La BCMEA (British Columbia Maritime Employers Association) est une organisation créée par des employeurs maritimes opérant dans les cinq régions portuaires de la Colombie-Britannique, au Canada.
Les employeurs sont des exploitants de terminaux, des débardeurs et des agents maritimes qui dépendent des travailleurs de débardage pour le chargement et le déchargement des marchandises et d’autres activités portuaires. L’association représente plus de sept mille débardeurs actifs et est impliquée dans la formation des travailleurs et la répartition des emplois.
En partenariat avec SimWell et la Beedie School of Business de l’Université Simon Fraser, la BCMEA a créé un jumeau numérique de la répartition de la main-d’œuvre débardage de Vancouver.
SimWell sont des spécialistes primés en simulation et optimisation du génie industriel basés au Canada et aux États-Unis d’Amérique. Leur équipe d’experts en modélisation par simulation a conseillé la BCMEA sur les capacités de jumeau numérique et a aidé à mettre en œuvre une simulation basée sur le comportement des agents à l’aide d’AnyLogic.
Deux groupes d’étudiants de la Beedie School of Business de l’Université Simon Fraser ont travaillé sur le projet. Un groupe a utilisé l’apprentissage automatique pour former un modèle de disponibilité de la main-d’œuvre et des compétences, et le deuxième groupe a créé des visualisations pour faciliter la comparaison de scénarios.
Problème : pénuries de main-d’œuvre débardage
La BCMEA est responsable d’assurer un approvisionnement fiable en main-d’œuvre débardage formée et qualifiée pour tous ses ports dans le but d’éviter les pénuries. En 2016, la BCMEA a commencé à souffrir inopinément de pénuries record et une partie de sa réponse comprenait l’élaboration de plans à court, moyen et long terme pour améliorer la formation et la disponibilité des débardeurs.
Dans le cadre des plans, ils voulaient simuler le processus de répartition de la main-d’œuvre. Cela permettrait d’analyser l’adéquation des compétences avec la répartition et de déterminer les besoins en formation.
Les complexités de la répartition de la main-d’œuvre débardage
Pour la BCMEA, la répartition a lieu trois fois par jour et implique le jumelage des emplois requis aux employés disponibles. Les correspondances dépendent de différents paramètres :
- Cotes — indique qu’un employé est formé à une compétence et peut effectuer un travail spécifique
- Capacités — compétences des employés généralement liées à des types spécifiques de fret ou de machines
- Restrictions — indiquent qu’un employé ne peut pas effectuer des tâches spécifiques ou à des sites spécifiques
- Les conseils — une méthode de répartition équitable des emplois entre les travailleurs disponibles
- Syndiqué et occasionnel — les employés sont syndiqués ou occasionnels et les processus de répartition diffèrent
La main-d’œuvre peut choisir où aller et pour qui travailler, ce qui signifie que la disponibilité de la main-d’œuvre est imprévisible. Les exceptions concernent les rappels, où les employés sont rappelés pour un poste qu’ils ont occupé, et pour ceux qui sont directement employés.
Ne pas savoir quels travailleurs soient disponibles du jour au lendemain signifie que des pénuries peuvent survenir à tout moment et que les emplois exigeant certaines compétences peuvent ne pas être comblés. La réponse est d’avoir un large bassin de main-d’œuvre formée et qualifiée dans laquelle puiser. Cela conduit à un défi permanent : combien de formation est nécessaire?
Jusqu’à ce projet, la quantité de formation était déterminée par l’intuition – à partir des estimations des personnes en dialogue avec les employeurs. Cette méthode de travail a été satisfaisante mais est maintenant moins efficace pour répondre à la pénurie d’indicateurs de performance clés, car les emplois exigent plus de compétences et plus de formation.
Solution
Les plans à moyen et long terme de la BMCEA, créés en réponse aux pénuries inattendues de 2016, ont conduit à la création d’un programme d’analyse de données.
Pour commencer, la BMCEA a créé des ensembles de données et des tableaux de bord pour comprendre les états actuels et historiques de la répartition de la main-d’œuvre de débardage en Colombie-Britannique. Le résultat de ce travail initial leur a donné la capacité de reconnaître les tendances et de mieux éclairer la planification.
Dans le prolongement des jeux de données et des tableaux de bord, l’objectif était de développer des capacités d’analyse prédictive. Celles-ci permettraient à la BMCEA de se projeter dans l’avenir et d’analyser des scénarios, tels que l’ouverture d’un nouveau terminal à conteneurs ou l’effet de la formation d’un plus grand nombre de chauffeurs routiers. Pour les décideurs, il peut être facile de prédire que plus de formation améliorera la disponibilité de la main-d’œuvre, mais l’objectif de l’analyse prédictive était de quantifier les besoins en main-d’œuvre et en formation.
SimWell a conseillé et aidé à construire un jumeau numérique de la répartition de la main-d’œuvre de débardage de Vancouver comme base pour le développement de l’analyse prédictive. Ils ont mis en œuvre un modèle de simulation basé sur des agents à l’aide d’AnyLogic qui fonctionnait avec les métriques nécessaires et représentait le comportement du système réel.
Grâce à son extensibilité facile, le jumeau numérique a été alimenté par un modèle distinct d’apprentissage automatique (ML) de disponibilité de la main-d’œuvre. Le modèle de disponibilité a été développé par la Beedie School of Business de l’Université Simon Fraser, qui a également fourni des visualisations pour une meilleure compréhension et communication.
Les développeurs ont séparé le modèle de disponibilité du reste du modèle afin qu’il puisse être itéré indépendamment du modèle de simulation. Le modèle ML est externe et se connecte au modèle de simulation AnyLogic via une API Web.
La raison pour laquelle le modèle de disponibilité utilise l’apprentissage automatique pour capturer les variabilités de main-d’œuvre est que la méthode s’est avérée plus précise au fil du temps que des alternatives telles que l’heuristique. Les modèles de variabilité de la main-d’œuvre présents dans les données historiques sont difficiles à saisir explicitement, mais le ML fournit un moyen de les utiliser.
Une caractéristique clé de la conception était la séparation des paramètres de données des configurations de processus. Cette distinction a rendu possible la création de scénarios axés sur les données où les données historiques, telles que les dossiers d’emploi, peuvent être modifiées de diverses façons pour tester des hypothèses. Par exemple, les analystes peuvent étudier l’impact que différents programmes de formation peuvent avoir sur différents scénarios.
À l’heure actuelle, le jumeau numérique peut simuler une année de répartition de la main-d’œuvre de débardage de Vancouver en six minutes. Les simulations peuvent s’exécuter avec une interface utilisateur ou à partir d’un script Python. Chaque action d’une simulation est consignée et disponible pour une analyse plus approfondie en dehors de la plate-forme à l’aide de scripts Python et de visualisation de données Tableau.
Résultats
Le jumeau numérique est utile à bien des égards. Les premiers résultats comprennent l’analyse du bassin d’opérateurs en vrac, une cote complexe qui nécessite un effort de formation important. L’utilisation de l’outil de jumeau numérique pour analyser les besoins de formation a permis de déterminer un retour sur investissement optimal sur trois ans pour la formation.
Dans un autre cas, le modèle a été utilisé pour examiner les besoins en main-d’œuvre à portique sur pneus (RTG/RMG) dans un scénario d’expansion de terminal portuaire. Les résultats ont indiqué que le port connaîtrait une augmentation de 300% des besoins en main-d’œuvre RTG/RMG.
Dans l’ensemble, le jumeau numérique de répartition de la main-d’œuvre de débardage de Vancouver supporte les stratégies à long terme et prédit les tendances démographiques et technologiques, et ainsi permet aux entreprises de se baser sur la modélisation de scénarios. Le jumeau numérique sera également étendu à d’autres régions.
Cette étude de cas a été présentée [PDF] à la conférence AnyLogic 2021 par Bart Fransen, spécialiste principale en analyse des données à la BCMEA.
