Bemanningsplanering med besöksdata

Schemat släpar oftast efter besökarna

De flesta scheman byggs på vana, magkänsla och fjolårets mönster, och kopieras sedan framåt. När schemat och besökarna glider isär betalar du dubbelt: köer och tunn service på topparna, och under de lugna timmarna personal som kostar utan att behövas. Försäljningsdata kan inte stänga gapet på egen hand, eftersom kassan registrerar transaktioner medan trycket på personalen börjar tidigare, med människor som tittar, frågar och köar. Lösningen är bemanning efter besöksflöden: mät när människor faktiskt är i byggnaden, och planera utifrån det.

Mät när människor faktiskt kommer

Bumbee Labs räknar besökare anonymt och omvandlar räkningarna till toppar och dalar per timme, dag, vecka och säsong: underlaget för personalplanering och schemaläggning. Data på zonnivå lägger var till när, så att en stor anläggning ser vilka ytor som belastas vid vilka tider. Standardmätvärdena är klara dagen efter besöket, vilket håller bilden färsk nog att planera nästa vecka på, och där beläggningen i stunden är viktig finns trängselvarningar i nära realtid. Hela uppsättningen mått, och hur de når ditt schemaarbete genom dashboards och API:et, finns på dataleveranser.

Täck topparna, hämta hem de lugna timmarna

En stor skandinavisk butikskedja som arbetar med Bumbee Labs lade om sina personalscheman efter de verkliga topptimmarna, och justerade öppettiderna efter att ha upptäckt fler förbipasserande på kvällen än tidigt på dagen. Det är fyndets typiska form: datan säger sällan “mer personal”, den säger “personal på andra tider”. Täckta toppar förbättrar servicen exakt när det betyder något; precision i de lugna timmarna hämtar hem kostnad utan att kunderna märker någon skillnad.

Från trend till schema

Den praktiska loopen är kort. Ta fram timmönstret per veckodag och leta efter de återkommande topparna; sätt grundbemanningen på det lugna golvet och flexa på topparna; kontrollera samma mönster över säsongerna innan storhelgernas scheman låses; och gör om övningen varje månad, eftersom kampanjer, väder och kalender flyttar kurvan. Är öppettiderna frågan visar förbipasserande utanför nuvarande öppettider den efterfrågan du ännu inte håller öppet för. Och över många platser är samma kurvor jämförbara på lika villkor, så att ett schemamönster som fungerar i en butik kan prövas mot efterfrågekurvan på nästa plats innan det kopieras.

Det fungerar överallt där människor kliver in

• Handel. Butikskedjor mäter samma toppar i varje butik, så att bemanningen följer efterfrågan lokalt medan bästa praxis sprids i nätverket.
• Hotell och restaurang. Gäster passerar många punkter under ett och samma besök. Inom hotell och restaurang zonindelas lobby, bar, restaurang, spa och eventytor var för sig, så att bemanning och service matchar de verkliga gästflödena i varje kontaktpunkt.
• Offentliga miljöer. Bibliotek använder besök per timme, dag, vecka och säsong för att sätta öppettider och scheman som passar hur huset faktiskt används, underlag som också gör nytta i finansieringsdialogen.

Anonym i grunden

Mätningen är passiv: ingen app, ingen inloggning, ingenting krävs av besökaren, och ingen individ identifieras någonsin. Signalerna anonymiseras och aggregeras till statistik, och resultatet vilar på den enda metoden för besöksmätning i Europa som är godkänd av en dataskyddsmyndighet. Det gör samma angreppssätt gångbart i en flaggskeppsbutik, på ett hotell och i ett folkbibliotek, med integriteten avgjord innan det första schemat ändras.