Если бы я спросил вас, каковы основные факторы, по которым члены клуба покидают ваш спортзал, что бы вы мне ответили?
Обычно это комбинация различных факторов, о большинстве из которых члены клуба никогда не говорят вслух и не упоминают в опросах.
Но чаще всего это просто потеря мотивации.
Хотя не существует метрики для измерения потери мотивации, существует масса факторов, которые проявляют члены клуба - даже неосознанно - и которые могут дать вам знать, что они теряют мотивацию или находятся под угрозой оттока.
Выявление этих факторов нелегко дается людям или даже лучшим аналитикам данных, потому что существует так много данных, которые необходимо обработать и просмотреть, что это практически невозможно.
Однако с помощью машинного обучения вы можете выбрать определенные наборы данных о ваших членах и их поведении, чтобы компьютеры могли их обработать и в конечном итоге оценить риск оттока клиентов и правильно их привлечь для более эффективного удержания членов тренажерного зала.
Краткое введение в машинное обучение и искусственный интеллект
Искусственный интеллект (ИИ) - это процесс использования сложного набора алгоритмов для принятия решений на основе данных, которые добываются, изучаются и обрабатываются.
Машинное обучение является жизненно важным компонентом ИИ, используемым для обоснования принимаемых решений путем поиска взаимосвязей между различными и зачастую несвязанными наборами данных.
В конечном итоге машинное обучение выступает в роли аналитика, а ИИ - в роли двигателя, который принимает меры на основе данных.
То, как это отличается от бизнеса к бизнесу, зависит от набора данных, результатов и предпринятых действий. Здесь мы рассмотрим пример того, как компания Target использовала машинное обучение в одной из своих маркетинговых кампаний в Интернете.
Машинное обучение - примеры использования
Когда коллеги по маркетингу спросили Эндрю Поула из Target, может ли он сделать это? правильно предсказать беременность женщины на основе ее покупательского поведенияон с радостью принял вызов.
Компания Target, как и многие компании в фитнес-индустрии, понимала, что удержание клиентов обходится гораздо дешевле, чем привлечение новых.
Они хотели нацелить новых будущих мам на покупку всех своих товаров для беременных, поскольку они с большой вероятностью будут продолжать совершать покупки в этом магазине как универсальном решении для всех своих потребностей в покупках.
Поэтому компания Pole использовала машинное обучение для определения вероятности беременности женщины на основе ее решений о покупке. Они обнаружили, что будущие мамы часто покупают такие вещи, как большие сумочки для пеленок, специальные лосьоны, добавки и другие вещи, типичные для будущих мам.
Используя эти данные, они присваивали каждому клиенту определенную вероятность, и если он соответствовал или превышал определенный процент от этого порога, то он становился участником кампании, в рамках которой ему предоставлялись купоны на товары для беременных.
Алгоритм был настолько точным, что разгневанный отец подошел к одному из менеджеров в розничном магазине Target и потребовал объяснить, почему его дочь получала купоны на товары для беременных, хотя она даже не была беременна.
Менеджер принес глубочайшие извинения и через несколько дней повторил свои извинения, но отец сказал, что он ошибся и его дочь действительно беременна.
Как вы можете себе представить, Target получила огромные результаты от этой кампании, и многие другие компании используют предиктивную аналитику на основе машинного обучения для управления своими маркетинговыми и торговыми кампаниями.
Машинное обучение и удержание членов тренажерного зала
Как уже отмечалось ранее, каждый тренажерный зал обладает огромным количеством данных о клиентах, которые они используют по разным причинам. Когда речь заходит об использовании различных наборов данных для удержания клиентов, процесс обычно рассматривается с точки зрения посещаемости.
Хотя посещаемость - это, безусловно, сильный сигнал, он может ввести в заблуждение, если это единственный сигнал, на который вы обращаете внимание.
Вот почему важно учитывать как можно больше различных точек данных, чтобы лучше понять, почему люди покинули ваш спортзал.
Некоторые данные, которые можно принять во внимание для оценки риска оттока, включают:
- посещаемость в прошлом
- розничные покупки
- Прогресс в достижении целей
- Онлайн-вовлеченность
- Соотношение между бронированием занятий и фактическим посещением
- Долговечность контракта
- Демографические данные
Это лишь несколько точек данных, которые можно использовать для определения конкретных результатов, связанных с оттоком. В большинстве случаев существуют сотни факторов, которые влияют на определение процента риска; однако в рамках данной статьи мы рассмотрим лишь некоторые из них.
При использовании прогностических моделей важно определить как можно больше характеристик, которые, будучи подсчитанными вместе, предскажут вероятность такого исхода.
Например, все мы знаем, как выглядит яблоко. Однако если бы мы хотели обучить компьютер предсказывать вероятность того, что что-то является яблоком, нам пришлось бы сначала определить его характеристики:
- Красное
- круглое
- Фрукт
- весит 70-100 граммов
Если найдется объект, который содержит ¾ этих характеристик, то мы определим, что с вероятностью 75% это яблоко.
Теперь определение определенного результата для оттока клиентов немного отличается, поскольку не существует универсального списка атрибутов, определяющих, будет ли кто-то отторгаться.
Однако машинное обучение может обрабатывать множество факторов и моделей поведения, которые были распространены среди отторгающихся членов, находить корреляции и использовать эти корреляции для присвоения вероятностей существующим членам.
Например, предположим, что большое количество членов, которые в прошлом отказались от услуг, имели следующие данные:
- посещали тренажерный зал 3 раза за последние 2 недели
- неоднократно покупали оптом добавки, такие как протеиновый порошок, BCAA, предтренировочные комплексы и т.д., ежемесячно, но перестали покупать их в течение 4-6 недель до оттока.
- Они относятся к демографической группе с самой высокой вероятностью оттока.
- Они не достигли 50% от своей первоначальной годовой цели тренировок в течение 7 месяцев после начала занятий.
Алгоритм отметит, что эти модели поведения сильно распространены среди членов клуба с такими данными, и присвоит более высокую вероятность оттока будущим членам клуба с такими характеристиками и моделями поведения.
Вот почему важно максимизировать набор данных или маяков. Другими словами, чем больше у вас данных о членах клуба, тем больше корреляций сможет найти модуль бизнес-аналитики.
Это не означает, что вам нужно задавать им ненужные или неактуальные вопросы.
Достаточно просто задать несколько вопросов, чтобы познакомиться с ними в процессе регистрации, а машинное обучение сможет извлечь поведенческие данные, когда они начнут взаимодействовать с вашими приложениями, машинами, веб-сайтом или даже стойкой регистрации.
Как только вы настроите маячки для получения данных, машинное обучение изучит членов вашего тренажерного зала и начнет прогнозировать процент риска оттока на основе предоставленных данных.
Затем вы сможете автоматизировать отправку корреспонденции сегментированным членам, которые превысили определенный порог риска, чтобы удержать их и предотвратить отток.
Использование автоматизации для удержания
Все данные и выводы в мире не будут иметь большой ценности, если за ними не стоит автоматизированная кампания, способствующая достижению результатов.
Например, пользователей можно сегментировать по степени риска оттока и предоставлять им конкретные предложения с помощью целевых сообщений, чтобы обеспечить максимальную вероятность вовлечения и удержания.
Netflix делает именно это с помощью предиктивной аналитики и автоматизации. Основываясь на том, что смотрел я и такие же люди, как я, они знают, какой контент следует добавить, и отправляют мне сообщения об этом контенте с темой письма: "Адам, мы только что добавили фильм, который может тебе понравиться".
Это не ручная работа. Это автоматизированное сообщение, которое они отправляют тысячам людей, основываясь на их пристрастиях к контенту. Для других людей это может быть другой фильм, шоу или даже другая тема сообщения.
Тренажерные залы тоже могут так делать. Вы создаете различные сообщения для каждой ситуации и автоматизируете их отправку своим членам.
Для клиентов, которые могут быть близки к отказу, это сообщение может быть предложением сильно урезанного или бесплатного пакета персональных тренировок, урезанного продления контракта или даже бесплатных товаров, которые необходимо забрать в тренажерном зале, чтобы стимулировать их к тренировкам.
Просто установите правила, которым должны соответствовать пользователи по этим критериям, и сообщения будут динамически добавлять пользователей в кампанию на основе их атрибутов и произошедших событий.
ИИ начнет оценивать, какие из сообщений являются наиболее эффективными, а затем автоматизировать их в зависимости от ситуации, клиента и других данных, что обеспечит максимальную адресность сообщения, которое получит пользователь.
Как только вы создадите контент для каждой ситуации, которая, по вашему мнению, может возникнуть или потребовать сообщения, указанным пользователям, которые подходят под эти критерии, будет отправлено нужное сообщение.
Таким образом, благодаря аналитике, лежащей в основе автоматизации, вы можете повысить уровень удержания пользователей, основываясь на корреляции данных, которые иначе было бы невозможно найти.