In Folge 227 von MY DATA IS BETTER THAN YOURS (MDIBTY) spricht Jonas Rashedi mit Friederike K. (Head of Workforce Planning, Picnic) über Workforce Analytics. Konkret: Workforce Planning ist in operativen Geschäftsmodellen einer der höchsten Data-Hebel. 1 % Planungsfehler = oft 6-stellige monatliche Kosten. Picnic's Model-Logik kombiniert viele Variablen: Bestellvolumen, Wetter, Ferien, Events. Einfache Prognosen reichen hier nicht — Machine Learning ist Pflicht.
3 Erkenntnisse aus dieser Folge
- 01
Workforce Planning ist in operativen Geschäftsmodellen einer der höchsten Data-Hebel. 1 % Planungsfehler = oft 6-stellige monatliche Kosten.
- 02
Picnic's Model-Logik kombiniert viele Variablen: Bestellvolumen, Wetter, Ferien, Events. Einfache Prognosen reichen hier nicht — Machine Learning ist Pflicht.
- 03
Die schwierigste Stelle ist die Akzeptanz durch Operations-Teams. Wenn Fahrer:innen und Picker:innen das Modell nicht verstehen, wird es sabotiert — nicht absichtlich, aber faktisch.
Worum es in dieser Folge geht
Friederike leitet Workforce Planning bei Picnic — einem der schnellstwachsenden Online-Supermärkte Europas. Picnic operiert mit eigenem Fuhrpark, eigenen Kommissionierern, enger Zeitlogistik. Fehler im Personaleinsatz sind teuer.
Die Storyline
Warum Workforce-Daten so Bilanz-wirksam sind
Eine Schicht zu wenig geplant, und wir liefern verspätet. Eine Schicht zu viel, und wir zahlen für nichts. Beide Fehler kosten uns pro Tag sofort viel Geld.
Das ist der direkte Zusammenhang. Picnic hat 30.000+ Aufträge pro Tag und entsprechend viele Schichten. Jeder Prozent-Punkt Abweichung zwischen geplanter und echter Arbeit kostet 6-stellige Beträge — pro Monat.
Die Komplexität der Prognose
Einfache Prognosen ("letzte Woche + Wachstums-Faktor") scheitern bei Picnic. Workforce-Modelle müssen viele Variablen kombinieren: Wetter (Regen erhöht Online-Bestellungen), Events (Fußball-Finale), Schulferien, lokale Feiertage.
Der Akzeptanz-Engpass
Friederike wird konkret: Das beste Modell versagt, wenn Operations-Teams es nicht mittragen. Wenn Fahrer:innen das Gefühl haben, "dass das Modell Quatsch plant", wird es untergraben — durch Krankmeldungen, Überschreitungen, Abweichungen.
Die Lösung: Transparenz. Teams verstehen, wie das Modell denkt. Und Feedback-Kanäle, damit echte operative Erkenntnisse ins Modell fließen.
Was andere Operations-lastige Unternehmen mitnehmen
- Workforce-Daten als Kern-Disziplin. Nicht als HR-Nebensache.
- Multi-Variable-Modelle bauen. Einfache Regressionen reichen nicht.
- Akzeptanz-Arbeit leisten. Das Team muss das Modell verstehen und akzeptieren.
Warum mich das besonders umtreibt
Ich treffe regelmäßig CDOs, die Workforce-Daten als HR-Thema abtun — und damit einen der direktesten Bilanz-Hebel verpassen. Friederikes Folge ist eine der besten Referenzen für die strategische Bedeutung dieser Disziplin.
Jetzt reinhören
Jetzt reinhören
Diese Folgen könnten dich auch interessieren
Folge 323
Solo gegen alle: Wie 15 Jahre Datenhandwerk eine D2C-Brand allein tragen
Carlos Yniguez · 60Kollektiv
Folge 322
KI in NRW: Warum 90 % des Mittelstands noch nicht wirklich anfängt
Christian Temat · KI.NRW (Fraunhofer IAIS)
Folge 319
Warum Data Mesh ohne Data Citizens scheitert
Jonas Kell · Siemens Energy