Kapazitätsmanagement in einer Sparkasse

Inhaltsverzeichnis

Summary

1. Ziele

2. Datenbasis zur Lösung des Problems

3. Auswertungszeitraum/ besondere Tage

4. Ergebnisse der Analysen (Service)

5. Fazit der Analysen

6. Lösungsmöglichkeiten

7. Das Tool

8. Öffnungszeiten

9. Ergebnisse der Analyse der Beratungstätigkeit

Anhang
Aggregierte Nutzung der SB - Terminals
Nutzung des SB - Terminals GS B- Straße
Auswertung der KAD - Statistik des gesamten Institutes
Einzelanalyse der KAD in den Beratungszentren
Einzelanalyse der KAD im SB - Bereich und deren Korrelation zu den KAD in den Beratungszentren
Auswertung der Kasseposten in den Geschäftsstellen B- Straße und K
Fazit der Analysen
Screenshots des MAK- Tools
Screenshot - Vorlage zur Überprüfung der Öffnungszeit
Analyse zur Steuerung der Mitarbeiter in der Beratung

Fieldanalyse Fehler! Textmarke nicht definiert

Summary

Im Laufe meines 2- monatigen Praktikums bei der Sparkasse X. wurde ich im Bereich Gesamtbanksteuerung eingesetzt und mit einem Projekt zum Thema Kapazitätsmanagement betraut. Dieses Thema ist Teil der MC Kinsey Studie „FDL - Finanzdienstleistungsfiliale“. Es ist also meine Aufgabe, herauszufinden, wie viele Kunden die Geschäftsstellen zu bestimmten Zeiten aufsuchen. Auf Basis dieser Ergebnisse ergeben sich verschiedene Zielstellungen, welche jedoch unter folgendem Slogan zusammengefasst werden können.

„ Die Aufgabe des Kapazitätsmanagement ist der gezielte Einsatz der Mitarbeiter zum richtigen Zeitpunkt und am richtigen Ort. “

1. Ziele

- Optimierung des Personaleinsatzes auf Ebene des Service und der Beratung
- Kostenreduzierung durch effizientere Gestaltung und Minimierung unproduktiver Leerzeiten
- Steigerung der Kundenzufriedenheit durch nachfrageorientierten Personaleinsatz
- höhere Mitarbeiterzahl zu kundenstarken Zeiten
- Verminderung von Warteschlangen
- Erhöhung der Mitarbeitermotivation durch Flexibilisierung der Arbeitszeit
- Optimierung der geschäftsstellenspezifischen Öffnungszeiten

2. Datenbasis zur Lösung des Problems

- Statistik über die Nutzung der SB - Terminals
- Gesamtinstitut
- Einzelanalysen der GS
- Statistik über die Nutzung der KAD Service
- Gesamtinstitut
- Einzelanalysen der GS
- Auswertung der Kassenjournale
- Einzelanalysen der GS
- Fragebogen Beratung

Bei der Suche und Erhebung möglicher Daten sind folgende Punkte negativ anzu- merken:

- altertümliche Arbeitsweise des Rechenzentrums
- nützliche Auswertungen können gar nicht oder nur zu sehr hohen Preisen ge- liefert werden
- jede Datenerhebung, unabhängig von der Art des Zahlenmaterials, ist deshalb vor allem Fleißarbeit
- gleiches gilt für spätere Soll - Ist Analysen
- keine Liste liegt in digitaler Form vor
- jede Art der Erhebung gestaltet sich somit als mühsames und langwieriges Kopieren, Fische auslesen und Daten eintippen
- die Beratungstätigkeit lässt sich separat durch keine vorhandene Statistik wirklich präzise auswerten
- die beste Lösung wäre eine objektive Dokumentation ihrer Arbeit seitens der Berater
- darin sollten Beratungstermine, wie auch die Dauer der Beratung festgehalten werden
- da dies einen sehr langfristigen Zeitraum der Erhebung bedingt, dienen für meine Lösung die Ergebnisse der Statistiken zum Service, sowie ein speziell angefertigter Fragebogen

3. Auswertungszeitraum/ besondere Tage

Die erhobenen Daten sollten bezüglich folgender Einheiten und besonderer Tage ausgewertet werden.

- Auslastung über:
- das Jahr
- den Monat
- die Woche
- den Tag
- Monatserste
- Medio
- Ultimo
- Feiertage
- Ferien

4. Ergebnisse der Analysen (Service)

Aggregierte Nutzung der SB - Terminals (Seite 10)

- die Bandbreiten der Datenbasis sind viel zu groß um die Tagesauslastungen darzustellen
- der SB - Charakter dieser Statistik lässt auch keine Auswertungen zu Auslas- tungen über die Woche oder das Jahr zu
- insgesamt kann ich die Einbeziehung dieser Daten nicht empfehlen Nutzung des SB - Terminals GS B- Straße (Seite 15)
- Probleme, die sich schon bei Analyse der SB - Terminals des Gesamtinstituts gezeigt haben, verstärken sich hier noch einmal
- Datenbasis ist viel zu ungenau, um sie Personalentscheidungen zugrunde zu legen
- deshalb sollte auch diese Art der Datenbasis keine Berücksichtigung finden Auswertung der KAD - Statistik des gesamten Institutes (Seite 18)
- ist für die Auswertung der Auslastung einzelner Monate am besten geeignet
- ein Grund ist der doch sehr geringe Aufwand zur Bestimmung des Datenmate- rials, gerade gegenüber der Auswertung der Kassenprotokolle
- dabei decken sich die Ergebnisse beider Analysen in großem Umfang
- die Kassenprotokolle decken nur Aktivitäten am Schalter ab, welche jedoch nur ca. 40% der Serviceleistungen ausmachen
- deshalb ist es besser die Daten aus der KAD - Statistik für die Bestimmung des Kundenzulaufes in den einzelnen Monaten nutzen
- diese Auslastungen können dann für die einzelnen Geschäftsstellen über- nommen werden, da hier keine signifikanten Unterschiede bestehen
- für detaillierte Aussagen, wie den Verlauf über den Tag, scheint mir diese Sta- tistik aufgrund der doch ziemlich großen Bandbreite von 2h eher ungeeignet Einzelanalyse der KAD in den Beratungszentren (Seite 25)
- der Aufwand der Erhebung ist beträchtlich
- die relativ große Bandbreite von 2h rechtfertigt diesen nicht, wie sich vor allem später in der Auswertung der Kassenprotokolle gezeigt hat
- eine Auswertung der KAD - Nutzung der einzelnen Geschäftsstellen für die Wochen und Tagesauslastung kann deshalb nicht empfohlen werden Einzelanalyse der KAD im SB - Bereich und deren Korrelation zu den KAD in den Beratungszentren (Seite 37)
- diese Analyse bestätigt die These, die KAD - Gesamtstatistik der Geschäfts- stelle nicht für Einzelanalysen zu nutzen, da die KAD im Beratungscenter nicht stark genug mit denen im SB - Bereich korrelieren Auswertung der Kasseposten in den Geschäftsstellen B- Straße und K (Seite 39)
- Kassenjournale stellen die detaillierteste Datenbasis dar, da die Bandbreiten beliebig klein gewählt werden können
- aus diesem Grund sollten sie sowohl für die Auswertung des Verlaufes über die Woche, als auch über den Tag, verwendet werden
- wie schon erwähnt rechtfertigt der Aufwand keinesfalls Analysen über große Zeiträume
- so nimmt die Datenerhebung eines Monats für eine Geschäftsstelle in etwa einen ½ Arbeitstag in Anspruch
- da diese Daten jedoch für die Analysen der Geschäftsstellen notwendig sind, sollte in Erwägung gezogen werden, das Zahlenmaterial fertig ausgewertet vom Rechenzentrum anzufordern

5. Fazit der Analysen

Als Fazit dieser Analysen sind folgende Aspekte zu erwähnen:

1. Jede Geschäftsstelle hat in Bezug auf die Frequentierung durch den Kunden ih- ren spezifischen Charakter und sollte somit sowohl für die Flexibilisierung des Personals, als auch für eine Optimierung der Öffnungszeiten einzeln betrachtet werden.
2. Die Ergebnisse der KAD - Statistik und der Kassenjournale stimmen in der Ten- denz überein, Unterschiede gibt es lediglich in der nominellen Ausprägung.
3. Aufgrund der Tatsache, dass der Service weit mehr als nur die Kassentätigkeit beinhaltet, liegen die wahren Größen für die Auslastung sicherlich irgendwo zwi- schen den Resultaten aus beiden Erhebungen. Der weit größere Aufwand der Datenerhebung aus den Kassenjournalen ist jedoch nicht für alle Analysen ge- rechtfertigt, da der Mehrnutzen gerade beim Verlauf über das Jahr gering ist.
4. Die Resultate für die Auslastung über das Jahr sollten daher aus den KAD - Sta- tistiken gezogen werden.
5. Eine Betrachtung der Wochen- und Tagesauslastung bedingt die Auswertung der Kassenprotokolle. Damit sind Auswertungen bis auf eine beliebig kleine Bandbreite möglich.
6. Die Optimierung der Öffnungszeiten erfordert ebenfalls diese detailliertere Analy- se, da jede Erweiterung der Bandbreite die Ergebnisse verwischt.
7. Für die Auswertung der Kassenprotokolle sollte mindestens ein Zeitraum von 3 Monaten untersucht werden um eine ausreichend große Datenbasis zu garantie- ren.

6. Lösungsmöglichkeiten

- Anschaffung problemspezifischer Software

1. „Staff Forecast“ (b+m)

2. „Kapazitätsmanagement mit Prognoseverfahren für Sparkassen“ (Thinking- Networks)

- beide Programme sind in der Anschaffung sehr teuer (Lizenzpreis mind. 10.000€)
- bei einer Sparkasse mit eher kleinen Geschäftsstellen steht dieser Anschaf- fungspreis in keinem Verhältnis zum Nutzen
- des weiteren gäbe es Probleme bei der Parameterunterstützung durch das Rechenzentrum
- eigene Erstellung einer Software
- belastet die Sparkasse nicht mit hohen Kosten
- der Aufwand lässt sich mit dem Nutzen abstimmen, der für ein Sparkassen- haus dieser Größenordnung zu erwarten ist
- lässt sich an das Datenmaterial anpassen, das für die Analyse zur Verfügung steht
- kann im Aufbau so gestaltet werden, dass eine sehr einfache Anwendung möglich ist

7. Das Tool

- aufgrund der schon erwähnten Punkte wurde die Erstellung eines eigenen Tools auf der Excel- Plattform präferiert und durchgeführt
- es basiert auf den beschriebenen Analysen und deren Erkenntnissen
- für die Anwendung ist es notwendig, die erforderlichen Eingabemasken zu fül- len, d.h. die notwendigen Daten einzugeben
- das Tool berechnet aufgrund der eingegebenen Parameter die geschäftsstel- lenspezifischen Auslastungen für den Servicebereich
- Parameter
- KAD - Nutzungen pro Monat aus der Statistik des Gesamtinstitutes
- Aktivitäten an der Kasse aus den Kassenjournalen
- Öffnungszeiten
- Mitarbeiterdaten (MAK, Anzahl der Mitarbeiter, Vollzeitkräfte, Urlaub)
- Ergebnisse
- Auslastung im Jahresverlauf
- Auslastung im Wochenverlauf
- Auslastung im Tagesverlauf
- optimale Mitarbeiteranzahl eines jeden Wochentages zu jeder Tageszeit
- die Über- und Unterdeckung dieser Werte zu einem rein theoretischen Opti- mum
- Darstellungsmöglichkeit dieser Ergebnisse für jeden einzelnen Monat
- optimale Verteilung der Urlaubstage der Mitarbeiter
- graphische Aufbereitungen
- Einschränkungen
- nicht mit inbegriffen sind bei diesen Ergebnissen außergewöhnliche Tage
- an Tagen wie dem Monatsersten und - letzten, sowie vor oder nach Feierta- gen sollte die MAK stets sehr hoch gefahren werden
- so liegen der Erste und der Ultimo mit 145% deutlich über der Auslastung ei- nes normalen Wochentages
- gleiches trifft für die Auslastung der Geschäftsstellen vor und nach einem Fei- ertag zu (davor 125%; danach 130%)
- Screenshots des Tools (ohne Eingabemasken) (Seite 45)

8. Öffnungszeiten

- eine weitere Möglichkeit, die uns das Tool bietet ist die detaillierte Darstellung der Auslastung eines jeden Tages auf Basis einer halbstündigen Bandbreite
- hier sind die Verläufe derart präzise demonstriert, wie sie für die Steuerung der Mitarbeiter zwar unnötig, für eine Überprüfung der Öffnungszeiten jedoch unab- dingbar sind
- die Bedingung für die Analyse der Öffnungszeiten ist jedoch ein größerer Zeit- raum der Datenerhebung als 3 Monate
- ist dies der Fall, so kann man sehr schwache und auch starke Ausprägungen an den Grenzen der Öffnungszeiten als Grund für eine Anpassung der Geschäftszei- ten mit in die Überlegungen einbeziehen
- die Darstellung der Auslastung erfolgt über den Prozentsatz vom Durchschnitt
- alle Werte unter 25% sollten unbedingt näher betrachtet und zugehörige Tage auf einen vorgezogenen Geschäftsschluss geprüft werden
- umgekehrt verhält es sich, sollte die letzte halbe Öffnungsstunde noch unverhält- nismäßig stark ausgeprägt sein
- Screenshot (Seite 48)

9. Ergebnisse der Analyse der Beratungstätigkeit

- wie schon erwähnt, gibt es in diesem Bereich im Prinzip keine Möglichkeit der Auswertung anhand gegebener Statistiken
- der Bezug von Werten erfolgte daher durch die Ausgabe von Fragebögen an ausgewählte Geschäftsstellen
- darauf sollten diese eine subjektive Einschätzung zur Inanspruchnahme von Be- ratungsleistungen über 2 Wochen abgeben
- diese beiden Tatsachen (Subjektivität, geringe Zeitraum von 2 Wochen) sind aber auch schon der Kritikpunkt dieser Verfahrensweise
- dazu kommt noch die Möglichkeit der bewussten Steuerung der Ergebnisse durch die Mitarbeiter
- Ergebnisse (Seite 49)

Solch Aspekte verbieten meiner Meinung nach die Steuerung der Berater aufgrund der erhaltenen Ergebnisse. Zu diesem Zweck sollten dann doch noch weitere Unter- suchungen durchgeführt werden. Diese setzen voraus, dass man eine Möglichkeit findet, die Tätigkeiten der Berater objektiv über einen längeren Zeitraum zu doku- mentieren. Meine Idee zu diesem Problem wäre die Einführung einer speziellen Da- tenbank, welche sowohl Beratungstermine, deren Länge, als auch deren Ergebnisse festhält.

Dass Potential vorhanden ist, zeigt die Auswertung der Bögen auf jeden Fall.

Anhang der

Aggregierte Nutzung der SB - Terminals

Bei meinem ersten Versuch zur Parametrisierung der Kundendurchläufe der Ge- schäftsstellen verarbeite ich die Daten der SDS - Statistik über die Nutzung aller SBTerminals. Hierfür habe ich für jeden Monat (insgesamt 13) eine „Nutzungsmatrix“ aufgestellt, welche die Anzahl der Nutzer zu einer bestimmten Tageszeit an jedem Wochentag darstellt.

Dabei ist zu beachten, dass ich hierbei weder eine Unterscheidung in der Art des genutzten Services am SB - Terminal vorgenommen habe, noch zwischen EC - Karten oder einfachen Sparkassen - Karten Besitzern differenziert habe. Auch ein Ausgrenzen von Kunden anderer Institute, war mir durch das gegebene Datenmaterial nicht möglich. Es ist jedoch anzumerken, dass dieser Anteil sehr gering ist, und somit wohl zu keiner Verfälschung der Ergebnisse führt.

Beispiel: Matrix für Oktober 2002

Abbildung in dieser Leseprobe nicht enthalten

1. Analyse auf Monatsbasis

Schon zu Beginn der Analyse stößt man auf eine Vielzahl von Problemen, welche dieses Datenmaterial mit sich bringt.

Als erstes wäre hier der Aspekt zu nennen, dass diese Geräte doch noch relativ neu und somit für viele Kunden ungewohnt sind. Sie müssen lernen mit den Terminals umzugehen und sich an deren Anwendung gewöhnen. Deshalb werden gerade jün- gere Menschen von diesem Datenmaterial umfasst. Letztendlich haben wir also nicht nur einen relativ geringen Zeitraum für eine ordentliche Datenerhebung zur Verfü- gung, sondern stehen außerdem noch vor dem Problem, eines klaren positiven Trends bezüglich der Nutzung.

Beides, sowohl der kleine Erhebungszeitraum als auch das Wachstum, machen eine signifikante Prognose und Analyse schwer. Die folgende Grafik soll das Problem für diese Analyse, aber auch den erfreulichen Trend für die Sparkasse verdeutlichen.

Abbildung in dieser Leseprobe nicht enthalten

Wie man sehen kann ergeben sich hieraus keine Ergebnisse zu nutzungsstarken oder auch schwachen Monaten. Allein die Tatsache das an Arbeitstagen eine viel höhere Nutzung stattfindet wird gestützt. Das gleiche Resultat erhält man übrigens auch, wenn man anstatt der Analyse über die Nutzer an bestimmten Wochentagen, sich der Zahlen bedient, welche die Nutzung zu bestimmten Tageszeiten darstellen. Um dieses unübersichtliche Konstrukt ein wenig aufzulösen habe ich mich für eine Trenddarstellung verschiedener statistischer Größen bedient. Sowohl arithmetisches, geometrisches und harmonisches Mittel, als auch eine Summierung der Einzelergebnisse führen zu dem gleichen Verlauf der Trendlinie.

2. Analyse auf Wochentagbasis

In einem nächsten Schritt habe ich nun die Nutzung der Terminals zu bestimmten Wochentagen analysiert, um zu erkennen, welche Tage tendenziell stärker frequen- tiert sind als andere. Auch hier kann man nicht von einem einheitlichen Ergebnis sprechen. So haben wir einige Monate an denen der Kundendurchlauf Richtung Wo- chenende stetig abnimmt, aber auch solche, welche ein umgekehrtes Bild aufweisen oder sogar einzelne Spitzen aufweisen. Der Grund hierfür sind wahrscheinlich ban- kentypisch starke Tage wie der Monatserste, Medio und Ultimo. Aber auch Ferien- zeiten oder bestimmte Sonderaktionen können hier eine Rolle spielen. Auch dieses Problem konnte ich leider nicht weiter untersuchen, da das vorliegende Datenmateri- al keine Auskunft darüber gibt.

Der folgende Chart soll diese Problematik ein wenig visualisieren.

Abbildung in dieser Leseprobe nicht enthalten

Betrachtet man aber nicht jeden Monat einzeln, sondern summiert die Werte der einzelnen Tage aller Monate einmal auf, so kommt man zu folgendem Ergebnis.

Abbildung in dieser Leseprobe nicht enthalten

In diesem Diagramm kann man klar erkennen, dass zum Teil deutliche Unterschiede von Tag zu Tag bestehen. Wenn man einmal bedenkt, dass hier auch ein erheblich größerer Datensatz (56 Wochen) zur Verfügung steht, so kann man schon von einer gewissen Aussagekraft dieses Ergebnisses sprechen.

Demnach besteht auf jeden Fall montags der höchste Kundenbesuch. Dieser flacht zur Wochenmitte hin ab und hat am Donnerstag seinen Tiefpunkt. Erst am Freitag scheinen die Menschen wieder mehr Bankgeschäfte zu tätigen. Intuitiv scheinen diese Ergebnisse auch sinnvoll. So ist nach dem Wochenende der größte Andrang, da ja 2 Tage vorangingen, an denen Bankgeschäfte nur selten getä- tigt werden. Viele Menschen werden außerdem Geld für die Woche brauchen und dies mit weiteren Aktionen in der Sparkasse verknüpfen. Ich denke diesen Punkt kann man unter der Tatsache annehmen, dass mit Sicherheit eine gewisse Korrelati- on zwischen Geldautomaten- und SB - Terminalnutzung besteht. Zur Wochenmitte hin nehmen die Werte ab, da mehr und mehr Kunden ihre Aufgaben erledigt haben. Erst wenn das Wochenende vor der Tür steht, steigen die Zahlen wieder ein wenig an.

So kann man hier durchaus von Unterschieden im Wochenverlauf reden. Diese könnten ein Ansatzpunkt für Kapazitätsmanagement sein.

3. Analyse auf Stundenbasis

In einem letzten Schritt habe ich nun die interessanteste und wohl auch für dieses spezifische Projekt wichtigste Analyse vorgenommen, nämlich die auf Basis einzelner Stunden eines Tages.

Schon bei der Aufbereitung des Datenmaterials jedes einzelnen Monats ist eine gleichartige Struktur zu erkennen. Die gemeinsame Darstellung aller 13 Monate in einem Diagramm sowie die Vereinheitlichung mittels statistischer Methoden nährt die Hoffnung, einen weiteren Ansatzpunkt für Kapazitätsmanagement gefunden zu ha- ben.

Abbildung in dieser Leseprobe nicht enthalten

Scheinbar haben wir im relevanten Bereich, also zwischen 8 und 18 Uhr, Spitzen in der Nutzung im Bereich 8- 12 Uhr sowie 14- 17 Uhr und eine Flaute im Bereich 12 - 14 Uhr.

Betrachtet man dieses Ergebnis jedoch genauer, so ist der Einfluss von Bandbrei- teneffekten klar erkennbar. Die Spitzenzeiten umfassen einen viel größeren Zeitraum als die Flaute. Diese Ergebnisse enthalten also keine Aussagekraft. Wenn man diese Effekte nun beseitigt und auch nur den relevanten Bereich analy- siert, so kommt man zu Resultaten, welche den Vorherigen im Prinzip gegenläufig sind.

Abbildung in dieser Leseprobe nicht enthalten

Doch auch hier sehen wir uns dem gleichen Problem gegenüber, wie bei den vorhe- rigen Analysen. Die Daten sind zu ungenau. Für eine wirklich genaue Analyse bräuchte man zumindest für jede volle Stunde eine Auswertung der SB - Terminals. Damit könnte man auch den Bandbreiteneffekt wirkungsvoller beseitigen, als ich das hier getan habe.

Es liegt die Vermutung nahe, dass gerade auf Basis der Stundenanalyse erhebliches Potential besteht, die Auswertung der SB - Terminals dieses aber nicht aufzeigen kann.

4. Fazit

- Die Analyse der SDS - Statistik zeigt auf jeden Fall, dass Potential für Kapazi- tätsmanagement besteht.
- Die Datenerhebung müsste jedoch viel genauer sein, um wirklich signifikante Er- gebnisse zu bekommen.
- Ein großes Fragezeichen besteht bezüglich der Bewertung der Ergebnisse. Wie groß ist der Anteil der Nutzer, der auch wirklich während seines Besuches Mitarbeiter in Anspruch nimmt?
- Möglichkeit der Einführung eines Scoring - Modells, welches SDS - Statistik be- inhaltet, aber nicht so hoch bewertet wie andere Faktoren. (z.B. Terminvereinbarungen, spontane Besuche, KAD, Kasseposten...)
- Diese Analyse muss auf Geschäftsstellen ausgeweitet werden, welche für Kapa- zitätsmanagement in Frage kommen.

[...]