Enamiku külalislahkuse valdkonna juhtide jaoks ei ole pühapäeva pärastlõuna puhkamiseks. See on mõeldud „töögraafiku tantsuks“. Istute, tabel ühes käes ja kõhutunne teises, püüdes arvata, kui palju teenindajaid on järgmiseks neljapäevaks vaja. Kui personali on liiga vähe, langevad teie Google'i arvustused kolinal ja meeskond põleb läbi. Kui personali on liiga palju, vaatate, kuidas teie kasumimarginaal aurustub kolme inimese näol, kes seisavad ja poleerivad klaase, mis on juba puhtad.
Olen veetnud palju aega iseseisvate restoranigruppide ja hotellikettide raamatupidamist uurides. Seal kordub muster, mida ma kutsun emotsionaalseks turvavaruks. See on täiendav 15–20% tööjõukulu, mida juhid graafikusse lisavad lihtsalt seetõttu, et nad kardavad hätta jääda. Kui andmed puuduvad, ostetakse „kindlustust“ palgafondi arvelt.
Hiljuti töötasin ühe keskmise suurusega külalislahkuse grupiga, kes otsustas oletamise lõpetada. Integreerides oma planeerimisse väliseid andmeid – ilmastikumustreid, kohalike kontsertide kavasid ja isegi ühistranspordi häireid –, saavutasid nad 30%-lise tööjõukulude kokkuhoiu, vallandamata ühtegi inimest või sundimata meeskonda rohkem pingutama. Nad lihtsalt lõpetasid maksmise „igaks juhuks“ olukordade eest. Selleks pidid nad tuvastama parimad AI-tööriistad külalislahkuse valdkonnas ja muutma oma mõtteviisi reaktiivsest ennustavaks.
Probleem: miks teie töögraafik teile valetab
💡 Kas soovite, et Penny teie ettevõtet analüüsiks? Ta kaardistab, millised rollid AI võib asendada, ja koostab etapiviisilise plaani. Alustage tasuta prooviperioodi →
Traditsiooniline külalislahkuse planeerimine tugineb põhimõttele „eelmine aasta pluss-miinus“. Vaatate, mida tegite eelmisel aastal samal kuupäeval, ja kohandate seda veidi. Kuid eelmisel aastal ei sadanud teisipäeval vihma ja kolme kvartali kaugusel ei toimunud 20 000 inimesega Harry Stylesi kontserti.
Kui juhid kasutavad staatilisi tööriistu, langevad nad reaktiivse töögraafiku lõksu. See on olukord, kus personalitase määratakse ajalooliste keskmiste põhjal, millel puudub seos päeva tegeliku nõudlusega. Tulemuseks on „vahetuste ülepaisutamine“ – aeglane ja nähtamatu kapitali äravool. Enamik omanikke aktsepteerib seda kui „äritegevuse kulu“, kuid toiduhindade tõusu ja pingeliste marginaalide ajastul on see tegelikult valik raha kaotada.
Insaid: andmete sümbioos vs. inimlik intuitsioon
Ütlen tihti oma klientidele, et inimjuht on suurepärane külalislahkuses, kuid kehv mitme muutujaga arvutustes. Täiusliku töögraafiku koostamiseks peate kaaluma vähemalt viit muutlikku välist tegurit:
- Hüperlokaalne ilm: 2-kraadine temperatuurilangus võib suunata rahvahulga väliterrassilt sisesalongi, muutes koheselt vajalikku teenindajate ja laudade suhet.
- Ürituste ülekate: kohalikud staadionigraafikud, teatrietendused ja isegi koolivaheajad tekitavad „nõudluse piike“, mida ajaloolised andmed sageli ei taba.
- Transpordilogistika: kui teie asukoha lähedal asuv peamine metrooliin või maantee on hoolduseks suletud, langeb teie „oodatav“ külastatavus 25%.
- Töötajate meelestatus ja väsimus: AI ei vaata ainult müüki; see jälgib, kes on töötanud kolm topeltvahetust järjest ja osutab tõenäoliselt aeglasemat teenindust või jääb haigeks.
- Konkurentide tegevus: kas üle tee asuv pubi korraldab suure kampaania? See mõjutab teie sisseastujate arvu.
Grupp, kellega ma töötasin, mõistis, et ükski inimene, ükskõik kui kogenud, ei suuda neid muutujaid pühapäeval kell 16:00 kuue erineva asukoha lõikes süstematiseerida. Nad vajasid süsteemi, mis seda suudaks. Põhjalikuma ülevaate saamiseks selle kohta, kuidas see dünaamika konkreetsetes niššides toimib, vaadake meie külalislahkuse personali säästmise juhendit.
Transformatsioon: üleminek ennustavale planeerimisele
Alustasime nende olemasoleva tehnoloogiapargi auditeerimisega. Nad kasutasid tavalist palgaarvestusteenust, mis tegi põhiasju, kuid ei pakkunud mingit prognoosi. (Muide, kui maksate liiga palju tavapärase haldustöötluse eest, peaksite vaatama meie ülevaadet palgaarvestusteenuse kulude kohta, et näha, kuhu saaks selle raha AI abil paremini investeerida).
Vahetuste ülepaisutamise parandamiseks rakendasime kolmeastmelise ennustava graafiku tsükli:
1. samm: andmete sisestamine
Selle asemel, et sööta planeerimistarkvarale ainult „varasemat müüki“, ühendasime selle kohaliku ilma ning Eventbrite/Ticketmasteri kavadega. See lõi „nõudluse prognoosi“, mis oli 92% täpne kuni 10 päeva ette.
2. samm: parimate AI-tööriistade integreerimine külalislahkuses
Viisime nad üle platvormidele nagu 7shifts ja Planday, kuid väikese lisandiga. Kasutasime AI-vahekihti, mis võttis „nõudluse prognoosi“ ja koostas automaatselt soovitusliku graafiku mustandi. See muutis juhi rolli graafiku loojast selle auditeerijaks.
3. samm: reaalajas kohandamine
Kui AI tuvastas äkilise muutuse (nt ootamatu torm või transpordiseisak), teavitas see juhti kolm tundi enne vahetust, soovitades ühel inimesel vahetus vabaks jätta või paluda teisel varem tulla. See ongi erinevus 30% ja 5% säästu vahel.
90/10 reegel praktikas
See muutus on täiuslik näide 90/10 reeglist: AI tegeleb 90% ulatuses rutiinse andmete süstematiseerimisega (prognoosimine ja esialgne mustand), jättes juhile viimased 10% – inimlikud otsused.
Kas mõni töötaja vajab vaba pärastlõunat peresündmuseks? AI ei tea alati emotsionaalset konteksti, kuid see ütleb juhile täpselt, kui palju see asendus kulude ja katvuse mõttes maksma läheb. Kui AI tegeleb küsimusega „mida“, saavad inimesed keskenduda küsimusele „kes“. See lähenemine on sarnane tõhususe kasvuga, mida oleme näinud teistes sektorites, näiteks toidu ja jookide logistikas, kus ennustav ajastus on määrava tähtsusega.
Tulemused: numbrid ei valeta
Kuue kuu pärast olid külalislahkuse grupi tulemused märkimisväärsed:
- Kogu tööjõukulu: langes grupiüleselt 30%.
- Töötajate voolavus: tegelikult vähenes. Töötajad teatasid väiksemast stressist, sest nad ei olnud alamehitatud ning neid ei saadetud varem koju (kaotades töötasu) seetõttu, et juht oli graafiku ülepaisutanud.
- Juhi aeg: vähenes 6 tunnilt graafiku koostamiselt nädalas 45 minutile ülevaatamisele.
Penny perspektiiv: lõpetage „ebamäärasuse maksu“ maksmine
Kui teie tööjõukulu on suurem kui 30% teie tulust, ei maksa te ainult oma töötajatele – te maksate ebamäärasuse maksu. Te maksate selle eest, et te ei tea, mis järgmisel teisipäeval juhtuma hakkab.
Ennustav AI külalislahkuses ei tähenda restorani „hinge“ asendamist. See tähendab tagamist, et hing ei läheks pankrotti tabelivea tõttu. Parimad AI-tööriistad külalislahkuse valdkonnas on need, mis jäävad tagaplaanile ja annavad teile lihtsalt õige arvu inimesi õigel ajal.
Kust alustada
Kui tunnete „vahetuste ülepaisutamise“ raskust, alustage siit:
- Auditeerige oma „turvavaru“: vaadake oma viimase nelja nädala graafikuid. Kui mitu korda saatsite kellegi varem koju? Kui mitu korda seisid inimesed tegevusetult? See on teie säästupotentsiaal.
- Integreerige üks väline muutuja: te ei vaja esimesel päeval täielikku AI-komplekti. Alustage ilmateate ja kohalike ürituste vaatamisest enne, kui vajutate järgmise graafiku avaldamise nuppu.
- Hinnake oma tööriistu: kui teie praegune planeerimistarkvara ei võimalda API-liideseid või AI-põhist prognoosimist, maksab see teile rohkem kui selle kuutasu.
Efektiivsus ei tähenda rohkem töötamist; see tähendab täpset teadmist, kui palju tööd on vaja teha juba enne uste avamist. Andmed on olemas. Kas te kasutate neid?