早餐排班终于与旅行团日历对上了
一家曼谷 250 间客房的城市酒店，通过按预测人次安排早餐人手，一个季度内将餐饮人力成本降低 9.8%；随旅行团抵达，早餐人次每日在 190–420 之间波动，而这些数据物业管理系统早已可见。早餐满意度评分没有变化。
实测成效，应客户要求酒店已匿名化。指标均对照约定基准核验。
问题所在：泰国的人手短缺让“保险”的超额配置付出双重代价
泰国酒店业估计短缺 120 万名从业人员，而这家酒店的早餐排班却按“保险”方式配置：每天 11 人，提前五天锁定。在清静的商务客早晨，其中四人在擦拭餐具；到了旅行团密集的周六，11 人的团队面对 400 多人次，队伍一直排到大堂。这家酒店把稀缺的员工工时用在了最不需要的地方。
做了什么改变
人次预测是指根据物业管理系统中已有的抵店、团队预订区块和客源细分，预测某一天有多少宾客会用早餐，再通过约定的人力标准换算为人手。
Cloudbeds 的预订数据（抵店、团队预订区块、客源细分）转化为逐日的人次预测，再通过餐饮经理设定的人力标准换算为人手。排班在 7–13 人之间弹性调整；经理每周只需几分钟审批，而此前编制要花数小时。酒店员工排班如何运作 →
图表背后的数据
| 日期 | 所需人手 | 原固定排班 | 需求匹配排班 |
|---|---|---|---|
| 周一 | 8 | 11 | 8 |
| 周二 | 7 | 11 | 7 |
| 周三 | 9 | 11 | 9 |
| 周四 | 12 | 11 | 12 |
| 周五 | 13 | 11 | 13 |
| 周六 | 13 | 11 | 13 |
| 周日 | 10 | 11 | 10 |
| 周一 | 7 | 11 | 7 |
| 周二 | 8 | 11 | 8 |
| 周三 | 11 | 11 | 11 |
| 周四 | 13 | 11 | 13 |
| 周五 | 12 | 11 | 12 |
| 周六 | 13 | 11 | 13 |
| 周日 | 9 | 11 | 9 |
“关于周六的争论停止了。抵店数据就在屏幕上，没有人会跟一条曲线争辩。”
HotelCadence 是面向酒店的劳动力管理软件。它读取您物业管理系统中已有的预订，按小时预测每个部门的繁忙程度，据此生成匹配的排班表，记录实际工时并准备薪资。各部门主管审批每一份排班表。每位排班员工每月 6 美元起。
高峰日人手反而更多，9.8% 的节省从何而来？
固定排班每天都支付 11 名早餐员工的薪酬。旅行团日需要 13 人，但有一半的早晨只需 7-9 人；节省来自清静日，而高峰日的覆盖反而增加了。成本与排队投诉同时下降。
需求是如何预测的？
根据 Cloudbeds 的预订数据、抵店、团队预订区块和客源国籍构成（旅行团客群的早餐用餐率接近商务客的两倍）逐日预测人次，再通过与餐饮经理约定的人力标准换算为人手。
具体衡量了什么？
对照 6 个月基准的每人次餐饮人力成本与餐饮人力总成本，以及来自宾客调查的早餐满意度。人力成本 −9.8%；满意度在调查误差范围内无变化。每月衡量，同一份报告交付双方。