Вопрос: Работает ли в вашем тренажерном зале аналитик данных?
Ну, знаете, парень, который анализирует тонны данных о членах тренажерного зала в темно освещенном подсобном помещении, изредка высовываясь из своего кабинета, чтобы сделать разгибание на бицепс между развертыванием алгоритмов классификации для различных моделей машинного обучения?
Мы так не думали.
Давайте будем честными: за последние несколько лет многие спортивные залы прошли путь от распечатки 20-страничных договоров о членстве, ксерокопирования водительских прав и набивки конвертов купонами до модернизации различных операций клуба с помощью киосков самообслуживания, контроля доступа и автоматизированной переписки с членами клуба.
Очевидно, что мы прошли долгий путь. Что же дальше?
Все больше и больше компаний обращаются к предиктивной аналитике для принятия решений, и индустрия управления тренажерными залами находится на пороге того, чтобы сделать то же самое.
Но если посмотреть за пределы огромных корпораций фитнес-центров, то практически ни один клуб не нанял штатного аналитика для составления прогнозов или рекомендаций относительно различных процессов в клубе на основе данных о членах клуба.
А поскольку аналитика сегодня занимает все более заметное место практически в каждой отрасли, пришло время тренажерным залам стать "умнее", чтобы наконец-то использовать имеющиеся в их распоряжении большие объемы данных о членах клуба для принятия более обоснованных решений.
Это подводит нас к машинному обучению - процессу применения сложных алгоритмов для обучения прогнозированию или выводу результатов на основе анализа данных.
Машинное обучение уже широко используется в различных отраслях, таких как:
- розничная торговля в Интернете
- Самоуправляемые автомобили
- финансовая торговля
- Поисковые системы
- развлекательные компании
Большой узел, который связывает все эти отрасли вместе, - это, конечно, данные... много-много данных.
И именно благодаря сбору и анализу этих данных с помощью машинного обучения эти отрасли, такие как электронная коммерция, увеличивают свой доход от продаж на 5-20%..
Но важно отметить, что в управлении тренажерным залом продажи - это только половина успеха, ведь нужно еще и об удержании посетителей! В конечном счете, машинное обучение может помочь клубам:
- прогнозы доходов
- прогнозы оттока
- Рекомендации по занятиям
- Рекомендации по продуктам
- Системы мотивации для членов клуба
После анализа данных и составления прогнозов наиболее подходящие действия могут быть предприняты автоматически благодаря силе искусственного интеллекта.
Но прежде чем перейти к рассмотрению яиц и ветчины, мы расскажем вам о том, как машинное обучение работает в тандеме с управлением клубом.
Сбор данных
Как автомобилю нужен бензин, так и алгоритмам машинного обучения нужны данные для анализа и обработки, чтобы предсказывать результаты и давать рекомендации.
К счастью, фитнес-индустрия уже перенасыщена интегрированными приложениями и тренажерами, которые выступают в качестве маяков данных для обеспечения процесса машинного обучения. Все, от счетчиков калорий до трекеров тренировок и FitBits, - все данные на виду.
Но даже без сторонних приложений ваш клуб, вероятно, уже располагает достаточным количеством данных об участниках от первого лица, чтобы делать умные рекомендации и прогнозы, просто основываясь на них:
- История посещений
- Возраст
- Пол
- История покупок в клубе
- История бронирований
Конечно, это лишь несколько точек данных, которые могут помочь определить конкретные результаты, такие как отток или рекомендации по занятиям, но возможности практически безграничны в зависимости от того, какие маячки для сбора данных вы интегрировали в свою систему.
Процесс обучения
Как только вы получите эти данные (с одобрения клиента), их можно использовать в качестве обучающего набора для алгоритмов машинного обучения.
Машинное обучение - это, по сути, большой компонент искусственного интеллекта (ИИ), который обеспечивает процесс принятия решений путем нахождения корреляций между различными наборами данных.
Используя различные алгоритмы, модуль машинного обучения по сути обучается "под наблюдением" на "обучающем множестве", где каждый введенный набор данных или "вход" связан с ожидаемым результатом или "выходом".
Если бы мы хотели классифицировать что-то как яблоко или не яблоко, то мы могли бы использовать эти точки данных, равномерно взвешенные, в качестве ожидаемых результатов:
- Красное = Да/Н
- круглое = да/нет
- Фрукт = Да/Н
- Вес между 70-100 граммами = Да/Н
В некоторых обучающих наборах мы взвешиваем каждую входную переменную, если хотим выразить их в виде вероятностей. В нашем примере с яблоком мы придадим каждому входу одинаковый вес.
Таким образом, если у нас есть объект, у которого присутствуют ¾ из этих ожидаемых входных данных, то объект будет иметь 75% вероятность того, что он является яблоком в нашей модели.
Возвращаясь к управлению клубом, предположим, что мы хотим предсказать, какие члены клуба будут склонны к оттоку в ближайшем будущем, а какие нет.
Если бы мы взяли все перечисленные выше данные о членах тренажерного зала за последний год, то мы бы пометили результат как "отток" или "не отток" в зависимости от того, отторгался клиент или нет.
Затем мы обучим алгоритм, включив все входные данные для каждого члена (посещаемость, возраст, пол и т.д.) с их определенными метками (оттолкнулся или не оттолкнулся) в наше обучающее множество.
Поскольку мы хотим выразить наши результаты в виде вероятностей, мы можем присвоить каждой входной переменной "вес", причем некоторые будут иметь больший вес, чем другие.
Со временем алгоритм, обучаясь, будет присваивать вес различным переменным.
Наш обучающий набор может выглядеть примерно так, но с гораздо большим количеством входных данных:
После "обучения" данных мы удаляем ожидаемые метки (отток или не отток) и смотрим, может ли модель правильно использовать предоставленные ей входные данные для предсказания результатов на основе данных, на которых она обучалась.
После прогона различных моделей на обучающих наборах мы проверим их точность на тестовых наборах и выберем наиболее точную и стабильную (разница в точности между обучающим и тестовым наборами) модель.
Эту модель можно использовать и для других результатов, например, для рекомендаций продуктов по каждому продукту, рекомендаций классов и т.д.
Как только мы получим классифицированные группы (с риском оттока и без риска оттока), настанет время действовать.
Интеллект
ИИ в конечном итоге выступает в качестве зонтичной дисциплины для различных систем и процессов предиктивной аналитики, машинного обучения, языка, зрения и других коммуникационных систем.
Как только у нас есть модель машинного обучения, которую мы утвердили и запустили в производство, мы используем данные, чтобы создать среду для нашего ИИ.
Когда данные получены с помощью машинного обучения и готовы к действию, процессы автоматизации ИИ начнутся с A/B-тестирования различных каналов коммуникации и сообщений, чтобы узнать, какие из них наиболее эффективны.
Например, машинное обучение может рекомендовать предложить определенной группе членов клуба пакет персональных тренингов или сниженные цены на членство.
Клуб мог бы создать несколько различных сообщений для одного и того же предложения, чтобы ИИ мог выбрать одно из них. Затем он протестирует каждое из них, оценит результаты и внедрит наиболее эффективные варианты для аналогичных будущих аудиторий.
Конечно, за кулисами есть еще много движущихся частей, но это общий подход к выбору контента.
Теперь, когда мы знаем общий процесс, давайте рассмотрим несколько конкретных примеров использования клубов.
Умный тренажерный зал
Используя процессы машинного обучения, клубы теперь могут делать прогнозы и рекомендации по широкому спектру клубных операций, чтобы не только улучшить итоговый результат, но и сохранить удовлетворенность членов клуба и их стремление к достижению поставленных целей.
Помните, что люди приходят в спортзалы с целями, основанными на самосовершенствовании. Любые улучшения в том, как вы взаимодействуете с ними, могут стать решающим фактором между неисполненной новогодней резолюцией и жизнью, измененной надолго и к лучшему.
Рекомендации по продуктам
Есть старая пословица: "Клиент всегда прав".
Этот девиз вытекает из базового понимания между продавцом и потребителем: вы не знаете, чего хочет клиент, пока он об этом не попросит.
В наше время клиенты фитнес-центров часто слишком заняты, чтобы поднять трубку телефона и позвонить, чтобы продлить членство в клубе или подождать лишние пять минут у стойки регистрации, чтобы забрать свой напиток после тренировки.
Именно поэтому рекомендации товаров являются практически универсальным инструментом в любом розничном онлайн-бизнесе. И они постепенно становятся все более и более управляемыми с помощью процессов машинного обучения для повышения продаж.
Эти рекомендации определяются различными алгоритмами машинного обучения. Они могут быть основаны на алгоритмах обучения без наблюдения, которые находят корреляции между купленными товарами.
Например, алгоритмы могут обнаружить, что люди, покупающие протеиновый порошок и креатин, часто покупают и предтренировочные напитки. Эти алгоритмы будут находить такие корреляции и рекомендовать предтренировочные напитки людям, которые также часто покупают два других товара.
Рекомендации также могут быть основаны на алгоритмах контролируемого обучения. В качестве примера можно привести тот факт, что многие люди, которые имели общую выходную переменную (покупка протеинового батончика), также имели ряд общих входных переменных (частое посещение занятий, схожие членства, пол, вес и т.д.) и рекомендовали бы товары будущим клиентам, имеющим схожие входные переменные.
В итоге получилась впечатляющая система ассоциативных правил, которые используются при рекомендации продуктов клиентам, будь то на стойке регистрации для администраторов или в цифровом или рекламном обращении.
Рекомендации по классам
Используя методы, аналогичные тем, что применяются в рекомендациях продуктов, мы можем рекомендовать, какие занятия следует предложить, чтобы увеличить количество бронирований и посещаемость.
Сбор данных с помощью маячков для этих рекомендаций немного сложнее, поскольку для этого требуются более конкретные данные о членах клуба, такие как:
- Частота посещения занятий
- Частота бронирования занятий
- рейтинги занятий
- Цели пользователя
- предпочтения в тренировках
Это лишь несколько моментов, которые могут быть использованы в качестве входных переменных, но они вместе с другими данными могут быть использованы для замены одних занятий другими, чтобы повысить вовлеченность.
Это может быть достигнуто с помощью алгоритмов контролируемого обучения, неконтролируемого или обоих. Конечным результатом являются рекомендуемые классы с прогнозируемым ростом посещаемости.
Многие алгоритмы рекомендаций используют сочетание методов контролируемого и неконтролируемого обучения, однако наиболее важным аспектом является то, что алгоритмы узнают, какие рекомендации являются успешными, и со временем улучшают их.
Прогнозы посещаемости
Сколько членов будет в вашем клубе в определенный день? Сколько из них будет новичков? Какие возрастные группы будут наиболее активны и когда?
Ответы на эти вопросы могут иметь огромное значение для принятия кадровых решений в конкретный день, чтобы обеспечить бесперебойную работу клуба в часы пиковой посещаемости.
С помощью машинного обучения, управляющего вашим тренажерным залом, вы можете делать такие прогнозы на недели или даже месяцы вперед с обновлениями в режиме реального времени.
Например, по мере обучения алгоритмы будут обновлять свои прогнозы посещаемости в зависимости от таких переменных, как:
- посещаемость членов клуба с течением времени
- случайные заходы
- Запись на занятия по сравнению с фактической посещаемостью
- Погода
В конечном итоге эти факторы (а также многие другие) взвешиваются с учетом исторических данных по каждой входной переменной и того, как каждая из них влияет на другую.
Например, большее количество постоянных посетителей повышает вероятность появления большего числа гостей, поскольку они часто сопровождают того, кто их привел. Или можно подсчитать, что в прошлые дождливые дни посещаемость клуба снизилась на 7%, и учесть это в предстоящих прогнозах погоды.
Как видите, махинации бесконечны, и для того, чтобы сделать эти прогнозы с большей точностью, нужна умная система, которая поможет вам определить, как лучше разместить персонал и помещения для большего удовлетворения потребностей.
Прогнозирование продаж
Используя аналогичные алгоритмы, но отличные от приведенных выше наборы данных, мы можем создавать прогнозы продаж на будущие даты.
Конечно же, использование исторических данных в качестве обучающего набора требует огромных усилий, но после создания проверенной модели ее можно использовать для обработки текущих данных о продажах и делать прогнозы на будущее с большей точностью с течением времени.
Это действительно пригодится, когда вы решаете, когда следует создавать клубные рекламные кампании.
Более того, вы можете углубиться в данные, чтобы увидеть, какие демографические группы, с точки зрения пола и возраста, принесут наибольший доход, и нацелиться на тех, кто, по прогнозам, будет иметь более низкие показатели, с помощью дополнительных купонов или ваучеров.
Это можно делать по каждому клубу, по группам или даже по всей сети.
Прогнозирование оттока
Возможно, одной из самых важных моделей, необходимых в индустрии управления тренажерными залами, является модель прогнозирования оттока.
Как отмечалось в примерах выше, они используют различные алгоритмы контролируемого обучения для назначения вероятности оттока для отдельных членов и в совокупности для всех клубов.
Как и в случае с рекомендациями, эти прогнозы со временем становятся более точными по мере накопления данных и обучения на основе правильных и неправильных прогнозов.
Кроме того, по мере обучения алгоритмы будут перекалибровать "вес" или влияние определенных входных переменных, если они становятся более частыми в отторгаемых членах со временем.
Например, со временем алгоритмы начинают замечать, что, поскольку на ресепшене больше не продают определенный вид добавок, большое количество членов, которые покупали эти добавки, стали чаще отходить.
Исторические данные, связанные с покупкой этих добавок, как исходные данные, начнут иметь больший вес при расчете вероятности оттока.
По сути, все сводится к данным, имеющимся в распоряжении вашего клуба, и к тому, как машинное обучение может проанализировать их, чтобы найти корреляции, которые иначе остались бы незамеченными человеческим глазом.
Заключение
Аналитика данных уже нашла свое место во многих, если не в большинстве отраслей по всему миру. В сфере управления фитнес-клубами эта дисциплина уже материализуется на наших глазах.
Очень удивительно, что со всеми данными от первой стороны, которые накапливают тренажерные залы, они только сейчас начинают рассматривать преимущества машинного обучения и искусственного интеллекта в качестве жизнеспособных решений для принятия решений.
Это больше не мечта о будущем, это уже здесь. Сейчас.