Az elmúlt néhány évet több száz szolgáltatásalapú vállalkozás mérlegének elemzésével töltöttem, és van egy visszatérő szellem a gépezetben, amely minden másnál jobban kísérti a tulajdonosokat: az Üres Szék. A szépségápolási és személyi higiéniai iparágban az üres szék nem csupán a bevétel hiányát jelenti; az egy égő pénzköteg. Ön fizeti a világítást, a bérleti díjat, és ami a legfájdalmasabb, a szakembert, aki a székben ülve várja, hogy megcsörrenjen a telefon.
Ez nem csupán ütemezési probléma. Ez egy adatprobléma. A legtöbb tulajdonos „megérzés” alapján vagy a tavalyi naptár átnézésével próbálja megoldani. De a „tavalyi év” nem tudja, hogy három sarokkal arrébb új versenytárs nyílt, vagy hogy egy hirtelen helyi hőhullám éppen 40%-kal megdobta a pedikűr iránti keresletet. Ennek orvoslásához nem egy jobb menedzserre van szüksége; egy olyan AI-transzformációra van szükség, amely a történeti adatait prediktív motorrá alakítja.
Nemrég egy 5 egységből álló szépségápolási csoporttal dolgoztam, amely potenciális árrésének közel negyedét veszítette el azon, amit én Személyzeti rugalmassági résnek (Staffing Elasticity Gap) nevezek – ez a fix bérköltségek és a fluktuáló ügyféligények valósága közötti távolság. Mire befejeztük a transzformációt, 22%-kal csökkentették a bérköltség-pazarlást anélkül, hogy egyetlen embert is el kellett volna bocsátaniuk. Egyszerűen elkezdték a megfelelő embereket a megfelelő székekbe ültetni a megfelelő időben.
Az „üres szék” krízis anatómiája
💡 Szeretné, hogy Penny elemezze vállalkozását? Feltérképezi, hogy a mesterséges intelligencia mely szerepeket helyettesítheti, és szakaszos tervet készít. Indítsa el az ingyenes próbaidőszakot →
Ennél a csoportnál a probléma láthatatlan volt, mert „normálisnak” tűnt. Minden csütörtöktől szombatig csúcskapacitásra tervezték a személyzetet. Papíron ennek volt értelme, hiszen ezek voltak a legforgalmasabb napjaik. Amikor azonban ténylegesen megvizsgáltuk a percről percre lebontott kihasználtsági arányokat, megdöbbentő mennyiségű „mikro-állásidőt” találtunk.
Egy stylistnak 45 perces szünete volt két hajfestés között. Egy terapeutának kedd reggel délelőtt 11-ig egyetlen foglalása sem volt, mégis reggel 9-kor blokkolt be. Öt helyszínen és több mint 60 alkalmazotton keresztül ezek a rések havonta több mint £12,000 „halott” bérköltséget jelentettek a vállalkozásnak.
Ha hasonló mintákat tapasztal saját vállalkozásában, nincs egyedül. A szépségápolási és személyi higiéniai megtakarítási útmutatónk rávilágít, hogy a legtöbb független csoport legalább 15%-kal túltervezett a legcsendesebb napjain, és alultervezett a legjövedelmezőbbeken.
Miért vall kudarcot a hagyományos ütemezés?
A hagyományos ütemezés reaktív. Látja, hogy forgalmas szombat közeledik, ezért mindenkit beoszt. Látja a csendes keddet, ezért egy embert hazaküld. De mire reagálna, a pénz már elúszott.
Az az 5 egységből álló csoport, amelynek tanácsot adtam, csapdába esett ebben a ciklusban. A menedzsereik fejenként nagyjából heti 10 órát töltöttek táblázatok bütykölésével, próbálva kitalálni, kinek mikor kellene dolgoznia. Ezt nevezem én Menedzsment-súrlódási adónak (Management Friction Tax) – amikor magas beosztású munkatársaknak fizetünk azért, hogy manuális adatbevitelt végezzenek, amiben nem is túl jók, mert hiányzik az adatok átfogó látásmódja.
Ahhoz, hogy ezen továbblépjünk, nem csak egy új foglalási alkalmazást vásároltunk. Teljes AI-transzformációt hajtottunk végre a működésükön. Abbahagytuk a „Ki ér rá?” kérdés feltevését, és elkezdtük azt kérdezni: „Mit mondanak az adatok, mi fog történni?”
A stratégia: Egy prediktív jel-stack felépítése
Egy AI-központú vállalkozás nem csak a saját foglalásait nézi. Figyeli a világot is. Ennek a szépségápolási csoportnak felépítettünk egy úgynevezett Prediktív jel-stacket (Predictive Signal Stack). Ez egy háromrétegű adatmodell, amely táplálja a személyzettervező motort:
1. A belső impulzus (történeti adatok)
Beolvastunk háromévnyi foglalási adatot. Az AI zseniális az olyan minták felismerésében, amelyeket egy emberi menedzser elszalaszt. Megállapította, hogy bár a szombatok forgalmasak voltak, a szolgáltatások típusa a hónap hetétől függően változott (fizetésnap vs. hónap közepe). Azonosította a „foglalási sebességet” – vagyis azt, hogy milyen gyorsan telik meg egy péntek a szerdához képest –, lehetővé téve, hogy 72 órával előre 94%-os pontossággal megjósoljunk egy teljesen lefoglalt napot.
2. A külső környezet (kontextuális adatok)
Itt történik a valódi átalakulás. Összekapcsoltuk a személyzettervező motort a helyi időjárási API-kkal és eseménynaptárakkal. A szépségápolás világában az időjárás sorsdöntő. Egy esős péntek a last-minute beszárítási lemondások 20%-os növekedéséhez vezethet, de a masszázsfoglalások 15%-os emelkedését eredményezheti. Ezt az AI-ba táplálva a beosztások már az eső eleredte előtt módosíthatóak voltak.
3. A digitális lábnyom (szándékadatok)
Monitoroztuk a környék Google-keresési trendjeit és a csoport saját weboldalának forgalmát. Ha kedd este megugrottak a „balayage a közelemben” keresések az adott irányítószám alatt, az AI ezt magas szándékú jelzésként jelölte meg a következő hétvégére vonatkozóan.
A transzformációs folyamat: A találgatástól a beosztás-automatizálásig
Ez nem egy éjszakai váltás volt. Szakaszos megközelítést alkalmaztunk, hogy a csapat támogatva érezze magát, ne pedig lecserélve.
1. szakasz: Jeltisztítás. Átvilágítottuk a meglévő bérszámfejtési szolgáltatási költségeiket és foglalási adataikat. Úgy találtuk, hogy az adataik „zajosak” voltak – a személyzet nem mindig rögzítette megfelelően az utcáról beeső vendégeket. Mielőtt az AI megjósolhatta volna a jövőt, tiszta múltbéli adatokra volt szüksége.
2. szakasz: Az árnyék-beosztás. 30 napon keresztül az AI által jósolt beosztást futtattuk a menedzser manuális beosztása mellett. Még nem változtattunk a tényleges műszakokon, csak összehasonlítottuk a kettőt. Az AI 20-ból 18 mutatóban felülmúlta az emberi menedzsereket, különösen a hétköznap délután 2 és 4 óra közötti „holtidő” előrejelzésében.
3. szakasz: A dinamikus műszakmodell. Bevezettük az „ügyeleti” ösztönzőket és az AI-előrejelzéseken alapuló rugalmas kezdési időpontokat. Ahelyett, hogy mindenki 9-kor kezdett volna, az AI lépcsőzetes kezdést javasolt: két fő 9-kor, három fő 10:30-kor, egy fő pedig délután 1-kor. Ez önmagában a személyzeti rugalmassági rés hatalmas részét bezárta.
Az eredmény: 22%-kal kevesebb pazarlás, 100%-kal több nyugalom
Hat hónappal a transzformáció után a számok tagadhatatlanok voltak:
- Bérköltség-pazarlás: 22%-kal csökkent. A személyzeti óráknak a tényleges kereslethez való igazításával a csoport öt helyszínen havonta átlagosan £14,500 megtakarítást ért el.
- Munkaóránkénti bevétel: 18%-kal nőtt. A stylistok elfoglaltabbak voltak a műszakjuk alatt, ami több jutalékot és borravalót jelentett számukra.
- Menedzseri idő: A menedzserek fejenként heti 8 órát kaptak vissza. Ahelyett, hogy táblázatokkal küzdöttek volna, visszatértek az üzlettérbe, hogy az ügyfélélményre és a képzésre összpontosítsanak.
- Személyzet megtartása: Meglepő módon a munkatársak elégedettsége nőtt. Az „üres szék” krízis unalmas a stylistoknak; ők dolgozni akarnak. Az AI biztosította, hogy amikor a szalonban vannak, akkor keressenek is.
A keretrendszer: A 90/10-es szabály a szolgáltatási szektor személyzettervezésében
Az AI-központú vállalkozásokkal végzett munkám során a 90/10-es szabályt alkalmazom. Ez kimondja, hogy az AI képes elvégezni a logisztikai nehézmunka 90%-át (az ütemezés „mikor” és „ki” részét), de a maradék 10% – az emberi árnyalatok – az, ami működőképessé teszi.
Ha egy stylist gyermeke beteg, vagy egy csapattagnak rossz napja van, az AI azt nem fogja tudni. A transzformáció nem a menedzser eltávolításáról szól; hanem arról, hogy a menedzser kezébe egy olyan „szupererőt” adunk, amellyel teljes tisztánlátással láthatja az előttünk álló hetet.
Hogyan kezdje el saját transzformációját?
Nincs szüksége öt egységből álló csoportra ahhoz, hogy profitáljon ebből. Még egyetlen helyszínnel rendelkező vállalkozás is elkezdheti áthidalni az adatok és a cselekvés közötti szakadékot.
- Hagyja abba a bérköltség fix költségként való kezelését. Ez egy változó költség, amelyet Ön jelenleg fixként kezel. Kezdje el részletesen vizsgálni az egy órára jutó bevételét.
- Auditálja adatai minőségét. Minden beeső vendég rögzítve van? Minden lemondást követnek? Az AI csak annyira jó, amennyire az adatok, amiket kap.
- Keresse a falakon kívüli „jeleket”. Kezdjen el figyelni arra, hogy a külső tényezők (időjárás, események, helyi fizetésnapok) hogyan befolyásolják a foglalásait.
Az AI-transzformáció nem valami futurisztikus koncepció, amelyhez adattudósok seregére van szükség. Ez egy praktikus, logikus váltás a működés irányításában. Az én vállalkozásom teljes egészében ezeken az elveken alapul – nincs csapatom, asszisztensem vagy menedzserem. Rendszereim vannak. És ha egy szolgáltató vállalkozás képes automatizálni működésének legösszetettebb részét – az embereket –, akkor képzelje el, mit tehetne Ön a sajátjával.
Ha készen áll arra, hogy feltárja, hol rejtőzik a pazarlás a saját beosztásaiban, nézzük meg a számokat. Az „Üres Széknek” nem kell az élet részének lennie. Ez csupán egy jelzés, hogy a személyzeti modellje még a múltban ragadt.