Il ritmo settimanale nascosto dei flussi (e il giorno in cui hai avuto troppo poco personale)

Chiedi ai negozianti qual è il giorno più trafficato della settimana e la maggior parte risponderà senza esitare. Se chiedi loro se l’ora di punta di quel giorno sono le 11 o le 14, la sicurezza tende a evaporare; se chiedi quando la conversione è più alta rispetto ai flussi pedonali, di solito la risposta è un’alzata di spalle. Le decisioni sul personale sbagliano proprio in questo divario tra l’istinto a livello di giorno e la realtà a livello di ora.

Il pattern che pensi di avere rispetto a quello che hai davvero

La memoria umana registra male i flussi pedonali. Ricordiamo il sabato pomeriggio in cui il negozio era stracolmo e il martedì mattina in cui era completamente deserto. Dimentichiamo il picco del pranzo del giovedì, più alto di qualsiasi mercoledì, e la domenica sera che si svuota trenta minuti prima di quanto farebbe pensare l’orario di chiusura esposto. Il pattern che portiamo in testa è una selezione dei momenti più memorabili.

Il personale è un problema di allocazione settimanale. I turni vengono preparati una volta per la settimana successiva, in base a un’ipotesi su quando arriveranno i visitatori. Se quell’ipotesi è sistematicamente sbagliata nella stessa direzione (se il lunedì è costantemente più tranquillo di quanto prevedano i turni e il venerdì mattina costantemente più trafficato), l’errore si somma ogni settimana. In un anno diventa molto personale inattivo il lunedì e molti clienti frustrati il venerdì mattina.

Come appare un pattern settimanale misurato

Ogni spazio ha il suo ritmo, modellato dalla sua posizione, dal suo bacino d’utenza, dalla sua categoria e dai suoi orari di apertura. Una filiale di una catena retail in centro città ha un pattern diverso da un negozio in un retail park, e una destinazione leisure raggiunge il picco in momenti diversi da un negozio alimentare. Un negozio vicino a un nodo di trasporto ha un pattern dettato in parte dagli orari dei mezzi. Il ritmo settimanale si colloca anche dentro uno più ampio: il calendario dei flussi dell’anno retail, dove Natale, gennaio e Pasqua rimodellano la baseline settimana dopo settimana.

In tipi di luoghi molto diversi, i dati misurati mostrano costantemente che il quadro intuitivo è grosso modo corretto a livello di giorno e spesso piuttosto sbagliato a livello di ora. Il giorno più trafficato di solito viene identificato correttamente; l’ora di punta all’interno di quel giorno, il picco secondario a metà settimana e la forma precisa della curva del sabato vengono spesso giudicati male.

Lo scarto tende a concentrarsi in punti specifici e prevedibili:

• L’avvio lento: molti spazi registrano il primo vero aumento di traffico molto più tardi dell’orario di apertura, quindi il personale del primo turno passa gran parte del tempo ad aspettare.
• La compressione dell’ora di pranzo: un picco netto di sessanta-novanta minuti concentra più domanda di quanto lasci pensare una lettura approssimativa di «pranzo affollato».
• La sorpresa a metà settimana: per molti spazi retail, il mercoledì o il giovedì supera il lunedì e il martedì con un margine più ampio di quello previsto dai turni.
• La chiusura anticipata: gli arrivi effettivi dei visitatori spesso scendono quasi a zero molto prima dell’orario di chiusura ufficiale, e il prolungamento del turno serale diventa un costo che serve pochissimi clienti.

Il tempo di permanenza complica il quadro

I flussi pedonali (gli arrivi) sono solo metà dell’equazione. Il tempo che i visitatori trascorrono nello spazio determina quante persone sono effettivamente presenti in ogni momento, e quindi di quanta capacità di servizio ha bisogno lo spazio. Un’ondata di visitatori con transazioni rapide durante la pausa pranzo crea sul personale una pressione diversa rispetto a un flusso più lento di visitatori che curiosano e restano trenta minuti ciascuno.

Se la tua ora di punta degli arrivi coincide con un tempo di permanenza superiore alla media, hai un picco composto: arrivano più persone e ognuna resta più a lungo. È l’ora in cui la carenza di personale si vede di più: la coda si forma in fretta e ci mette molto a smaltirsi, e l’effetto sulla conversione è misurabile. I clienti che si mettono in una lunga coda a volte la abbandonano; quelli che vedono una lunga coda a volte non ci si mettono affatto.

Capire il tempo di permanenza insieme ai conteggi degli arrivi cambia la domanda sul personale da «quando arrivano le persone?» a «quando lo spazio è sotto maggiore pressione?», e le due risposte possono cadere in ore diverse.

Costruire un turno dai dati, non dal turno dell’anno scorso

In pratica, misurare i flussi settimanali ti dà uno strumento di pianificazione, ed è da qui che parte la pianificazione del personale basata sui flussi. Se sono disponibili i conteggi ora per ora delle ultime dodici settimane, un manager può vedere la forma media di ogni giorno, la variabilità intorno a quella media e le settimane in cui un evento, una promozione o un periodo di maltempo ha spostato il pattern. A quel punto i turni si possono costruire sulla forma misurata invece che sull’abitudine ereditata.

Lavorare sui dati non significa seguire rigidamente un algoritmo. Un manager che vede che i dati prevedono un venerdì pomeriggio tranquillo può comunque scegliere di tenere il personale per ragioni di esperienza del cliente. Il valore sta nel farne una scelta consapevole, e nell’avere prove alla mano quando con la sede centrale si arriva a parlare di organico. Per il quadro operativo completo, vedi pianificazione del personale con i dati visitatori.

Per le catene retail con più sedi, gli stessi dati mostrano quanto il pattern settimanale sia coerente tra i punti vendita. Una catena con trenta negozi raramente ha trenta ritmi identici: una filiale in una città di pendolari raggiunge il picco in momenti diversi da una in una destinazione leisure. I modelli di personale a livello di rete che trattano tutti i siti come equivalenti sbagliano quasi sempre in entrambe le direzioni allo stesso tempo, con troppo personale in alcuni punti e troppo poco in altri.

Gli orari di apertura come questione di dati

Gli orari di apertura di solito sono quelli fissati il giorno in cui il punto vendita ha aperto, ritoccati ogni tanto dopo qualche reclamo o per un’intuizione di un manager. Con i flussi pedonali misurati la questione diventa empirica. Se un pattern costante mostra che gli arrivi dei visitatori scendono quasi a zero novanta minuti prima della chiusura, c’è un’ipotesi verificabile a favore di una chiusura anticipata, oppure dello spostamento del costo del personale sul picco.

I dati forniti utili qui sono semplici: arrivi per ora, giorno per giorno, per abbastanza settimane da distinguere il tipico dall’eccezionale. La decisione su cosa fare con quel pattern è commerciale, ma le prove su cui si basa non devono essere ipotesi.

Abbinare il personale ai picchi misurati

Ogni spazio fisico ha un ritmo settimanale dei flussi pedonali, e misurarlo aggiunge precisione: l’intuizione a livello di giorno che già esiste diventa un fatto a livello di ora. I turni smettono di essere una copia di quelli del mese scorso con piccoli ritocchi e diventano una risposta alla forma effettiva della domanda.

Avere stabilmente poco personale nei picchi ti costa in conversione, in soddisfazione e, alla lunga, nella perdita graduale di visitatori che trovano un posto meno frustrante. Una baseline di flussi pedonali ora per ora (anonima, aggregata, raccolta dall’infrastruttura che già gestisci) è l’assicurazione più economica contro quella deriva.

Fonti

• 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