课题 01
排班与人员配置
同时检查休假希望、资格、所需人数和连续工作限制，自动生成排班候选方案。
- Input
- 员工、可上班时间、休假希望、资格、所需人数
- Rules
- 连续工作上限、班次间隔、夜班次数、公平性、门店间移动
- Output
- 排班表、人手不足、未满足的希望、负荷偏差
Solutions / Decision automation
把每天由人决定的事，自动化。
谁、何时、在哪里、按什么顺序分配？系统会整理人员、时间、资格、车辆、设备、交期等条件，并生成可执行的候选计划。
- 资源人员、车辆、设备、库存
- 起始数据可从 Excel 或 CSV 开始
- 输出候选计划、未满足条件、理由
人员：技能、可用时间、偏好
时间：开始、结束、截止日期
地点：距离、移动、区域
资源：车辆、设备、库存
约束求解器
硬性约束计划绝不能违反的规则。
软性约束在可能情况下希望尊重的偏好。
目标函数定义更好计划的评分标准。
find feasible plan
min travel + delay + imbalance
min travel + delay + imbalance
EXECUTABLE OUTPUT可执行的候选计划
- 分配
- 顺序
- 未满足条件
- 理由
Choose by daily decision
现在，你们反复在决定什么？
请从每天实际做出的判断来选择，而不是从技术名开始。各页面会说明需要的数据、可遵守的条件和可得到的结果。
按目的筛选
显示 6 项
课题 02
上门与巡回计划
综合可访问时间、资格、担当连续性和移动时间，生成可执行的一日计划。
- Input
- 访问对象、时间窗、所需时间、负责人、位置、资格
- Rules
- 适配度、访问频率、直行直归、休息、紧急案件、担当连续
- Output
- 按负责人划分的计划、移动时间、未分配、变更候选
课题 03
派车与配送路线
根据配送对象、车辆、装载量和时间指定，生成车辆分配和巡回顺序候选方案。
- Input
- 配送对象、货量、车辆、司机、时间指定、据点
- Rules
- 装载上限、车型条件、工作时长、配送时间窗、休息、停靠顺序约束
- Output
- 按车辆的路线、总距离、装载率、未配送、时间违规
课题 04
工序与生产计划
在交期、设备、人员、材料、工序顺序和换线条件下，生成可执行的工序方案。
- Input
- 订单、工序、所需时间、设备、作业人员、材料到货
- Rules
- 工序前后关系、设备不能重叠、资格人员配置、稼动时间、换线、维护停机
- Output
- 工序甘特计划、延迟计划、设备负荷、瓶颈、冲突位置
课题 05
负责人和案件匹配
根据资格、经验、区域、可用时间、客户适配度和当前负荷，为每个案件提示负责人候选。
- Input
- 案件条件、人员技能、经验、区域、可用时间、负荷
- Rules
- 必备资格、负责上限、持续担当、利润、优先客户、适配度
- Output
- 候选排序、分配方案、推荐理由、未满足条件
课题 06
订货、库存和其他计划
订货数量、库存分配、会议日程、教室配置等不属于上述五类的业务，也可以从条件和评价标准开始整理。
- Question
- 是否每次都要比较多个候选，并决定一个计划或数量？
- Start
- 当前 Excel、需要遵守的规则、好结果的定义
- Answer
- 是否适合自动化、需要的数据、最初验证范围
没有符合该条件的解决方案。
From work to mathematical model
把现场语言变成可计算的形式。
自动化的核心不只是代码，而是区分“必须遵守的条件”“尽量尊重的偏好”和“要改善的指标”。选择业务后，模型示例会随之切换。
MODEL / SHIFT-001排班与人员配置
EXAMPLE MODEL数据输入数据
硬性约束必须遵守的条件
软性约束尽量尊重的偏好
目标函数改善指标
90 秒适配检查
哪些业务适合数理自动化？
选择符合的项目后，页面会显示建议的推进方式。这不是销售用评分，而是初次咨询前的判断参考。
1输入内容不会发送或保存。
2结果较低并不表示不能自动化。
3最终判断需要查看 Excel 和业务规则。
Honest boundary
适合的条件，以及应先整理的条件。
并非所有业务都需要高级优化。有些业务用简单规则即可解决，有些则应先整理数据。
适合数理自动化的工作流。
- 可以区分硬性规则和偏好排班、上门、派车、工序和负责人分配，通常都有能在人工比较候选方案前先检查的约束。
- 已有可启动的数据现有表格、CSV 或少量代表案例，通常足以开始第一个模型验证。
- 需要解释结果原因价值不只是缩短排计划时间。系统还应显示未满足条件、取舍关系和理由。
第一步不是直接做正式系统，而是用真实数据做小型计算原型并比较。
自动化前需要先整理的情况。
- 规则仍停留在经验中如果每个计划人员使用的规则不同，应先定义哪些条件必须始终遵守。
- 源数据不稳定如果名称、日期和地点没有结构化，数据整理应先于优化建模。
- 成功标准不清楚如果无法说明哪个计划更好，应在开发前先定义评价指标。
这种情况下，不强推优化项目，而是先从数据整理或小范围规则化开始。
Examples by industry
各行业常见的判断。
行业不同，内部却常常共享“分配”“顺序”“资源配置”这些数学结构。
Choose the next evidence
选择下一步要确认的内容。
不需要一开始就联系咨询。可以先看计算如何运作、用真实数据验证，或先整理咨询前的信息。
01
先看实际运作
在浏览器中改变条件，查看计算结果如何变化。
查看数理 Demo →02
用自有数据试算
使用当前 Excel，只小范围试作计算部分，并与现行方案比较。
查看原型 →03
先整理是否适合
通过问题整理当前在决定什么、有哪些条件、需要哪些数据。
开始数理化诊断 →FAQ
选择课题前的常见问题。
这些问题用于在咨询前区分计划自动化和一般系统开发。
一开始就需要完美的优化模型吗？
不需要。首先把当前判断拆分为数据、硬性规则、偏好和评价指标。模型可以从小范围开始。
可以从 Excel 或 CSV 开始吗？
可以。如果能理解列含义和规则，代表性的 Excel 或 CSV 通常可以用于第一个原型。
所有判断都会完全自动化吗？
不会。系统应展示候选方案、未满足条件和理由，让人员能够审查和调整最终判断。
如果业务不属于这五个方案怎么办？
如果不属于这五类，请进入诊断。订货、库存、会议、教室配置等许多分配和数量决策也可以被建模。
所有判断都必须完全自动化吗？
不需要。先生成候选方案让人员确认、只重算发生变化的部分、或让人员处理未分配项目等半自动化方式也很有效。
小规模公司也适合吗？
比起公司规模，判断是否频繁重复、负担是否较大更重要。人数不多但条件复杂、每周都需要长时间调整时，也值得验证。