Vi vill utföra städning där det behövs som mest, istället för att fokusera på frekvens. Att städa ytor som inte behöver städas skapar inget värde och är ett slöseri med resurser. Omvänt, att inte städa extremt smutsiga lokaler leder till onödigt slitage.
Vi vet att användningen och därmed nedsmutsningen av lokaler varierar över tid. Vissa dagar är regniga och entréerna blir extra smutsiga. Andra dagar är det mycket besökare och gästtoaletterna används mer än andra dagar. Dessa exempel belyser värdet av en flexibel leveransmodell om vi kan identifiera var och när städningen behöver prioriteras. Vi kallar denna typ av leveransmodell för datadriven städning.
Olika typer av information behövs för att underlätta datadriven rensning. Vi kan behöva sensorer som kontinuerligt förser våra lokalvårdare med information om hur många personer som befinner sig i kundens lokaler och hur luftkvaliteten är i varje rum. Information som hjälper lokalvårdarna att prioritera var de ska städa.
Vi kan också behöva titta på säsongsvariationer hos kunden. Kanske kan vi se mönster över tid kopplat till hur lokalerna används och anpassa städningen efter dem, eller använda historiska data och väderprognoser. Ju fler källor vi kan integrera, desto smartare lösningar kan vi erbjuda. Genom att samla in relevant data kan vi optimera våra resurser och leverera en renare upplevelse som bättre bevarar våra kunders fastigheter.