Je to prostý fakt, každý podnik na světě může těžit ze shromažďování a analýzy zákaznických dat. Nikde nemohou efekty využití dat hrát větší roli nebo mít pozitivnější dopad než v odvětví parkování. Čas příjezdu, časový limit, sazby, délka pobytu, události, povětrnostní podmínky atd. – to vše hraje roli v každodenních operacích parkování a následně ve zdůraznění využití zařízení a vzorců parkování.

Ačkoli shromažďování dat může být trochu problém, skutečná práce začíná, jakmile je shromáždíte. Vědět, že 86 vozidel prošlo vašimi branami mezi 8:00 a 9:00 je skvělé, ale jak můžete tento druh dat zpeněžit? Zde vstupuje do hry analýza dat; pomáhá přeměnit nezpracovaná data na peníze a zlepšuje rozhodovací proces. Zde jsou mé myšlenky na nový trend analýzy dat v odvětví parkování a na to, jak zajistit, aby váš operátor proměnil nezpracovaná data v nezpracovaná úspěšná.

"Data jsou nová ropa"

Velkým rozruchem pro společnosti v dnešní době je, že „data jsou nová ropa“. Bohužel zatím nedošlo k žádnému „gejzíru“ informací, které by proudily od provozovatelů parkoviště nebo parkovacího průmyslu. Téměř každý provozovatel parkoviště na světě nabízí pro své klienty nějakou formu řešení „Data Analytics“ nebo „Business Intelligence“, ale pravdou je, že většina operátorů má velmi primitivní prostředky pro sběr dat a vyčlenila velmi málo kapitálu na rozvoj této nové technologie. zdroj. Většina operátorů se rozhodla odložit budoucí růst analýzy dat na poskytovatele třetích stran, jako jsou Smarking. Alternativně dodavatelé parkovacího vybavení konečně začali vyvíjet mnohem trvalejší úsilí při kultivaci analýzy dat jako produktu/služby. Vzhledem k tomu, že jejich zařízení obvykle stejně shromažďuje data o parkovištích, proč neintegrovat datovou platformu a analytické nástroje také pro klienty? Dává to smysl, že?

Co ale mohou nebo by měli provozovatelé parkovišť dělat s daty, která získají? Jak mohou tyto informace využít ke zlepšení výnosů z parkování a provozu pro své klienty?

Zde je mých pět (5) nejlepších doporučení při zvažování řešení Data Analytics nebo Business Intelligence s vaším provozovatelem parkoviště:

1. Ověřitelné

Operátoři musí potvrdit, že sběr nezpracovaných dat (např. za jeden měsíc) z parkovacího zařízení lze ověřit oproti vykazovaným výnosům, aby se zajistilo, že v základních datech nebudou žádné nesrovnalosti nebo mezery (např. chybějící transakce, platby, události brány atd.) před být používán v jakékoli platformě nebo aplikacích Business Intelligence.

2. Pilot

Operátoři musí jasně prokázat osvědčené schopnosti nebo zdroje jimi navrhovaných řešení Business Intelligence. Zobrazení prezentace PowerPoint s různými snímky obrazovky počítače nestačí. Měli byste být schopni vidět práci produktu v reálném čase ve skutečném zařízení.

3. Přizpůsobitelné

Provozovatelé musí zajistit, že údaje o parkování budou pro každé parkoviště přístupné ve více formátech a že budou odpovídat provozním charakteristikám specifickým pro dané místo (např. venkovní plochy vs. počasí, délka pobytu, když je zařízení obsazeno vs. bez personálu, odpovídající objemy transakcí , rozdělené podle sazeb, za den/měsíc/rok atd.) Čím podrobnější údaje obdržíte, tím lépe!

4. Hlášení

Operátoři musí prokázat, jak plánují využívat údaje o parkování, aby vám mohli poskytovat užitečné zprávy. Pokud například 48% parkujících, kteří vstoupí na letištní parkoviště mezi 6:00 a 10:00, zaparkuje v garáži nejblíže vjezdu/výjezdu z terminálu a je odpovědných za generování 70% z celkových příjmů z parkovacího zařízení, co to znamená? Proč je to významné? Pokud je v tomto příkladu provozovatel parkoviště schopen prezentovat data tak, aby upozornil na vyšší procento cestujících, kteří v tomto zařízení opustili/vyzvedli nebo krátkodobě zaparkovali (zejména kvůli těsné blízkosti terminálu), mohl by klient zvážit (nebo zdůvodnit ) možné zvýšení sazeb nebo variabilní cenové struktury (na základě poptávky a denní doby). Zeptejte se svého operátora, jak plánuje využít shromážděná data.

5. Předvídání

Provozovatelé parkovacích míst musí být schopni poskytnout skutečné případové studie o tom, jak jejich řešení Business Intelligence využívala historická data o parkování k předpovídání budoucích požadavků na obsazenost parkovacího zařízení nebo nízké obsazenosti v jiných časech. Jejich řešení Business Intelligence musí být schopna analyzovat data a předvídat (s přiměřenou jistotou) vzorce parkujících ve dnech, týdnech nebo měsících atd. To by bylo zvláště důležité pro každého, kdo chce zavést strategii pro variabilní nebo „dynamické“ stanovování cen.

Údaje o parkování jsou užitečné pouze tehdy, jsou-li využívány správně a na maximální potenciál. Sběr dat je pouze prvním krokem k úspěšné realizaci a implementaci analytického řešení, proto hledejte osvědčeného poskytovatele produktů a služeb. Jedině tak budete schopni proměnit nezpracovaná data na nezpracovaná úspěšná ve vašem parkovacím zařízení.

OSTATNÍ ZDROJE pro automobilový průmysl a parkování

Odkazovat na Kategorie Automotive and Parking pro kontrolní seznamy, návody a osvědčené postupy pro automobilový a parkovací průmysl.

O autorovi:

Ross Frangos je prezidentem a zakladatelem AuditPark Services Inc., parkovací poradenská firma se sídlem v Torontu ON. Specializuje se na žádosti o návrh, parkovací doklady a asistenci svým klientům při zajišťování služeb správy parkování.

Nejlepší maloobchodní a pohostinské značky ve Spojených státech používají Bindy k provádění programů a standardů stránek.