Domanda: La vostra palestra ha un analista di dati?
Avete presente il tizio che analizza tonnellate di dati degli iscritti alla palestra in un retrobottega buio, uscendo di rado dal suo ufficio per fare i bicipiti tra l'implementazione di algoritmi di classificazione per diversi modelli di apprendimento automatico?
Non lo pensavamo.
Siamo onesti: negli ultimi anni molte palestre sono passate dalla stampa di contratti di iscrizione lunghi 20 pagine, dalla fotocopiatura di patenti di guida e dall'imbustamento di coupon alla modernizzazione di varie operazioni del club con chioschi self-service, controlli di accesso e corrispondenza automatizzata con i soci.
È chiaro che abbiamo fatto molta strada. Quindi, qual è il prossimo passo?
Sempre più aziende si rivolgono all'analisi predittiva per prendere decisioni e il settore della gestione delle palestre è in procinto di fare lo stesso.
Ma se si guarda al di fuori delle grandi aziende di centri fitness, praticamente nessun club ha assunto un analista interno per fare previsioni o raccomandazioni sui vari processi del club in base ai dati dei soci.
E visto che le analisi sono ormai presenti in quasi tutti i settori, è giunto il momento per le palestre di diventare più "intelligenti", di utilizzare finalmente le grandi quantità di dati dei soci a loro disposizione per prendere decisioni più informate.
Questo ci porta al Machine Learning, il processo di utilizzo di algoritmi complessi per imparare a prevedere o dedurre risultati basati sull'analisi dei dati.
L'apprendimento automatico è già ampiamente utilizzato in una serie di settori quali, a titolo esemplificativo ma non esaustivo:
- Vendita al dettaglio online
- Auto a guida autonoma
- Trading finanziario
- Motori di ricerca
- Aziende di intrattenimento
Il grande nodo che lega tutti questi settori è, ovviamente, quello dei dati... tanti, tantissimi dati.
Ed è attraverso la raccolta e l'analisi di questi dati tramite l'apprendimento automatico che questi settori, come l'e-commerce, aumentare i ricavi delle vendite del 5-20%..
Ma è importante notare che, nell'ambito della gestione delle palestre, le vendite sono solo metà della battaglia: c'è anche la retention di cui preoccuparsi! In definitiva, l'apprendimento automatico può fornire ai club:
- Previsioni sulle entrate
- Previsioni di abbandono
- Raccomandazioni sulle classi
- Raccomandazioni sui prodotti
- Sistemi di motivazione per i soci
Una volta analizzati i dati e le previsioni, le azioni più rilevanti possono essere intraprese automaticamente grazie alla potenza dell'IA.
Ma prima di entrare nel merito, vi illustreremo come l'apprendimento automatico lavora in tandem con la gestione dei club.
Raccolta dei dati
Proprio come un'auto ha bisogno di benzina, gli algoritmi di apprendimento automatico hanno bisogno di dati da analizzare ed elaborare per prevedere i risultati e formulare raccomandazioni.
Fortunatamente, il settore del fitness è già saturo di applicazioni e macchine integrate che fungono da segnalatori di dati per alimentare il processo di apprendimento automatico. Dai contatori di calorie ai tracker di allenamento e ai FitBit, i dati sono già disponibili.
Ma anche senza app di terze parti, il vostro club probabilmente dispone già di un numero sufficiente di dati sui soci di prima parte per formulare raccomandazioni e previsioni intelligenti semplicemente in base a:
- Cronologia delle presenze
- età
- Sesso
- Cronologia degli acquisti del club
- Cronologia delle prenotazioni
Naturalmente questi sono solo alcuni punti di dati che possono aiutare a determinare risultati specifici, come il numero di iscritti o le raccomandazioni per le classi, ma le possibilità sono quasi infinite a seconda del tipo di beacon di raccolta dati integrati nel sistema.
Il processo di apprendimento
Una volta ottenuti questi dati (con l'approvazione del cliente), possono essere utilizzati come set di addestramento per gli algoritmi di apprendimento automatico.
L'apprendimento automatico è essenzialmente un'ampia componente dell'intelligenza artificiale (AI) che informa il processo decisionale trovando correlazioni tra diversi insiemi di dati.
Utilizzando diversi algoritmi, un modulo di apprendimento automatico apprende essenzialmente in modo "supervisionato" su un "set di addestramento", dove ogni set di dati immesso o "input" è abbinato a un risultato atteso o "output".
Se volessimo classificare qualcosa come mela o non mela, potremmo utilizzare questi punti di dati, ponderati in modo uniforme, come risultati attesi:
- Rosso = S/N
- Tonda = S/N
- Frutto = S/N
- Peso tra 70-100 grammi S/N
In alcuni insiemi di addestramento, pesiamo ogni variabile di input se vogliamo esprimerla come probabilità. Nel nostro esempio di mela, daremo a ogni input lo stesso peso.
Quindi, se abbiamo un oggetto che presenta ¾ di questi input previsti, l'oggetto avrà il 75% di probabilità di essere una mela nel nostro modello.
Tornando alla gestione di un club, supponiamo di voler prevedere quali soci hanno la probabilità di cambiare nel prossimo futuro e quali no.
Se prendessimo tutti i dati sopra elencati relativi agli iscritti alla palestra nell'ultimo anno, etichetteremmo un risultato come "in uscita" o "non in uscita", in base al fatto che il cliente sia in uscita o meno.
Poi addestriamo l'algoritmo inserendo nel nostro set di allenamento tutti gli input di ciascun iscritto (frequenza, età, sesso, ecc.) con le relative etichette definite (iscritto o non iscritto).
Poiché vogliamo esprimere i nostri risultati come probabilità, possiamo assegnare a ogni variabile di input un "peso", con alcune che pesano più di altre.
Nel corso del tempo, l'algoritmo peserà le diverse variabili una volta apprese.
Il nostro set di allenamento potrebbe assomigliare a questo, ma con molti più input:
Una volta che i dati sono stati "appresi", si rimuovono le etichette attese (sfornato o non sfornato) e si verifica se il modello è in grado di utilizzare correttamente i dati di input che gli sono stati forniti per prevedere i risultati sulla base dei dati appresi.
Dopo aver eseguito i vari modelli attraverso i set di addestramento, controlleremo la loro accuratezza nei set di test e sceglieremo il modello più accurato e stabile (la differenza di accuratezza tra i set di addestramento e di test).
Questo metodo può essere utilizzato anche per altri risultati, come le raccomandazioni di prodotti su base individuale, le raccomandazioni di classi e altro ancora.
Una volta classificati i gruppi (rischio di abbandono e non rischio di abbandono) è il momento di agire.
L'intelligenza
L'intelligenza artificiale funge da disciplina ombrello per vari sistemi e processi di analisi predittiva, apprendimento automatico, linguaggio, visione e comunicazione.
Una volta che abbiamo un modello di apprendimento automatico che abbiamo convalidato e messo in produzione, usiamo i dati per creare un ambiente da cui l'IA possa attingere.
Quando i dati vengono raccolti dal Machine Learning e sono pronti per essere trasformati in azione, i processi di automazione dell'IA inizieranno con test A/B di vari canali di comunicazione e messaggi, per imparare quali sono i più efficaci.
Ad esempio, l'apprendimento automatico potrebbe consigliare di offrire a un gruppo specifico di soci del club un pacchetto di corsi di formazione personali o una riduzione dei prezzi di iscrizione.
Il club avrebbe creato alcuni messaggi diversi per la stessa offerta, tra cui l'intelligenza artificiale potrebbe scegliere. L'intelligenza artificiale avrebbe poi testato ciascuno di essi, valutato i risultati e distribuito le opzioni più performanti per un pubblico futuro simile.
Naturalmente, dietro le quinte ci sono molte altre parti in movimento; tuttavia, questo è un approccio generale di come avviene la selezione dei contenuti.
Ora che conosciamo il processo generale, diamo un'occhiata ad alcuni casi d'uso specifici per i club.
La palestra intelligente
Grazie ai processi di apprendimento automatico, i club possono ora fare previsioni e raccomandazioni su un'ampia gamma di operazioni per migliorare non solo i profitti, ma anche per mantenere i soci soddisfatti e in linea con i loro obiettivi.
Ricordate che le persone vengono in palestra con obiettivi radicati nel miglioramento personale. Qualsiasi miglioramento nel modo in cui vi relazionate con loro può fare la differenza tra un proposito di Capodanno incompleto e una vita cambiata a lungo termine e in meglio.
Raccomandazioni sui prodotti
Il vecchio adagio dice che "il cliente ha sempre ragione".
Questo motto deriva da una comprensione di base tra venditore e consumatore: non si sa cosa vuole il cliente finché non lo chiede.
Al giorno d'oggi, i clienti del fitness sono spesso troppo occupati per prendere il telefono e chiamare per rinnovare l'abbonamento o per aspettare cinque minuti in più alla reception per prendere la bevanda post-allenamento.
Ecco perché i consigli sui prodotti sono quasi universali in qualsiasi attività di vendita al dettaglio online. E stanno lentamente diventando sempre più guidate da processi di apprendimento automatico per incrementare le vendite.
Queste raccomandazioni sono determinate da diversi algoritmi di apprendimento automatico. Possono basarsi su algoritmi di apprendimento non supervisionato che trovano correlazioni tra gli articoli acquistati.
Ad esempio, gli algoritmi possono rilevare che le persone che acquistano proteine in polvere e creatina spesso acquistano anche bevande pre-allenamento. Gli algoritmi individuano queste correlazioni e raccomandano le bevande pre-allenamento alle persone che acquistano spesso anche gli altri due prodotti.
Le raccomandazioni possono anche essere basate su algoritmi di apprendimento supervisionato, come ad esempio il fatto che molte persone che condividevano una variabile di output comune (l'acquisto di barrette proteiche) avevano anche una serie di variabili di input comuni (frequenza, appartenenza simile, sesso, peso, ecc.) e avrebbero raccomandato articoli ai futuri clienti che avevano variabili di input simili.
Il risultato finale è un impressionante sistema di regole di associazione che viene utilizzato per consigliare prodotti ai clienti, sia che si tratti della reception per gli addetti all'accoglienza, sia che si tratti di pubblicità digitale o promozionale.
Raccomandazioni di classe
Utilizzando tecniche simili a quelle impiegate per le raccomandazioni sui prodotti, possiamo consigliare quali corsi offrire per aumentare le prenotazioni e la frequenza.
I beacon per la raccolta dei dati sono un po' più complessi, in quanto richiedono dati più specifici sui soci, come ad esempio
- Frequenza delle lezioni
- Frequenza di prenotazione delle classi
- Valutazioni delle classi
- Obiettivi degli utenti
- Preferenze di allenamento dei membri
Questi sono solo alcuni punti che possono essere utilizzati come variabili di input, ma insieme ad altri dati possono essere utilizzati per sostituire alcune classi con altre per aumentare il coinvolgimento.
Questo può essere realizzato con algoritmi di apprendimento supervisionato, non supervisionato o entrambi. I risultati finali sono le classi raccomandate con la previsione della crescita dell'affluenza.
Molti algoritmi di raccomandazione utilizzano una combinazione di tecniche di apprendimento supervisionato e non supervisionato; tuttavia, l'aspetto più importante è che gli algoritmi imparano quali raccomandazioni hanno successo e le migliorano nel tempo.
Previsioni sulle presenze
Quanti soci saranno presenti nel vostro club in un determinato giorno? Quanti di loro saranno nuovi? Quali gruppi di età saranno più attivi e quando?
Le risposte a queste domande possono fare un'enorme differenza nelle decisioni relative al personale in un determinato giorno, per garantire che il club funzioni senza problemi nelle ore di maggior affluenza.
Con l'apprendimento automatico che gestisce la palestra, è possibile avere queste previsioni con settimane o addirittura mesi di anticipo e aggiornamenti in tempo reale.
Ad esempio, man mano che gli algoritmi continuano ad apprendere, aggiorneranno le previsioni di affluenza in base a variabili di input quali:
- Presenza dei soci nel tempo
- Entrate casuali
- Prenotazioni delle classi rispetto alle presenze effettive
- Tempo atmosferico
In definitiva, questi fattori (insieme a molti altri) vengono ponderati in base ai record storici di ciascuna variabile di input e al modo in cui ciascuna influenza l'altra.
Ad esempio, un numero maggiore di frequentatori abituali aumenta la probabilità di un maggior numero di ospiti, che spesso accompagnano il socio che li ha indirizzati. Oppure si potrebbe calcolare che nei giorni di pioggia passati l'affluenza al club è diminuita del 7% e tenerne conto in base alle previsioni del tempo.
Come si può vedere, le macchinazioni sono infinite e ci vuole un sistema intelligente per fare queste previsioni con maggiore precisione, per aiutarvi a determinare come impiegare al meglio il vostro personale e le vostre strutture per ottenere maggiore soddisfazione.
Previsioni di vendita
Utilizzando algoritmi simili, ma con set di dati diversi da quelli sopra descritti, possiamo produrre previsioni di vendita per le date future.
Anche in questo caso, l'utilizzo di dati storici come set di addestramento ha un'enorme importanza, ma una volta prodotto un modello convalidato, questo può essere utilizzato per elaborare i dati di vendita attuali e fare previsioni future con maggiore precisione nel tempo.
Questi modelli sono davvero utili quando si deve decidere quando creare campagne promozionali per i club.
Inoltre, è possibile approfondire i dati per vedere quali sono i dati demografici in termini di sesso e gruppi di età che si prevede porteranno il maggior numero di entrate e indirizzare quelli che si prevede abbiano un rendimento inferiore con coupon o buoni aggiuntivi.
Queste operazioni possono essere effettuate per ogni singolo club, per gruppi o addirittura per un'intera catena.
Previsioni di abbandono
Forse uno dei modelli più importanti necessari nel settore della gestione delle palestre è il modello di previsione di abbandono.
Come indicato negli esempi precedenti, questi modelli utilizzano una serie di algoritmi di apprendimento supervisionato per assegnare le probabilità di abbandono ai singoli soci e in aggregato per gli interi club.
Come nel caso delle raccomandazioni, queste previsioni diventeranno più accurate nel tempo, man mano che si accumulano dati e si impara dalle previsioni corrette ed errate fatte.
Inoltre, man mano che gli algoritmi continuano a imparare, ricalibreranno il "peso" o l'influenza di particolari variabili di input se queste diventano più frequenti nei soci che hanno abbandonato il club.
Ad esempio, con il tempo gli algoritmi iniziano a notare che, da quando il front desk non vende più un certo tipo di integratore, una grande quantità di membri che hanno acquistato quell'integratore ha iniziato a rinunciare con maggiore frequenza.
I dati storici legati all'acquisto di questi integratori, come input, inizierebbero a essere ponderati maggiormente nel calcolo della probabilità di abbandono.
In sostanza, tutto dipende dai dati a disposizione del club e dal modo in cui l'apprendimento automatico può analizzarli per trovare le correlazioni che altrimenti passerebbero inosservate agli occhi dell'uomo.
Conclusione
L'analisi dei dati ha già trovato spazio in molti, se non nella maggior parte dei settori del mondo. Nella gestione dei fitness club, questa disciplina si sta già concretizzando sotto i nostri occhi.
È sorprendente che, con tutti i dati di prima parte che le palestre accumulano, si stia appena iniziando a guardare ai vantaggi dell'apprendimento automatico e dell'IA come soluzioni praticabili per il processo decisionale.
Non è più un sogno del futuro: è qui. Ora.