Kävijämäärän piilevä viikkorytmi (ja päivä, jolloin sinulla oli liian vähän henkilöstöä)

Kysy kauppiaalta, mikä viikonpäivä on vilkkain, ja useimmat vastaavat epäröimättä. Kysy, onko sen päivän vilkkain tunti klo 11 vai klo 14, ja varmuus yleensä katoaa; kysy, milloin konversio on korkein suhteessa kävijämäärään, ja vastaus on yleensä olankohautus. Henkilöstöpäätökset menevät pieleen juuri tässä välissä, päivätason vaiston ja tuntitason todellisuuden välillä.

Kuvio, jonka luulet sinulla olevan, vs. kuvio, joka sinulla on

Ihmismuisti seuraa kävijämääriä huonosti. Muistamme lauantai-iltapäivän, jolloin myymälä oli täynnä, ja tiistaiaamun, jolloin se oli täysin tyhjä. Unohdamme torstain lounasruuhkan, joka on vilkkaampi kuin yksikään keskiviikko, ja sunnuntai-illan, joka hiljenee kolmekymmentä minuuttia aikaisemmin kuin ilmoitettu sulkemisaika antaa ymmärtää. Päässämme oleva kuvio on kooste kohokohdista.

Henkilöstösuunnittelu on viikoittainen resurssien kohdentamisen ongelma. Työvuorolista laaditaan kerran tulevalle viikolle jonkin oletuksen perusteella siitä, milloin kävijät saapuvat. Jos oletus on järjestelmällisesti väärässä samaan suuntaan (jos maanantait ovat johdonmukaisesti hiljaisempia kuin työvuorolista ennakoi ja perjantaiaamut johdonmukaisesti vilkkaampia), virhe kertautuu joka viikko. Vuoden mittaan siitä kertyy paljon joutilasta henkilökuntaa maanantaisin ja paljon turhautuneita asiakkaita perjantaiaamuisin.

Miltä mitattu viikoittainen kuvio näyttää

Jokaisella tilalla on oma rytminsä, jonka muovaavat sen sijainti, vaikutusalue, toimiala ja aukioloajat. Kaupunkikeskustassa sijaitsevan myymäläketjun myymälän kuvio on erilainen kuin kauppapuiston myymälän, ja vapaa-ajan kohteen huiput osuvat eri kohtiin kuin ruokakaupan. Liikennekeskuksen vieressä sijaitsevan myymälän kuvion määräävät osittain aikataulut. Viikkorytmi on lisäksi osa suurempaa rytmiä: vähittäiskaupan vuosittaista kävijäkalenteria, jossa joulu, tammikuu ja pääsiäinen muovaavat lähtötasoa viikko viikolta.

Hyvin erilaisissa kohteissa mitattu data osoittaa johdonmukaisesti, että intuitiivinen kuva on päivätasolla suunnilleen oikea ja tuntitasolla usein melko väärä. Vilkkain päivä tunnistetaan yleensä oikein. Sen päivän huipputunti, viikon keskivaiheen toinen huippu ja lauantaikäyrän tarkka muoto arvioidaan usein väärin.

Epäsuhta osuu yleensä tiettyihin, ennakoitaviin kohtiin:

• Hidas alku: monissa tiloissa ensimmäinen todellinen kävijäpiikki tulee huomattavasti myöhemmin kuin tila aukeaa, joten aamuvuoron henkilökunta enimmäkseen odottaa.
• Lounastunnin tiivistyminen: terävä huippu, joka kestää kuudestakymmenestä yhdeksäänkymmeneen minuuttiin, keskittää enemmän kysyntää kuin väljä tulkinta “vilkkaasta lounasajasta” antaa ymmärtää.
• Viikon keskivaiheen yllätys: monissa kaupan tiloissa keskiviikko tai torstai ylittää maanantain ja tiistain selvemmin kuin työvuorolista ottaa huomioon.
• Aikainen sulkeminen: kävijöiden saapuminen hiipuu usein lähes nollaan hyvissä ajoin ennen virallista sulkemisaikaa, joten myöhäisen vuoron jatkaminen on kustannus, joka palvelee hyvin harvoja asiakkaita.

Viipymäaika monimutkaistaa kuvaa

Kävijämäärä (saapumiset) on vain puolet yhtälöstä. Kävijöiden tilassa viettämä aika määrää, kuinka monta ihmistä tilassa on kullakin hetkellä, ja siten sen, kuinka paljon palvelukapasiteettia tila tarvitsee. Lounasruuhkan nopeasti asioivien kävijöiden aalto kuormittaa henkilökuntaa eri tavalla kuin hitaampi virta selailijoita, joista kukin viipyy kolmekymmentä minuuttia.

Jos vilkkain saapumistuntisi osuu yksiin keskimääräistä pidempien viipymäaikojen kanssa, sinulla on yhdistelmähuippu: enemmän saapuvia ihmisiä, joista kukin viipyy kauemmin. Sillä tunnilla alimiehitys näkyy ankarimmin: jono muodostuu nopeasti ja purkautuu hitaasti, ja vaikutus konversioon on mitattavissa. Asiakkaat, jotka liittyvät pitkään jonoon, lähtevät siitä joskus; asiakkaat, jotka näkevät pitkän jonon, eivät joskus liity siihen lainkaan.

Kun viipymäaikaa tarkastellaan saapumismäärien rinnalla, henkilöstökysymys muuttuu muodosta “milloin ihmiset saapuvat?” muotoon “milloin tila on kovimman paineen alla?” Ne voivat olla eri tunteja.

Työvuorolistan rakentaminen datasta eikä viime vuoden työvuorolistasta

Mitattu viikoittainen kävijämäärä on käytännössä suunnittelutyökalu, ja kävijädataan perustuva henkilöstösuunnittelu alkaa tästä. Jos tuntikohtaiset laskennat viimeiseltä kahdeltatoista viikolta ovat saatavilla, esimies näkee jokaisen päivän keskimääräisen muodon, vaihtelun keskiarvon ympärillä ja viikot, joina tapahtuma, kampanja tai huono sääjakso muutti kuviota. Työvuorolistan voi sitten rakentaa mitatun muodon eikä periytyneen tavan pohjalta.

Datan käyttäminen ei tarkoita algoritmin jäykkää noudattamista. Esimies, joka näkee datan ennustavan rauhallista perjantai-iltapäivää, voi silti päättää pitää henkilökuntaa paikalla asiakaskokemuksen vuoksi. Hyöty on siinä, että valinta tehdään tietoisesti eikä vahingossa, ja siinä, että näyttöä on olemassa, kun pääkonttorin kanssa keskustellaan henkilöstömäärästä. Koko operatiivisen kuvan saat sivulta henkilöstösuunnittelu kävijädatan avulla.

Myymäläketjuille, joilla on useita toimipisteitä, sama data näyttää, kuinka johdonmukainen viikoittainen kuvio on eri myymälöissä. Kolmenkymmenen myymälän ketjulla on harvoin kolmekymmentä samanlaista rytmiä. Pendelöijäkaupungin myymälän huiput osuvat eri kohtiin kuin vapaa-ajan kohteessa sijaitsevan myymälän. Koko ketjun yhteiset henkilöstömallit, jotka kohtelevat kaikkia toimipisteitä samanlaisina, ovat lähes aina väärässä kumpaankin suuntaan yhtä aikaa: jossain on liikaa henkilökuntaa, jossain muualla liian vähän.

Aukioloajat datakysymyksenä

Aukioloajat periytyvät yleensä ajalta, jolloin kohde avattiin, ja niitä säädetään satunnaisesti valitusten tai esimiehen aavistuksen perusteella. Mitattu kävijämäärä tekee kysymyksestä empiirisen. Jos johdonmukainen kuvio osoittaa, että kävijöiden saapuminen hiipuu lähes nollaan yhdeksänkymmentä minuuttia ennen sulkemisaikaa, se on testattava peruste aikaisemmalle sulkemiselle tai sille, että henkilöstökustannus siirretään huippuaikaan.

Tähän tarvittavat datatoimitukset ovat yksinkertaisia: saapumiset tunneittain, päivä päivältä, niin monelta viikolta, että tavallinen erottuu poikkeuksellisesta. Päätös siitä, mitä kuviolle tehdään, on kaupallinen, mutta sen pohjana olevan näytön ei tarvitse olla arvausta.

Henkilöstön sovittaminen mitattuihin huippuihin

Jokaisella fyysisellä tilalla on kävijämäärän viikkorytmi, ja mittaaminen tuo siihen tarkkuutta. Päivätason vaisto, joka on jo olemassa, muuttuu tuntitason tosiasiaksi. Työvuorolista lakkaa olemasta viime kuun lista pienin muutoksin ja alkaa vastata kysynnän todellista muotoa.

Jatkuva alimiehitys huippuaikoina maksaa konversiona, tyytyväisyytenä ja lopulta kävijöinä, jotka vähitellen siirtyvät paikkaan, jossa asiointi on vähemmän turhauttavaa. Tuntikohtainen kävijälähtötaso (anonyymi, koostettu ja kerätty jo käytössä olevasta infrastruktuurista) on halvin vakuutus tätä ajautumista vastaan.

Lähteet

• 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