Se avete mai fatto acquisti online su Amazon, noterete raccomandazioni di prodotti ovunque sul sito e nella vostra casella di posta elettronica. E, se siete attenti, queste raccomandazioni sono solitamente molto pertinenti.
Non si tratta di una coincidenza.
Amazon utilizza processi di apprendimento automatico per far funzionare il suo motore di raccomandazione, in modo da consigliare prodotti altamente pertinenti a utenti mirati sulla base di:
- cosa c'è attualmente nel loro carrello
- La cronologia degli acquisti
- Cosa comprano gli altri utenti quando acquistano prodotti simili
- Valutazioni e recensioni dei clienti
Utilizzando questi dati, gli algoritmi di raccomandazione si sono dimostrati molto efficaci, tanto che il motore di raccomandazione ha permesso di ottenere circa 35% di tutti gli acquisti online di clienti attraverso il suo motore di raccomandazione.
Anche aziende come Netflix hanno utilizzato algoritmi di apprendimento automatico per consigliare i contenuti, il che ha permesso di risparmiare circa 1 miliardo di dollari all'anno in cancellazioni di servizi.
Ciò che accomuna queste aziende - e il settore della gestione del fitness - sono le grandi quantità di dati di prima parte a loro disposizione.
Con l'apprendimento automatico all'avanguardia dell'innovazione nella gestione dei clubè naturale che venga applicato per aumentare le entrate dei punti vendita.
In questa sede esamineremo come funzionano le raccomandazioni sui prodotti e come possono aiutare i club ad aumentare le entrate fornendo al personale i dati per offrire il prodotto giusto al cliente giusto nel punto vendita.
Raccomandazioni sui prodotti del club
Non è un segreto che la vendita di prodotti al club possa essere un significativo incremento delle entrate. Spesso le persone hanno bisogno di un ristoro immediato dopo l'allenamento, sono troppo impegnate per fermarsi in un negozio locale o semplicemente amano indossare l'abbigliamento del club.
Qualunque sia la ragione, i flussi di entrate da merchandising di alcuni club sono così significativi da diventare punti fermi nei loro piani aziendali.
E perché non dovrebbero esserlo, visto che possono rappresentare gran parte delle entrate di un club al di fuori dei contratti.
Sia che stiate lottando con la redditività delle vendite dell'inventario al front desk, sia che stiate pensando di iniziare, le raccomandazioni di prodotti basate sull'apprendimento automatico possono portare ulteriori entrate semplicemente sapendo quali prodotti offrire a quali clienti.
L'obiettivo non è creare acquirenti tra i non acquirenti, ma aumentare la dimensione media degli ordini degli acquirenti esistenti.
La necessità
Se siete come una delle persone descritte sopra che acquistano prodotti all'interno del vostro club, allora conoscete il valore di un approccio personalizzato.
Il personale della reception può spesso offrire i prodotti che acquistate di frequente perché se ne ricorda o perché le note sono conservate nel sistema, come nel PG PoS qui sotto.
Tutto ciò deriva semplicemente dall'associazione dei prodotti acquistati con un account e dalla frequenza di frequentazione rispetto alla quantità di volte in cui un prodotto viene acquistato.
Queste informazioni consentono al personale del front desk di avere sempre un approccio personalizzato quando si tratta di vendere gli articoli dell'inventario al momento del check-in o del check-out degli utenti.
I vostri clienti lo apprezzeranno, perché risparmieranno tempo sia a loro che al vostro personale.
Di solito, se i clienti non vogliono altro, non lo chiedono. Tuttavia, è capitato a tutti di trovarsi in situazioni in cui al check-out è stato offerto un altro prodotto che non avevamo capito di volere o di cui avevamo bisogno, finché non ci è stato presentato.
Questo è, ovviamente, il fulcro dei motori di raccomandazione come quelli di Netflix e Amazon.
Il trucco nell'applicarlo alle transazioni al banco è offrire i prodotti giusti alle persone giuste.
È qui che entra in gioco l'apprendimento automatico.
Raccomandazioni intelligenti
Tutti i buoni algoritmi di raccomandazione hanno bisogno di dati da analizzare ed elaborare. Per questo consigliamo di utilizzare un sistema in cui tutte le transazioni del club siano registrate e monitorate.
Disporre dell'intera cronologia delle transazioni di tutti i club e di tutti i clienti fornisce agli algoritmi di apprendimento automatico una buona base di partenza per trovare modelli tra i segmenti di clienti e i prodotti acquistati.
Uno dei fondamenti di qualsiasi processo di apprendimento automatico, il riconoscimento dei modelli trova correlazioni tra i diversi input di dati e indica una relazione tra di essi.
Tuttavia, se i punti di dati non sono correlati, si possono ottenere correlazioni assurde che mettono in evidenza il vecchio detto "correlazione non significa causalità", come dimostra l'immagine seguente.
Ma se stiamo osservando un risultato definito, come il completamento dell'acquisto di prodotti venduti in un particolare centro fitness, possiamo trovare modelli di quali articoli sono stati acquistati in tandem con altri articoli e fare le nostre raccomandazioni di conseguenza.
Per fare questo, potremmo voler prima segmentare i nostri utenti, ad esempio tra maschi e femmine.
Secondo un recente studio, gli uomini e le donne hanno motivi diversi per completare le transazioni:
"Per gli uomini, un buon servizio significa aiutarli a trovare l'articolo giusto e aiutarli a superare rapidamente il checkout. Per le donne, la soddisfazione del cliente è fortemente legata alla disponibilità di un negozio a condividere consigli di esperti (dimostrando familiarità con il prodotto) e alla capacità del negozio di aiutarle a determinare i prodotti più adatti".
Pertanto, segmenteremo i nostri utenti in base al genere per consigliare loro i prodotti in modo più efficace.
Ad esempio, vediamo che all'interno di un fitness club, sia gli uomini che le donne acquistano spesso bevande energetiche al gusto di arancia; tuttavia, gli uomini acquistano spesso proteine in polvere, mentre le donne acquistano barrette proteiche quando acquistano anche la bevanda energetica.
Pertanto, questi schemi verrebbero riconosciuti e, dopo aver richiesto un prodotto, il personale della reception offrirebbe il prodotto corrispondente che viene acquistato più frequentemente con la bevanda energetica.
Queste raccomandazioni avverranno come raccomandazioni basate su regole, il che significa semplicemente che:
SE DONNA + ACQUISTA bevanda energetica all'arancia ---> CONSIGLIA BARRA DI PROTEINE
Il processo può sembrare abbastanza semplice, ma anche in questo caso è necessaria una grande potenza di calcolo che coinvolge il riconoscimento dei modelli e l'elaborazione dei dati storici per informare le regole che alla fine mostrano quali prodotti consigliare a quali clienti.
Conclusione
Aumentare la dimensione media degli ordini degli acquirenti esistenti dovrebbe essere una strategia di crescita dei ricavi che tutti i club con inventario attuano.
Ora, con l'aiuto dei processi di apprendimento automatico nel punto vendita, il personale del front-desk può offrire ai clienti prodotti con intuizioni basate sui dati per aumentare i profitti del front-desk di un club.