Inteligencia de Negocios: Aumentando los Niveles de Retención Gracias a las Herramientas de Aprendizaje de Máquina

Enviado por Laura el Vie, 16/11/2018 - 13:40
Understand the power of machine learning within the context of gym management and how it can be used to transform your member data into actionable insights
Inteligencia de Negocios: Aumentando los Niveles de  Retención Gracias a las Herramientas de Aprendizaje de Máquina

Si tendrias que decirnos cuales son los factores más importantes que deciden si un miembro va o no a renovar su contrato en tu club cuales nos dirías?

Normalmente es una combinación de diferentes factores, la mayoría de los cuales muy pocas veces son discutidos en cuestionarios o entrevistas para medir los niveles de satisfacción y calidad de atención al cliente. Ahora uno de los factores claves es definitivamente la falta de motivación para entrenar.

No hay forma de medir la falta de motivación. Sin embargo, tienes muchísimos signos que te van a permitir a permitir saber que un miembro está perdiendo sus ánimos de entrenar y que tal vez no vayan a renovar el contrato cuando llegue la hora de renovar.

Identificar estos signos o factores en un club con 1000, 500 o incluso con 200 socios va ser una tarea casi imposible para tus empleados no importa que tengas entre ellos al mejor analista de data del pais. Es sencillamente demasiada la información que tendrían que procesar. 

Ahora bien, las herramientas de aprendizaje de máquina te permitirán establecer ciertos patrones y “sets” de informaciones relacionadas a comportamiento como consumidor que están teniendo tus clientes.  De esta manera lograrás percibir realmente qué grupo de miembros están en riesgo de abandonar su membresía y podrás tomar acciones que te permitirán motivarlos efectivamente para aumentar tus niveles de retención.  

 

 

Inteligencia de Negocios & Aprendizaje de Máquina: Una introducción.

La Inteligencia de negocios (AI) es un proceso en el cual mediante el uso de un grupo complejo de algoritmos, de manera de tomar decisiones o implementar estrategias de negocios basada en data que fue captada, “aprendida” y procesada por ese grupo de algoritmos.

El aprendizaje de máquinas es un componente esencial de la AI que es utilizado para conseguir correlaciones entre diferentes grupos de data, en algunos casos entre grupos de data carentes de cualquier tipo de relación o asociación visible.

Para ponerlo en dos palabras: el módulo de aprendizaje de máquina va a trabajar como el analista mientras que la AI es el motor que va a extraer la data y presentarla de manera de poder tomar decisiones basadas en estas informaciones. 

La diferencia esencial entre cómo se usa la inteligencia de negocios en una industria u otra va a residir en que tipo y cantidades de data son consideradas como fuentes, como son presentados los resultados, y que tipo de decisiones se pueden tomar a partir de estas informaciones. A continuacion veremos como la tienda electronica target.com utiliza de las herramientas de aprendizaje de máquina para lanzar campañas de marketing efectivas. 

Aprendizaje de máquina - case study

Cuando Andrew Pole el CEO de target.com, trabajaba aún el departamento de marketing, sus compañeros lo retaron a predecir el embarazo de una mujer basándose en sus comportamientos como consumidor. Andrew aceptó el reto sabiendo que podría lograrlo. 

Traget.com, como muchas empresas en la industria fitness, que aumentado la tasa de retención de tus clientes vas a ganar más, gastando menos que luchando por los clientes de la competencia. 

La idea era que si una mujer embarazada entraba en la tienda pudiese adquirir todos los productos relacionados con su embarazo, parto y primeros 6 meses del bebé. Pero Target.com era conocida principalmente como tienda de moda y cosméticos. Para ellos era claro que ya acostumbrados a la tienda estos clientes preferirían adquirir todos los productos en un solo lugar si tenían esa posibilidad.

Es aquí que Pole uso el aprendizaje de máquina para determinar las probabilidades de que una mujer estuviese o no embarazada basándose en su historial de compras. Descubrieron así que durante el embarazo las mujeres tenían la tendencia a comprar carteras más grandes, cierto tipo de cosméticos y cremas y por supuesto ropas de tallas más grandes. 

Utilizando esta data ellos podrían a partir de allí asignar un coeficiente de probabilidad de embarazo a cada cliente y en caso de que superasen vamos a decir el 65% de probabilidad, el cliente entraba automáticamente en una campaña donde se les enviaba un cupón de descuento para productos relacionados a la maternidad. 

El algoritmo era tan preciso que una vez que una adolescente comenzó a recibir cupones de target.com con descuentos de productos de maternidad, el padre de la chica en lugar de esperar para conversar con su hija llamó enfadado a la tienda pidiendo explicaciones.

Como podran imaginarse la campania de target.com ademas de renombre logro que la copania aumentará sus números de manera increíble. La campana de Pole fue el precedente para que las herramientas de aprendizaje de máquina y análisis predictivo se convirtieran en la base de toda campaña de marketing o ventas de la mayoría de las compañías dedicadas a las ventas por internet. 

Aprendizaje de máquina y el problema de la retención en la industria fitness

Como lo mencionamos anteriormente, todo gimnasi va recogiendo una cantidad significativa de informaciones sobre sus miembros que son utilizadas con diferentes objetivos. Cuando queremos medir la motivación de nuestros miembros con el objetivo de aumentar nuestros niveles de retención, en general nos concentramos en la frecuencia de asistencia. 

Si bien la baja frecuencia de asistencia es definitivamente un fuerte señal de ese miembro no está motivado, no basta con considerar solamente la asistencia como factor determinante, ya que esto puede generar malos entendidos. 

Es por esto que es super importante tomar en consideración la mayor cantidad de data para entender de forma correcta los motivos por los cuales tus miembros no están renovando sus contratos.  

 

Algunas las informaciones que podrías tomar en cuenta para medir los niveles de riesgo de no-renovación de tus miembros son:

  • Asistencia historica
  • Consumos en recepción 
  • Metas de entrenamiento
  • Participación online
  • Reservas de clases vs. asistencia a clases
  • Antigüedad del contrato
  • Factores demograficos

Estos son solo algunas de las informaciones que puedes utilizar. En la mayoría de los casos son cientos de factores que van a ser procesados para determinar el coeficiente de riesgo de no-renovación de tus miembros. 

Cuando usamos modelos predictivos, es sumamente importante definir la mayor cantidad posible de características que juntas van a garantizar un mayor nivel de precisión en las predicciones. 

Por ejemplo, lo que es una manzana. Ahora bien si queremos entrenar a un computador a diferenciar una manzana de otro objeto tenemos que darle la mayor cantidad de rasgos de manera de que la máquina logre dar respuestas acertadas por ejemplo:

  • Roja
  • Redonda
  • Fruta
  • Peso entre 70 y 100 gramos 

Si determinado objeto posee 3 de estas 4 características, la máquina dará entonces un 75% de probabilidades de que ese objeto sea una manzana,

Ahora bien determinar el coeficiente de riesgo de no-renovación de un miembro, va a ser ligeramente diferente, al menos en tanto que no existe ninguna lista de factores que puedan determinar de manera 100% segura y para todos los miembros de un gimnasio que ese miembro no va a renovar su membresía. 

Sin embargo, gracias al aprendizaje de máquina vas a poder procesar una serie de factores y comportamientos que en el pasado estuvieron asociados con miembros que no renovaron sus membresías, hallar correlaciones entre esos diferentes factores y utilizar esas correlaciones para asignar coeficientes de riesgo para tus usuarios activos. 

Por ejemplo, vamos a decir que una gran cantidad de miembros que no renovaron sus membresías coinciden en lo siguiente:

  • Asistencias por debajo de 3 veces por semana
  • Compras de suplementos de manera regular pero dejaron de realizar estas compras 4-6 semanas antes de la cancelación del contrato 
  •  
  • Están en el grupo de edad 35-45 años 
  • No han alcanzado 50% de sus metas de entrenamiento. 

Al identificar estos factores el algoritmo los marcará como altamente prevalentes y asignará un coeficiente de riesgo mayor a miembros activos que posean estas características.

Es por esto que es tan importante maximizar la recolección de data pues esta data se convertirá en los signos que te permitirán predecir el riesgo de perder miembros activos. Mientras más información poseas relacionada a tus miembros tendrás más posibilidades de que la Inteligencia de Negocios genere más y mejores correlaciones de data.

Por supuesto esto no quiere decir que vas a correr detrás de tus miembros haciéndoles preguntas incómodas o iirelevantes.

Basta con algunas preguntas básicas que deberán llenar durante el proceso de registro. Mas alla la herramienta de maquina podra extraer historicos de comportamientos de consumo basándose en la interacción de tus miembros con tu aplicación móvil, máquinas de entrenamiento, página web o recepción.

Una vez que se han determinado algunos signos, la Inteligencia de negocios comenzará a extraer data sobre el comportamiento de tus miembros y podrá ya proveer predicciones cada vez más acertadas.

Lo único que necesitarás entonces es con tu correspondencia automática segmentar tus miembros según sus coeficientes de riesgo de no-renovación y comenzar a comunicarte con ellos de manera efectiva de manera de que cuando llegue el dia no tengas la necesidad de “convencerles” de permanecer como miembros del gimnasio. 

Utilizando herramientas de automatización para la retención de miembros. 

Una data súper específica y una análisis infalible no van a valer de nada si no tomamos acciones que nos traigan consigo resultados concretos. 

Por ejemplo, según los coeficientes de riesgos los miembros pueden ser segmentados de manera de enviarles ofertas y mensajes adecuados y que garanticen un nivel mayor de retención y motivación.  

Netflix hace exactamente lo mismo a través de análisis predictivos y automatizaciones. Sobre la base de las películas y series que he visto y otras películas que han visto miembros con historiales de consumo y data demográfica similar a las mías, Netflix sabe perfectamente que peliculas recomendar cuando entro a mi panel personalizado o enviarme emails con los últimos estrenos que pueden ser de interes para mi. 

Por supuesto que netflix envía estos mensajes de manera automatizada a miles de personas, pero el contenido es personalizado de acuerdo a tu historial de consumo. 

En tu gimnasio puedes hacer exactamente lo mismo. Creando una serie de mensajes para cada situación y de manera automatizada enviárselos a tus miembros.  

Para esos clientes que están a punto de cancelar su membresía, un mensaje ofreciendo un paquete de entrenamientos personales a un costo sumamente reducido, un descuento en la extensión del contrato o incluso algún tipo de “regalo” que debe ser recogido en el gimnasio generando una necesidad extra de acudir a entrenar, pueden hacer una diferencia muy significativa. 

Sencillamente tienes que establecer las reglas que los usuarios deben cumplir y la serie de mensajes serán enviados de manera automática o dejarán de ser enviados si algún otro evento tiene lugar. 

La inteligencia de negocios a partir de este momento tratará de evaluar también los resultados de la campaña de comunicación automatizada determinando en qué casos hemos recibido una respuesta positiva por parte de los miembros, de manera de que otros factores sean tomados en cuenta en el futuro a la hora de enviar una nueva comunicación o proponer algún tipo de descuento. 

Una vez has creado el contenido para cada situación en la que sientas que determinado mensaje debe ser enviado, es solo cuestión de que el alguno de los miembros cumpla con los parámetros para que el mensaje sea enviado. 

Así teniendo una herramienta de profundo análisis detrás de tu política de comunicación automatizada estamos seguros que podrás alcanzar un aumento significativo en tus niveles de retención gracias a correlaciones de data que de otra manera te seria imposible conseguir.