistung erheblich verbessern.