Frage: Beschäftigt Ihr Fitnessstudio einen Datenanalysten?
Sie wissen schon, der Typ, der in einem dunkel beleuchteten Hinterzimmer tonnenweise Daten von Fitnessstudiomitgliedern durchforstet und nur selten sein Büro verlässt, um Bizepscurls zu machen, während er Klassifizierungsalgorithmen für verschiedene maschinelle Lernmodelle entwickelt?
Wir haben das nicht geglaubt.
Seien wir ehrlich: In den letzten Jahren haben sich viele Fitnessstudios vom Ausdrucken 20-seitiger Mitgliedsverträge, dem Fotokopieren von Führerscheinen und dem Ausfüllen von Umschlägen mit Gutscheinen hin zur Modernisierung verschiedener Clubabläufe mit Selbstbedienungskiosken, Zugangskontrollen und automatisierter Mitgliederkorrespondenz entwickelt.
Wir haben also einen langen Weg hinter uns. Und was kommt als Nächstes?
Immer mehr Unternehmen nutzen prädiktive Analysen zur Entscheidungsfindung, und die Fitnessstudiobranche ist auf dem besten Weg, dies ebenfalls zu tun.
Außerhalb der großen Fitnessstudiokonzerne hat jedoch kaum ein Club einen internen Analysten eingestellt, der auf der Grundlage von Mitgliederdaten Vorhersagen oder Empfehlungen zu verschiedenen Clubprozessen macht.
Und da Analysen mittlerweile in fast jeder Branche eine wichtige Rolle spielen, ist es an der Zeit, dass Fitnessstudios "schlauer" werden und endlich die großen Mengen an Mitgliederdaten nutzen, die ihnen zur Verfügung stehen, um fundiertere Entscheidungen zu treffen.
Dies bringt uns zum maschinellen Lernen, dem Prozess des Einsatzes komplexer Algorithmen, die lernen, Ergebnisse auf der Grundlage von Datenanalysen vorherzusagen oder abzuleiten.
Maschinelles Lernen wird bereits in einer Vielzahl von Branchen eingesetzt, unter anderem in folgenden Bereichen
- Online-Einzelhandel
- Selbstfahrende Autos
- Finanzhandel
- Suchmaschinen
- Unterhaltungsunternehmen
Der große Knoten, der all diese Branchen miteinander verbindet, sind natürlich Daten... viele, viele Daten.
Und durch die Sammlung und Analyse dieser Daten mittels maschinellem Lernen können diese Branchen, wie z. B. der elektronische Handel, ihre Arbeit aufnehmen, ihre Umsatzerlöse um 5-20 % steigern.
Aber es ist wichtig zu wissen, dass im Fitnessstudio-Management der Verkauf nur die halbe Miete ist - es gibt auch noch die Kundenbindung, um die man sich kümmern muss! Letztendlich kann das maschinelle Lernen den Clubs Folgendes bieten:
- Umsatzvorhersagen
- Prognosen zur Abwanderung
- Klassenempfehlungen
- Produktempfehlungen
- Motivations-Systeme für Mitglieder
Sobald die Daten analysiert sind und die Vorhersagen vorliegen, können die relevantesten Maßnahmen mit Hilfe von KI automatisch ergriffen werden.
Doch bevor wir uns mit dem ganzen Drumherum befassen, erläutern wir Ihnen, wie maschinelles Lernen mit dem Clubmanagement zusammenarbeitet.
Datenerfassung
So wie ein Auto Benzin braucht, brauchen Algorithmen des maschinellen Lernens Daten, die sie analysieren und verarbeiten können, um Ergebnisse vorherzusagen und Empfehlungen auszusprechen.
Glücklicherweise ist die Fitnessbranche bereits übersättigt mit integrierten Apps und Geräten, die als Datenbaken für den maschinellen Lernprozess dienen. Von Kalorienzählern bis hin zu Workout-Trackern und FitBits - die Daten sind da draußen.
Aber auch ohne Apps von Drittanbietern verfügt Ihr Club wahrscheinlich bereits über genügend Mitgliederdaten von Erstanbietern, um intelligente Empfehlungen und Vorhersagen zu machen, die einfach auf diesen Daten basieren:
- Anwesenheitshistorie
- Alter
- Geschlecht
- Kaufhistorie des Clubs
- Buchungshistorie
Dies sind natürlich nur einige wenige Datenpunkte, die dazu beitragen können, bestimmte Ergebnisse wie Abwanderung oder Kursempfehlungen zu ermitteln. Die Möglichkeiten sind jedoch nahezu endlos, je nachdem, welche Art von Datenerfassungsbeacons Sie in Ihr System integriert haben.
Der Lernprozess
Sobald Sie über diese Daten verfügen (mit Zustimmung des Kunden), können sie als Trainingsset für maschinelle Lernalgorithmen verwendet werden, die daraus lernen.
Maschinelles Lernen ist im Wesentlichen eine große Komponente der künstlichen Intelligenz (KI), die den Entscheidungsfindungsprozess unterstützt, indem sie Korrelationen zwischen verschiedenen Datensätzen findet.
Unter Verwendung verschiedener Algorithmen lernt ein maschinelles Lernmodul im Wesentlichen auf "überwachte" Weise an einem "Trainingssatz", wobei jeder eingegebene Datensatz oder "Input" mit einem erwarteten Ergebnis oder "Output" gekoppelt ist.
Wenn wir etwas als Apfel oder nicht als Apfel klassifizieren wollen, dann könnten wir diese Datenpunkte, gleichmäßig gewichtet, als erwartete Ergebnisse verwenden:
- Rot = J/N
- Rund = J/N
- Frucht = J/N
- Gewicht zwischen 70-100 Gramm Y/ N
In einigen Trainingssätzen gewichten wir jede Eingabevariable, wenn wir sie als Wahrscheinlichkeiten ausdrücken wollen. In unserem Apfelbeispiel geben wir jeder Eingabe das gleiche Gewicht.
Wenn wir also ein Objekt haben, bei dem ¾ dieser erwarteten Eingaben vorhanden sind, dann hat das Objekt in unserem Modell eine Wahrscheinlichkeit von 75 %, dass es sich um einen Apfel handelt.
Nehmen wir an, wir wollten vorhersagen, welche Mitglieder in naher Zukunft wahrscheinlich abwandern werden und welche nicht.
Wenn wir alle oben aufgeführten Datenpunkte für Fitnessstudiomitglieder aus dem letzten Jahr nehmen, würden wir ein Ergebnis entweder als "abgewandert" oder "nicht abgewandert" kennzeichnen, je nachdem, ob der Kunde abgewandert ist oder nicht.
Dann würden wir den Algorithmus trainieren, indem wir alle Eingaben für jedes Mitglied (Anwesenheit, Alter, Geschlecht usw.) mit ihren definierten Kennzeichnungen (abgewandert oder nicht abgewandert) in unseren Trainingssatz aufnehmen.
Da wir unsere Ergebnisse als Wahrscheinlichkeiten ausdrücken wollen, können wir jeder Eingabevariablen ein "Gewicht" zuweisen, wobei einige mehr Gewicht haben als andere
Im Laufe der Zeit wird der Algorithmus verschiedene Variablen gewichten, sobald er gelernt hat
Unser Trainingsdatensatz könnte so aussehen, allerdings mit viel mehr Eingaben:
Sobald die Daten "gelernt" wurden, würden wir die erwarteten Kennzeichnungen (abgewandert oder nicht abgewandert) entfernen und sehen, ob das Modell die ihm gegebenen Eingabedaten korrekt verwenden kann, um die Ergebnisse auf der Grundlage der Daten, aus denen es gelernt hat, vorherzusagen.
Nachdem verschiedene Modelle durch die Trainingsmengen gelaufen sind, überprüfen wir ihre Genauigkeit in den Testmengen und wählen das genaueste und stabilste Modell aus (die Genauigkeitsdifferenz zwischen den Trainings- und Testmengen).
Dies kann auch für andere Ergebnisse wie Produktempfehlungen auf einer Produkt-zu-Produkt-Basis, Klassenempfehlungen und mehr umgekehrt werden.
Sobald wir unsere klassifizierten Gruppen (Abwanderungsrisiko vs. Nicht-Abwanderungsrisiko) haben, wäre es an der Zeit, Maßnahmen zu ergreifen.
Die Intelligenz
KI fungiert letztlich als Dachdisziplin für verschiedene prädiktive Analysen, maschinelles Lernen, Sprache, Vision und andere Kommunikationssysteme und -prozesse.
Sobald wir ein Modell für maschinelles Lernen haben, das wir validiert und in die Produktion überführt haben, würden wir die Daten nutzen, um eine Umgebung zu schaffen, aus der unsere KI schöpfen kann.
Wenn die Daten vom maschinellen Lernen erfasst werden und bereit sind, in die Tat umgesetzt zu werden, beginnen die KI-Automatisierungsprozesse mit A/B-Tests verschiedener Kommunikationskanäle und -botschaften, um herauszufinden, welche am effektivsten sind.
So kann das maschinelle Lernen beispielsweise empfehlen, einer bestimmten Gruppe von Clubmitgliedern ein Paket mit persönlichen Schulungen oder reduzierten Mitgliedschaftspreisen anzubieten.
Der Club hätte für dasselbe Angebot mehrere verschiedene Nachrichten erstellt, aus denen die KI wählen könnte. Die KI würde dann jede einzelne Botschaft testen, die Ergebnisse auswerten und die Optionen mit der besten Leistung für ähnliche künftige Zielgruppen einführen.
Natürlich gibt es hinter den Kulissen noch viel mehr bewegliche Teile, aber dies ist ein allgemeiner Ansatz, wie die Auswahl von Inhalten abläuft.
Nachdem wir nun den allgemeinen Prozess kennen, lassen Sie uns einen Blick auf einige spezifische Anwendungsfälle in Clubs werfen.
Das intelligente Fitnessstudio
Mithilfe von Verfahren des maschinellen Lernens können Clubs jetzt Vorhersagen und Empfehlungen für eine Vielzahl von Clubaktivitäten treffen, um nicht nur ihr Geschäftsergebnis zu verbessern, sondern auch die Mitglieder zufrieden zu stellen und ihre Ziele zu erreichen.
Denken Sie daran, dass die Menschen mit Zielen ins Fitnessstudio kommen, die in der Selbstverbesserung wurzeln. Jede Verbesserung in der Art und Weise, wie Sie mit ihnen in Kontakt treten, kann den Unterschied zwischen einem unvollendeten Neujahrsvorsatz und einem langfristig und zum Besseren veränderten Leben ausmachen.
Produktempfehlungen
Es gibt ein altes Sprichwort: "Der Kunde hat immer Recht".
Dieses Motto beruht auf einem grundlegenden Verständnis zwischen Verkäufer- und Verbrauchergeschäften: Man weiß nicht, was der Kunde will, bis er danach fragt.
In der heutigen Zeit sind Fitnesskunden oft zu beschäftigt, um zum Telefon zu greifen und ihre Mitgliedschaft zu verlängern oder fünf Minuten länger an der Rezeption zu warten, um ihr Getränk nach dem Training abzuholen.
Aus diesem Grund sind Produktempfehlungen in jedem Online-Einzelhandelsgeschäft nahezu unverzichtbar. Und sie werden langsam mehr und mehr durch maschinelle Lernprozesse gesteuert, um den Umsatz zu steigern.
Diese Empfehlungen werden durch verschiedene Algorithmen des maschinellen Lernens ermittelt. Sie können auf unüberwachten Lernalgorithmen basieren, die Korrelationen zwischen gekauften Artikeln finden.
So können die Algorithmen beispielsweise feststellen, dass Personen, die Proteinpulver und Kreatin kaufen, häufig auch Pre-Workout-Drinks kaufen. Die Algorithmen würden diese Korrelationen erkennen und Personen, die auch häufig die beiden anderen Artikel kaufen, Pre-Workout-Drinks empfehlen.
Empfehlungen können auch auf Algorithmen des überwachten Lernens beruhen. Ein Beispiel dafür ist, dass viele Personen, die eine gemeinsame Ausgangsvariable (Kauf von Proteinriegeln) haben, auch eine Reihe gemeinsamer Eingangsvariablen haben (häufige Besuche, ähnliche Mitgliedschaften, Geschlecht, Gewicht usw.) und künftigen Kunden, die ähnliche Eingangsvariablen haben, Artikel empfehlen würden.
Das Endergebnis ist ein beeindruckendes System von Assoziationsregeln, die bei der Empfehlung von Produkten an Kunden verwendet werden, sei es an der Rezeption für die Empfangsmitarbeiter oder in Ihrer digitalen oder werblichen Öffentlichkeitsarbeit.
Klassen-Empfehlungen
Mithilfe ähnlicher Techniken wie bei den Produktempfehlungen können wir empfehlen, welche Kurse angeboten werden sollten, um Buchungen und Teilnehmerzahlen zu erhöhen.
Die Datenerfassung für diese Beacons ist etwas komplexer, da sie spezifischere Mitgliederdaten erfordert, wie z. B.:
- Häufigkeit der Kursteilnahme
- Häufigkeit von Kursbuchungen
- Kursbewertungen
- Ziele der Mitglieder
- Workout-Vorlieben der Mitglieder
Dies sind nur einige wenige Punkte, die als Eingabevariablen verwendet werden können, aber sie können zusammen mit anderen Daten dazu verwendet werden, bestimmte Kurse durch andere zu ersetzen, um das Engagement zu steigern.
Dies kann mit Algorithmen des überwachten Lernens, des unüberwachten Lernens oder mit beidem erreicht werden. Das Endergebnis sind empfohlene Klassen mit der vorhergesagten Zunahme der Besucherzahlen.
Viele Empfehlungsalgorithmen verwenden eine Kombination aus überwachten und nicht überwachten Lerntechniken. Der wichtigste Aspekt ist jedoch, dass die Algorithmen lernen, welche Empfehlungen erfolgreich sind, und diese im Laufe der Zeit verbessern.
Vorhersagen zur Mitgliederzahl
Wie viele Mitglieder werden an einem bestimmten Tag in Ihrem Club sein? Wie viele von ihnen sind ganz neu? Welche Altersgruppen sind zu welchem Zeitpunkt am aktivsten?
Die Antworten auf diese Fragen können einen großen Unterschied bei den Personalentscheidungen an einem bestimmten Tag ausmachen, um sicherzustellen, dass der Club zu den Hauptverkehrszeiten reibungslos läuft.
Mit maschinellem Lernen, das Ihr Fitnessstudio steuert, können Sie diese Vorhersagen Wochen oder sogar Monate im Voraus erstellen und in Echtzeit aktualisieren.
Während die Algorithmen weiter lernen, aktualisieren sie beispielsweise ihre Prognosen zur Besucherzahl in Abhängigkeit von Eingangsvariablen wie:
- Anwesenheit der Mitglieder im Laufe der Zeit
- Zufällige Besuche
- Kursbuchungen im Vergleich zur tatsächlichen Anwesenheit
- Wetter
Letztendlich werden diese Faktoren (zusammen mit vielen anderen) gegen historische Aufzeichnungen für jede Eingabevariable und deren Auswirkungen auf die anderen gewichtet.
So erhöht beispielsweise eine höhere Anzahl regelmäßiger Teilnehmer die Wahrscheinlichkeit, dass mehr Gäste kommen, da diese oft das Mitglied begleiten, das sie vermittelt hat. Oder es wird berechnet, dass die Clubbesucherzahl an vergangenen Regentagen um 7 % gesunken ist, und dies wird bei den kommenden Wetterberichten berücksichtigt.
Wie Sie sehen, sind die Möglichkeiten endlos, und es bedarf eines intelligenten Systems, um diese Vorhersagen mit größerer Genauigkeit zu treffen, damit Sie entscheiden können, wie Sie Ihr Personal und Ihre Einrichtungen am besten einsetzen, um mehr Zufriedenheit zu erreichen.
Umsatzprognosen
Unter Verwendung ähnlicher Algorithmen, aber anderer Datensätze als oben, können wir Umsatzprognosen für zukünftige Daten erstellen.
Auch hier besteht natürlich eine große Abhängigkeit von der Verwendung historischer Daten als Trainingsdatensatz, aber sobald ein validiertes Modell erstellt wurde, kann es verwendet werden, um aktuelle Verkaufsdaten zu verarbeiten und zukünftige Prognosen mit größerer Genauigkeit zu erstellen.
Dies ist sehr nützlich, wenn Sie entscheiden müssen, wann Sie Werbekampagnen für Clubs starten sollten.
Darüber hinaus können Sie die Daten aufschlüsseln, um zu sehen, welche demografischen Gruppen in Bezug auf Geschlecht und Alter die meisten Einnahmen erwarten lassen, und die prognostizierten schwächeren Gruppen mit zusätzlichen Coupons oder Gutscheinen ansprechen.
Dies kann auf Clubbasis, gruppiert oder sogar für eine ganze Kette geschehen.
Prognosen zur Abwanderung
Eines der vielleicht wichtigsten Modelle, die in der Fitnessstudiobranche benötigt werden, ist das Modell zur Vorhersage der Abwanderung.
Wie in den obigen Beispielen erwähnt, verwenden diese Modelle eine Vielzahl von Algorithmen des überwachten Lernens, um Abwanderungswahrscheinlichkeiten für einzelne Mitglieder und insgesamt für ganze Clubs zu bestimmen.
Wie bei Empfehlungen werden diese Vorhersagen mit der Zeit immer genauer, je mehr Daten gesammelt werden und je mehr das Modell aus richtigen und falschen Vorhersagen lernt.
Darüber hinaus werden die Algorithmen im Laufe des Lernprozesses das "Gewicht" oder den Einfluss bestimmter Eingangsvariablen neu kalibrieren, wenn diese im Laufe der Zeit bei abgewanderten Mitgliedern häufiger auftreten.
Beispielsweise stellen die Algorithmen mit der Zeit fest, dass eine große Anzahl von Mitgliedern, die eine bestimmte Art von Nahrungsergänzungsmitteln gekauft haben, häufiger abgewandert ist, seit die Rezeption eine bestimmte Art von Nahrungsergänzungsmitteln nicht mehr verkauft.
Die historischen Daten, die mit dem Kauf dieser Nahrungsergänzungsmittel verbunden sind, würden bei der Berechnung der Abwanderungswahrscheinlichkeit stärker gewichtet werden.
Im Grunde genommen kommt es auf die Daten an, die Ihrem Club zur Verfügung stehen, und darauf, wie maschinelles Lernen diese analysieren kann, um Korrelationen zu finden, die andernfalls von menschlichen Augen unbemerkt bleiben würden.
Fazit
Die Datenanalyse hat bereits in vielen, wenn nicht sogar in den meisten Branchen der Welt Einzug gehalten. In der Verwaltung von Fitnessclubs ist diese Disziplin bereits vor unseren Augen im Entstehen begriffen.
Es ist ein großes Wunder, dass bei all den Daten, die Fitnessstudios sammeln, die Vorteile von maschinellem Lernen und künstlicher Intelligenz (KI) als praktikable Lösungen für die Entscheidungsfindung erst jetzt in Betracht gezogen werden.
Das ist keine Zukunftsmusik mehr, es ist da. Jetzt.