Meer weten?
Katharina helpt je graag verder!
Een tijd geleden klopte er een startup aan die software ontwikkelt om horecaondernemers te ondersteunen bij het maken van de personeelsplanning. Ze hadden een mooie uitdaging voor ons: in hoeverre het vele handmatige werk, dat slecht schaalbaar en foutgevoelig is, geautomatiseerd kan worden. Een toffe uitdaging waar we onze kennis en ervaring graag op loslaten! Het heeft geleid tot een Proof of Concept waar we goede conclusies uit konden trekken. Collega Katharina, Data Science Consultant, neemt je graag mee hoe we dit hebben gedaan.
Om de personeelskosten voor horecaondernemers te optimaliseren, plant de startup de personeelsbezetting. Dat gebeurt op basis van schattingen voor zowel de verwachte omzet als de productiviteit van medewerkers. De omzetvoorspellingen werden per uur en per dag gemaakt op basis van historische data, en verbeterd door de vakkennis van het financiële hoofd van de startup. Denk hierbij bijvoorbeeld aan omzetverwachtingen gebaseerd op de gemiddelde omzet van dezelfde tijden, seizoenstrends en schoolvakanties.
Het berekenen van de productiviteit gebeurde op basis van de gerealiseerde omzet, historische personeelsinzet en vakkennis van 2 interne mensen. Door de omzet en inzet af te zetten tegen wachttijden van klanten, werden handmatig uitzonderingssituaties voor de productiviteit geïdentificeerd. Als er bijvoorbeeld veel omzet met weinig personeel gedraaid wordt en de wachttijden oplopen, is dat een signaal waaruit blijkt dat je te weinig personeel hebt.
De werkwijze was in orde, alleen kwam er veel handwerk aan te pas. Daarom wilde de startup hun dienstverlening verder verbeteren en uitbreiden door zowel de omzetvoorspelling als de productiviteitsberekening te automatiseren met behulp van machine learning. Een uitdaging die onze data-experts helemaal zagen zitten!
Onze ervaring leert dat een data-oplossing continu verbeterd en doorontwikkeld kan worden. Dat vinden we prachtig, maar het is wel belangrijk dat we samen met onze klant een goed ijkpunt bepalen: wanneer is onze geautomatiseerde oplossing goed genoeg? In dit geval was dat kraakhelder: onze geautomatiseerde voorspellingen en berekeningen moesten minimaal zo goed zijn als die van het financiële hoofd van de startup. Dit gaf ons een uitgelezen kans om de waardevolle vakkennis vanuit de startup mee te nemen in ons model.
Daarnaast wilden we de omzetvoorspelling verbeteren door minimaal 7 dagen vooruit te kijken, en tot slot wilden we onderzoeken of er meer informatie uit de beschikbare data gehaald kan worden. Dit moest leiden tot een Proof of Concept die laat zien of het waardevol is de ideeën verder uit te werken.
Elke goede oplossing begint met inzicht in de bestaande situatie. Daarom doken we in de beschikbare data om deze te verkennen, opschonen en verrijken. In de praktijk betekent dat onder andere dat we informatie over het weer, feestdagen en vakanties automatisch meenemen in de omzetvoorspelling. Allemaal factoren die natuurlijk ontzettend belangrijk zijn in de personeelsplanning, en die je niet per ongeluk over het hoofd wilt zien bij het handmatig overnemen!
Voor de omzetverwachting per dag repliceerden we de oorspronkelijke omzetverwachting op basis van historische data. Omdat we minstens zo goed moesten zijn in het voorspellen als het financiële hoofd van de startup, hebben we zijn foutmarge berekend. Hierdoor wisten we precies wanneer we minstens net zo goed of zelfs beter waren.
Ook voor de omzetverwachting per uur repliceerden we de doorsnede van de afgelopen 4 weken. Daarnaast legden we de baseline vast door naar de gemiddelde afwijking ten opzichte van de gemeten omzet te kijken.
Voor het verbeteren van de productiviteitsberekening begonnen we ook met het verkennen en opschonen van de data. Hieruit bleek al snel dat er op dit vlak weinig winst te behalen viel, omdat de datakwaliteit te laag was. Dat kwam onder andere doordat in de horecaondernemingen processen in de praktijk anders lopen dan afgesproken. Als het bijvoorbeeld erg druk werd in een onderneming, vergat het personeel wel eens om eerst het ticket aan te maken voor een bestelling en daarna pas de bestelling uit te voeren. Zo was de wachttijd niet meer duidelijk te relateren aan de drukte in een filiaal en werd een berekening van de productiviteit onzuiver.
Voor de omzetvoorspelling leidde de Proof of Concept tot 2 modellen: een om de omzet per dag te voorspellen, de ander om de omzet per uur te voorspellen. Bij het testen bleek dat we bij de dag-voorspelling ongeveer dezelfde nauwkeurigheid hadden als de handmatige voorspellingen. Een uitstekend resultaat: het verder uitwerken van het model zou het handmatige werk dus overbodig kunnen maken en de schaalbaarheid sterk verbeteren. Bovendien laat het zien dat de aanwezige vakkennis nog steeds zeer waardevol is, en juist in combinatie met data tot nóg betere resultaten kan leiden.
En daar houdt het nog niet op, want het uur-model was nog beter: het halveert de foutmarge in de voorspellingen per uur, waardoor horecaondernemers hun personeelsplanning aanzienlijk zouden kunnen verbeteren. Uit deze Proof of Concept blijkt wel dat er met behulp van Artificial Intelligence grote stappen gezet kunnen worden. Dat is iets wat onze data-experts al wel verwachtten, maar wat we ook graag bewijzen. Neem contact met ons op als je ook zo’n mooie data-uitdaging hebt!
Ontdek onze vacatures en wie weet spreken we jou snel!