Algoritmer för optimerad teamformation : En komparativ studie av avvägning mellan kompetensmatching och arbetsbelastning för skapandet av team

Sammanfattning

Att sammanställa effektiva team utifrån specifika kompetenskrav, så kallat Team Formation Problem (TFP), är en central men beräkningsmässigt komplex (NP-svår) utmaning inom organisationer. Utöver att matcha rätt kompetens till rätt projekt är fördelningen av arbetsbelastning kritisk för att förhindra att högpresterande individer blir organisatoriska flaskhalsar eller drabbas av arbetsrelaterad ohälsa. Syftet med denna studie är att anpassa och utvärdera en heuristisk algoritm för automatisk teamformation inspirerad av den tröskelbaserade ThresholdGreedy-algoritmen. Modellen avgränsas till att forma ett enskilt team av förutbestämd storlek för en specifik uppgift, där individuella kompetensnivåer representeras som kontinuerliga värden mellan 0 och 1. En kvantitativ och experimentell metod tillämpades där den anpassade greedy-heuristiken jämfördes med referensmetoden Exhaustive Search (brute force). Experimenten genomfördes med hjälp av kontrollerade simuleringar med syntetiskt genererad och normalfördelad data, där personpoolen varierades mellan 20 och 120 individer medan teamstorleken hölls konstant på fem personer. Algoritmerna utvärderades med avseende på färdighetstäckning, arbetsbelastning, den implementerade målfunktionen, exekveringstid samt förmågan att approximera en sann Pareto-front. Resultaten visar att den anpassade heuristiken presterar nära den optimala lösningen procuderad av Exhaustive Search algoritmen. Den genomsnittliga approximationskvoten, som baserar sig på värdet av målfunktionen och relationen mellan Exhaustive Search lösningen och den heuristiska, låg nära 1,0 i de flesta testscenarier och uppmätte som lägst 0,94 vid den största personpoolen (120 personer), vilket påvisar hög stabilitet när sökrymden växer. Vidare visade den empiriska tidskomplexitetsanalysen att medan exekveringstiden för Exhaustive Search skalade exponentiellt med en tillväxtexponent på 4,8751 (vilket motsvarar ) uppvisade greedy-heuristiken ett sublinjärt/linjärt skalningsbeteende med en exponent på 0,686. Heuristiken förmådde även att effektivt efterlikna formen av de sanna Pareto-fronterna. Studiens slutsats är att den anpassade tröskelbaserade greedy-algoritmen erbjuder en högst praktiskt användbar kompromiss mellan lösningskvalitet och beräkningstid. Den lämpar sig väl som ett algoritmiskt beslutsstöd för ledare och bidrar samtidigt till social hållbarhet (FN:s globala mål 8) genom att aktivt motverka överbelastning. Framtida arbete rekommenderas inkludera utvärdering på reella dataset samt expansion till parallella projekt och dynamiska teamstorlekar.