Besökens dolda veckorytm (och den dag du underbemannade)

Fråga en butiksinnehavare vilken dag i veckan som är livligast, så svarar de flesta utan att tveka. Fråga om den livligaste timmen den dagen är kl. 11 eller kl. 14, så blir svaret genast mindre säkert. Och frågar du när konverteringen är högst i förhållande till besöken blir svaret oftast en axelryckning. Bemannings­besluten går fel i glappet mellan känslan på dagnivå och verkligheten på timnivå.

Det mönster du tror du har kontra det du faktiskt har

Minnet är en dålig besöksräknare. Vi minns lördags­eftermiddagen när butiken var fullpackad och tisdagsmorgonen när den var helt tom. Vi glömmer torsdagslunchen som slår varje onsdag, och söndagskvällen då besöken avtar trettio minuter tidigare än den anslagna stängningstiden antyder. Det vi bär med oss i huvudet är höjd­punkterna, och de duger dåligt som data­underlag.

Det spelar roll eftersom bemanning handlar om att fördela personal över veckan. Schemat läggs en gång för veckan som kommer och bygger på ett antagande om när besökarna kommer. Om antagandet är systematiskt fel åt samma håll, så att måndagarna genomgående är lugnare än schemat räknar med och fredagsmorgnarna genomgående livligare, byggs felet på vecka efter vecka. Under ett år blir det mycket sysslolös personal på måndagar och många frustrerade kunder på fredags­morgnar.

Hur ett uppmätt veckomönster ser ut

Varje lokal har sin egen rytm, som formas av läget, kundkretsen, kategorin och öppettiderna. En butikskedjas filial i stadskärnan har ett annat mönster än en enhet i en handelspark. En transport­nära butik har ett mönster som delvis styrs av tidtabeller, och en fritids­destination toppar annorlunda än en livsmedels­butik. Veckorytmen ligger också inuti en större rytm: besökskalendern för handelsåret, där jul, januari och påsk formar om baslinjen vecka för vecka.

I vitt skilda typer av lokaler visar uppmätt data gång på gång samma sak: den intuitiva bilden stämmer ungefär på dagnivå men är ofta ganska fel på timnivå. Den livligaste dagen pekas oftast ut korrekt. Topptimmen den dagen, den sekundära mitt­vecko­toppen och den exakta formen på lördags­kurvan bedöms däremot ofta fel.

Felen är inte slumpmässiga. De hamnar oftast på några bestämda, förutsägbara ställen:

• Den sena starten: många lokaler får sin första riktiga tillströmning av besökare betydligt senare än öppningstiden, vilket betyder att tidig­skifts­personal till stor del går och väntar.
• Lunchkompressionen: en skarp topp på sextio till nittio minuter samlar mer efterfrågan än en lättvindig tolkning av “livlig lunchtid” antyder.
• Mitt­vecko­överraskningen: i många handels­lokaler överträffar onsdagen eller torsdagen måndagen och tisdagen med mer än schemat tar hänsyn till.
• Den tidiga stängningen: besöks­ankomsterna avtar ofta långt före den officiella stängningstiden, så förlängda sena skift blir en kostnad som kommer väldigt få kunder till nytta.

Uppehållstid komplicerar bilden

Besöken, alltså ankomsterna, är bara halva ekvationen. Den tid besökare tillbringar i lokalen avgör hur många som faktiskt är där vid varje tillfälle, och därmed hur mycket service­kapacitet lokalen behöver. En våg av besökare som snabbt handlar och går under lunch­rushen belastar personalen på ett annat sätt än ett lugnare flöde av besökare som strosar runt i trettio minuter var.

Om din toppankomst­timme sammanfaller med uppehållstid över genomsnittet har du en sammansatt topp: fler som kommer och var och en som stannar längre. Det är den timmen som tydligast avslöjar under­bemanning. Kön växer snabbt och tar lång tid att beta av, och effekten på konvertering går att mäta. Kunder som ställer sig i en lång kö lämnar den ibland, och kunder som ser en lång kö ställer sig ibland aldrig i den.

När du ser uppehållstiden tillsammans med ankomst­räkningarna ändras bemannings­frågan från “när kommer folk?” till “när är trycket på lokalen störst?”, och svaren behöver inte gälla samma timme.

Att bygga ett schema från data, inte från förra årets schema

I praktiken blir uppmätta veckobesök ett planerings­verktyg, och här börjar bemanning utifrån besöksdata. Finns timme-för-timme-räkningar för de senaste tolv veckorna kan en chef se hur varje dag ser ut i genomsnitt, hur mycket det varierar kring genomsnittet och vilka veckor ett evenemang, en kampanj eller en period av dåligt väder förskjöt mönstret. Schemat kan sedan byggas utifrån den uppmätta formen i stället för ärvd vana.

Det betyder inte att du ska följa en algoritm slaviskt. En chef som ser att datan förutspår en lugn fredagseftermiddag kan ändå välja att behålla personal av serviceskäl. Poängen är att det blir ett medvetet val och inte ett oavsiktligt, och att du har underlag när samtalet med huvudkontoret kommer in på personalstyrkan. Hela den operativa bilden hittar du i bemanningsplanering med besöksdata.

För butikskedjor med flera platser visar samma data hur lika veckomönstret är mellan filialerna. En kedja med trettio butiker har sällan trettio identiska rytmer, och en filial i en pendlingsort toppar annorlunda än en i en fritids­destination. Bemanningsmallar för hela nätverket som behandlar alla platser som likvärdiga blir nästan alltid fel åt båda hållen samtidigt, med för mycket personal på vissa ställen och för lite på andra.

Öppettider som en datafråga

Öppettiderna är ofta ärvda från den dag platsen öppnade och har ibland justerats efter klagomål eller en chefs magkänsla. Med uppmätta besöksflöden blir frågan empirisk. Om ett stabilt mönster visar att besöks­ankomsterna sjunker till nära noll nittio minuter före stängningsdags finns det skäl att testa en tidigare stängning, eller att flytta personal­kostnaden till toppen i stället.

De dataleveranser som behövs här är enkla: ankomster per timme, dag för dag, under tillräckligt många veckor för att skilja det typiska från det exceptionella. Vad du gör med mönstret är ett kommersiellt beslut, men evidens­underlaget behöver inte bestå av gissningar.

Att matcha personal mot uppmätta toppar

Att besöken har en veckorytm är ingen upptäckt, eftersom varje fysisk lokal har en. Det som ändras när du mäter den är precisionen: känslan för dagarna, som redan finns, blir ett faktum på timnivå. Schemat slutar vara en kopia av förra månadens schema med små justeringar och blir i stället ett svar på hur efterfrågan faktiskt ser ut.

Ihållande under­bemanning vid topparna kostar i konvertering och nöjdhet, och till slut i besökare som i det tysta försvinner till ställen som är mindre frustrerande. En baslinje för besöken timme för timme (anonym, aggregerad och insamlad med den infrastruktur du redan driver) är den billigaste försäkringen mot den utvecklingen.

Källor

• 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