Den skjulte ugentlige rytme i besøgstrafik (og den dag du bemandede forkert)

Spørg en butiksindehaver, hvilken ugedag der er travlest, og de fleste svarer uden at tøve. Spørg, om den travleste time den dag ligger kl. 11 eller kl. 14, og sikkerheden forsvinder ofte; spørg, hvornår konverteringen er højest i forhold til besøgstrafikken, og svaret er som regel et skuldertræk. Bemandingsbeslutninger går galt i hullet mellem instinktet på dagsniveau og virkeligheden på timeniveau.

Det mønster, du tror, du har, og det, du faktisk har

Menneskets hukommelse er en dårlig besøgstæller. Vi husker den lørdag eftermiddag, hvor butikken var stuvende fuld, og den tirsdag morgen, hvor den var helt død. Vi glemmer frokostmyldretiden om torsdagen, der overgår enhver onsdag, og søndag aften, hvor trafikken dør ud tredive minutter tidligere, end den officielle lukketid antyder. Det mønster, vi bærer rundt på i hovedet, er en montage af højdepunkter.

Bemanding er et ugentligt fordelingsproblem. Vagtlisten lægges én gang for den kommende uge ud fra en antagelse om, hvornår de besøgende kommer. Hvis den antagelse systematisk tager fejl i samme retning (hvis mandagene gang på gang er roligere, end vagtlisten regner med, og fredag formiddag gang på gang travlere), hober fejlen sig op uge efter uge. Over et år bliver det til en masse personale, der står og venter om mandagen, og en masse frustrerede kunder fredag formiddag.

Sådan ser et målt ugentligt mønster ud

Hvert rum har sin egen rytme, formet af beliggenhed, opland, kategori og åbningstider. En filial af en detailkæde i et bycenter har et andet mønster end en butik i en detailpark, og en fritidsdestination topper på andre tidspunkter end en dagligvarebutik. En butik tæt på et trafikknudepunkt har et mønster, der delvis bestemmes af køreplaner. Den ugentlige rytme ligger også inde i en større: besøgstrafikkalenderen for detailhandelsåret, hvor jul, januar og påske ændrer baselinen uge for uge.

På tværs af meget forskellige typer steder viser målte data igen og igen, at det intuitive billede er nogenlunde rigtigt på dagsniveau og ofte ret forkert på timeniveau. Den travleste dag bliver som regel udpeget korrekt; spidstimen den dag, den sekundære top midt på ugen og den præcise form på lørdagskurven bliver ofte vurderet forkert.

Afvigelserne falder typisk på bestemte, forudsigelige steder:

• Den langsomme start: mange rum får først rigtig trafik et godt stykke tid efter åbning, så personalet på tidlig vagt for det meste venter.
• Frokostens sammenpresning: en skarp top, der varer tres til halvfems minutter, samler mere efterspørgsel, end en afslappet læsning af “travl frokostperiode” antyder.
• Midtugens overraskelse: i mange detailrum overgår onsdag eller torsdag mandag og tirsdag med mere, end vagtlisten tager højde for.
• Den tidlige lukning: de besøgendes ankomster aftager ofte længe før den officielle lukketid, så en forlænget sen vagt bliver en udgift, der kun betjener meget få kunder.

Opholdstid komplicerer billedet

Besøgstrafik, altså ankomster, er kun halvdelen af ligningen. Den tid, de besøgende tilbringer i rummet, afgør, hvor mange mennesker der faktisk er til stede på et givet tidspunkt, og dermed, hvor meget servicekapacitet rummet har brug for. En bølge af kunder med hurtige handler i frokostmyldretiden lægger et andet pres på personalet end en langsommere strøm af besøgende, der hver bliver i tredive minutter.

Hvis din travleste ankomsttime falder sammen med en opholdstid over gennemsnittet, har du en dobbelt top: flere mennesker ankommer, og hver af dem bliver længere. Det er den time, der afslører underbemanding hårdest: køen opstår hurtigt og tager lang tid at afvikle, og effekten på konverteringen kan måles. Kunder, der stiller sig i en lang kø, forlader den sommetider; kunder, der ser en lang kø, stiller sig sommetider slet ikke i den.

Når man ser opholdstid og ankomsttal sammen, ændres spørgsmålet om bemanding fra “hvornår ankommer folk?” til “hvornår er rummet under størst pres?” Det kan være to forskellige timer.

At bygge en vagtliste fra data, ikke fra sidste års vagtliste

Målt ugentlig besøgstrafik giver dig et planlægningsværktøj, og det er her, bemanding ud fra besøgsdata begynder. Hvis der findes tællinger time for time for de seneste tolv uger, kan en chef se den gennemsnitlige form på hver dag, variationen omkring gennemsnittet og de uger, hvor en begivenhed, en kampagne eller en periode med dårligt vejr forskød mønstret. Vagtlisten kan så bygges ud fra den målte form i stedet for en nedarvet vane.

Det betyder ikke, at man skal følge en algoritme slavisk. En chef, der ser, at dataene forudsiger en stille fredag eftermiddag, kan stadig vælge at beholde personalet af hensyn til kundeoplevelsen. Værdien ligger i, at det bliver et bevidst valg og ikke et tilfældigt, og i at have belæg, når samtalen med hovedkontoret kommer til at handle om antal ansatte. Hele det operationelle billede finder du i vagtplanlægning med besøgsdata.

For detailkæder med flere butikker viser de samme data, hvor ens det ugentlige mønster er på tværs af filialerne. En kæde med tredive butikker har sjældent tredive identiske rytmer; en filial i en pendlerby topper anderledes end en i en fritidsdestination. Bemandingsskabeloner på kædeniveau, der behandler alle butikker ens, er næsten altid forkerte i begge retninger på samme tid: for meget personale ét sted og for lidt et andet.

Åbningstider som et dataspørgsmål

Åbningstider er som regel arvet fra den dag, stedet åbnede, og justeret en gang imellem efter klager eller en chefs fornemmelse. Målt besøgstrafik gør spørgsmålet empirisk. Hvis et stabilt mønster viser, at ankomsterne falder til næsten nul halvanden time før lukketid, er der en sag, der kan testes, for at lukke tidligere eller for at flytte lønudgiften til spidsbelastningen i stedet.

Dataleverancerne, der er relevante her, er enkle: ankomster pr. time, dag for dag, over nok uger til at skille det typiske fra det usædvanlige. Hvad man gør med mønstret, er en kommerciel beslutning, men beslutningsgrundlaget behøver ikke at være gætværk.

At matche personale med målte toppunkter

Ethvert fysisk rum har en ugentlig rytme i besøgstrafikken. Når du måler den, får du præcision: det instinkt på dagsniveau, der allerede findes, bliver til en kendsgerning på timeniveau. Vagtlisten holder op med at være en kopi af sidste måneds vagtliste med små justeringer og bliver i stedet et svar på efterspørgslens faktiske form.

Vedvarende underbemanding i spidsbelastningen koster dig konvertering, tilfredshed og med tiden de besøgende, der langsomt forsvinder til et sted, der er mindre frustrerende. En besøgsbaseline time for time (anonym, aggregeret og indsamlet fra den infrastruktur, du allerede driver) er den billigste forsikring mod det skred.

Kilder

• Mani, V., Kesavan, S., & Swaminathan, J. M. (2015). Estimating the impact of understaffing on sales and profitability in retail stores. Production and Operations Management, 24(2), 201–218. https://doi.org/10.1111/poms.12237
• Lu, Y., Musalem, A., Olivares, M., & Schilkrut, A. (2013). Measuring the effect of queues on customer purchases. Management Science, 59(8), 1743–1763. https://doi.org/10.1287/mnsc.1120.1686
• Perdikaki, O., Kesavan, S., & Swaminathan, J. M. (2012). Effect of traffic on sales and conversion rates of retail stores. Manufacturing & Service Operations Management, 14(1), 145–162. https://doi.org/10.1287/msom.1110.0356