Если вы когда-либо совершали покупки на Amazon, вы заметите рекомендации по товарам на сайте и в своем почтовом ящике. И, если вы внимательны, эти рекомендации обычно очень актуальны.
Это не простое совпадение.
Amazon использует процессы машинного обучения для работы своего рекомендательного механизма, чтобы рекомендовать целевым пользователям высокоактуальные товары на основе:
- Что в данный момент находится в их корзине
- истории покупок
- Что покупают другие пользователи при покупке аналогичных товаров
- рейтинги и отзывы покупателей
Используя эти данные, алгоритмы рекомендаций доказали свою высокую эффективность, в результате чего около 35% всех онлайн-покупок прихода клиентов через систему рекомендаций.
Такие компании, как Netflix, также используют алгоритмы машинного обучения для рекомендации контента, что помогает им экономить около 1 миллиарда долларов в год на отказе от услуг.
Что связывает эти компании - и индустрию фитнес-менеджмента - так это большие объемы данных, имеющихся в их распоряжении от первой стороны.
С машинное обучение в авангарде инноваций в управлении клубамиВполне естественно, что он может быть применен для увеличения выручки в точках продаж.
Здесь мы рассмотрим, как работают рекомендации продуктов и как они могут помочь клубам увеличить доход, предоставляя персоналу данные, чтобы предложить нужный продукт нужному клиенту в точке продажи.
Рекомендации по продуктам для клуба
Не секрет, что продажа товаров в вашем клубе может значительно увеличить доход. Люди часто нуждаются в немедленной подпитке после тренировки, слишком заняты, чтобы зайти в местный магазин, или просто любят носить одежду вашего клуба.
Какова бы ни была причина, в некоторых клубах доходы от продажи товаров настолько значительны, что они являются основными в их бизнес-планах.
А почему бы и нет, ведь на них может приходиться большая часть доходов клуба вне контрактов.
Если вы боретесь с прибылью от продаж инвентаря на стойке регистрации или думаете о том, чтобы начать, рекомендации продуктов на основе машинного обучения могут принести дополнительный доход, просто зная, какие продукты предлагать тем или иным клиентам.
Цель на самом деле заключается не в том, чтобы создать покупателей из непокупателей, а в том, чтобы увеличить средний размер заказа у существующих покупателей.
Потребность
Если вы, как один из вышеперечисленных людей, покупаете продукцию в своем клубе, то вы знаете ценность индивидуального подхода.
Сотрудники ресепшн часто могут предложить вам продукты, которые вы часто покупаете, потому что они либо помнят, либо эти заметки сохранены в системе, как это сделано в PG PoS ниже.
Все это происходит благодаря ассоциации приобретенных продуктов с учетной записью и частотой посещения по сравнению с количеством покупок продукта.
Эта информация позволяет персоналу вашей стойки регистрации всегда иметь индивидуальный подход при продаже инвентаря при регистрации или выезде пользователей.
И ваши клиенты оценят это, поскольку это сэкономит время как для них, так и для вашего персонала.
Обычно, если клиентам больше ничего не нужно, они не спрашивают. Однако все мы сталкивались с ситуациями, когда при выезде из отеля нам предлагали другой продукт, о котором мы не знали, что хотим или нуждаемся в нем, пока он не был нам представлен.
В этом, конечно, и заключается суть таких рекомендательных систем, как Netflix и Amazon.
Сложность применения этой технологии к операциям на стойке регистрации заключается в том, чтобы предлагать нужные продукты нужным людям.
Именно здесь в игру вступает машинное обучение.
Создание умных рекомендаций
Всем хорошим рекомендательным алгоритмам сначала нужны данные для анализа и обработки. Именно поэтому мы рекомендуем использовать систему, в которой все транзакции клуба регистрируются и отслеживаются.
Наличие полной истории транзакций по всем клубам и клиентам дает алгоритмам машинного обучения хорошую основу для поиска закономерностей между сегментами клиентов и приобретаемыми продуктами.
Как одна из основ любого процесса машинного обучения, распознавание образов позволяет найти корреляции между различными данными и выявить взаимосвязь между ними.
Однако если точки данных не связаны между собой, то в итоге можно получить дикие корреляции, которые подтверждают старую поговорку "корреляция не означает причинно-следственную связь", пример которой приведен на рисунке ниже.
Но если мы рассматриваем определенный результат, например, совершение покупки среди товаров, продаваемых в конкретном фитнес-центре, мы можем найти закономерности того, какие товары были куплены в тандеме с другими товарами, и составить соответствующие рекомендации.
Для этого мы можем сначала сегментировать наших пользователей, например, на мужчин и женщин.
Согласно недавнему исследованию, мужчины и женщины значительно отличаются друг от друга. различные причины завершения транзакций:
"Для мужчин хорошее обслуживание означает помощь в поиске нужного товара и быстрое оформление заказа. Для женщин удовлетворенность клиентов тесно связана с готовностью магазина поделиться экспертным советом (продемонстрировать знакомство с товаром) и способностью магазина помочь им определить, какие товары подходят лучше всего."
Таким образом, мы будем сегментировать наших пользователей по половому признаку, чтобы более эффективно рекомендовать им товары.
Например, мы видим, что в фитнес-клубе и мужчины, и женщины часто покупают энергетические напитки со вкусом апельсина; однако мужчины часто покупают протеиновый порошок, в то время как женщины, приобретая энергетический напиток, покупают протеиновые батончики.
Таким образом, эти закономерности будут распознаны, и после того, как кто-то запросит продукт, сотрудники ресепшн предложат соответствующий продукт, который чаще всего покупают вместе с энергетическим напитком.
Эти рекомендации будут работать как рекомендации, основанные на правилах, что означает следующее:
ЕСЛИ женщина + покупает оранжевый энергетический напиток ---> РЕКОМЕНДУЕТСЯ протеиновый батончик.
Этот процесс может показаться достаточно простым, но опять же он требует больших вычислительных мощностей, включающих распознавание образов и обработку исторических данных для создания правил, которые в конечном итоге показывают, какие продукты рекомендовать тем или иным клиентам.
Заключение
Увеличение среднего размера заказа ваших существующих покупателей должно быть стратегией роста доходов, которую реализуют все клубы с товарными запасами.
Теперь с помощью процессов машинного обучения в точках продаж персонал фронтдеска может предлагать клиентам продукты, опираясь на данные, чтобы в конечном итоге увеличить прибыль фронтдеска клуба.