Jeśli kiedykolwiek robiłeś zakupy online w serwisie Amazon, na pewno zauważyłeś rekomendacje produktów na stronie i w swojej skrzynce odbiorczej. Jeśli zwracasz na nie uwagę to wiesz, że te rekomendacje są zazwyczaj bardzo trafne.
To nie jest przypadek.
Amazon wykorzystuje procesy uczenia maszynowego, aby uruchomić mechanizm rekomendacji, który poleca wysoce trafne produkty wybranym użytkownikom na podstawie:
- Tego, co aktualnie znajduje się w ich koszyku
- historii zakupów
- Tego, co kupują inni użytkownicy przy zakupie podobnych produktów
- Oceny i recenzji innych klientów
Dzięki wykorzystaniu tych danych wejściowych algorytmy rekomendacji okazały się bardzo skuteczne. W efekcie 35% wszystkich zakupów online ma miejsce za pośrednictwem mechanizmu rekomendacji.
Firmy takie jak Netflix również wykorzystują algorytmy uczenia maszynowego do rekomendowania treści, co pozwoliło im zaoszczędzić około 1 miliarda dolarów rocznie na rezygnacji z usług.
Tym, co łączy te firmy i branżę fitness są duże ilości danych pochodzących od osób trzecich, którymi dysponują.
Z uczeniem maszynowym na czele innowacji w zarządzaniu klubem naturalnym jest wykorzystanie go do zwiększenia przychodów w punktach sprzedaży poprzez rekomendacje produktów.
Poniżej omówimy, jak działają te mechanizmy i w jaki sposób mogą one pomóc klubom zwiększyć przychody poprzez rekomendację produktów, dostarczając personelowi dane umożliwiające zaoferowanie właściwego produktu właściwemu klientowi w punkcie sprzedaży.
Rekomendacje produktów klubowych
Nie jest tajemnicą, że sprzedaż towarów w klubie może być znaczącym czynnikiem zwiększającym przychody. Ludzie często potrzebują natychmiastowego orzeźwienia po treningu, są zbyt zajęci, aby zatrzymać się w lokalnym sklepie lub po prostu lubią nosić klubową odzież.
Bez względu na przyczynę, przychody niektórych klubów z tytułu sprzedaży towarów są tak znaczące, że stanowią podstawę ich planów biznesowych.
Z drugiej strony, czemu miałoby być inaczej, skoro - poza umowami - mogą one stanowić dużą część przychodów klubu?
Niezależnie od tego, czy zmagasz się z problemem rentowności sprzedaży zapasów w recepcji, czy też zastanawiasz się nad rozpoczęciem takiej działalności, rekomendacje produktów oparte na uczeniu maszynowym mogą przynieść dodatkowe przychody dzięki wiedzy o tym, jakie towary zaoferować klientom.
Celem tak naprawdę nie jest zmienienie niekupujących w kupujących, ale zwiększenie średniej wielkości zamówienia od obecnych kupujących.
Potrzeba
Jeśli, tak jak jedna z osób opisanych powyżej, kupujesz produkty w swoim klubie, to znasz wartość indywidualnego podejścia.
Pracownicy recepcji mogą często zaoferować Ci produkty, które często kupujesz. Albo pamiętają o Twoich preferencjach albo używają notatek zachowanych w systemie, tak jak w przypadku poniższego punktu sprzedaży PG PoS.
Wszystko to wynika z powiązania zakupionych produktów z kontem i częstotliwością odwiedzin oraz z ilością zakupionych produktów.
Dzięki tym informacjom personel recepcji może zawsze indywidualnie podchodzić do sprzedaży artykułów z zapasów przy meldowaniu się lub wymeldowywaniu użytkowników.
Twoi klienci z pewnością to docenią, ponieważ pozwoli to zaoszczędzić czas zarówno im, jak i Twojemu personelowi.
Zazwyczaj, jeśli klienci nie chcą nic więcej, nie pytają o to. Jednak każdy z nas spotkał się z sytuacją, gdy przy wymeldowaniu z hotelu zaproponowano mu inny produkt, o którym nie pomyślał, dopóki nie został mu przedstawiony.
Jest to oczywiście sedno działania mechanizmów rekomendacji, takich jak w firmach Netflix czy Amazon.
Sztuką w zastosowaniu tego rozwiązania podczas transakcji na recepcji jest oferowanie właściwych produktów właściwym osobom.
Tu do gry wchodzi uczenie maszynowe.
Tworzenie inteligentnych rekomendacji
Wszystkie dobre algorytmy rekomendacji potrzebują najpierw danych do analizy i przetwarzania. Dlatego zalecamy korzystanie z systemu, w którym wszystkie transakcje w klubie są rejestrowane i monitorowane.
Posiadanie pełnych historii transakcji we wszystkich klubach i wśród wszystkich klientów daje algorytmom uczenia maszynowego dobry punkt wyjścia do znalezienia wzorców pomiędzy segmentami klientów i zakupionymi produktami.
Rozpoznawanie wzorców, jako jeden z fundamentów każdego procesu uczenia maszynowego, bazuje na odnajdywaniu korelacji między różnymi danymi wejściowymi i wskazywaniu związków między nimi.
Jeśli jednak punkty danych nie są ze sobą powiązane, można uzyskać bezsensowne korelacje, które potwierdzają stare powiedzenie "korelacja nie oznacza związku przyczynowego".
Jeśli jednak przyglądamy się określonemu wynikowi, np. realizacji zakupów produktów sprzedawanych w danym centrum fitness, możemy znaleźć wzorce dotyczące tego, jakie produkty zostały zakupione w połączeniu z innymi i odpowiednio do tego sformułować nasze zalecenia.
Aby to zrobić, możemy najpierw dokonać segmentacji użytkowników, np. na mężczyzn i kobiety.
Według najnowszych badań, mężczyźni i kobiety mają znacznie różne powody finalizowania transakcji:
"Dla mężczyzn dobra obsługa oznacza pomoc w znalezieniu odpowiedniego artykułu i szybkie przejście do kasy. W przypadku kobiet zadowolenie klienta jest silnie związane z chęcią udzielenia przez sklep fachowej porady (wykazania się znajomością produktu) oraz zdolnością sklepu do pomocy w ustaleniu, które produkty najlepiej pasują do danej osoby."
W związku z tym dokonujemy segmentacji użytkowników według płci, aby skuteczniej polecać im produkty.
Na przykład, widzimy, że w klubie fitness zarówno mężczyźni, jak i kobiety często kupują napoje energetyczne o smaku pomarańczowym, jednak mężczyźni często kupują białko w proszku, podczas gdy kobiety wolą batony proteinowe i napoje energetyczne.
Te wzorce zostaną rozpoznane przez system i - po zgłoszeniu zapotrzebowania na dany produkt - pracownicy recepcji zaproponują odpowiedni dodatek, który najczęściej jest kupowany razem z danym napojem energetycznym.
Zalecenia te będą oparte na wprowadzonych regułach, co oznacza po prostu, że:
JEŚLI KOBIETA + KUPUJE POMARAŃCZOWY NAPÓJ ENERGETYCZNY ---> POLECAJ BATONIK PROTEINOWY
Proces ten może wydawać się dość prosty, ale wymaga dużej mocy obliczeniowej, która obejmuje rozpoznawanie wzorców i przetwarzanie danych historycznych w celu utworzenia reguł, które ostatecznie wyświetlają, które produkty należy polecić konkretnym klientom.
Wnioski
Zwiększenie przychodów klubu poprzez rekomendację produktów i wzrost średniej wielkości zamówień obecnych klientów powinno być strategią wzrostu zysków stosowaną przez wszystkie kluby posiadające zapasy.
Dzięki procesom uczenia maszynowego w punktach sprzedaży personel recepcji może oferować klientom produkty na podstawie danych, co ostatecznie zwiększa zyski klubów.