Lielākā daļa grafiku datu paliek nelasīta

Katru reizi, kad maiņa tiek aizpildīta, nomainīta vai segta, tas rada datu punktu. Katrs kavēts ierašanās laiks, katrs virsstundu apstiprinājums, katrs pēdējā brīža atteikums - tie ir signāli. Kopā tie veido ainu par to, kā jūsu uzņēmums tiešām darbojas, nevis kā jūs domājat, ka tas darbojas. Lielākā daļa vadītāju aplūko kopējo nostrādāto stundu skaitu un pāriet tālāk.

Tas atstāj daudz iespēju neizmantotu.

Rādītāji, kas ir svarīgi

Sāciet ar sešiem rādītājiem, pirms pievienojat kaut ko citu:

  1. Grafika izpildes likme: Kāds procents maiņu sākas un beidzas 5 minūšu laikā no plānotā laika? Likme zem 80% liecina par grafiku, transporta vai nodošanas problēmām.
  2. Maiņu aizpildīšanas likme: Kāds procents brīvo maiņu tiek aizpildīts pirms to sākuma? Zema aizpildīšanas likme norāda uz pārāk nepietiekamiem darbinieku sarakstiem vai pārāk īsu brīdinājumu, publicējot maiņas.
  3. Atteikumu likme pēc nedēļas dienas: Ja jūsu svētdienas atteikumu likme ir 3 reizes augstāka par pirmdienas, tas ir strukturāls, nevis nejauš. Cilvēki izvairās no noteiktām dienām paredzamu iemeslu dēļ.
  4. Virsstundu koncentrācija: Kāds procents no kopējām virsstundām nāk no 10% darbinieku? Ja 3 cilvēki no 30 rada 60% virsstundu, jums ir strukturālas atkarības problēma.
  5. Maiņu maiņas biežums: Augsts maiņu maiņas biežums signalizē vai nu par sliktu sākotnējo grafiku, vai par komandu, kuras pieejamību grafiks neatspoguļo.
  6. Laiks brīvo maiņu aizpildīšanai: Cik stundas paiet starp maiņas atvēršanu un aizpildīšanu? Virs 24 stundām ir problēma, ja maiņas regulāri tiek atklātas.

Ko skaitļi atklāj

Katrs rādītājs norāda kaut kur konkrētu.

Augsta atteikumu likme noteiktā dienā parasti izsekojama līdz vienam no trim cēloņiem: maiņa ir sociāli nepopulāra (agra svētdienas rīts), samaksa nekompensē neērtības, vai fiziskais slogs šajā dienā ir lielāks nekā citās.

Augsts maiņu maiņas biežums bieži nozīmē, ka jūsu grafiku plānošanas process labi neiekļauj darbinieku pieejamību. Ja cilvēki maina maiņas, lai iegūtu tās, ko tiešām vēlas, grafiks sākās nepareizā vietā.

Virsstundu koncentrācija dažos indivīdos norāda uz nepietiekamu personālu konkrētās lomās vai kultūras normu, kur daži cilvēki vienmēr saka "jā" un citi vienmēr "nē".

Datu segmentēšana

Neapstrādātas kopsummas aizklāj struktūras. Segmentējiet visu:

  • Pēc lokācijas: Ja jums ir vairākas vietas, vienā var būt par 20% vairāk virsstundu nekā citā ar tādu pašu personālu. Tas ir vērts izmeklēt.
  • Pēc lomas: Pavāram var būt 3 reizes augstāka atteikumu likme nekā apkalpotājam. Dažādi darbi, dažāds stress, dažāda sociālā dinamika.
  • Pēc stāža: Jaunie darbinieki (mazāk par 3 mēnešiem) parasti uzrāda augstāku atteikumu un zemāku izpildes likmi. Ja viņi neuzlabojas līdz 4. mēnesim, tas ir rekrutēšanas signāls.
  • Pēc maiņas veida: Dienas maiņas, vakara maiņas un nedēļas nogales maiņas bieži uzvedas atšķirīgi. Neaverēt tās kopā.

Grafiku datu savienošana ar biznesa rezultātiem

Noderīgākā analītika savieno personāla datus ar biznesa veiktspēju:

  • Salīdziniet darbaspēka izmaksu procentu jūsu augstākās izpildes nedēļās pret zemākajām. Ja starpība ir 3-4%, tā ir vērtība, ko sniedz cilvēku ierašanās pēc grafika.
  • Izsekojiet klientu gaidīšanas laikus vai pakalpojumu vērtējumus pret personāla līmeņiem. Pie kāda personāla koeficienta kvalitāte sāk samazināties?
  • Aprēķiniet katra neplānotā vakanta izmaksas: virsstundu prēmija, kas samaksāta, lai to segtu, plus jebkāda pakalpojumu pasliktināšanās. Viens €15/stundā izsaukums, kas apmaksāts ar 1,5x, izmaksā €7,50 papildu stundā. Pie 200 neplānotām stundām mēnesī tas ir €1 500.

Atskaišu ritms, kas darbojas

Nedēļā: pārbaudiet atteikumu likmes, virsstundu stundas un maiņu aizpildīšanas likmes. Atzīmējiet visu, kas mainījies par vairāk nekā 15% no iepriekšējās nedēļas.

Mēnesī: pārskatiet visus sešus rādītājus. Identificējiet tendences 4-6 nedēļu laikā, nevis reaģējiet uz vienas nedēļas troksni.

Ceturksnī: apskatiet stāža struktūru, lomas līmeņa koncentrācijas un to, vai jūsu grafiku modelis joprojām atbilst darbības modeļiem.

Viena lieta, ko labot vispirms

Ja maiņu dati atrodas izklājlapās vai atsevišķās sistēmās, sāciet ar visu apvienošanu vienā vietā. Jūs nevarat pamanīt struktūras fragmentētos datos. Kad tie ir apvienoti, modeļi parasti kļūst acīmredzami pirmajā aplūkošanas mēnesī.

Izmēģini vietnē rezano.lv.