Pagi Sepi, Siang Penuh: Cara Pakai Data Penjualan untuk Atur Jadwal dan Stok

Kamu Sudah Punya Datanya — Tinggal Dipakai

Hampir semua pemilik bisnis F&B tahu kapan jam sibuk dan jam sepi di tokonya. Biasanya berdasarkan feeling — "kalau Sabtu siang pasti rame" atau "Senin pagi biasanya sepi." Dan feeling itu seringkali nggak salah.

Masalahnya, keputusan berdasarkan feeling cenderung kasar. Kamu tahu Sabtu lebih rame dari Senin, tapi seberapa rame? Jam berapa puncaknya? Produk apa yang larinya beda antara weekday dan weekend? Jawaban-jawaban spesifik ini sebenarnya sudah ada di data penjualan POS kamu — tapi jarang dibuka.

Artikel ini nggak bahas teori analisis data yang rumit. Yang kita bahas adalah langkah-langkah praktis untuk mulai pakai data yang sudah ada, supaya jadwal staff lebih pas dan persiapan stok lebih akurat.

Kenali Pola Traffic Harian

Langkah pertama: buka laporan penjualan per jam selama 2-4 minggu terakhir. Yang kamu cari adalah pola — bukan angka persis. Pertanyaan yang perlu dijawab:

• Jam berapa transaksi mulai naik? Ini bukan jam buka toko — ini jam pertama ada lonjakan nyata.
• Jam berapa puncaknya? Biasanya ada 1-2 puncak per hari (lunch rush dan kadang afternoon peak).
• Jam berapa transaksi mulai turun signifikan? Ini yang menentukan kapan kamu bisa kurangi staff.
• Ada nggak "dead zone"? Jam di mana hampir nggak ada transaksi sama sekali.

Dari pengalaman kami ngobrol dengan pemilik kafe, pola yang paling umum di Indonesia: sepi jam 8-10, mulai naik jam 11, puncak jam 12-13 (lunch rush), turun jam 14-15, kadang naik lagi jam 16-17 (afternoon coffee), lalu menurun sampai tutup.

Tapi pola kamu bisa sangat berbeda — kafe dekat kampus punya pola yang beda banget dari coffee shop di area perkantoran. Makanya data spesifik toko kamu yang harus jadi acuan, bukan asumsi umum.

Jadwal Staff: Ikutin Data, Bukan Kebiasaan

Kesalahan paling umum: jadwal staff yang sama setiap hari, sepanjang minggu. Semua kasir masuk jam 8, pulang jam 16, terlepas dari apakah hari itu Selasa atau Sabtu.

Kalau data menunjukkan Selasa pagi cuma ada 5-10 transaksi per jam, tapi Sabtu siang bisa 30-40 transaksi per jam, kenapa jumlah staff-nya sama?

Pendekatan yang lebih masuk akal:

• Shift bertingkat. Nggak semua orang harus datang di jam yang sama. Kalau puncak mulai jam 11, kasir kedua bisa masuk jam 10:30 — bukan jam 8.
• Hari berbeda, jumlah berbeda. Weekday mungkin cukup 1 kasir, weekend butuh 2-3. Ini bukan soal irit — ini soal alokasi yang tepat.
• Buffer sebelum puncak. Kasir tambahan sebaiknya sudah ada 30 menit sebelum jam puncak, bukan datang pas rush sudah mulai. Perlu waktu untuk handover dan setup.

Efek sampingnya positif: staff yang kerja di jam-jam produktif cenderung lebih engaged dibanding yang duduk-duduk nunggu pelanggan selama 3 jam pertama shift.

Stok dan Prep: Berdasarkan Histori, Bukan Perkiraan

Ini area di mana data penjualan paling langsung dampaknya. Kalau kamu punya data mingguan tentang berapa banyak Americano, Nasi Goreng, atau Croissant yang terjual, kamu bisa memprediksi kebutuhan bahan dengan jauh lebih akurat.

Pendekatan sederhana:

• Cek 3 minggu terakhir per produk per hari. Ambil rata-rata. Itu baseline prep kamu.
• Tambahkan buffer 10-15% untuk variasi normal. Kalau rata-rata Americano hari Rabu 40 cup, prep untuk 45.
• Weekend biasanya naik signifikan dari weekday — tapi cek data spesifik kamu, jangan pakai asumsi generik.
• Perhatikan tren. Kalau suatu produk naik 3 minggu berturut-turut, prep harus dinaikkan. Sebaliknya, produk yang trennya turun bisa dikurangi — atau perlu evaluasi kenapa.

Yang sering terjadi tanpa data: prep terlalu banyak (bahan terbuang) atau terlalu sedikit (produk sold out di jam puncak, pelanggan kecewa). Keduanya bikin rugi — yang satu buang bahan, yang satunya buang peluang.

Weekday vs Weekend: Beda Pola, Beda Strategi

Jangan anggap seminggu itu satu pola. Dari data penjualan, biasanya kamu akan lihat setidaknya 2 pola berbeda:

• Pola weekday: lebih predictable, didominasi lunch crowd (karyawan kantor/mahasiswa), peak time pendek tapi intense, produk yang lari biasanya menu utama.
• Pola weekend: traffic lebih tersebar sepanjang hari, peak time lebih lama tapi mungkin nggak se-intense weekday lunch, produk minuman dan snack bisa naik proporsinya.

Implikasinya ke operasi:

• Weekday: fokus ke kecepatan di window 2-3 jam puncak. Semua harus sudah siap sebelum rush.
• Weekend: fokus ke konsistensi sepanjang hari. Stok harus tahan dari pagi sampai sore.

Kalau kamu belum pernah membandingkan data weekday vs weekend secara terpisah, coba sekali. Hasilnya sering mengejutkan — mix produk yang terjual bisa sangat berbeda.

Produk Mana yang Sebenarnya Penting?

Data penjualan juga membantu kamu fokus ke produk yang benar-benar matter. Seringkali ada produk yang kamu pikir penting (karena sering ditanyakan atau kamu secara personal suka) tapi kontribusinya ke revenue kecil. Sebaliknya, ada "silent performer" — produk yang nggak mencolok tapi konsisten laku setiap hari.

Cek laporan per produk dan urutkan berdasarkan jumlah terjual. Biasanya kamu akan lihat pola 80/20 — sekitar 20% produk menghasilkan mayoritas penjualan. Ini yang harus diprioritaskan dalam prep, display, dan ketersediaan stok.

Produk yang jarang terjual bukan berarti harus dihapus — tapi kamu perlu jujur soal berapa effort yang kamu kasih ke prep-nya vs return yang dihasilkan.

Mulai dari Mana?

Kamu nggak perlu jadi data analyst untuk mulai. Langkah pertama yang bisa kamu lakukan minggu ini:

• Buka laporan penjualan per jam untuk 2 minggu terakhir. Cukup lihat, belum perlu hitung apa-apa.
• Tandai pola yang kamu lihat. Jam berapa peak? Kapan dead zone? Weekend beda nggak?
• Satu perubahan kecil. Geser jadwal masuk kasir kedua 1 jam, atau adjust prep quantity satu produk berdasarkan rata-rata. Kecil dulu.
• Evaluasi 2 minggu kemudian. Apakah waste berkurang? Apakah sold-out berkurang? Apakah staff idle time berkurang?

Data penjualan itu aset yang sudah kamu punya tapi sering nggak dimanfaatkan. Nggak perlu tools tambahan, nggak perlu ilmu statistik — cuma perlu kebiasaan buka laporan dan bikin keputusan berdasarkan apa yang kamu lihat, bukan apa yang kamu rasa.