Le rythme hebdomadaire caché de la fréquentation (et le jour où vous manquez de personnel)

Demandez à un commerçant quel jour de la semaine est le plus chargé : la plupart répondent sans hésiter. Demandez-lui si l’heure la plus chargée ce jour-là est 11h ou 14h, et l’assurance s’évapore souvent ; quant à savoir quand la conversion est la plus élevée par rapport à la fréquentation, la réponse est en général un haussement d’épaules. C’est dans cet écart entre l’intuition au niveau du jour et la réalité heure par heure que les décisions de planification du personnel dérapent.

Le schéma que vous croyez avoir et celui que vous avez réellement

La mémoire humaine est un mauvais capteur de fréquentation. Nous nous souvenons du samedi après-midi où le magasin était bondé et du mardi matin où il était complètement vide. Nous oublions le coup de feu du jeudi midi, plus fort que n’importe quel mercredi, et le dimanche soir qui se vide trente minutes avant l’heure de fermeture affichée. Le schéma que nous avons en tête est un florilège de moments marquants.

La planification du personnel est un problème d’allocation hebdomadaire. Le planning est établi une fois pour la semaine à venir, à partir d’une hypothèse sur les heures d’arrivée des visiteurs. Si cette hypothèse se trompe systématiquement dans le même sens (si les lundis sont toujours plus calmes que prévu et les vendredis matin toujours plus chargés), l’erreur s’accumule semaine après semaine. Sur un an, cela fait beaucoup de personnel inoccupé le lundi et beaucoup de clients frustrés le vendredi matin.

À quoi ressemble un schéma hebdomadaire mesuré

Chaque espace a son propre rythme, façonné par son emplacement, sa zone de chalandise, sa catégorie et ses horaires d’ouverture. Ce cycle de sept jours s’inscrit lui-même dans le calendrier annuel de la fréquentation, qui en fait varier l’amplitude selon la saison : Noël, janvier et Pâques y redessinent la référence semaine après semaine. Le magasin d’une enseigne retail en centre-ville ne suit pas le même schéma qu’une cellule en retail park, et une destination de loisirs n’a pas le même pic qu’une épicerie. Un magasin situé près d’un pôle de transport suit un schéma dicté en partie par les horaires des transports.

Dans des types de lieux très différents, les données mesurées montrent régulièrement que l’image intuitive est à peu près juste au niveau du jour et souvent tout à fait fausse au niveau de l’heure. Le jour le plus chargé est généralement bien identifié ; l’heure de pointe de ce jour-là, le pic secondaire du milieu de semaine et la forme précise de la courbe du samedi sont souvent mal estimés.

Le décalage se loge généralement à des moments précis et prévisibles :

• Le démarrage lent : dans beaucoup d’espaces, la première vraie montée du trafic arrive nettement plus tard que l’heure d’ouverture, si bien que le personnel du matin passe l’essentiel de son temps à attendre.
• La compression de l’heure du déjeuner : un pic brusque de soixante à quatre-vingt-dix minutes concentre plus de demande que ne le laisse penser l’idée vague d’un « déjeuner chargé ».
• La surprise du milieu de semaine : dans beaucoup d’espaces commerciaux, le mercredi ou le jeudi dépasse le lundi et le mardi d’un écart plus grand que celui prévu au planning.
• La fermeture anticipée : les arrivées de visiteurs ralentissent souvent bien avant l’heure officielle de fermeture, si bien que prolonger le service en fin de journée coûte cher pour très peu de clients.

Le temps de présence complique le tableau

La fréquentation (les arrivées) n’est que la moitié de l’équation. Le temps que les visiteurs passent dans l’espace détermine combien de personnes sont réellement présentes à chaque instant, et donc la capacité de service dont l’espace a besoin. Une vague de visiteurs qui font un achat rapide à l’heure du déjeuner ne met pas le personnel sous la même pression qu’un flux plus lent de flâneurs qui restent chacun trente minutes.

Si votre heure de pointe d’arrivées coïncide avec un temps de présence supérieur à la moyenne, vous avez un pic cumulé : plus de personnes arrivent, et chacune reste plus longtemps. C’est l’heure où le sous-effectif se voit le plus : la file se forme vite, met longtemps à se résorber, et l’effet sur la conversion est mesurable. Les clients qui rejoignent une longue file la quittent parfois ; ceux qui voient une longue file n’y entrent parfois pas du tout.

Suivre le temps de présence en plus des comptages d’arrivées fait passer la question de planification de « quand les gens arrivent-ils ? » à « quand l’espace est-il sous la plus forte pression ? ». Ce ne sont pas forcément les mêmes heures.

Construire un planning à partir de données, pas du planning de l’an dernier

Mesurée, la fréquentation hebdomadaire devient un outil de planification, et c’est ici que commence la gestion des effectifs fondée sur la fréquentation. Avec les comptages heure par heure des douze dernières semaines, un manager peut voir la forme moyenne de chaque jour, la variabilité autour de cette moyenne et les semaines où un événement, une promotion ou un épisode météo a modifié le schéma. Le planning peut alors s’appuyer sur la forme mesurée plutôt que sur les habitudes héritées.

Travailler à partir des données ne veut pas dire suivre un algorithme à la lettre. Un manager qui voit que les données annoncent un vendredi après-midi calme peut tout de même choisir de garder du personnel pour l’expérience client. L’intérêt est d’en faire un choix conscient plutôt qu’accidentel, et d’avoir des preuves quand la discussion avec le siège porte sur les effectifs. Pour une vue opérationnelle complète, consultez planifier les effectifs avec les données de fréquentation.

Pour les enseignes retail qui ont plusieurs sites, les mêmes données montrent à quel point le schéma hebdomadaire est homogène d’un magasin à l’autre. Une enseigne de trente magasins a rarement trente rythmes identiques. Le pic d’un magasin dans une ville de banlieue ne ressemble pas à celui d’un magasin dans une destination de loisirs. Les modèles de planification à l’échelle du réseau qui traitent tous les sites comme équivalents se trompent presque toujours dans les deux sens à la fois : trop de personnel à un endroit, pas assez ailleurs.

Les horaires d’ouverture comme question de données

Les horaires d’ouverture sont souvent hérités du jour où le site a ouvert, puis ajustés de temps en temps après des plaintes ou sur l’intuition d’un manager. Les données de fréquentation mesurées en font une question empirique. Si un schéma régulier montre que les arrivées de visiteurs tombent presque à zéro quatre-vingt-dix minutes avant la fermeture, cela justifie de tester une fermeture plus tôt, ou de transférer ce coût de personnel vers le pic.

Les données fournies utiles ici sont simples : les arrivées par heure, jour après jour, sur assez de semaines pour distinguer le typique de l’exceptionnel. La plateforme analytique permet de visualiser ces schémas de fréquentation heure par heure et de les exporter vers vos outils de planification. Ce qu’il faut faire de ce schéma relève d’une décision commerciale, mais cette décision n’a pas à reposer sur le ressenti.

Adapter le personnel aux pics mesurés

Chaque espace physique a un rythme hebdomadaire de fréquentation. Le mesurer apporte de la précision : l’intuition qui existe déjà au niveau du jour devient un fait au niveau de l’heure. Le planning cesse d’être une copie de celui du mois dernier avec quelques retouches et devient une réponse à la forme réelle de la demande.

Un sous-effectif persistant aux heures de pointe vous coûte en conversion, en satisfaction et, à terme, par la perte progressive de visiteurs qui finissent par trouver un endroit moins frustrant. Une référence de fréquentation heure par heure (anonyme, agrégée, collectée à partir de l’infrastructure que vous exploitez déjà) est l’assurance la moins coûteuse contre cette dérive.

Sources

• 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