遅かれ早かれ彼が来るほとんどのチームの人生で-移動。 あなたは清潔で空いている部屋に導かれ、あなたの人生のほとんどを過ごす場所になります。 あなたがデザイナーの場合、最初に考えることは、部屋を新しい色で輝くように写真を掛けて花を置く方法です。 あなたが経験豊富なオフィスサムライなら、訓練された目で、最高の場所を決定し、最初にそれを主張してください。 あなたが部門の長である場合、おそらくすべての従業員の座席について頭痛がするでしょう。 しかし、同時にデータ科学者のチームを率いている場合は、Python
もちろん、すべてが管理スタイルを決定します。 権威主義的な決定を好む場合は、誰もがどこに行くべきかを単純な指で簡単に指摘できます。 そして、誰かが壁に向かい合って座ったり、お互いに抵抗したりするかどうかは関係ありません。 しかし、1861年に農奴制が廃止されて以来、このようなスタイルはわが国では着実に人気を失いました。 そして、まだ従業員の快適さを心配しているなら、それを収集し、どういうわけか彼らの好みを考慮に入れる価値があります。 しかし、ここで悪魔が忍び寄ってきます。詳細にいるのは、組み立て方、考慮方法、優先権を与える人などです。
条件の平等が主要な優先事項の1つである学童向けのコンペティションの長年の経験を考慮して、経験豊富なまたはより速い従業員が何の利点も得られない透明で理解可能なメカニズムを作成するように設定されました。
あなたはみんなを喜ばせないでしょうか、それとも...？
私たちは、従業員が座席を好む可能性があり、潜在的な不満を最小限に抑えたいと考えています。 つまり、最適な方法で行動する一部の従業員が他の従業員と明確な対立を起こさないように、座席の分配システムを編成する必要があります。 「最初に立ち上がってスニーカーを履いた人」という戦略は、明らかにこの目標につながりません。 特定の選択順序（たとえば、メリットに基づいて）を決定した場合、タスクはまだ解決されません。以前に選択したが比較的無関心な人は、誤って他の人が選択した場所をとることがあります。 言うまでもなく、このような命令自体は物議を醸すものです。
投票のタイプを選択しました。全員の投票は、他の人の投票方法に依存します。2つの場所のどちらを多かれ少なかれ気にしない場合、最適な戦略は競合他社が少ないふりをすることです。
完璧な座席への道
最初のステップは、一般的に座ることができる場所を決定することでした。 誰もができるだけ多くの便利な場所を作ることに興味があるので、この場合、タスクは全員のためでした。 地図を作成し、「人口の中で」説明作業を行い、各場所を理想として推進しました。
理想的な世界では、誰もがそれぞれの場所に好みのポイントを与える必要がありますが、ある場所が他の場所とどのように異なるかを最も近い100分の1まで評価することは困難です。
したがって、優先順位リストを選択するように全員に求められましたが、その数はまったく制限されていません。最初に取得する場所、2番目に取得する場所、3番目に取得する場所です。
従業員の好みの論理は非常に異なっていたことに注意する必要があります。誰かが窓に近づきたい、誰かが窓の外を見たい、誰かがエアコンに近いこと、さらには壁の色でも重要でした。 自分自身の好みを考慮することは困難です。ここでは、場所を選択する機会を人々に与えることができるだけです。
次に、取り決めの成功のメトリックを決定する必要がありました。 人が座っているほど不快であるほど、より多くのそのようなモデルは罰金を科されるべきです。 目立たない不便を避けるために、私は二乗ペナルティを課すことにしました。
その結果、次のようになりました。TOP-1リストから人が配置された場合、罰金2が科せられます。 TOP-2のリストから-4、TOP-3-8、TOP-4-16などの罰金。 私はこの測定基準が最適であると主張していませんが、合理的に見えます。
単純なPythonプログラムを作成しました -同僚からの優先順位が導入され、最小限のペナルティでレイアウトオプションが計算されます。 アルゴリズムは事前に同僚に発表されました（私は素朴でした！）。 リストは、必要に応じて交渉できるように、すべて公開されています。
しかし、計算を見た後、一部の従業員は、目的の場所を取得するために「アプリケーション」を取得しようとすることに気付きました。 データサイエンティストはそのようなデータサイエンティストです！:)
その結果、優先順位の変更を行うことができたときに、選挙の第2ラウンドが開催されました。 したがって、誰もが再び平等な状況にありました。誰もが選択して変更を加えることができました。
2回目のラウンドからアプリケーションを収集した後、私はすでに最後のプログラムを実行しました。 ふふ！ みんな幸せそうです。
PSの代わりに
従業員同士の近接性に関する要望が考慮されていなかったことは注目に値します。 しかし、このパラダイムでは、ウィッシュリスト（従業員によると誰が隣に座り、どの場所が近くにいるのか）を作成し、これらの希望を満たさないモデルを微調整することで、それらを実装することも非常に簡単です。
もちろん、2つのアレンジメントに同じペナルティがある場合、オプションは常に可能です。
この場合、私はすでにコインに依存することに決めました-最適化はさらに無力です:)。
Nikolay Knyazev、Jet Infosystems機械学習グループの責任者
Githubコード