Het verborgen wekelijkse ritme van bezoekersstroom (en de dag dat je te weinig personeel had)

Vraag een winkelier welke dag van de week het drukst is en de meesten antwoorden zonder aarzelen. Vraag of het drukste uur op die dag 11 uur of 14 uur is, en het antwoord wordt al onzekerder. Vraag wanneer de conversie het hoogst is ten opzichte van de bezoekersstroom, en je krijgt meestal een schouderophalen. In die kloof tussen het gevoel per dag en de werkelijkheid per uur gaan personeelsbeslissingen mis.

Het patroon dat je denkt te hebben versus het patroon dat je werkelijk hebt

Het menselijk geheugen houdt bezoekers slecht bij. We herinneren ons de zaterdagmiddag waarop de winkel afgeladen was en de dinsdagochtend waarop die helemaal leeg was. We vergeten de lunchdrukte op donderdag die elke woensdag overtreft, en de zondagavond die dertig minuten voor de officiële sluitingstijd al leegloopt. Het patroon in ons hoofd bestaat uit de momenten die zijn blijven hangen.

Personeelsbezetting is een wekelijks toewijzingsprobleem. Het rooster voor de komende week wordt in één keer opgesteld, op basis van een aanname over wanneer bezoekers zullen komen. Als die aanname stelselmatig in dezelfde richting fout zit (maandagen steeds rustiger dan het rooster aanneemt, vrijdagochtenden steeds drukker), stapelt de fout zich elke week op. Over een jaar levert dat veel personeel op dat op maandag weinig te doen heeft, en veel gefrustreerde klanten op vrijdagochtend.

Hoe een gemeten wekelijks patroon eruitziet

Elke ruimte heeft een eigen ritme, gevormd door locatie, herkomstgebied, categorie en openingstijden. Een vestiging van een winkelketen in het stadscentrum ziet een ander patroon dan een vestiging op een retailpark. Bij een winkel naast een vervoersknooppunt bepalen de dienstregelingen het patroon voor een deel. Een vrijetijdsbestemming piekt anders dan een supermarkt. Het wekelijkse ritme zit bovendien in een groter jaarritme: de bezoekerskalender van het retailjaar, waarin kerst, januari en Pasen de basislijn week voor week veranderen.

Bij heel verschillende soorten locaties laat gemeten data steeds hetzelfde zien: het intuïtieve beeld klopt per dag ruwweg en zit per uur vaak flink mis. De drukste dag wordt meestal goed benoemd. Het piekuur op die dag, de tweede piek midden in de week en de precieze vorm van de zaterdagcurve worden vaak verkeerd ingeschat.

De afwijkingen zitten meestal op specifieke, voorspelbare plekken:

• De trage start: veel ruimtes zien hun eerste echte drukte pas een flink stuk na openingstijd, zodat medewerkers van de vroege dienst vooral staan te wachten.
• De samengeperste lunchpiek: een scherpe piek van zestig tot negentig minuten concentreert meer vraag dan een ruime opvatting van “drukke lunchperiode” doet vermoeden.
• De verrassing midden in de week: in veel winkels overtreft de woensdag of donderdag de maandag en dinsdag met meer dan het rooster aanneemt.
• De vroege sluiting: het aantal binnenkomende bezoekers neemt vaak al ruim voor de officiële sluitingstijd af, zodat een verlengde late dienst kosten maakt voor heel weinig klanten.

Verblijftijd compliceert het beeld

Bezoekersstroom (het aantal aankomsten) is maar de helft van het verhaal. De tijd die bezoekers in de ruimte doorbrengen bepaalt hoeveel mensen er op elk moment werkelijk aanwezig zijn, en dus hoeveel servicecapaciteit de ruimte nodig heeft. Een golf bezoekers die tijdens de lunchdrukte snel afrekenen, zet het personeel op een andere manier onder druk dan een tragere stroom mensen die rondkijken en elk dertig minuten blijven.

Als je piekuur voor aankomsten samenvalt met een bovengemiddelde verblijftijd, heb je een samengestelde piek: er komen meer mensen binnen en ze blijven elk langer. In dat uur valt een personeelstekort het hardst op. De wachtrij ontstaat snel en is pas laat weer weg, en het effect op de conversie is meetbaar. Klanten die in een lange rij gaan staan, haken soms af; klanten die een lange rij zien, sluiten soms helemaal niet aan.

Wie verblijftijd naast het aantal aankomsten bekijkt, verschuift de personeelsvraag van “wanneer komen mensen binnen?” naar “wanneer staat de ruimte het meest onder druk?” Dat kunnen verschillende uren zijn.

Een rooster bouwen op data, niet op het rooster van vorig jaar

Gemeten wekelijkse bezoekersstroom levert in de praktijk een planningsinstrument op, en hier begint personeelsbezetting op basis van bezoekersstroom. Als er tellingen per uur van de afgelopen twaalf weken zijn, ziet een manager de gemiddelde vorm van elke dag, de spreiding rond dat gemiddelde en de weken waarin een evenement, een actie of een periode met slecht weer het patroon verschoof. Het rooster kan dan worden opgebouwd vanuit die gemeten vorm in plaats van vanuit gewoonte.

Werken met data betekent niet dat je een algoritme blind volgt. Een manager die ziet dat de data een rustige vrijdagmiddag voorspelt, kan nog steeds besluiten personeel op de vloer te houden voor de klantbeleving. De winst is dat dit een bewuste keuze wordt, en dat je bewijs hebt wanneer het gesprek met het hoofdkantoor over de bezetting gaat. Het volledige operationele beeld vind je in personeelsplanning met bezoekersdata.

Voor winkelketens met meerdere vestigingen laat dezelfde data zien hoe consistent het wekelijkse patroon is tussen vestigingen. Een keten met dertig winkels heeft zelden dertig identieke ritmes. Een vestiging in een forensenplaats piekt anders dan een vestiging op een vrijetijdsbestemming. Personeelssjablonen voor het hele netwerk die alle vestigingen gelijk behandelen, zitten bijna altijd in beide richtingen tegelijk fout: ergens te veel personeel, ergens anders te weinig.

Openingstijden als datavraag

Openingstijden stammen meestal nog uit de tijd dat de vestiging openging en worden af en toe aangepast na klachten of op gevoel van een manager. Met gemeten bezoekersstroom wordt het een empirische vraag. Als een consistent patroon laat zien dat er negentig minuten voor sluitingstijd vrijwel geen bezoekers meer binnenkomen, is dat een toetsbaar argument om eerder te sluiten, of om de personeelskosten naar de piek te verschuiven.

De datalevering die je hiervoor nodig hebt is eenvoudig: aankomsten per uur, dag voor dag, over genoeg weken om het gewone van het uitzonderlijke te scheiden. Wat je met dat patroon doet, is een commerciële beslissing, maar het bewijs daarvoor hoeft geen giswerk te zijn.

Personeel afstemmen op gemeten pieken

Elke fysieke ruimte heeft een wekelijks ritme van bezoekersstroom. Meten voegt precisie toe: het gevoel op dagniveau dat er al is, wordt een feit op uurniveau. Het rooster volgt dan de werkelijke vorm van de vraag en is geen kopie meer van dat van vorige maand met kleine aanpassingen.

Aanhoudend te weinig personeel tijdens pieken kost je conversie, tevredenheid en uiteindelijk bezoekers die geleidelijk wegblijven en ergens heen gaan waar het minder frustrerend is. Een basislijn van bezoekers per uur (anoniem, geaggregeerd, verzameld via de infrastructuur die je al gebruikt) is de goedkoopste verzekering daartegen.

Bronnen

• 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