时段杯量分布不清,高峰排队低谷闲置,排班备料靠经验
门店店长 / 排班督导 · 忙闲错位的一整天
某茶咖品牌「茶研社·南山欢乐海岸店」,周五打烊后。店长复盘这一周:晚 8 点高峰队伍排到门外,2 个店员忙得杯子都洗不过来;下午 5 点店里空得能听见制冰机的声音,3 个人对着柜台发呆。排班表是月初凭经验排的 —— 高峰的人没加上,低谷的人没减下来。备料也是估着来,午后高峰珍珠煮不及,低谷备的料放到报废。一天 821 杯的生意,忙闲错位,排队流失和人力闲置同时发生 —— 哪个时段多少杯、产能超没超,从来没算过。
不是流程描述,是茶咖门店每天真实上演的事故 —— 以下案例均取自场景调研与演示素材
变化不在「快」,在「忙闲变成可计算的数」
5 步 · 每一步的产出都是下一步的输入
痛感 3 × AI 适配 4 ÷ 落地难度 2 = 6.0
最大差异点 · 忙闲变成可计算的数:高峰 ≥150% 均值、低谷 <80% 有明确阈值,产能利用率对照设计产能 —— 排班备料从「凭经验」变成「按数据」,每条建议落到具体时段。
评分口径:痛感看「这事没做好谁会生气、生气到什么程度」; AI 适配看「输入是否非结构化、是否要跨渠道取数、错了能不能当场看出来」; 落地难度是分母 —— 需要先对接 POS/ERP 才能用的场景,分数会被压得很低。
判断标准只有一个:这份东西明天早上能不能直接拿去用
不预测未来杯量;不评判员工;不修改原始数据;不算毛利率;高峰/低谷判定基于 7 天均值,节假日/促销日会偏移,店长须结合当日实际情况调整排班;设计产能为门店理论值,实际受设备/人员/原料影响,运营经理须定期校准;外卖占比受天气/平台活动影响大,建议结合天气数据综合判断排班。
Live Demo 里有一个完整案例的每一步,包括排班建议为什么必须结合当日实际调整后执行