Se vi chiedessi quali sono i principali fattori che spingono i soci a lasciare la vostra palestra, cosa mi rispondereste?
Di solito si tratta di una combinazione di fattori diversi, la maggior parte dei quali non viene mai menzionata ad alta voce o citata nei sondaggi di uscita dei soci.
Nella maggior parte dei casi, però, si tratta semplicemente di una perdita di motivazione.
Sebbene non esista una metrica per misurare la perdita di motivazione, ci sono un sacco di fattori che i membri mostrano, anche inconsciamente, che possono farvi capire che stanno perdendo la motivazione o sono a rischio di abbandono.
L'identificazione di questi fattori non è facile per le persone o anche per i migliori analisti di dati, perché i dati da elaborare e analizzare sono talmente tanti che è quasi impossibile.
Tuttavia, con l'apprendimento automatico è possibile scegliere determinati set di dati relativi ai soci e ai loro comportamenti, in modo che i computer li elaborino e valutino il rischio di abbandono di un cliente e lo coinvolgano correttamente per una migliore fidelizzazione dei soci della palestra.
Una rapida introduzione all'apprendimento automatico e all'intelligenza artificiale
L'intelligenza artificiale (AI) è il processo di utilizzo di una serie complessa di algoritmi per prendere decisioni basate su dati estratti, appresi ed elaborati.
L'apprendimento automatico è una componente vitale dell'IA utilizzata per informare le decisioni prese attraverso la ricerca di correlazioni tra insiemi di dati diversi e spesso non correlati.
In definitiva, l'apprendimento automatico funge da analista e l'IA da motore che agisce sulla base dei dati.
Il modo in cui questo differisce da azienda ad azienda dipende dai set di dati coinvolti, dai risultati e dalle azioni intraprese. Qui vedremo un esempio di come Target ha utilizzato il machine learning in una delle sue campagne di marketing online.
Apprendimento automatico - Casi d'uso
Quando ad Andrew Pole di Target i colleghi del marketing hanno chiesto se poteva Prevedere correttamente la gravidanza di una donna in base ai comportamenti di acquistodi marketing, ha accettato di buon grado la sfida.
Target, come molte aziende del settore del fitness, ha capito che mantenere i clienti è molto meno costoso che acquisirne di nuovi.
Voleva indirizzare le nuove mamme in attesa ad acquistare tutti i loro prodotti per la maternità, in quanto era molto probabile che continuassero a fare acquisti lì, come soluzione unica per tutte le loro esigenze di shopping.
Pole ha quindi utilizzato l'apprendimento automatico per assegnare la probabilità che una donna fosse incinta in base alle sue decisioni di acquisto. Hanno scoperto che le mamme in attesa acquistavano spesso cose come borse grandi per i pannolini, lozioni specifiche, integratori e altri prodotti tipici delle mamme in attesa.
Utilizzando questi dati, assegnavano una probabilità a ogni cliente e se raggiungevano o superavano una percentuale di questa soglia, entravano in una campagna in cui venivano forniti loro buoni sconto per prodotti premaman.
L'algoritmo era così preciso che un padre arrabbiato si è avvicinato a uno dei manager di un negozio Target e ha chiesto di sapere perché sua figlia avesse ricevuto buoni sconto per prodotti premaman quando non era nemmeno incinta.
Il manager si è scusato abbondantemente e si è scusato di nuovo qualche giorno dopo, solo per farsi dire dal padre che si era sbagliato e che sua figlia era davvero incinta.
Come si può immaginare, Target ha ottenuto risultati enormi da questa campagna e molte altre aziende stanno utilizzando l'analisi predittiva alimentata dal machine learning per indirizzare le loro campagne di marketing e di vendita.
Apprendimento automatico e fidelizzazione degli iscritti alla palestra
Come si è detto in precedenza, ogni palestra dispone di una serie di dati sui clienti che utilizza per motivi diversi. Quando si tratta di utilizzare diversi set di dati a scopo di fidelizzazione, il processo viene solitamente considerato dal punto di vista delle presenze.
Sebbene la frequenza sia sicuramente un segnale forte, può essere fuorviante se è l'unico segnale a cui si presta attenzione.
Per questo motivo è importante prendere in considerazione il maggior numero possibile di dati diversi per capire meglio perché le persone hanno abbandonato la palestra.
Alcuni dati che possono essere presi in considerazione per valutare il rischio di abbandono sono:
- Frequenza storica
- Acquisti al dettaglio
- Progressi negli obiettivi
- Impegno online
- Prenotazione delle lezioni rispetto alla frequenza effettiva
- Longevità del contratto
- Dati demografici
Questi sono solo alcuni dei dati che possono essere estratti per determinare i risultati specifici relativi al churn. Nella maggior parte dei casi, sono centinaia i fattori che concorrono a determinare una percentuale a rischio; tuttavia, per il bene di questo articolo utilizzeremo esempi che prendono spunto solo da alcuni.
Quando si utilizzano modelli predittivi, è importante definire il maggior numero possibile di caratteristiche che, considerate tutte insieme, predicono la probabilità di quel risultato.
Ad esempio, tutti conosciamo l'aspetto di una mela. Tuttavia, se volessimo addestrare un computer a prevedere la probabilità che qualcosa sia una mela, dovremmo prima delinearne le caratteristiche:
- rossa
- Tonda
- Frutto
- Pesa tra i 70 e i 100 grammi
Se un oggetto contiene i ¾ di questi attributi, allora determineremo che ha il 75% di probabilità di essere una mela.
Ora, definire un certo risultato per il churn è un po' diverso, poiché non esiste un elenco univoco di attributi che determini se una persona si trasformerà in un churn.
Tuttavia, l'apprendimento automatico è in grado di elaborare una serie di fattori e comportamenti prevalenti nei membri che hanno abbandonato in passato, di trovare correlazioni e di utilizzare tali correlazioni per assegnare probabilità ai membri esistenti.
Ad esempio, supponiamo che una grande quantità di iscritti che hanno abbandonato l'attività in passato abbia i seguenti dati:
- Hanno frequentato la palestra 3 volte nelle ultime 2 settimane.
- avevano acquistato ripetutamente integratori all'ingrosso come proteine in polvere, BCAA, pre-allenamento, ecc. su base mensile, ma avevano smesso di acquistarli nelle 4-6 settimane precedenti la rinuncia.
- Si trovano nel gruppo demografico con la più alta probabilità di abbandono
- Non hanno raggiunto il 50% del loro obiettivo di allenamento annuale iniziale entro 7 mesi dall'inizio dell'allenamento.
L'algoritmo segnalerebbe questi comportamenti come altamente prevalenti tra i membri con questi dati e assegnerebbe una probabilità di abbandono più alta ai futuri membri che mostrano questi attributi e comportamenti.
Ecco perché è importante massimizzare l'input del set di dati o i beacon. In altre parole, più dati avete sui vostri soci, più correlazioni il modulo di Business Intelligence sarà in grado di trovare.
Ciò non significa che si debbano fare domande inutili o irrilevanti.
Basterà inserire alcune domande di conoscenza nel processo di iscrizione e l'apprendimento automatico potrà prelevare i dati comportamentali una volta che avranno iniziato a interagire con le vostre applicazioni, macchine, siti web o persino con la reception.
Una volta impostati i beacon per prelevare i dati, il machine learning imparerà a conoscere gli iscritti alla palestra e inizierà a prevedere le percentuali di rischio di abbandono in base ai dati forniti.
È quindi possibile automatizzare la corrispondenza da inviare ai membri segmentati che hanno superato una determinata soglia di percentuale di rischio, per mantenerli impegnati e prevenire l'abbandono.
Usare l'automazione per la fidelizzazione
Tutti i dati e gli approfondimenti del mondo non valgono molto se non c'è una campagna automatizzata dietro che favorisca i risultati.
Ad esempio, gli utenti possono essere segmentati in base al loro rischio di abbandono e ricevere offerte specifiche attraverso una messaggistica mirata, per garantire la massima possibilità di coinvolgimento e di fidelizzazione.
Netflix fa esattamente questo con la sua analisi predittiva e l'automazione. In base a ciò che ho guardato e che hanno guardato le persone come me, sanno quali contenuti aggiungere e mi inviano messaggi con l'oggetto "Adam, abbiamo appena aggiunto un film": "Adam, abbiamo appena aggiunto un film che potrebbe piacerti".
Non si tratta di un'operazione manuale. È un messaggio automatico che inviano a migliaia di persone in base alle loro predilezioni per i contenuti. Per altre persone, potrebbe essere un film o uno spettacolo diverso, o addirittura avere un oggetto diverso.
Anche le palestre possono farlo. È possibile creare una varietà di messaggi per ogni situazione e automatizzarne l'invio ai propri iscritti.
Per i clienti che sono prossimi al ritiro, il messaggio può essere un'offerta per un pacchetto di personal training altamente ridotto o gratuito, un'estensione del contratto a prezzo ridotto o persino merce gratuita da ritirare in palestra per incoraggiarli ad allenarsi.
È sufficiente stabilire le regole che gli utenti devono soddisfare per questi criteri e i messaggi inseriranno dinamicamente gli utenti nella campagna in base ai loro attributi e agli eventi che si sono verificati.
L'intelligenza artificiale inizierà a valutare quali sono i messaggi più performanti e da lì li automatizzerà in base alla situazione, al cliente e ad altri dati che garantiranno che il messaggio ricevuto dall'utente sia il più mirato possibile.
Una volta creati i contenuti per ogni situazione che si ritiene possa verificarsi o giustificare un messaggio, agli utenti specificati che rientrano in questi criteri verrà inviato il messaggio giusto.
In questo modo, con tutte le analisi alla base dell'automazione, è possibile aumentare i tassi di fidelizzazione sulla base di correlazioni di dati che altrimenti sarebbero impossibili da trovare.