Der verborgene Wochenrhythmus der Besucherfrequenz (und der Tag, an dem Sie zu wenig Personal hatten)

Fragen Sie Ladeninhaber, an welchem Wochentag am meisten los ist, und die meisten antworten ohne Zögern. Fragen Sie, ob die stärkste Stunde an diesem Tag um 11 oder um 14 Uhr liegt, und die Sicherheit schwindet meist; fragen Sie, wann die Conversion im Verhältnis zur Frequenz am höchsten ist, und die Antwort ist oft ein Schulterzucken. In dieser Lücke zwischen dem Gespür für den Tag und der Wirklichkeit der einzelnen Stunden gehen Personalentscheidungen schief.

Das Muster, das man zu haben glaubt, und das, das man wirklich hat

Das menschliche Gedächtnis ist ein schlechter Frequenzzähler. Wir erinnern uns an den Samstagnachmittag, an dem der Laden brechend voll war, und an den Dienstagmorgen, an dem er völlig leer war. Wir vergessen den Mittagsandrang am Donnerstag, der jeden Mittwoch übertrifft, und den Sonntagabend, an dem es dreißig Minuten früher ruhig wird, als die angeschriebene Schließzeit vermuten lässt. Das Muster, das wir im Kopf haben, ist ein Zusammenschnitt der Höhepunkte, kein Datensatz.

Das ist ein Problem, weil die Personalplanung eine wöchentliche Zuteilungsaufgabe ist. Der Dienstplan wird einmal für die kommende Woche erstellt, auf Grundlage einer Annahme darüber, wann Besucher kommen. Liegt diese Annahme systematisch in dieselbe Richtung daneben (sind Montage regelmäßig ruhiger, als der Dienstplan erwartet, und Freitagvormittage regelmäßig voller), wiederholt sich der Fehler jede Woche. Über ein Jahr ergibt das viele Leerlaufstunden an Montagen und viele frustrierte Kunden an Freitagvormittagen.

Wie ein gemessenes wöchentliches Muster aussieht

Jeder Raum hat seinen eigenen Rhythmus, geprägt von Lage, Einzugsgebiet, Kategorie und Öffnungszeiten. Die Innenstadtfiliale einer Einzelhandelskette hat ein anderes Muster als eine Filiale im Retail Park, und eine Freizeiteinrichtung hat ihre Spitzen zu anderen Zeiten als ein Lebensmittelgeschäft. Ein Laden an einem Bahnhof oder einer Haltestelle hat ein Muster, das zum Teil von Fahrplänen bestimmt wird. Der Wochenrhythmus ist zudem Teil eines größeren Rhythmus: des Besucherkalenders des Handelsjahres, in dem Weihnachten, der Januar und Ostern die Basislinie Woche für Woche verändern.

Über sehr verschiedene Arten von Einrichtungen hinweg zeigen gemessene Daten immer wieder, dass das intuitive Bild auf Tagesebene ungefähr stimmt und auf Stundenebene oft deutlich danebenliegt. Den stärksten Tag erkennen die meisten richtig. Die Spitzenstunde an diesem Tag, die zweite Spitze in der Wochenmitte und die genaue Form der Samstagskurve werden dagegen häufig falsch eingeschätzt.

Die Abweichungen liegen meist an bestimmten, vorhersehbaren Stellen:

• Der langsame Start: In vielen Räumen kommt die erste echte Besucherwelle deutlich nach der Öffnung, das Personal der Frühschicht wartet also größtenteils.
• Die verdichtete Mittagsstunde: Eine scharfe Spitze von sechzig bis neunzig Minuten bündelt mehr Nachfrage, als die lockere Vorstellung einer “belebten Mittagszeit” vermuten lässt.
• Die Überraschung zur Wochenmitte: In vielen Geschäften übertreffen Mittwoch oder Donnerstag den Montag und Dienstag deutlicher, als der Dienstplan berücksichtigt.
• Das frühe Ende: Die Ankünfte flachen oft lange vor der offiziellen Schließzeit ab, sodass eine verlängerte Spätschicht Kosten verursacht, die nur sehr wenigen Kunden zugutekommen.

Verweildauer kompliziert das Bild

Die Frequenz (die Ankünfte) ist nur die halbe Gleichung. Die Zeit, die Besucher im Raum verbringen, bestimmt, wie viele Menschen zu einem Zeitpunkt tatsächlich anwesend sind, und damit, wie viel Servicekapazität der Raum braucht. Eine Welle von Kunden mit schnellen Einkäufen zur Mittagszeit setzt das Personal anders unter Druck als ein langsamerer Strom von Stöberern, die jeweils dreißig Minuten bleiben.

Fällt Ihre Stunde mit den meisten Ankünften mit einer überdurchschnittlichen Verweildauer zusammen, haben Sie eine doppelte Spitze: Mehr Menschen kommen, und jeder bleibt länger. In dieser Stunde zeigt sich Unterbesetzung am deutlichsten. Die Schlange wächst schnell und baut sich nur langsam ab, und die Wirkung auf die Conversion ist messbar. Kunden, die sich in eine lange Schlange stellen, verlassen sie manchmal wieder, und Kunden, die eine lange Schlange sehen, stellen sich manchmal gar nicht erst an.

Wer neben den Ankünften auch die Verweildauer kennt, verschiebt die Personalfrage von “Wann kommen die Menschen?” zu “Wann steht der Raum am stärksten unter Druck?”. Das können verschiedene Stunden sein.

Einen Dienstplan aus Daten bauen, nicht aus dem Dienstplan des letzten Jahres

Die gemessene Wochenfrequenz gibt Ihnen ein Planungswerkzeug, und hier beginnt eine frequenzbasierte Personalplanung. Liegen stündliche Zählungen für die vergangenen zwölf Wochen vor, sieht ein Manager den durchschnittlichen Verlauf jedes Tages, die Schwankungen um diesen Durchschnitt und die Wochen, in denen ein Ereignis, eine Aktion oder eine Schlechtwetterphase das Muster verschoben hat. Die Schichtplanung kann dann vom gemessenen Nachfrageverlauf ausgehen statt von überkommener Gewohnheit.

Das heißt nicht, sich starr an einen Algorithmus zu binden. Ein Manager, der sieht, dass die Daten einen ruhigen Freitagnachmittag vorhersagen, kann trotzdem Personal einplanen, um das Kundenerlebnis zu sichern. Der Nutzen liegt darin, dass das eine bewusste Entscheidung wird, und darin, Belege zu haben, wenn es im Gespräch mit der Zentrale um Personalkosten geht. Das vollständige operative Bild finden Sie unter Personaleinsatzplanung mit Besucherdaten.

Bei Einzelhandelsketten mit mehreren Standorten zeigen dieselben Daten, wie einheitlich das Wochenmuster über die Filialen hinweg ist. Eine Kette mit dreißig Läden hat selten dreißig gleiche Rhythmen; eine Filiale in einer Pendlerstadt hat ihre Spitzen zu anderen Zeiten als eine in einem Ausflugsort. Einheitliche Personalvorlagen für das ganze Netz, die alle Standorte gleich behandeln, liegen fast immer in beide Richtungen zugleich daneben: zu viel Personal an einem Ort, zu wenig an einem anderen.

Öffnungszeiten als Datenfrage

Öffnungszeiten stammen oft noch vom Tag der Eröffnung und werden nur gelegentlich angepasst, nach Beschwerden oder aus dem Bauchgefühl eines Managers heraus. Mit gemessener Frequenz wird daraus eine empirische Frage. Zeigt ein beständiges Muster, dass neunzig Minuten vor Ladenschluss kaum noch Besucher kommen, spricht das für einen Test mit früherer Schließung oder dafür, die Personalkosten in die Spitzenstunde zu verlagern.

Die nötigen Datenlieferungen sind einfach: Ankünfte pro Stunde, Tag für Tag, über genug Wochen, um das Typische vom Außergewöhnlichen zu trennen. Was mit diesem Muster geschieht, ist eine kaufmännische Entscheidung, aber die Grundlage dafür muss nicht geraten sein.

Personal an gemessene Spitzen anpassen

Jeder physische Raum hat einen wöchentlichen Frequenzrhythmus. Die Messung macht ihn genau: Aus dem Gespür für den Tag, das es schon gibt, wird eine belegte Tatsache für jede Stunde. Der Dienstplan hört auf, eine leicht angepasste Kopie des Vormonats zu sein, und richtet sich nach dem tatsächlichen Verlauf der Nachfrage.

Anhaltende Unterbesetzung zu Spitzenzeiten kostet Conversion und Zufriedenheit und mit der Zeit Besucher, die dorthin abwandern, wo es weniger frustrierend ist. Eine stündliche Frequenzbaseline (anonym, aggregiert, erhoben mit der Infrastruktur, die Sie bereits betreiben) ist die günstigste Versicherung gegen diese Entwicklung.

Quellen

• 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