Dave & Buster's es el principal destino de ocio y gastronomía de Estados Unidos, que combina comida de calidad de restaurante con amplias salas de juegos en sus 177 locales repartidos por todo el país, bajo el lema «come, bebe, juega y disfruta». Su modelo de ingresos dual y sus amplios locales con múltiples entradas —que van desde 30.000 hasta más de 70.000 pies cuadrados— exigen una visibilidad precisa del flujo de clientes y de la ocupación para ofrecer un servicio excelente tanto en la restauración como en el entretenimiento.
El reto
Durante años, Dave & Buster’s se basó en procesos manuales y métricas aproximadas. Utilizaba los pases de las «tarjetas de juego» de la sala de juegos como indicador del tráfico, lo que captaba a los clientes que jugaban pero pasaba por alto a quienes venían principalmente a comer —un punto ciego importante—. Los directores generales contaban la ocupación con contadores manuales, una tarea que llevaba mucho tiempo, era imprecisa y alejaba al personal de los clientes. Sin una visión en tiempo real del tráfico real de clientes, a los locales les costaba optimizar la mano de obra, diferenciar entre los clientes que venían a comer y los que venían a jugar, tomar decisiones de distribución basadas en datos y hacer previsiones precisas.
La solución
Dave & Buster’s implementó RetailNext Traffic Analytics en sus 177 locales, colocando sensores en todos los puntos de entrada —incluidas las entradas directas y las conectadas a centros comerciales— e integrando los datos con sus herramientas de BI y su arquitectura de lago de datos. Los sensores registraban el número total de visitantes, la ocupación, los patrones de entrada y el flujo de clientes, y los datos se mostraban tanto en paneles de control web como en aplicaciones móviles para que los responsables pudieran ver el estado de la tienda en tiempo real, desde cualquier lugar.
Los resultados
Los responsables obtuvieron visibilidad instantánea, directamente desde el móvil, de la ocupación, lo que sustituyó al recuento manual y permitió a los equipos centrarse en la experiencia de los clientes. Los datos reales de afluencia de clientes se convirtieron en un nuevo factor a tener en cuenta en las decisiones de dotación de personal y en los modelos de previsión basados en IA y aprendizaje automático, junto con los ingresos históricos y las condiciones meteorológicas, mientras que la transparencia en las 177 tiendas permitió comparar el rendimiento y compartir las mejores prácticas entre los distintos establecimientos.
