Modele de demande de dotation

tions. Pour ce faire, toutefois, le modèle doit être en mesure d`estimer les besoins globaux en dotation, de justifier l`adéquation de cette estimation, et surtout, de prédire les conséquences de la dotation en personnel en deçà du niveau prescrit. Il convient de noter qu`aucune de ces estimations n`est possible sans un moyen crédible de documenter les performances; par conséquent, la mesure du rendement est essentielle pour que tout modèle de dotation réalise son plein potentiel. Dans le cas présent, la mesure du rendement pose un certain nombre de défis redoutables. Le processus de modélisation complet décrit ici se compose de six phases: faisabilité, familiarisation, conception de mesure, mesure, développement d`analyse/modèle et sélection, et mise en œuvre. La plupart des experts chevronnés de modélisation de main-d`œuvre utilisent une approche similaire. Par exemple, la Force aérienne utilise son programme d`ingénierie de gestion, qui décrit des mesures similaires qui ont été affinées au fil des décennies pour produire des générations d`outils efficaces de dotation en personnel. 7La figure 3-3 décrit les principales phases de l`étude approfondie Processus. Envisagez d`incorporer l`analyse de profil de décalage dans l`approche de développement modèle et les outils d`application de modèle le niveau de détail nécessaire dans le modèle dépendra de la complexité du système modélisé et des sorties requises par les utilisateurs. Aux fins de la dotation en personnel de l`ASI, un modèle de processus ne nécessiterait probablement pas une analyse de tâches très détaillée, bien que le niveau de détail requis soit déterminé au cours du processus de définition des exigences du modèle. L`une des méthodes d`estimation décrites plus haut peut être utilisée, mais pour tout modèle de dotation donné, les décisions concernant l`estimation des paramètres doivent être prises par des modélisateurs experts avec l`apport de personnes qui comprennent les réalités pratiques du système à modéliser. Il est particulièrement important que les modélisateurs comprennent les limites des données disponibles pour générer des estimations, ainsi que la stabilité attendue ou le changement dans les opérations et les pratiques commerciales entre la période fournissant des données historiques et la période en laquelle le modèle sera utilisé.

En principe, les modélisateurs doivent utiliser la méthode la plus rigoureuse et la plus empirique qui soit pratique. Toutes les estimations non empiriques devraient être validées empiriquement dans la mesure du possible lors de la mise en œuvre pilote du modèle. La modélisation de la relation entre les niveaux de dotation et le nombre et le type de besoins de maintenance d`équipement dans le NAS par région nécessite la collecte de données par région. Sans un nombre de lignes de base fiable et des systèmes de comptabilité ou de données en cours qui contiennent ces informations, il n`existe aucun moyen pratique de créer un tel modèle. Étant donné que la modélisation et la collecte de données sont interdépendantes, le coût du développement et du maintien des systèmes de collecte de données à alimenter en modélisation doit être envisagé. Cela ne veut pas dire que seules les données «faciles à collecter» doivent être utilisées dans le modèle. Les données clés qui n`ont pas été facilement disponibles dans le passé ne devraient pas être ignorées, et les méthodes de collecte de ces données d`une manière simple et économique devraient être développées. Trop souvent, les analystes ont créé un outil de détermination de la main-d`œuvre intéressant mais peu pratique en raison de la difficulté à rassembler systématiquement les données requises pour l`entrée du modèle ces éléments imprévisibles comprennent un ensemble de facteurs tels que la fiabilité des composants individuels au sein de chaque appareil, la maladie des employés, la météo, la corrosion et la facilité d`accès affectant le temps nécessaire pour accomplir les tâches. Les défaillances d`équipement sont intrinsèquement stochastiques.