Wenn ich Sie fragen würde, was die wichtigsten Faktoren für den Austritt von Mitgliedern aus Ihrem Fitnessstudio sind, was würden Sie mir sagen?
In der Regel ist es eine Kombination aus verschiedenen Faktoren, von denen die meisten von den Mitgliedern nie laut ausgesprochen oder in Austrittsbefragungen erwähnt werden.
In den meisten Fällen handelt es sich jedoch einfach um einen Motivationsverlust.
Es gibt zwar keine Messgröße für den Motivationsverlust, aber es gibt eine ganze Reihe von Faktoren, die Mitglieder - auch unbewusst - zeigen und die Sie darauf hinweisen, dass sie die Motivation verlieren oder abwanderungsgefährdet sind.
Die Identifizierung dieser Faktoren ist für Menschen oder sogar für die besten Datenanalysten nicht einfach, da es einfach so viele Daten zu verarbeiten und zu betrachten gibt, dass es fast unmöglich ist.
Mit maschinellem Lernen können Sie jedoch bestimmte Datensätze zu Ihren Mitgliedern und deren Verhalten auswählen, die von Computern verarbeitet werden können, um das Abwanderungsrisiko eines Kunden zu bewerten und ihn richtig zu binden.
Eine kurze Einführung in maschinelles Lernen und künstliche Intelligenz
Künstliche Intelligenz (KI) ist der Prozess, bei dem komplexe Algorithmen eingesetzt werden, um Entscheidungen auf der Grundlage von Daten zu treffen, die gesammelt, gelernt und verarbeitet werden.
Maschinelles Lernen ist eine wichtige Komponente der KI, die dazu dient, Entscheidungen zu treffen, indem Korrelationen zwischen verschiedenen und oft nicht zusammenhängenden Datensätzen gefunden werden.
Letztendlich fungiert das maschinelle Lernen als Analytiker und die KI als Motor, der auf der Grundlage der Daten Maßnahmen ergreift.
Wie sich dies von Unternehmen zu Unternehmen unterscheidet, hängt von den beteiligten Datensätzen, den Ergebnissen und den ergriffenen Maßnahmen ab. Hier sehen wir uns ein Beispiel dafür an, wie Target maschinelles Lernen in einer seiner Online-Marketingkampagnen eingesetzt hat.
Maschinelles Lernen - Anwendungsfälle
Als Andrew Pole von Target von seinen Marketing-Kollegen gefragt wurde, ob er nicht Korrekte Vorhersage der Schwangerschaft einer Frau anhand des Kaufverhaltensnahm er die Herausforderung gerne an.
Target hat, wie viele andere Unternehmen in der Fitnessbranche, erkannt, dass die Bindung von Kunden wesentlich kostengünstiger ist als die Gewinnung neuer Kunden.
Das Unternehmen wollte gezielt werdende Mütter ansprechen, damit sie alle Umstandsprodukte kaufen, da sie mit hoher Wahrscheinlichkeit auch weiterhin dort einkaufen würden, da es sich um eine Komplettlösung für alle ihre Einkaufsbedürfnisse handelt.
Also setzte Pole maschinelles Lernen ein, um anhand der Kaufentscheidungen einer Frau eine Wahrscheinlichkeit für eine Schwangerschaft zu ermitteln. Sie fanden heraus, dass werdende Mütter häufig Dinge wie große Handtaschen, die auch als Wickeltaschen verwendet werden können, spezielle Lotionen, Nahrungsergänzungsmittel und andere Dinge, die typischerweise von werdenden Müttern gekauft werden, kauften.
Anhand dieser Daten wiesen sie jeder Kundin eine Wahrscheinlichkeit zu, und wenn sie einen bestimmten Prozentsatz dieses Schwellenwerts erreichte oder übertraf, nahm sie an einer Kampagne teil, bei der sie mit Gutscheinen für Mutterschaftsprodukte versorgt wurde.
Der Algorithmus war so treffsicher, dass ein verärgerter Vater einen der Manager einer Target-Filiale ansprach und wissen wollte, warum seine Tochter Gutscheine für Umstandsprodukte erhalten hatte, obwohl sie nicht einmal schwanger war.
Der Manager entschuldigte sich ausgiebig und kam ein paar Tage später erneut, um sich zu entschuldigen, nur um von dem Vater zu erfahren, dass er sich geirrt hatte und seine Tochter tatsächlich schwanger war.
Wie Sie sich vorstellen können, erzielte Target mit dieser Kampagne enorme Ergebnisse, und viele andere Unternehmen nutzen mit Hilfe von maschinellem Lernen betriebene prädiktive Analysen, um ihre Marketing- und Vertriebskampagnen zu steuern.
Maschinelles Lernen und Mitgliederbindung in Fitnessstudios
Wie bereits erwähnt, verfügt jedes Fitnessstudio über eine Fülle von Kundendaten, die es aus unterschiedlichen Gründen nutzt. Wenn es darum geht, verschiedene Datensätze für Kundenbindungszwecke zu nutzen, wird der Prozess in der Regel aus der Perspektive der Besucherzahlen betrachtet.
Die Anwesenheit ist zwar ein starkes Signal, kann aber irreführend sein, wenn sie das einzige Signal ist, auf das Sie achten.
Deshalb ist es wichtig, dass Sie so viele verschiedene Datenpunkte wie möglich berücksichtigen, um besser zu verstehen, warum Personen Ihr Fitnessstudio verlassen haben.
Einige Datenpunkte, die für die Bewertung des Abwanderungsrisikos in Betracht gezogen werden können, sind:
- Historische Anwesenheit
- Käufe im Einzelhandel
- Fortschritte bei der Zielerreichung
- Online-Engagement
- Kursbuchung vs. tatsächliche Anwesenheit
- Langlebigkeit des Vertrags
- Demografische Daten
Dies sind nur einige der Datenpunkte, die zur Bestimmung spezifischer Ergebnisse im Zusammenhang mit der Abwanderung herangezogen werden können. In den meisten Fällen gibt es Hunderte von Faktoren, die bei der Bestimmung eines Risikoprozentsatzes eine Rolle spielen; im Rahmen dieses Artikels werden wir jedoch nur einige wenige Beispiele verwenden.
Bei der Verwendung von Vorhersagemodellen ist es wichtig, so viele Merkmale wie möglich zu definieren, die in ihrer Gesamtheit die Wahrscheinlichkeit eines bestimmten Ergebnisses vorhersagen.
Wir alle wissen zum Beispiel, wie ein Apfel aussieht. Wenn wir jedoch einen Computer darauf trainieren wollten, die Wahrscheinlichkeit vorherzusagen, dass es sich bei einem Gegenstand um einen Apfel handelt, müssten wir zunächst seine Merkmale beschreiben:
- Rot
- Rund
- Frucht
- Wiegt zwischen 70 und 100 Gramm
Wenn ein Objekt ¾ dieser Merkmale aufweist, würden wir feststellen, dass es sich mit 75 %iger Wahrscheinlichkeit um einen Apfel handelt.
Nun ist die Definition eines bestimmten Ergebnisses für die Abwanderung etwas anders, da es keine allgemeingültige Liste von Attributen gibt, die bestimmen, ob jemand abwandern wird.
Das maschinelle Lernen kann jedoch eine Reihe von Faktoren und Verhaltensweisen verarbeiten, die in der Vergangenheit bei abgewanderten Mitgliedern vorherrschend waren, Korrelationen finden und diese Korrelationen nutzen, um bestehenden Mitgliedern Wahrscheinlichkeiten zuzuweisen.
Nehmen wir zum Beispiel an, dass eine große Anzahl von Mitgliedern, die in der Vergangenheit abgewandert sind, die folgenden Datenpunkte aufweisen:
- Sie haben das Fitnessstudio in den letzten 2 Wochen jeweils 3x besucht
- Sie haben wiederholt monatlich Nahrungsergänzungsmittel wie Proteinpulver, BCAAs, Pre-Workout usw. gekauft, aber innerhalb der letzten 4-6 Wochen vor der Abwanderung aufgehört, sie zu kaufen.
- Sie gehören zu der demografischen Gruppe mit der höchsten Abwanderungswahrscheinlichkeit
- Sie haben innerhalb von 7 Monaten nach Beginn des Trainings nicht 50 % ihres ursprünglichen jährlichen Trainingsziels erreicht.
Der Algorithmus würde diese Verhaltensweisen als besonders häufig bei Mitgliedern mit diesen Datenpunkten markieren und zukünftigen Mitgliedern, die diese Eigenschaften und Verhaltensweisen aufweisen, eine höhere Abwanderungswahrscheinlichkeit zuweisen.
Aus diesem Grund ist es wichtig, die Anzahl der eingegebenen Daten oder Beacons zu maximieren. Mit anderen Worten: Je mehr Daten Sie über Ihre Mitglieder haben, desto mehr Korrelationen wird das Business Intelligence-Modul finden können.
Das bedeutet aber nicht, dass Sie ihnen unnötige oder irrelevante Fragen stellen müssen.
Es reicht aus, wenn Sie einige Fragen zum Kennenlernen in den Anmeldeprozess einbauen, und das maschinelle Lernen kann Verhaltensdaten abrufen, sobald sie mit Ihren Apps, Maschinen, der Website oder sogar der Rezeption interagieren.
Sobald Sie Ihre Beacons für die Datenerfassung eingerichtet haben, lernt das maschinelle Lernen Ihre Fitnessstudiomitglieder kennen und beginnt mit der Vorhersage ihres Abwanderungsrisikos auf der Grundlage der bereitgestellten Daten.
Anschließend können Sie die Korrespondenz automatisieren, die Sie an segmentierte Mitglieder senden möchten, die einen bestimmten Schwellenwert für den Risikoprozentsatz überschritten haben, um sie zu binden und eine Abwanderung zu verhindern.
Automatisierung für die Kundenbindung nutzen
Alle Daten und Erkenntnisse der Welt sind nicht viel wert, wenn sie nicht von einer automatisierten Kampagne begleitet werden, die die Ergebnisse fördert.
Beispielsweise können Nutzer nach ihrem Abwanderungsrisiko segmentiert werden und durch gezielte Nachrichten spezifische Angebote erhalten, um die höchste Chance auf Engagement und Bindung zu gewährleisten.
Netflix macht genau das mit seiner prädiktiven Analytik und Automatisierung. Auf der Grundlage dessen, was ich und Leute wie ich angeschaut haben, weiß Netflix, welche Inhalte hinzugefügt werden müssen, und schickt mir Nachrichten mit der Betreffzeile: "Adam, wir haben gerade einen Film hinzugefügt, der dir gefallen könnte".
Das geschieht nicht manuell. Es handelt sich um eine automatisierte Nachricht, die an Tausende von Menschen auf der Grundlage ihrer Vorlieben für Inhalte gesendet wird. Für andere Personen kann es ein anderer Film, eine andere Sendung oder sogar eine andere Betreffzeile sein.
Auch Fitnessstudios können dies tun. Sie erstellen eine Vielzahl von Nachrichten für jede Situation und automatisieren sie für den Versand an Ihre Mitglieder.
Für Kunden, die kurz vor der Abwanderung stehen, kann diese Nachricht ein Angebot für ein stark reduziertes oder kostenloses persönliches Trainingspaket, eine vergünstigte Vertragsverlängerung oder sogar kostenlose Waren sein, die im Fitnessstudio abgeholt werden müssen, damit sie zum Training animiert werden.
Legen Sie einfach die Regeln fest, die die Benutzer für diese Kriterien erfüllen müssen, und die Nachrichten werden die Benutzer auf der Grundlage ihrer Attribute und der eingetretenen Ereignisse dynamisch in die Kampagne aufnehmen.
Die künstliche Intelligenz beginnt zu bewerten, welche Nachrichten am besten funktionieren, und automatisiert sie je nach Situation, Kunde und anderen Daten, um sicherzustellen, dass die Nachricht, die ein Benutzer erhält, so gezielt wie möglich ist.
Sobald Sie Inhalte für jede Situation erstellen, die Ihrer Meinung nach eine Nachricht rechtfertigen könnte, wird den angegebenen Nutzern, die diese Kriterien erfüllen, die richtige Nachricht gesendet.
Dank der Analysefunktionen, die hinter der Automatisierung stehen, können Sie Ihre Kundenbindungsraten auf der Grundlage von Datenkorrelationen erhöhen, die sonst nicht zu finden wären.