Guia pràctica (RRHH + Operacions + IA)
Quan el flux de clients puja i baixa per franges, planificar torns “a ull” acostuma a generar dos problemes: sobrecobertura (cost i temps mort) o infracobertura (cues, estrès i vendes perdudes). La contractació predictiva (també anomenada planificació de personal predictiva) t’ajuda a anticipar la demanda i ajustar els horaris amb dades, criteri i menys improvisació.
El que aconsegueixes quan ho fas bé
- Cobertura adequada per franja (15/30/60 min), ubicació i funció.
- Menys hores extra i menys “forats” a l’operació.
- Millor experiència de client (menys cues i temps d’espera).
- Més estabilitat i sensació de justícia en la planificació (menys canvis d’última hora).
Què és la contractació predictiva (i què no és)
La contractació predictiva és l’enfocament que combina previsió de demanda i planificació de personal per ajustar els horaris segons el flux real de clients (o d’activitat). No es tracta només de “fer un forecast”: el valor apareix quan aquesta previsió es tradueix en cobertura i després en torns aplicables (amb regles, descansos i perfils).
Idea clau: contractació predictiva = predir (demanda) → dimensionar (necessitat de personal) → planificar (torns realistes) → ajustar (millora contínua).
En què es diferencia de “planificar torns amb una plantilla fixa”
- Passes de reactiu a proactiu: no esperes a tenir cues o incidències per reforçar.
- Baixes el marge d’error: minimitzes sobrecobertures i infracobertures repetides.
- Evites la improvisació: menys canvis d’última hora i menys tensió d’equip.
Quan convé aplicar-la (símptomes típics)
Si el teu negoci té variabilitat d’afluència, la contractació predictiva acostuma a ser un dels canvis amb més retorn perquè el cost laboral i la qualitat de servei depenen directament de “tenir la gent justa en el moment just”.
Senyal que tens el problema (i que hi ha oportunitat)
- Hi ha hores “mortes” i hores “crítiques” (p. ex. retail, hostaleria, serveis o atenció al client).
- Els caps fan torns basant-se en intuïció o en el que “sempre s’ha fet”.
- Variació per ubicació: una botiga va plena, l’altra té menys trànsit, però els torns són iguals.
- Excés d’hores extra o canvis constants per cobrir pics i baixes.
- Queixes de client per cues, lentitud, manca d’atenció o errors per pressa.
- Malestar intern per torns inestables o percebuts com a “poc justos”.
Dades i senyals: què necessites per predir la demanda
El “secret” no és tenir mil dades, sinó tenir les dades que realment mouen la demanda i poder-les llegir per franja. Pots començar amb un conjunt mínim i anar millorant.
Senyals de demanda
Vendes i transaccions (POS), comandes (e-commerce / delivery), reserves, tiquets, volum de trucades, trànsit (footfall).
Context que altera la demanda
Calendari (festius, pagues, inici de curs), campanyes i promocions, estacionalitat, esdeveniments locals i (si aplica) meteorologia.
Dades de personal i regles
Disponibilitat, contractes, competències/rols, descansos, hores màximes, restriccions per conveni, absències i preferències.
Estàndards operatius
Temps mitjà de servei per tasca (atendre, cobrar, preparar comanda…), objectius de servei (p. ex. temps d’espera màxim).
Consell pràctic: si no tens comptador de trànsit, sovint pots començar amb transaccions i tiquets.
El model millora quan afegeixes senyals com reserves, comandes, campanyes o esdeveniments.
Com funciona: del forecast a la cobertura i als torns
El procés acostuma a tenir dues parts: (1) predir activitat i (2) convertir-la en necessitats de personal respectant restriccions reals (rols, descansos, hores, etc.).
De demanda a “quantes persones necessito?” (intuïció amb fórmula)
Una forma simple d’entendre-ho és:
Personal necessari ≈ (volum previst × temps mitjà per servei) / minuts productius disponibles.
Exemple orientatiu: si preveus 120 tiquets entre 18:00 i 19:00, i cada tiquet requereix 2,5 minuts d’atenció, tens 300 minuts d’atenció a cobrir. Si cada persona aporta 50 minuts productius en aquella franja (descomptant pauses/solapaments), la cobertura aproximada és 6 persones.
Personal necessari ≈ (volum previst × temps mitjà per servei) / minuts productius disponibles.
Exemple orientatiu: si preveus 120 tiquets entre 18:00 i 19:00, i cada tiquet requereix 2,5 minuts d’atenció, tens 300 minuts d’atenció a cobrir. Si cada persona aporta 50 minuts productius en aquella franja (descomptant pauses/solapaments), la cobertura aproximada és 6 persones.
Pipeline típic (6 passos)
Unificar dades
POS, reserves, comandes, trànsit, calendari i regles de planificació.
Neteja i agregació
Dades per franja (15/30/60 min), per ubicació i per tipus de servei.
Forecast de demanda
Models que capten estacionalitat, patrons locals i efectes de campanyes.
Traducció a cobertura
Conversió de demanda a persones/rols segons temps de servei i objectius.
Generació/optimització de torns
Torns que respecten descansos, habilitats, contractes i restriccions.
Seguiment i millora
Comparar previst vs real, aprendre i ajustar regles/estàndards.
Implementació pas a pas (sense projectes eterns)
La manera més segura d’implantar contractació predictiva és començar per un cas amb volum i mesura clara. L’objectiu és passar de “prova bonica” a operació: integració, regles, KPI i rutina de revisió.
Definir objectiu i KPI
Què vols millorar primer: cost laboral, temps d’espera, vendes perdudes, hores extra, estabilitat de torns…?
Inventari de dades i integracions
Identificar fonts (POS, reserves, e-commerce, sensors, HR) i com llegir-les per franja i ubicació.
Pilot controlat
Model de previsió + conversió a cobertura en un centre o línia concreta. Mesurar “previst vs real”.
Regles i restriccions reals
Incorporar descansos, limitacions d’hores, rols, habilitats, preferències i complir conveni.
Integrar amb el teu ecosistema
Connectar-ho amb el teu sistema de planificació/control horari, BI i (si cal) nòmina, perquè el procés sigui utilitzable.
Escalar a més centres
Escalat per fases: primer centres similars, després excepcions. Sempre amb revisió de mètriques.
Millora contínua
Recalibrar estàndards, ajustar predicció i aprendre d’esdeveniments (campanyes, festius, canvis d’oferta).
Si vols accelerar la part pràctica: l’enfocament més ràpid és començar per una diagnosi (dades + restriccions + KPI) i un pilot amb un centre representatiu.
Escriu a info@bastelia.com.
Errors comuns (i com evitar-los)
- Confiar en dades “brutes”: si hi ha forats o canvis de criteri al POS, el forecast patirà. Solució: neteja, regles clares i traçabilitat.
- Fer previsió però no convertir-la en acció: sense traducció a cobertura i torns, queda en informe. Solució: definir estàndards operatius i un flux d’aprovació.
- Ignorar restriccions reals: descansos, hores, rols i conveni. Solució: incorporar-ho des del pilot.
- No definir KPIs abans: si no hi ha línia base, no demostraràs impacte. Solució: 3–5 mètriques clau i revisió periòdica.
- No gestionar el canvi: si els responsables no confien en el sistema, tornen al “a ull”. Solució: transparència (per què recomana això) i millora contínua.
Costos i models (SaaS vs a mida)
El cost depèn menys de “fer un model” i més de volum + complexitat + integració. La decisió habitual és entre una eina (SaaS) de gestió de torns amb forecast, o una solució a mida integrada al teu stack.
Què acostuma a fer pujar el pressupost
- Moltes ubicacions amb patrons diferents (per centre, barri o ciutat).
- Moltes restriccions (rols, habilitats, descansos, convenis, borses d’hores, etc.).
- Integracions crítiques (control horari, nòmina, ERP/CRM, BI, sensors).
- Necessitat d’ajust en temps quasi real (canvis d’afluència, absències, incidències).
Orientació ràpida:
• SaaS encaixa quan vols velocitat, estàndards comuns i menys personalització.
• A mida encaixa quan tens integracions específiques, lògica pròpia i vols control total de dades/flux.
Si vols veure opcions de servei i formats, tens paquets i preus (en català).
• SaaS encaixa quan vols velocitat, estàndards comuns i menys personalització.
• A mida encaixa quan tens integracions específiques, lògica pròpia i vols control total de dades/flux.
Si vols veure opcions de servei i formats, tens paquets i preus (en català).
KPIs per demostrar que funciona
Sense mètriques, la contractació predictiva es converteix en “opinió”. Amb mètriques, es converteix en decisió. Aquí tens un conjunt pràctic de KPIs per mesurar impacte en cost, servei i equip.
- Precisió del forecast Diferència entre demanda prevista i real per franja (per centre i dia). Serveix per calibrar models i senyals.
- Índex de cobertura % de franges “ben cobertes” (ni excés ni falta), segons l’estàndard de servei.
- Cost laboral vs vendes Evolució del pes del cost laboral respecte ingressos, comparant abans/després.
- Temps d’espera / cues Si tens sensor o indicador operatiu, és una mètrica molt “visible” per a direcció i equips.
- Hores extra i canvis d’última hora Reducció d’hores extra, replanificacions i canvis urgents.
- Estabilitat i satisfacció d’equip Menys rotació i millor clima quan la planificació és previsible i percebuda com a justa.
Tip: escull 3–5 KPIs, defineix “línia base” (abans) i revisa el quadre cada mes. Si una mètrica no canvia, no passa res: et diu on ajustar (senyals, estàndards o regles).
Recursos per passar a l’acció (Bastelia)
Si vols aplicar aquesta metodologia a la teva empresa, aquests recursos et poden ajudar a decidir el camí més ràpid i segur.
- Consultoria i Roadmap d’IA — prioritzar casos d’ús, dades necessàries i KPIs abans de construir.
- Integració i Implementació d’IA — portar models i dades a producció amb integració real als teus sistemes.
- Automatitzacions amb IA — connectar fluxos i reduir feina manual (també a RRHH i operacions).
- Operacions i Logística amb IA — previsió, inventari, rutes i optimització operativa basada en dades.
- Paquets i preus — formats de servei, què inclou cada opció i com es mesura el ROI.
Preguntes freqüents sobre contractació predictiva
Quina diferència hi ha entre contractació predictiva i planificació de torns?
La planificació de torns és el resultat (el quadrant). La contractació predictiva afegeix la capa prèvia: preveure demanda i convertir-la en cobertura necessària, perquè els torns no es facin per intuïció sinó per dades.
Quines empreses se’n beneficien més?
Negocis amb variabilitat per franja i impacte directe en servei: retail, hostaleria, centres d’atenció, serveis presencials, logística amb pics, i qualsevol operació on “faltar o sobrar personal” es nota en cost i experiència.
Quines dades mínimes necessito per començar?
Normalment, un punt de partida viable és: vendes/transaccions (o tiquets), calendari (dies de la setmana i festius) i una manera de veure el resultat per franges. A partir d’aquí, afegir reserves, comandes, trànsit i campanyes millora la precisió.
Es pot aplicar amb diverses botigues o centres?
Sí, i sovint és on es veu més valor: cada ubicació té patrons diferents. La clau és preveure per centre i traduir-ho a cobertura per rol/funció, evitant aplicar la mateixa plantilla a tothom.
Com s’assegura el compliment de descansos i restriccions?
La planificació predictiva funciona bé quan incorpora restriccions des del principi: descans mínim, hores màximes, rols, habilitats i regles de conveni. Això evita generar torns “òptims” sobre el paper però impossibles en la pràctica.
Cada quant s’ha d’actualitzar la previsió?
Depèn del sector. Molts equips treballen amb una previsió setmanal (per planificar) i ajustos diaris (per imprevistos). L’important és tenir un ritual: revisar previst vs real i aprendre.
Què passa amb imprevistos (absències, avaries, pics sobtats)?
La contractació predictiva no elimina els imprevistos, però els fa més gestionables: millora el punt de partida i permet crear plans de contingència (borsa d’hores, reforços planificats, alertes) per reduir el caos.
És millor comprar una eina o fer-ho a mida?
Si vols velocitat i estàndards, una eina pot encaixar. Si necessites integració profunda, lògica pròpia o control total de dades i flux, un desenvolupament a mida pot ser millor. En molts casos, la millor opció és híbrida: començar simple i escalar.
Quant triguen a veure’s resultats?
Quan hi ha dades disponibles i un cas clar, es poden veure millores ràpidament en estabilitat i decisions de cobertura. El retorn s’accelera quan hi ha integració i KPIs, perquè el sistema passa a formar part del dia a dia.