Wenn Sie jemals bei Amazon eingekauft haben, werden Sie überall auf der Website und in Ihrem Posteingang Produktempfehlungen finden. Und wenn Sie aufmerksam sind, sind diese Empfehlungen in der Regel äußerst relevant.
Das ist kein Zufall.
Amazon nutzt maschinelle Lernprozesse, um seine Empfehlungsmaschine so zu betreiben, dass sie den Nutzern auf der Grundlage der folgenden Kriterien hochrelevante Produkte empfiehlt:
- Was sich derzeit in ihrem Einkaufswagen befindet
- Einkaufshistorie
- Was andere Nutzer beim Kauf ähnlicher Produkte kaufen
- Kundenbewertungen und -rezensionen
Die Empfehlungsalgorithmen des Unternehmens haben sich als äußerst effektiv erwiesen, so dass etwa 35 % aller Online-Einkäufe über die Empfehlungsmaschine kommen.
Unternehmen wie Netflix haben ebenfalls Algorithmen des maschinellen Lernens eingesetzt, um Inhalte zu empfehlen, was ihnen geholfen hat, rund 1 Milliarde Dollar pro Jahr an Dienstabbrüchen zu sparen.
Was diese Unternehmen - und die Fitnessmanagement-Branche - verbindet, sind die großen Mengen an Daten, die ihnen zur Verfügung stehen.
Mit Maschinelles Lernen an der Spitze der Innovation im Clubmanagementist es nur natürlich, dass sie auch zur Steigerung des Umsatzes an den Verkaufsstellen eingesetzt werden.
Im Folgenden wird erläutert, wie Produktempfehlungen funktionieren und wie sie Clubs dabei helfen können, ihren Umsatz zu steigern, indem sie ihren Mitarbeitern die Daten zur Verfügung stellen, um dem richtigen Kunden am Point-of-Sale das richtige Produkt anzubieten.
Club-Produktempfehlungen
Es ist kein Geheimnis, dass der Verkauf von Waren in Ihrem Club die Einnahmen erheblich steigern kann. Oft benötigen die Kunden nach dem Training eine sofortige Erfrischung, sind zu beschäftigt, um bei einem örtlichen Einzelhändler vorbeizuschauen, oder tragen einfach gerne die Kleidung Ihres Clubs.
Was auch immer der Grund sein mag, bei einigen Clubs sind die Einnahmen aus dem Merchandise-Geschäft so bedeutend, dass sie ein fester Bestandteil des Geschäftsplans sind.
Und warum auch nicht, denn sie können einen großen Teil der Einnahmen eines Clubs außerhalb von Verträgen ausmachen.
Unabhängig davon, ob Sie mit der Rentabilität von Inventarverkäufen an der Rezeption zu kämpfen haben oder ob Sie darüber nachdenken, damit anzufangen, können auf maschinellem Lernen basierende Produktempfehlungen zusätzliche Einnahmen bringen, indem Sie einfach wissen, welche Produkte Sie welchen Kunden anbieten können.
Das Ziel besteht nicht darin, aus Nichtkäufern Käufer zu machen, sondern die durchschnittliche Bestellmenge der bestehenden Käufer zu erhöhen.
Der Bedarf
Wenn Sie zu den oben genannten Personen gehören, die in Ihrem Club Produkte kaufen, dann wissen Sie, wie wichtig eine persönliche Ansprache ist.
Die Mitarbeiter an der Rezeption können Ihnen oft Produkte anbieten, die Sie häufig kaufen, weil sie sich entweder daran erinnern oder weil Sie diese Notizen im System gespeichert haben, so wie es im untenstehenden PG PoS der Fall ist.
All dies ergibt sich aus der Verknüpfung von gekauften Produkten mit einem Konto und der Häufigkeit des Besuchs im Vergleich zur Anzahl der gekauften Produkte.
Diese Informationen ermöglichen es Ihrem Personal an der Rezeption, beim Verkauf von Inventarartikeln beim Ein- und Auschecken der Benutzer stets einen personalisierten Ansatz zu verfolgen.
Und Ihre Kunden werden es zu schätzen wissen, denn es spart sowohl ihnen als auch Ihrem Personal Zeit.
Wenn Kunden nichts anderes wollen, fragen sie normalerweise nicht danach. Wir alle haben jedoch schon Situationen erlebt, in denen uns an der Kasse ein anderes Produkt angeboten wurde, von dem wir nicht wussten, dass wir es wollten oder brauchten, bis es uns präsentiert wurde.
Das ist natürlich der springende Punkt bei Empfehlungsmaschinen wie Netflix und Amazon.
Der Trick bei der Anwendung auf Transaktionen an der Kasse besteht darin, die richtigen Produkte den richtigen Personen anzubieten.
Hier kommt das maschinelle Lernen ins Spiel.
Intelligente Empfehlungen erstellen
Alle guten Empfehlungsalgorithmen benötigen zunächst Daten zur Analyse und Verarbeitung. Deshalb empfehlen wir die Verwendung eines Systems, in dem alle Clubtransaktionen protokolliert und überwacht werden.
Eine vollständige Transaktionshistorie über alle Clubs und Kunden hinweg bietet den Algorithmen für maschinelles Lernen eine gute Grundlage, um Muster zwischen Kundensegmenten und gekauften Produkten zu finden.
Als eine der Grundlagen für jeden maschinellen Lernprozess findet die Mustererkennung Korrelationen zwischen verschiedenen Dateneingaben und zeigt eine Beziehung zwischen ihnen auf.
Wenn die Datenpunkte jedoch nicht miteinander in Beziehung stehen, kann es zu wilden Korrelationen kommen, die das alte Sprichwort "Korrelation bedeutet nicht Kausalität" verdeutlichen, wie das folgende Bild zeigt.
Wenn wir jedoch ein bestimmtes Ergebnis betrachten, z. B. einen Kaufabschluss bei Produkten, die in einem bestimmten Fitnesscenter verkauft werden, können wir Muster finden, welche Artikel in Verbindung mit anderen Artikeln gekauft wurden, und unsere Empfehlungen entsprechend anpassen.
Zu diesem Zweck sollten wir unsere Nutzer zunächst segmentieren, z. B. nach Männern und Frauen.
Laut einer aktuellen Studie haben Männer und Frauen sehr unterschiedliche unterschiedliche Gründe für den Abschluss von Transaktionen:
"Für Männer bedeutet ein guter Service, dass er ihnen hilft, den richtigen Artikel zu finden, und dass er sie schnell durch die Kasse bringt. Für Frauen hängt die Kundenzufriedenheit stark mit der Bereitschaft eines Ladens zusammen, fachkundige Ratschläge zu erteilen (die zeigen, dass sie mit dem Produkt vertraut sind), und mit der Fähigkeit des Ladens, ihnen zu helfen, herauszufinden, welche Produkte am besten passen.
Daher werden wir unsere Nutzer nach Geschlechtern segmentieren, um ihnen effektiver Produkte empfehlen zu können.
Wir sehen zum Beispiel, dass in einem Fitnessclub sowohl Männer als auch Frauen häufig Energydrinks mit Orangengeschmack kaufen; Männer kaufen jedoch häufig Proteinpulver, während Frauen Proteinriegel kaufen, wenn sie auch den Energydrink kaufen.
Diese Muster würden also erkannt, und wenn jemand ein Produkt anfordert, wird das Personal an der Rezeption das entsprechende Produkt anbieten, das am häufigsten zusammen mit dem Energydrink gekauft wird.
Diese Empfehlungen werden als regelbasierte Empfehlungen erfolgen, was einfach bedeutet, dass:
WENN FRAU + KAUFT Orangen-Energydrink ---> EMPFEHLUNG Eiweißriegel
Der Prozess mag einfach erscheinen, aber auch hier ist eine Menge Rechenleistung erforderlich, die Mustererkennung und die Verarbeitung historischer Daten umfasst, um die Regeln zu erstellen, die letztendlich anzeigen, welche Produkte welchen Kunden empfohlen werden sollen.
Fazit
Die Erhöhung der durchschnittlichen Bestellmenge Ihrer bestehenden Kunden sollte eine Strategie zur Umsatzsteigerung sein, die alle Clubs mit Lagerbeständen umsetzen.
Mit Hilfe von maschinellen Lernprozessen am Point-of-Sale kann das Personal an der Rezeption den Kunden Produkte mit datengestützten Erkenntnissen anbieten und so die Gewinne an der Rezeption eines Clubs steigern.