Varför villkorshantering avgör schemakvaliteten

Varje hemtjänstbesök bär på villkor: kunden är bara tillgänglig under vissa timmar, vårdgivaren måste ha rätt kompetens, ett duschbesök måste föregå lunch med minst 30 minuter, och veckofrekvenensen måste respekteras. Multiplicera detta med hundratals kunder och tusentals besök och du ställs inför en kombinatorisk explosion som ingen mänsklig schemaläggare kan lösa manuellt – och som lätt kan bryta en automatiserad solver om villkoren inte utformas med omsorg.

Kärnutmaningen är inte att lägga till fler villkor, utan att hantera vilka villkor som ska tillämpas som absoluta regler (hårda) kontra vilka som ska behandlas som optimeringsmål (mjuka), och hur flerdagarsmönster ska struktureras så att solvern behåller den frihet den behöver för att hitta högkvalitativa rutter. Caires metod, grundad i både akademisk forskning och operativa resultat från svensk hemtjänst, kan sammanfattas i en princip: använd det enklaste möjliga verktyget i varje lager.

Caires tre-lagermodell för villkorshantering

Lager 1 — Biståndsbeslut, insatser och besöksmallar

All planering i Caire utgår från kommunens biståndsbeslut. Detta översätts till insatser (t.ex. dusch, lunch, städning) med organisationsgemensamma standardvärden: standardtidslucka, kompetenskrav, tidsflex (±30 min) och överlappningsregel. Insatser grupperas i insatsgrupper som definierar intra-dag-ordning och minimitidsavstånd – t.ex. frukost → minst 3 timmar → lunch → minst 4 timmar → middag. För varje kund skapar besöksmallen ett mönster: vilka dagar, hur länge och under vilka regler besöken ska ske. Mallar innehåller inga datum – bara regler. När en mall skapas genererar Caire automatiskt beroenden från insatsgruppen; schemaläggaren kan acceptera eller justera dem.

Lager 2 — Schema och daterade besök

Caire genererar automatiskt konkreta daterade besök från mallarna. Mellandagsavstånd (varannan dag, 3×/vecka) löses här genom att rätt kalenderdagar väljs – inte genom att skicka komplexa upprepningsregler till optimeringen. En duschmall inställd på mån+ons+fre garanterar automatiskt 48 timmars mellanrum via dagvalet. Denna förberäkning är avgörande: den tar bort en hel klass av villkor från optimeringsskiktet och håller solvern snabb och flexibel.

Lager 3 — Skiftgenerering, ruttoptimering och lösning

Med daterade besök på plats genererar Caire de skift som behövs för att täcka efterfrågan – med hänsyn till svensk arbetslagstiftning, befintliga anställningsavtal och personalönskemål – och kör sedan ruttoptimering. Villkorshierarkin i detta lager är: (1) förberäknat (dagval redan klart), (2) tidsfönster hanterar ~85 % av alla schemavillkor, (3) beroenden används sparsamt bara där tidsfönster överlappar eller ett kliniskt krav kräver det. Resultatet är en tilldelning av varje besök till en specifik medarbetare vid en exakt starttid.

Hybrid upprepningsmodell: mallar med instansöverskridningar

Den grundläggande designavvägningen

Att definiera alla villkor på insats/mallnivå ger en kompakt, hanterbar modell – men den är spröd. En enda dåligt utformad regel kan göra en hel veckas besök omöjliga att schemalägga. Att definiera alla villkor på enskild besöksinstansnivå ger maximal flexibilitet, men den kombinatoriska sökytan exploderar och försämrar solverprestandaran med långa körtider. Den pragmatiska bästa praxisen är en hybridmodell: generella upprepningsregler (frekvens, tillåtna dagar, tidsfönster) lagras på mallnivå. Mallar materialiseras till besöksinstanser för planeringsperioden (1–4 veckor rullande). Materialiserade instanser ärver mallens standardvärden men kan individuellt överskridas för att hantera undantag – en engångsbedömning, ett utskrivningsbesök, en familjeönskad förändring – utan att påverka det återkommande mönstret.

Mjuka villkor på mallnivå

Även på mallnivå bör de flesta regler modelleras som mjuka villkor med straffvikter snarare än hårda förbud. Det innebär att avvika från en önskad dag kostar ett straff i målfunktionen istället för att göra schemat omöjligt. Solvern kan sedan väga dagspreferenser mot ruттeffektivitet, arbetsbelastningsbalans och andra mål – och hitta bästa möjliga kompromiss även vid störningar.

Hårda vs. mjuka villkor: var gränsen måste dras

Hårda villkor — obrytbara regler

Hårda villkor måste uppfyllas för att en lösning ska vara giltig. En överträdelse gör schemat omöjligt. Exempel: en vårdgivare kan inte vara på två ställen samtidigt; ett besök som kräver specifik klinisk kompetens måste tilldelas en vårdgivare med den kompetensen; ett besök som är klinisk förutsättning för ett annat måste föregå det. Att överanvända hårda villkor – t.ex. att låsa varje besök till en specifik tid eller strikt tvinga igenom varje kundpreferens – gör modellen spröd. En enda störning (en sjukskrivning, ett oväntat läkarbesök) kan kaskaderat leda till total omöjlighet.

Mjuka villkor — optimerbara preferenser

Mjuka villkor är önskvärda men inte obligatoriska. Att bryta mot ett medför ett viktat straff i målfunktionen. Exempel: att tilldela en kund deras föredragna vårdgivare (kontinuitet); schemalägga ett besök på kundens önskade veckodag; minimera restid för vårdgivare; minimera övertid. Solvern hittar lösningen som minimerar det totala straffpoängen för alla mjuka villkor – och gör intelligenta avvägningar mellan konkurrerande preferenser.

Lärdomar från svensk hemtjänst: att undvika minutstyrning

Forskning från svensk hemtjänst ger en kraftfull verklig varning. Praktiken 'minutstyrning' – där kommuner förutbestämmer exakt hur lång tid varje insats ska ta, och den avsatta tiden inte får användas till annat oavsett kundens behov – tillämpas av var fjärde svensk kommun (Socialstyrelsen). Denna extrema form av hårt villkorsschema är kopplad till lägre nöjdhet för både kunder och personal. Studier visar att nöjdheten är betydligt högre där kunder och personal har större inflytande över tid och innehåll. Den praktiska lärdomen: reservera hårda villkor för absoluta, obrytbara regler. Modellera allt annat som viktade mjuka villkor.

Beroendeimplementering: minDelay/maxDelay vs. hård dagpinning

Relativa fördröjningsvillkor — den föredragna metoden

Relativa fördröjningsvillkor definierar sambandet mellan två besök temporalt snarare än absolut. Exempel: 'Besök B måste ske minst 24 timmar (minDelay) och max 72 timmar (maxDelay) efter Besök A.' Moderna solvers som Timefold FSR stöder avancerade varianter: fördröjning till nästa dag, nästa vecka eller nästa specifik veckodag (t.ex. nästa måndag). Detta bevarar solverns kombinatoriska frihet – den kan välja bästa möjliga dag och tid inom fönstret, vilket möjliggör överlägsen ruttoptimering och arbetsbelastningsbalansering. Det modellerar effektivt kliniska kadenser ('ett uppföljningsbesök inom 3 dagar') utan att i onödan begränsa schemat.

Hård dagpinning — använd bara när oundvikligt

Att låsa ett besök till ett specifikt kalenderdatum kollapsar sökytan för det besöket och alla besök som är beroende av det. Fördelen är enkelhet; kostnaden är betydande: kaskaderande omöjlighet där ett enda låst besök gör det omöjligt att schemalägga relaterade besök effektivt. Reservera hård dagpinning bara för fall med absoluta, oflyttbara villkor – ett besök som måste sammanfalla med en anhörigs närvaro, eller ett fastlagt läkarbesök hos en extern part.

Hur Caire löser detta i Lager 2

Caires tre-lagerarkitektur kringgår elegant det mesta av den inter-dag-beroendekomplexiteten. Mönster som 'dusch varannan dag' eller 'städning en gång i månaden' löses genom att välja rätt dagar vid schemagerenering (Lager 2). Optimeringen i Lager 3 ser aldrig dessa som villkor – de är redan kodade i vilka besök som finns på vilka datum. Detta minskar optimerarens villkorsbörda dramatiskt och håller modellen slimmad.

KISS-principen för hemtjänstsolvers

KISS-principen – Keep It Simple – handlar inte om att bygga mindre kapabla system. Det handlar om att inse att varje onödigt villkor minskar solverns sökutrymme, och ett mindre sökutrymme ger sämre lösningar eller ingen lösning alls. Avvägningen är verklig: detaljerade, stela villkor ökar risken för överväldigande av modellen (omöjlighet), medan enklare, flexibla villkor maximerar solverns förmåga att hitta högkvalitativa genomförbara lösningar.

Undvik hård dagpinning

Istället för att låsa besök till specifika dagar, definiera en frekvens per vecka, en uppsättning tillåtna dagar och ett tidsfönster. Använd mjuka straff för att styra solvern mot önskade dagar utan att tvinga den.

Begränsa komplexa beroenden

Modellera bara precedens- och synkroniseringsvillkor som är kliniskt nödvändiga. Onödiga kopplingar mellan besök krymper sökytan artificiellt. Caires data visar att tidsfönster ensamma hanterar ungefär 85 % av alla schemavillkor – beroenden är undantaget, inte regeln.

Hantera problemomfattning med rullande horisonter

Materialisera besöksinstanser bara för den omedelbara planeringsperioden (1–4 veckor rullande), inte för ett helt mångt insatsepisod. Problemstorleken förblir hanterbar och modellen hålls aktuell med verkligheten.

Använd målprogrammering för lägre prioritetsregler

Använd en hierarki av mjuka villkor (lexikografiska mål) för att hantera lägre prioritetsregler utan att riskera omöjlighet. Vård har alltid absolut prioritet framför kostnadsoptimering.

Hantera omöjlighet: diagnos och lösning

Proaktiv validering före optimering

Innan solvern körs, utför förhandskontroller: verifiera att det finns tillräcklig personaltillgång för besöksbehov, kontrollera att frekvens och veckodagskombinationer är genomförbara inom planeringsperioden, bekräfta att alla nödvändiga kompetensbehov kan tillgodoses. Många omöjlighetstillstånd kan fångas deterministiskt innan solvern ens startar.

Reaktiv diagnos: IIS och konfliktraffinering (MIP-solvers)

För Mixed-Integer Programming-solvers som Gurobi och IBM CPLEX är Irreducible Infeasible Subsystem (IIS) eller Conflict Refiner ett kraftfullt diagnostikverktyg. Det identifierar den minimala delmängden av motstridiga villkor så att: delmängden i sig är omöjlig, men att ta bort ett enda villkor gör det återstående systemet möjligt. Detta pekar ut den exakta grundorsaken – t.ex.: 'Det här besöket kan inte schemaläggas eftersom kunden bara är tillgänglig på måndagar, men den behövda sjuksköterskan är ledig, och ett minimiavståndsvillkor från föregående besök skulle skjuta det förbi måndag.' Schemaläggare får en åtgärdbar förklaring och kan fatta ett riktat beslut: bredda ett tidsfönster, tillåt en annan vårdgivare eller lätta på ett beroende.

Reaktiv diagnos: villkorspropageringsfel (CP-solvers)

Constraint Programming-solvers som Google OR-Tools CP-SAT har inte inbyggt IIS. Omöjlighet upptäcks via villkorspropagering – när domänen för en variabel töms till tom, finns en motsägelse. Praktiska felsökningstekniker: (1) Inkrementell modellering – lägg till villkor i små grupper tills modellen blir omöjlig, vilket isolerar den problematiska uppsättningen. (2) Antagandebaserad konfliktsökning – testa genomförbarhet under specifika antaganden och använd den returnerade konfliktkärnan för diagnos. (3) Logginspektionoch villkorsavstängning – stäng systematiskt av villkor för att observera propageringsbeteende.

Förklaringar för schemaläggare

Det ultimata målet med omöjlighetshantering är inte bara en teknisk fix – det är att ge schemaläggare tydliga, åtgärdbara förklaringar att agera på. 'Besök X kan inte schemaläggas: kunden är bara tillgänglig mån/ons, men den behövda vårdgivaren är ledig båda dagarna. Förslag: bredda tillåtna dagar eller tilldela en annan vårdgivare.' Detta ger schemaläggare möjlighet att fatta välgrundade beslut snarare än att mötas av ett ogenomskinligt 'ingen lösning hittades'-felmeddelande.

Källor och vidare läsning

Slutsats: Enkelhet skalar, stelhet brister

De mest effektiva hemtjänstschemaläggningssystemen är inte de mest begränsade – de är de mest intelligent begränsade. Caires tre-lagermodell separerar ansvaret för vårdplanering (mallar), schemagenerering (daterade besök) och optimering (ruttplanering och tilldelning). Tidsfönster hanterar ~85 % av schemavillkoren i Lager 3. Beroenden används sparsamt, bara där det krävs kliniskt. Mjuka villkor ger solvern flexibiliteten att hitta högkvalitativa lösningar även vid verkliga störningar. Alternativet – stela, låsta scheman med hårda villkor för varje preferens – producerar spröda modeller som brister vid första avvikelsen.

Vill du se hur Caires villkorsmodell fungerar med din data? Kontakta oss för en demo eller prova plattformen på app.caire.se.

Se villkorshantering i praktiken

Från biståndsbeslut till optimerat schema — tre lager, minimala villkor, maximal effektivitet.

Utforska ruttoptimering

Prova optimeringen nu

Logga in på app.caire.se för att uppleva schemaläggning och ruttoptimering i praktiken.

Öppna app.caire.se

Effektiv villkorshantering vid schemaoptimering för hemtjänst