你的員工累了嗎？零售門市排班的新思維--從「流量配對」到「留才戰略」的管理典範轉移
作者：李中溱(科技管理與智慧財產權所產業組博士生；上芳皮件工業股份有限公司(台灣)品牌執行長)
與談學者：莊皓鈞(資訊管理學系教授)
前言：昂貴的人力，與更昂貴的流失
零售業是高度勞力密集的產業。在美國，人力成本約佔5兆美元年零售額的15%，相當於每年7,500億美元的人事支出 (Meiras, 2017)。台灣雖無官方統一數據，但以2024年零售業規模約4.85兆新台幣推估，實體門市的人力成本佔比往往落在15%至25%之間，甚至更高。經濟部調查顯示，約45%的零售業者將「勞動成本提高」列為前三大經營困境。正如 Fisher et al. (2021) 所指出，門市人力管理是零售獲利營運最重要的因素之一——人力，無疑是零售業最昂貴也最關鍵的資源。如此龐大的投資，我們真的用對了嗎？
長期以來，門市排班的黃金法則是「流量配對」：顧客多的時段多排人，顧客少的時段少排人，讓每個時段的「顧客—員工比」維持在合理水準。這個邏輯看似無懈可擊，卻忽略了一個關鍵問題：同樣是下午五點當班的員工，為什麼從早上十點就開始工作的人，表現往往不如剛接班的同事？
這個問題在當前台灣的勞動市場脈絡下尤其值得深思。台灣正面臨「生不如死」（出生率低於死亡率）的人口結構危機，零售業者面臨的挑戰已不僅是成本控制，更是嚴峻的「缺工海嘯」。根據人力銀行調查，零售業基層人員的年流動率超過50%，許多門市「一年走一輪」已是常態。高流動率的背後，除了薪資與職涯發展因素，是否也與第一線員工長期承受的身心負荷有關？
Chen與Chuang於2023年發表於《Omega》期刊的研究「Time to shift the shift」，首次以大規模實證數據揭示了「累積服務接觸（Cumulative Service Encounters, CSE）」效應的存在：員工在一天中累積的服務負荷，會顯著削弱其後續的銷售表現。這不只是員工的主觀感受，更是可量化、可預測、可管理的營運變數。
對於每天都在思考「人要怎麼排」的店長與區經理而言，這篇研究提供了嶄新的視角：排班不只是配對流量的數學題，更是管理人類疲勞的心理題。而在缺工時代的台灣，這個視角還需要進一步延伸——排班的戰略目標，必須從「榨出最大產能」轉向「降低離職率」，從利潤優化走向留才戰略。
只看流量是不夠的——人力配置忽略了「累積疲勞」這個隱形成本
傳統零售門市的排班邏輯建立在一個看似合理的假設上：只要讓每個時段的「顧客—員工比」維持在合理水準，人力配置就算到位。Chen與Chuang的研究揭示了這個框架的根本盲點——它只關注「當下的流量」（flow variable），卻完全忽略了「累積的服務負荷」（stock variable）對員工生產力的侵蝕。
研究者以一個簡單的對比說明這個問題：以樣本數據而言，上午11點與下午5點這兩個時段，員工面對的「當時顧客—員工比」幾乎相同，都約為11位顧客對1位員工。若依循傳統的流量配對邏輯，這兩個時段應該有相似的銷售產出。但實際情況是，到了下午5點，員工一整天累積的「顧客—員工比」已從上午11點的18暴增至88。這個累積的服務負荷，正是傳統排班模型從未納入計算的「隱形成本」。
研究透過超過200萬筆門市—小時觀測值的實證分析，證實了累積服務接觸（CSE）對員工生產力的負向影響在統計上顯著（p<0.01）。具體而言，隨著CSE增加，員工促成交易的轉換率平均每小時下降0.02個百分點，每筆交易的銷售金額則平均減少$0.21美元。這些數字看似微小，但累積效果相當驚人：單一門市因CSE效應造成的日均營收損失約為$41.47美元，整個連鎖體系（191家門市）的日均損失則高達$9,991美元。在高流量的繁忙日子裡，單一門市日均營收損失更可攀升至接近$200美元。
這個發現挑戰了業界長期奉行的「流量配對」原則，並指出：真正完整的人力配置模型，必須同時考量「當期流量的即時需求」與「跨時段累積的服務負荷」兩個維度。排班，從來不只是單一時段的最適化問題，而是一整個營業日的動態管理議題。
在高接觸、低轉換的零售環境中，疲勞往往勝過學習
理論上，累積服務接觸可能帶來兩種截然相反的效果。一方面，根據組織學習理論，員工透過反覆服務顧客，可能累積經驗、精進銷售技巧，從而提升績效——這是「學習效應」。另一方面，根據心理負荷理論，持續的服務接觸會消耗員工的認知資源，導致疲勞、判斷力下降——這是「疲勞效應」。究竟哪一方會佔上風？
研究結果明確顯示：在服飾零售這類「高接觸、低轉換」的環境中，疲勞效應全面壓過學習效應。實證分析中，衡量CSE對員工促成交易能力影響的三階交互項係數（β7）為負值且顯著（-4.2e-07, p<0.01），衡量CSE對每筆交易銷售金額影響的係數（γ7）同樣為負值且顯著（-0.0004, p<0.01）。這意味著，隨著一天中累積服務的顧客數增加，員工的整體銷售生產力呈現系統性下滑。
更有趣的是，研究者進一步將樣本拆分為「上午時段（10:00-14:00）」與「下午時段（15:00-20:00）」進行分析，發現了一個重要的時間動態：在上午時段，CSE對轉換率的影響係數竟然為正值（2.14e-07, p<0.01），顯示存在輕微的「暖身」或「學習」效應——員工似乎需要一些服務經驗來「進入狀況」。這就像是員工的「可充電電池」，早上剛開機時需要暖機。這個正向效果到了下午時段便徹底翻轉，係數轉為負值（-4.06e-07, p<0.01），疲勞效應開始全面主導。值得注意的是，無論上午或下午，CSE對「每筆交易銷售金額」的影響都是負向的，顯示員工的追加銷售能力（如交叉銷售、向上銷售）對累積疲勞更為敏感。
為什麼學習效應在這個情境中如此有限？研究者提出三個關鍵解釋。第一，低轉換零售環境的任務高度異質——每位顧客的需求、偏好、購買動機都不同，員工很難將服務某一位顧客的經驗直接轉移到下一位。第二，顧客到達的時間不規則且無法預測，員工難以透過反覆練習將服務流程內化為長期記憶。第三，也是最關鍵的，零售環境中員工經常需要同時應對多位顧客，頻繁的任務切換與自我中斷會增加約30%的心智負荷，加速認知資源的耗竭。
這個發現對台灣零售業的意涵尤為重要。台灣的服務文化強調主動、熱情、細膩的顧客接待，員工不僅需要處理商品諮詢，還需要投入大量的情緒勞動。這種高度的服務期待，可能讓疲勞效應的累積更為迅速，學習效應的空間更為有限。
真正的排班優化，不是多請人，而是把人放在對的時段
這篇研究最具實務價值的貢獻，在於它不只診斷問題，更提出了可操作的解方。研究者建構了一個數學規劃模型，將實證分析所估計的CSE效應係數納入排班決策，並與傳統「忽略CSE」的排班方式進行比較。結果顯示：在完全不增加任何人力成本的前提下，僅僅透過重新配置班表結構，門市銷售便可提升1.7%至2.0%。
以該連鎖體系的營運規模換算，若每家門市採用考量CSE的最適排班，即使在日流量僅為第25百分位數（相對較淡的日子）的情況下，單一門市每年可額外增加約$16,000美元的營收。這個數字，完全來自「把現有的人放在更對的時段」，而非「多請人」。
最適排班與傳統排班的差異呈現出一個值得注意的規律：當日流量較高時，考量CSE的最適排班會在營業初期（上午10-11點）配置較少人力，但在接近營業尾聲（晚間8-9點後）補強人力配置。這個策略的邏輯是：既然下午至晚間時段員工已累積大量服務負荷、生產力已被侵蝕，那麼增加這些時段的人力配置，可以用「人數」來彌補「人效」的下滑，維持整體服務能量。
研究也提醒，最適排班的具體模式會隨當日流量分布而異。在中等流量的日子裡，最適策略甚至可能是在營業初期配置較多人力，這是因為不同流量型態下，CSE的累積軌跡與對績效的影響程度並不相同。這意味著，門市店長不能套用單一的「萬用班表」，而需要根據預測的每日流量型態（可透過歷史數據辨識為「低流量日」、「中流量日」、「高流量日」等類型），動態調整班表配置。
這個發現將排班決策從「被動跟著流量走」的反應式思維，升級為「前瞻管理人力生產力」的策略性決策。對於已導入人流計數系統的零售業者而言，這項研究提供了一個將流量數據價值最大化的新應用場景：流量預測不只能用來「人力的適配」，更能用來「關注人員的心態」——在預判員工疲勞將開始侵蝕績效之前，主動補強人力配置，讓排班真正成為績效管理的戰略工具。
超越利潤優化：缺工時代的排班新變數
研究最讓人激賞之處，在於它首次以大規模實證數據量化了CSE效應的存在與影響，並提出了透過班表結構調整來抵消疲勞的具體方案。這項研究的處方主要聚焦於「排班最佳化」這單一管理槓桿，對於企業可能採取的其他相關措施著墨較少，這也為後續研究留下了值得探索的空間。
更重要的是，若排班研究只停留在利潤優化的層次，那麼在數學模型上其實已經做到相當精緻了。面對台灣嚴峻的勞動力短缺，排班的戰略目標必須從榨出最大產能轉向降低離職率（Retention）。基於此，Chuang表示未來的零售排班可納入兩個過去常被忽略，卻對留才至關重要的變數：
第一，公平性（Fairness）：不患寡而患不均。在傳統排班中，只要工時總數符合法規即可。但在現實中，員工會進行社會比較：「為什麼我都排週末？」、「為什麼好上的班都是他在上？」。即使數據上工時相同，但若班表分配讓員工在心理上感到相對剝奪，這種「隱性的不公平」將直接導致員工滿意度下降與離職。因此，排班系統必須將「心理公平性」納入演算法的限制條件中。後續研究可探討如何量化員工對班表公平性的感知，並將其納入排班最佳化模型的目標函數或限制式。
第二，穩定性（Stability）：可預測的生活節奏。許多年輕員工或有家庭的員工，更在意班表的「可預測性」。如果班表變動過大（如這週一三五、下週二四六），將嚴重干擾員工的生活規劃。研究顯示，提升班表的穩定性，讓員工能掌控自己的時間，其留才效果往往不亞於薪資激勵。後續研究可檢驗班表穩定性與員工離職率之間的關係，並探討在追求營運效率與維持班表穩定性之間如何取得平衡。
CSE效應的潛在調節機制：四個可探索的研究方向
本研究聚焦於透過人力配置來「適應」CSE的負面影響，這為後續研究開啟了一個值得深入探討的問題：除了調整排班之外，是否存在其他管理機制能夠「調節」甚至「削弱」CSE效應本身？以下根據干預層次的不同，提出三個具有研究潛力的方向：
第一，薪酬結構與CSE時間動態性的契合度。 本研究發現員工生產力存在顯著的日內變異，但現行零售業的績效薪酬多以日或月為計算單位，隱含地假設員工產能在營業時段內維持恆定。這種制度設計是否與CSE的時間動態性產生結構性的不匹配？例如，固定底薪加上以日為單位的銷售獎金，可能無法區分「早班達成業績」與「晚班達成業績」的難度差異。Tan與Netessine（2014）發現餐廳服務員會策略性地調整努力分配，若此現象同樣存在於零售情境，則薪酬結構可能成為影響CSE效應強度的重要調節變數。後續研究可比較採用不同獎金計算週期（如時薪制獎金 vs. 日薪制獎金）的企業，檢驗CSE效應是否存在系統性差異。
第二，數位輔助工具對認知負荷累積的潛在緩解作用。 本研究指出CSE效應部分源自任務多樣性導致的認知資源耗竭。根據Wickens（2008）的多重資源理論，認知容量的限制是導致疲勞效應的核心機制之一。這帶出一個值得探索的問題：若透過數位工具——例如顧客需求分類系統、銷售話術推薦、或CRM歷史紀錄查詢——將部分認知任務外包給系統，是否能減緩CSE的累積速率？此類工具的理論價值在於將高強度的即時判斷任務轉化為低強度的資訊檢索任務，從而釋放員工的認知資源用於人際互動。然而，數位工具的導入也可能產生新的認知負擔（如系統操作學習成本），其淨效果究竟為正或為負，有待實證研究釐清。
第三，員工培訓與認知基模建構的可能性。 本研究發現任務多樣性會削弱學習效應，原因在於不同顧客的服務經驗難以直接遷移。然而，認知心理學的基模理論（schema theory）提供了另一種思考方式：專家與新手的差異不在於記憶容量，而在於專家擁有更豐富的問題類型框架，能快速將新問題歸類並提取對應策略（Chi, Feltovich, & Glaser, 1981）。這引發一個研究問題：系統化的員工培訓若能將多樣化的顧客需求歸納為有限的「服務情境類型」，是否有助於員工建立可遷移的認知框架，從而降低每次服務的認知消耗？此方向可與組織學習文獻中關於「知識結構化」（knowledge codification）的研究進行對話。
第四，員工異質性與CSE效應的個體差異。本研究在實證分析中將員工視為同質的分析單位，以門市層級的總工時作為人力投入指標。然而，組織行為學的研究已廣泛證實，員工績效分布往往呈現顯著的右偏特性——少數高績效員工（star employee）對組織產出的貢獻遠超出其人數比例（Aguinis & O'Boyle, 2014）。在零售服務情境中，此異質性可能表現為：部分員工具備較強的人際互動能力、較高的顧客轉換率、或較佳的壓力調適能力。
此觀察引發一個具有理論與實務意涵的研究問題：CSE效應是否在不同特質的員工之間存在系統性差異？具體而言，高績效員工的CSE累積曲線是否較為平緩？若此異質性確實存在，其背後的機制為何——是源自較佳的情緒調節能力、更豐富的服務經驗基模、抑或是較高的內在工作動機？
從人力配置的角度而言，若員工對CSE的敏感度存在個體差異，則最適排班策略可能不僅涉及「各時段配置多少人力」，還涉及「各時段配置何種特質的人力」。此方向可結合人力資源管理文獻中關於員工—職位適配（person-job fit）以及策略性人力資源配置（strategic workforce deployment）的研究加以發展。後續研究若能取得員工層級的績效資料，將有助於檢驗上述命題，並為零售業的差異化人力管理提供實證基礎。
從「人是資源」到「人會疲勞」，從「算計人頭」到「在乎人心」
這篇研究最深刻的貢獻，或許不在於那2%的銷售提升潛力，也不在於每日近萬美元的損失量化，而在於它邀請我們重新思考零售人力管理的基本假設。
傳統的營運管理思維，傾向將員工視為可計算、可調度的「資源」——就像貨架上的商品或倉庫裡的存貨，需要多少就配置多少，用完這批換下一批。但Chen與Chuang的研究提醒我們一個再簡單不過、卻長期被忽略的事實：員工是會疲勞的人，而疲勞是有成本的。
這個洞察，讓筆者想到一個貼切的比喻：員工就像充電電池。每一次的服務接觸，都是一次放電；而電池的特性是，隨著使用頻率增加，不只當下的電量會減少，連「充電後能恢復的總電量」也會逐漸遞減。傳統的排班邏輯只關心「現在還有沒有電」（當下的顧客—員工比），卻從不過問「這顆電池今天已經充放電幾次了」（累積服務接觸）。結果就是，我們讓已經反覆放電多次的員工，在最需要電力的晚間尖峰時段繼續硬撐，然後困惑為什麼業績總是不如預期。
更重要的是，這篇研究為「員工關懷」提供了堅實的商業論證。過去，當人資部門主張「要體諒第一線同仁的辛勞」時，常常被視為「軟性訴求」，難以在講究數字的經營會議上取得話語權。但現在，我們有了具體的數據：忽視員工疲勞，每天每店將有銷售損失，全年累積下來是一筆可觀的營收流失。善待員工，不再只是「應該做的事」，更是「划算的事」。
而若要將這份研究落地於台灣的缺工現場，管理者必須展現更高的視野。未來的零售排班，不應只是一套冷冰冰的數學最佳化模型，而應結合DEI（多元、公平、共融）的精神。我們需要從「算計人頭（Headcount）」進化到「在乎人心（Heart）」。當我們的班表能照顧到員工的累積疲勞、尊重他們對公平性與穩定性的需求，並看見明星員工的獨特價值時，員工自然願意留下來，為企業創造無法被演算法取代的服務價值。
Chen與Chuang的這篇研究，就像是為零售業者繪製了一張「疲勞地圖」。它告訴你，在一天的哪些時刻、哪些條件下，你的員工最可能「電力不足」；它也告訴你，只要願意調整班表結構，不需要增加任何人力成本，就能讓同一群人創造更好的業績。有了這張地圖，管理者就能更聰明地調度他們最寶貴的資源——那些每天站在第一線、用微笑與專業為企業創造營收的人。
而這正是「Time to shift the shift」這個標題最深層的意涵：是時候轉變我們對「排班」的思考方式了。不只是轉變班表的結構，更是轉變我們看待員工的視角——從「人是資源」到「人會疲勞」，從「如何榨出最大產能」到「如何維持最佳狀態」，從「成本最小化」到「價值最大化」。
當這個轉變發生時，受益的不只是企業的損益表，更是每一位在門市現場努力付出的工作者。而這，或許才是學術研究最珍貴的價值——它不只解釋世界，更幫助我們打造一個更好的世界。
參考文獻
Aguinis, H., & O'Boyle, E. (2014). Star performers in twenty-first century organizations. Personnel Psychology, 67(2), 313–350. https://doi.org/10.1111/peps.12054
Chen, C.-M., & Chuang, H. H.-C. (2023). Time to shift the shift: Performance effects of within-day cumulative service encounters in retail stores. Omega, 119, Article 102892. https://doi.org/10.1016/j.omega.2023.102892
Chi, M. T. H., Feltovich, P. J., & Glaser, R. (1981). Categorization and representation of physics problems by experts and novices. Cognitive Science, 5(2), 121–152. https://doi.org/10.1207/s15516709cog0502_2
Fisher, M., Gallino, S., & Netessine, S. (2021). Setting retail staffing levels: A methodology validated with implementation. Manufacturing & Service Operations Management, 23(6), 1562–1579.
Meiras, A. (2017, December 29). Retail labor costs: Solving the $50 billion puzzle. Chain Store Age. https://chainstoreage.com/operations/retail-labor-costs-solving-50-billion-puzzle
Tan, T. F., & Netessine, S. (2014). When does the devil make work? An empirical study of the impact of workload on worker productivity. Management Science, 60(6), 1574–1593. https://doi.org/10.1287/mnsc.2013.1852
Wickens, C. D. (2008). Multiple resources and mental workload. Human Factors, 50(3), 449–455. https://doi.org/10.1518/001872008X288394
圖片來源：Google Gemini