Vagtplanlægning med besøgsdata

Vagtplanen halter som regel efter de besøgende

De fleste vagtplaner bygges på vane, mavefornemmelse og sidste års mønster og kopieres så fremad. Når personaleplanlægningen og de besøgende glider fra hinanden, betaler du dobbelt: køer og tynd service i spidsbelastningerne, døde lønkroner i de stille timer. Salgsdata kan ikke lukke hullet alene, for kassen registrerer transaktioner, mens presset på personalet begynder tidligere, med folk der kigger, spørger og står i kø. Løsningen er at måle tilstedeværelse, hvornår folk faktisk er i bygningen, og planlægge ud fra det.

Mål hvornår folk faktisk kommer

Bumbee Labs tæller besøgende anonymt og omsætter tællingerne til spidsbelastninger og stille perioder pr. time, dag, uge og sæson: grundlaget for bemanding og planlægning. Data på zoneniveau føjer “hvor” til “hvornår”, så et stort sted kan se, hvilke områder der belastes på hvilke tidspunkter. Standardmetrikker er klar dagen efter besøget, hvilket holder billedet aktuelt nok til at planlægge næste uge på, og varsler om trængsel tæt på realtid findes der, hvor belægning i nuet betyder noget. Hele paletten af målinger, og hvordan de når dit planlægningsflow gennem dashboards og API’en, ligger på dataleverancer.

Dæk spidsbelastningerne, hent de stille timer hjem

En stor skandinavisk butikskæde, der arbejder med Bumbee Labs, lagde sine vagtplaner om efter de reelle spidsbelastninger og justerede åbningstiderne, efter at den opdagede flere forbipasserende om aftenen end tidligt på dagen. Det er den typiske form på fundet: Dataene siger sjældent “mere personale”, de siger “personale på andre tidspunkter”. Dækning i spidsbelastningerne forbedrer servicen, præcis når det gælder; præcision i de stille timer henter omkostninger hjem, uden at kunderne mærker nogen forskel.

Fra tendens til vagtplan

Den praktiske løkke er kort. Træk timemønstret pr. ugedag, og find de tilbagevendende spidsbelastninger; sæt grundbemandingen efter de stille timer, og flex op på spidserne; tjek det samme mønster på tværs af sæsoner, før du låser ferieplanerne; og vend tilbage månedligt, for kampagner, vejr og kalenderen flytter kurven. Er åbningstiderne spørgsmålet, viser forbipasserende uden for de nuværende åbningstider den efterspørgsel, du endnu ikke har åbent for. Og på tværs af mange lokationer er de samme kurver sammenlignelige på samme grundlag, så et vagtmønster, der virker ét sted, kan testes mod den næste lokations efterspørgselskurve, før det kopieres.

Det virker overalt, hvor folk kommer ind

• Detailhandel. Butikskæder måler de samme spidsbelastninger i hver butik, så bemandingen følger efterspørgslen lokalt, mens best practice spredes i netværket.
• Hospitality. Gæster rører ved mange punkter på ét besøg. I hoteller og hospitality zoneopdeles lobby, bar, restaurant, spa og eventarealer hver for sig, så bemanding og service matcher de reelle gæstestrømme ved hvert kontaktpunkt.
• Offentlige steder. Biblioteker bruger besøg pr. time, dag, uge og sæson til at fastsætte åbningstider og vagtplaner, der passer til, hvordan bygningen faktisk bruges, evidens der også tjener deres bevillingssamtaler.

Anonym i sit design

Målingen er passiv: ingen app, intet login, intet krav til den besøgende, og ingen enkeltperson identificeres nogensinde. Signalerne anonymiseres og aggregeres til statistik, og resultatet hviler på den eneste metode til besøgsmåling i Europa, der er godkendt af en databeskyttelsesmyndighed. Det gør samme tilgang anvendelig i en flagskibsbutik, på et hotel og på et folkebibliotek, med privatlivet afklaret, før den første vagtplan ændres.