基于遺傳算法的銀行智能排班系統設計

夏天舒　李宇豪　宣明輝　林新雨

摘? 要：銀行的客服中心、作業中心、業務中心及網點都需要進行人員的排班管理，然而在目前銀行的排班管理環節，排班編制的工作主要通過人工以手動方式進行，最終生成值班表，效率較低。針對此問題，文章通過遺傳算法模擬了銀行排班的流程，以銀行員工的真實數據作為仿真實驗的數據，經過試驗發現，針對排班制定的優化算法與思想是具有推廣意義的。

關鍵詞：排班編制；智能排班；遺傳算法

中圖分類號：TP18；TP311.5 文獻標識碼：A 文章編號：2096-4706（2023）12-0128-06

Design of Intelligent Bank Scheduling System Based on Genetic Algorithm

XIA Tianshu， LI Yuhao， XUAN Minghui， LIN Xinyu

（Sunyard Technology Co.， Ltd.， Hangzhou? 310053， China）

Abstract： The customer service center， operation center， business center， and branch of a bank all require personnel scheduling management. However， in the current scheduling management link of a bank， the work of scheduling is mainly done manually， ultimately generating a duty table， which is inefficient. In response to this issue， this paper simulates the process of bank scheduling using genetic algorithms， using real data of bank employees as the data for the simulation experiment. After the experiment， it is found that the optimization algorithms and ideas developed for scheduling have promotional significance.

Keywords： scheduling; intelligent scheduling; genetic algorithm

0? 引? 言

銀行在金融市場中占據重要位置，對經濟發展有著重要的意義。中國改革開放以來，銀行業務的發展越來越繁榮，銀行業務量提升，一方面提高了銀行的經濟效益，另一方面，銀行的工作壓力也不斷增加。不同的銀行機構都將技術改革和管理等作為研究的重點，目的是提升其管理水平，為群眾提供更好的服務。大部分銀行在開展其業務的過程中，都會存在由于業務高峰量大而缺乏人員的情況，使得客戶等待時間過長；相反的，在銀行業務量不大時，人員閑置情況明顯。上述情況，對銀行而言，從人力和物力方面都是一種極大的浪費，資源的配置有待提升。

雖然我國的大部分銀行都將技術與管理方法的改革作為目前的重點，然而，實際工作環節中，問題依然十分明顯。對于管理彈性排班工作而言，人工依然是主要的工作方法，通過手動的形式，生成值班表。這是一種缺乏效率的方式，與此同時，銀行的業務會不斷發生變化，修改排班的情況經常發生。并且，排班工作會隨著新周期的開始而重新編制，由于該工作周期短，對人工的消耗十分巨大。所以，本系統將排班管理工作進行彈性設計，這一系統的目的主要是針對排班工作中出現缺乏靈活性和效率的問題，

1? 銀行排班系統建設的意義

對于銀行業務的處理而言，業務量大、缺乏資源等是目前銀行部門面臨的主要問題，這對于銀行的經營發展產生了巨大的影響。

從當前大部分銀行在對彈性排班進行管理的角度出發，本系統針對智能排班和資源管理進行設計，目的是對于當先在排班管理的過程存在的缺乏效率問題予以解決，從理論與現實的角度來講，都有著重要的意義：

1）在排班工作方面，銀行的效率十分低，而設計本系統對于這一問題的解決具有重要作用，能夠促進銀行業務的發展，使得銀行的資源配置更加合理，保障客戶服務水平，對于中國經濟的發展與穩定有著重要作用。

2）本系統能夠對工作效率的提升，工人壓力的降低有著重要的作用，能夠在人工方面縮減銀行成本，提高銀行的經濟效益，對于銀行業務水平的提升意義重大。

3）從理論的角度來講，銀行排班算法可以關聯到退火算法、蟻群算法、遺傳算法等，從該領域中，本設計具有一定的參考價值。

2? 針對網點柜員排班需求的系統解決方案

排班管理系統的服務對象包含總行與分行，主要服務內容有管理排班規則、周期排班、柜員缺口查詢、班表發布查詢等組成。除此之外，其展示的界面十分友好，設置的排班網點靈活多變，排班的要素與管理健全。

2.1? 網點柜員排班系統架構

通過前面提供的需求，排班系統的排班要求來源于周邊不同的系統，以排班規則為基礎，對排班進行合理的計算。我們分析目前銀行周邊的系統情況，將系統之間的關系進行整理，如圖1所示。

在排班系統中，網點柜員主要以柜員信息和機構信息為操作客體，在經過一致認證的平臺中，實體網點的柜員信息和機構是其基礎。

在排班系統中，銀行網點系統（Front End System， FES）是客戶端的最終集成點。在銀行的網點系統中，將登錄的模塊功能用作其登錄畫面，其控制權限的功能被用于系統的權限管理。其后臺中的獨立系統則是排班系統的服務端，由專門的服務器用于部署。

在排班管理系統中，銀行網點在跑批下，其網點柜員的資質證書、人員資質證書等都可以被管理系統獲取，對跑批的設計時間為每天跑批。

在銀行的網點系統中，該網點的工作日與休息日都被其排隊機子系統所收錄，而在排班管理系統中，其排班要素也需要依托這些信息為基礎。所以，上述信息也會在系統跑批下而被獲取。

2.2? 網點柜員排班系統主要功能

在網點的管理系統中，其功能主要包含四個方面，即設置網點排班、發布網點排班、統計查詢班表、系統日志，詳情如表1所示。與此同時，人員信息、叫號量等信息也收錄在系統中，其獲取的渠道都來自交易接口，或者通過參考數據獲取。

2.3? 應用架構設計圖

在上述系統結構以及相關需求的基礎上，網點的柜員排班管理系統所包含的主要功能包括以下幾個方面：

1）排班設置：在設置規則方面，其級別可以劃分為三級，即總行、分行（區域支行）網點支行三個級別。在總行中，其用戶類型設置為全行統一；分行則對柜員池和排班規定進行設定；網點則主要對柜口、排班人員、休息制度等規則進行設置。

2）排班和發布：網點進行排班的過程中，意向休息日先通過柜員進行登記，作為排班的優先條件，之后排班向導開始分別排班，排班內容由設置工作柜口、在系統已有規則的基礎上完成排班、人工調整核驗、申請柜員池、發布排班信息等項目組成，發布排班信息后可以重復修改發布。

3）班表查詢：對網點班表具有查詢權限的人員包括總行、分行、網點人員，查詢的維度包括員工與類型，與此同時，分行對于人員的調派、排班存在的缺口等，都可以進行查詢。

2.4? 重點業務功能設計——網點排班向導

在設計業務功能的過程中設計了“向導”模式，網點排班系統中，管理員可以通過向導設置的五個步驟進行操作：設置網點工作柜口；對營業人員進行分配和預排班；校驗排班規則；申請柜員池；發布排班表。

3? 排班過程

3.1? 排班模塊分析

排班算法通常分為三個部分：業務量預測算法、人力測算算法和運籌排班算法。如圖2所示。下面分別描述。

3.2? 業務量預測

業務量預測主要是做元數據的統計、預測及預測模型訓練。預測相關算法利用機器學習算法預測未來一段時間內的業務量數據，通過歷史數據構建系列時序特征然后訓練模型，然后進行預測，并根據預測的業務量來估算每天需要的人力安排，減少人力成本，能為規劃業務的發展提供重要支撐。

3.3? 模型構建

根據數據量，數據規律，確定最終算法，用于回歸預測的主要是基于樹模型預測，如GBDT、XGBoost等機器學習算法。

3.3.1? GBDT

GBDT（Gradient Boosting Decision Tree）算法如表2所示。

實現過程為：

1）初始化f0 （x） = 0

2）對m = 1， 2， …， M

計算殘差：

rmi = yi = fm - 1（xi_）.i = 1， 2， …， N

擬合殘差rmi學習一個回歸樹，得到T（r：Φm）

更新fm（x） = fm - 1（r） + T（r：Φm）

3）得到回歸問題提升樹

3.3.2? 回歸樹

回歸樹算法（最小二乘回歸樹生成算法）的實現原理如圖3所示。

輸入：訓練數據集D；

輸出：回歸樹f （x）。

在訓練數據集所在的輸入空間中，遞歸地將每個區域劃分為兩個子區域并決定每個子區域上的輸出值，構建二叉決策樹。

1）選擇最優切分變量j與切分點s，求解Minj， x [mincΣxεR1 （ j， s） （ yi - Ci）2 + minc2ΣxεR2（ j， s）（ yi - C2）2]

遍歷變量j，對固定的切分變量j掃描切分點s，選擇使上述表達式達到最小值的對（ j， s）。

2）用選定的對（ j， s）劃分區域并決定相應的輸出值：

R1（ j， s） = { x| x∽≤s}，R2（ j， s） = { x | x∽＞s}

3）繼續對兩個子區域調用步驟（1）（2），直至滿足停止條件。

4）將輸入空間劃分為M個區域R1， R2，…， RM，生成決策樹。

算法優勢：GBDT決策樹的提升建立在中文梯度的基礎上，是最適用于真實分布擬合的算法，GBDT是經過了好幾輪的迭代更新，在這一更新過程中，產生若干弱分類器，每個分類器都為下一輪分類器的訓練提供殘差基礎。對弱分類器而言，通常沒有復雜的要求，并且高偏差與地方差并存，在訓練過程中，偏差不斷降低，分類器的精度也斷得到提升。相較于弱學習能力的機器學習模型和參數復雜、內在原理黑箱的神經網絡而言，利用最少的參數、最低的性能就可達到優秀的模型表現，且對于模型預測結果清晰且易解釋。

3.3.3? 業務量預測

業務量預測是根據歷史數據對未來一段時間內的業務發生情況進行預測，通常需要把歷史數據分成訓練集和驗證集，根據預測誤差來收斂算法。如圖4所示，預測誤差必須收斂到可接受范圍內，才可實現對未來業務量的精確預測。

3.3.4? 人效轉換

對于投入同樣多的人力的情況下，不同的業務量所產生的服務水平是不同的。如圖5所示，針對不同的業務量規模，需要配置對應的人力，才能達到相同的服務水平。

3.3.5? 排班規則

在人工排班的情況下，排班規則往往五花八門很不規范，但一旦需要用運籌算法來實現，各類規則就必須能用表達式的方式來描述。如表3所示，各種規則需要分類，并排定優先級。

3.3.6? 運籌排班算法示例

遺傳算法：根據達爾文的生物進化論，模擬遺傳學機理與自然選擇的生活進化過程，在對自然進化過程進行模擬的過程中，尋找一種最優方案。實現過程如圖6所示。

以50人，一個月（30天），10個班種的排班需求為例：

變異：染色體原料經過篩選之后，對染色體中的基因片段進行隨機選取，然后進行變異操作。如圖8所示。

當排班規則較多時，規則間可能發生沖突，此時需對規則設定優先級，以優先滿足優先級較高的規則。通過規則滿足率排查工具，在輸出排班班表的同時，快速排查未被滿足的規則，并定位到具體的人/天/班種，以方便后續手工調整。

3.3.7? 排班結果輸出

最終，在獲得若干滿足排班規則要求的排班方案中優選一種作為最終排班方案輸出。如圖9所示。

綜上所述，智能排班能夠通過算法幫助銀行實現人員能效提升，優化勞動組合等目標。同時，利用智能排班搜集的數據、產生的數據及登記的數據，還可以對涉及的人員進行深度分析，包括工作能力、崗位匹配度、工作飽和度、人員配備合理度等。以呼叫中心為例：根據員工處理業務的效率，包括處理業務的平均時間、最大處理時間、最小處理時間、員工30 s應答率、回復率、無效話務量、處理業務量、在線時長、好評度等信息生成員工能力畫像。根據畫像，將員工能力分為高中初三個級別。

4? 優化管理的保障措施

4.1? 建立業務量預測事后驗證機制

預測模型的建立并不能解決所有的問題，在業務量測定完成之后，要長期進行校準，將預測與實際數量之間進行對比，及時對預測中的各項不足進行完善，對客戶來訪的實際情況和預測值進行擬合度的測算，對準確率進行檢測并進行合理的完善。通過預測模型的時候驗證機制，使預測從發布到執行、到驗證、再到優化形成完善的系統。與此同時，本系統還能夠對實際數量與預測量進行檢測和對比，從各個時段去發現之間的偏差，在以往經驗的基礎上，完善后期的預測，使得預測更具準確性。

4.2? 排班優化環節和流程

排班系統在實際使用的過程中，需要持續對各個環節進行優化，以保證算法誤差始終保持在可接受范圍內。優化排班的環節：

1）針對短期業務量，在預測模板中輸入排班計劃。

2）針對不同時段內的誤差與目標值作對比，凈差為0是理想的最佳模式。

3）將排班以需求為前提做出合理的調整。

4）將線下培訓與計劃等做出合理調整，將不同時間段內的排班進行優化，具體如圖10所示。

4.3? 重新定位排班管理工作職責

首先是重視數據，及時做出總結。排班師的主要優勢就是在數據方面的敏感性較高。對測算人力與業務量而言，數據積累是非常重要的前提，對于工作中出現的與運營有關的規律，排班崗需要及時總結。首先必須能夠整體掌握年業務量，能夠從總體上規劃整年的人力水平。其次是以月和日為單位，對不同時段的業務量發展方向做出總結。在預測業務量方面也力求精準，以業務為前提，及時進行調整，使得預測更加準確。

其次是重視細節，對排班及時做出完善。業務量的變化是隨時發生的，每個季度的變化都比較大，人員也與其離職率之間存在較大的關系，銀行也會據此更新其考核指標，管理人員的工作重點也會相應地調整。排班管理工作要緊密聯系中心指定的各項考核指標，針對不同省份的變化、營銷業務的具體情況、外包人員的規模、目標設定的范圍等，對排班的政策及時地做出調整，使排班表更加的優化。

5? 結? 論

本文選擇銀行員工的排班案例進行詳細的分析，其本質是對條件得以滿足情況下的優化排列組合。本文中的遺傳算法對于傳統遺傳算法中存在的收斂過早問題做出了合理解決，實現了多樣化種群，使最優解不再局限于某一部位，實現了全種群的最優化。本文測試采用的數據均來自銀行員工，對模型與算法進行了驗證，并且在問題解決方面也較為滿意。為銀行在排班方面的問題解決提供了可行性方案。

參考文獻：

[1] 熊靜.基于改進遺傳算法的機場AOC人員智能排班研究 [D].廣漢：中國民用航空飛行學院，2022.

[2] 王夢真，陳歡良.基于改進遺傳算法解決多目標智能排班問題研究 [J].電腦知識與技術，2022，18（2）：79-81.

[3] 王瑩，張青，韋瑤，等.一體化智能排班軟件系統的開發與應用 [J].協和醫學雜志，2021，12（6）：1030-1033.

[4] 陳慶麗，袁慧，梁付，等.護理中的智能排班——基于責任制護理的護士分組與自主月排班智能軟件的開發與應用 [J].中國質量，2021（4）：100-104.

[5] 周秀芬，胡瓊.智能排班軟件在水泥廠中的應用 [J].水泥工程，2020（S1）：46-47.

[6]宋兵.管制員智能排班系統設計 [J].信息與電腦：理論版，2018（15）：77-79.

作者簡介：夏天舒（1970—），男，漢族，浙江杭州人，高級工程師，副總經理，本科，研究方向：銀行運營監測系統、智能排班系統、智能運營管理系統、風險監測系統、運營數據分析平臺、實時風險監測預警系統等。