Den skjulte ukentlige rytmen i besøkstall (og dagen du underbemannet)

Spør en butikkeier hvilken dag i uken som er travlest, og de fleste svarer uten å nøle. Spør om den travleste timen den dagen er klokken 11 eller klokken 14, og sikkerheten forsvinner gjerne. Spør du når konverteringen er høyest i forhold til besøkstallene, får du som regel et skuldertrekk. Det er i dette gapet mellom magefølelsen på dagsnivå og virkeligheten på timenivå at bemanningsbeslutninger går galt.

Mønsteret du tror du har versus det du faktisk har

Hukommelsen er dårlig til å holde styr på besøkstall. Vi husker lørdagen da butikken var stappfull, og tirsdagsmorgenen da den var helt tom. Vi glemmer lunsjrushet på torsdag som slår hver eneste onsdag, og søndagskvelden som dabber av tredve minutter tidligere enn den oppslåtte stengetiden skulle tilsi. Mønsteret vi bærer i hodet, er en samling høydepunkter.

Bemanning er et ukentlig fordelingsproblem. Vaktplanen lages én gang for uken som kommer, ut fra en antakelse om når de besøkende kommer. Hvis den antakelsen bommer systematisk i samme retning (hvis mandagene jevnt over er roligere enn vaktplanen regner med, og fredagsmorgenene jevnt over travlere), forsterkes feilen hver eneste uke. Over et år blir det mange ansatte uten noe å gjøre på mandager og mange frustrerte kunder på fredagsmorgener.

Slik ser et målt ukentlig mønster ut

Hvert rom har sin egen rytme, formet av beliggenhet, nedslagsfelt, kategori og åpningstider. En filial av en butikkjede i bysentrum har et annet mønster enn en butikk i en handelspark. En butikk ved et kollektivknutepunkt har et mønster som delvis styres av rutetidene, og et fritidssted har toppene sine på andre tidspunkter enn en dagligvarebutikk.

På tvers av svært ulike typer lokaler viser målte data gang på gang at magefølelsen er omtrent riktig på dagsnivå og ofte ganske feil på timenivå. Den travleste dagen blir som regel riktig identifisert. Topptimen den dagen, den sekundære toppen midt i uken og den nøyaktige formen på lørdagskurven blir ofte feilvurdert.

Avvikene havner gjerne på bestemte, forutsigbare steder:

• Den trege starten: mange lokaler får den første reelle trafikktoppen godt etter åpningstid, så de som jobber tidligvakt, venter mye av tiden.
• Den sammenpressede lunsjtimen: en skarp topp på seksti til nitti minutter samler mer etterspørsel enn en løs beskrivelse som «travel lunsjperiode» tilsier.
• Overraskelsen midt i uken: i mange handelslokaler slår onsdag eller torsdag mandag og tirsdag med mer enn vaktplanen tar høyde for.
• Den tidlige nedtrappingen: tilstrømningen av besøkende avtar ofte godt før den offisielle stengetiden, så en forlenget kveldsvakt blir en kostnad som betjener svært få kunder.

Oppholdstid kompliserer bildet

Besøkstall (ankomster) er bare halve regnestykket. Tiden de besøkende tilbringer i lokalet avgjør hvor mange som faktisk er til stede til enhver tid, og dermed hvor mye betjening lokalet trenger. En bølge av besøkende som bare skal gjøre et raskt kjøp i lunsjrushet, gir et annet press på personalet enn en roligere strøm av folk som titter rundt i tredve minutter hver.

Hvis timen med flest ankomster faller sammen med oppholdstid over gjennomsnittet, får du en sammensatt topp: flere som kommer, og hver av dem blir lenger. Det er den timen som avslører underbemanning tydeligst. Køen bygger seg raskt opp og tar lang tid å få unna, og effekten på konverteringen er målbar. Kunder som stiller seg i en lang kø, går noen ganger ut av den igjen, og kunder som ser en lang kø, stiller seg noen ganger ikke i den i det hele tatt.

Når du ser oppholdstid sammen med ankomsttall, endres bemanningsspørsmålet fra «når kommer folk?» til «når er lokalet under størst press?». Svaret kan være to forskjellige timer.

Bygg vaktplanen på data, ikke på fjorårets vaktplan

Målte ukentlige besøkstall gir deg et planleggingsverktøy, og det er her bemanning basert på besøksdata begynner. Med tellinger time for time for de siste tolv ukene kan en leder se den gjennomsnittlige formen på hver dag, variasjonen rundt snittet og ukene der et arrangement, en kampanje eller en periode med dårlig vær endret mønsteret. Vaktplanen kan så bygges på den målte formen i stedet for på gamle vaner.

Å jobbe ut fra data betyr ikke at du må følge en algoritme slavisk. En leder som ser at dataene varsler en stille fredag ettermiddag, kan fortsatt velge å beholde personalet av hensyn til kundeopplevelsen. Poenget er at det blir et bevisst valg, og at du har dokumentasjon når samtalen med hovedkontoret handler om antall ansatte. Hele det operative bildet finner du i bemanningsplanlegging med besøksdata.

For butikkjeder med flere steder viser de samme dataene hvor likt det ukentlige mønsteret er på tvers av filialene. En kjede med tredve butikker har sjelden tredve identiske rytmer. En filial i en pendlerby har toppene sine på andre tidspunkter enn en filial på et fritidssted. Bemanningsmaler på kjedenivå som behandler alle steder likt, er nesten alltid feil i begge retninger samtidig: for mange ansatte ett sted, for få et annet.

Åpningstider som et dataspørsmål

Åpningstidene er ofte arvet fra dagen stedet åpnet, og blir justert av og til etter klager eller en leders magefølelse. Med målte besøkstall blir spørsmålet empirisk. Hvis et stabilt mønster viser at ankomstene faller til nesten null nitti minutter før stengetid, har du et argument du kan teste for å stenge tidligere, eller for å flytte lønnskostnaden til toppen i stedet.

Dataleveransene som trengs her, er enkle: ankomster per time, dag for dag, over nok uker til å skille det typiske fra unntakene. Hva du gjør med mønsteret, er en kommersiell beslutning, men grunnlaget for den trenger ikke være gjetning.

Bemanning tilpasset målte topper

Hvert fysisk rom har en ukentlig rytme i besøkstallene. Den ligger oppå den større besøkskalenderen for hele handelsåret, fra juletoppen til januarbunnen, og begge tidsskalaene betyr noe for bemanningen. Når du måler rytmen, får du presisjon: magefølelsen du allerede har for dagene, blir et faktum time for time. Vaktplanen slutter å være en kopi av forrige måneds plan med små justeringer, og blir i stedet lagt etter hvordan etterspørselen faktisk fordeler seg.

Vedvarende underbemanning i topptider koster deg i konvertering, i kundetilfredshet og til slutt i et gradvis tap av besøkende som finner et sted som er mindre frustrerende. En besøksgrunnlinje time for time (anonym, aggregert og samlet inn fra infrastrukturen du allerede drifter) er den billigste forsikringen mot den utviklingen.

Kilder

• 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