Intelligence économique : Utiliser l'apprentissage automatique pour la fidélisation

Si je vous demandais quels sont les principaux facteurs qui poussent les membres à quitter votre salle de sport, que me répondriez-vous ?

Il s'agit généralement d'une combinaison de différents facteurs, dont la plupart ne sont jamais évoqués à voix haute ou mentionnés dans les enquêtes de départ des membres.

La plupart du temps, il s'agit simplement d'une perte de motivation.

Bien qu'il n'existe pas de mesure de la perte de motivation, il existe une tonne de facteurs que les membres affichent - même inconsciemment - qui peuvent vous indiquer qu'ils perdent leur motivation ou qu'ils risquent de se désabonner.

L'identification de ces facteurs n'est pas facile à réaliser par des personnes ou même par les meilleurs analystes de données, car il y a tellement de données à traiter et à examiner que c'est presque impossible.

Cependant, grâce à l'apprentissage automatique, vous pouvez choisir certains ensembles de données concernant vos membres et leurs comportements pour que les ordinateurs les traitent et, en fin de compte, évaluent le risque de désabonnement d'un client et l'engagent correctement pour une meilleure rétention des membres de la salle de sport.

Une introduction rapide à l'apprentissage automatique et à l'intelligence artificielle

L'intelligence artificielle (IA) est le processus qui consiste à utiliser un ensemble complexe d'algorithmes pour prendre des décisions sur la base de données extraites, apprises et traitées.

L'apprentissage automatique est une composante essentielle de l'IA utilisée pour éclairer les décisions prises en trouvant des corrélations entre des ensembles de données différents et souvent sans rapport.

En fin de compte, l'apprentissage automatique joue le rôle d'analyste et l'IA celui de moteur qui prend des mesures sur la base des données.

La manière dont cela diffère d'une entreprise à l'autre dépend des ensembles de données concernés, des résultats et des mesures prises. Nous allons examiner ici un exemple de la manière dont Target a utilisé l'apprentissage automatique dans l'une de ses campagnes de marketing en ligne.

Apprentissage automatique - Cas d'utilisation

Lorsque ses collègues du marketing ont demandé à Andrew Pole, de Target, s'il pouvait faire de l'automatisation, il a relevé le défi avec plaisir. prédire correctement la grossesse d'une femme en fonction de ses comportements d'achatil a relevé le défi avec plaisir.

Target, comme de nombreuses entreprises du secteur du fitness, a compris que la fidélisation des clients est largement moins coûteuse que l'acquisition de nouveaux clients.

Ils voulaient cibler les femmes enceintes pour qu'elles achètent tous leurs produits de maternité, car il est très probable qu'elles continueront à y faire des achats en tant que solution unique pour tous leurs besoins de shopping.

Pole a donc utilisé l'apprentissage automatique pour déterminer la probabilité qu'une femme soit enceinte en fonction de ses décisions d'achat. L'entreprise a constaté que les femmes enceintes achetaient souvent des articles tels que de grands sacs à main servant de sacs à langer, des lotions spécifiques, des compléments alimentaires et d'autres articles typiques des femmes enceintes.

À l'aide de ces données, ils attribuaient une probabilité à chaque cliente et si elle atteignait ou dépassait un pourcentage de ce seuil, elle entrait dans une campagne dans laquelle elle recevait des coupons pour des produits de maternité.

L'algorithme était si précis qu'un père en colère a abordé l'un des responsables d'un magasin Target et a demandé pourquoi sa fille recevait des coupons pour des produits de maternité alors qu'elle n'était même pas enceinte.

Le responsable s'est excusé à profusion et est revenu s'excuser quelques jours plus tard, mais le père lui a dit qu'il s'était trompé et que sa fille était bel et bien enceinte.

Comme vous pouvez l'imaginer, Target a obtenu d'énormes résultats avec cette campagne et de nombreuses autres entreprises utilisent l'analyse prédictive alimentée par l'apprentissage automatique pour orienter leurs campagnes de marketing et de vente.

L'apprentissage automatique et la fidélisation des membres des salles de sport

Comme nous l'avons vu précédemment, chaque salle de sport dispose d'un grand nombre de données sur ses clients qu'elle utilise pour différentes raisons. Lorsqu'il s'agit d'utiliser différents ensembles de données à des fins de fidélisation, le processus est généralement envisagé du point de vue de la fréquentation.

Bien que la fréquentation soit un signal fort, elle peut être trompeuse si c'est le seul signal auquel vous prêtez attention.

C'est pourquoi il est important de prendre en compte autant de points de données différents que possible pour mieux comprendre pourquoi les gens ont quitté votre salle de sport.

Voici quelques points de données qui peuvent être pris en compte pour évaluer le risque de désabonnement :

• L'historique de fréquentation
• Les achats au détail
• Progression des objectifs
• Engagement en ligne
• Réservation de cours par rapport à la fréquentation réelle
• Longévité du contrat
• Données démographiques

Ce ne sont là que quelques-uns des points de données qui peuvent être exploités pour déterminer les résultats spécifiques liés à la désaffection. Dans la plupart des cas, des centaines de facteurs entrent en ligne de compte pour déterminer un pourcentage à risque ; cependant, pour les besoins de cet article, nous utiliserons des exemples qui n'en prennent que quelques-uns.

Lorsque l'on utilise des modèles prédictifs, il est important de définir autant de caractéristiques que possible qui, lorsqu'elles sont comptées ensemble, permettent de prédire la probabilité de ce résultat.

Par exemple, nous savons tous à quoi ressemble une pomme. Toutefois, si nous voulions entraîner un ordinateur à prédire la probabilité qu'un objet soit une pomme, nous devrions d'abord définir ses caractéristiques :

• Rouge
• Ronde
• Fruit
• Pèse entre 70 et 100 grammes

Si un objet contient ¾ de ces attributs, nous déterminerions qu'il a 75% de chances d'être une pomme.

Maintenant, définir un certain résultat pour la désaffection est un peu différent car il n'y a pas de liste unique d'attributs qui déterminent si quelqu'un va désaffilier.

Cependant, l'apprentissage automatique peut traiter un ensemble de facteurs et de comportements qui étaient prédominants chez les membres qui ont abandonné, trouver des corrélations et utiliser ces corrélations pour attribuer des probabilités aux membres existants.

Par exemple, disons qu'un grand nombre de membres qui ont abandonné dans le passé avaient les points de données suivants :

• Ils ont fréquenté la salle de sport 3 fois au cours de chacune des 2 dernières semaines.
• Ils avaient acheté à plusieurs reprises des compléments alimentaires en gros, comme des protéines en poudre, des BCAA, des produits de pré-entraînement, etc., sur une base mensuelle, mais ont cessé de les acheter dans les 4 à 6 semaines précédant leur désabonnement.
• Ils font partie du groupe démographique présentant la plus forte probabilité de désabonnement.
• Ils n'ont pas atteint 50 % de leur objectif d'entraînement annuel initial dans les 7 mois suivant le début de l'entraînement.

L'algorithme marquera ces comportements comme étant très répandus parmi les membres présentant ces points de données et attribuera une probabilité de désabonnement plus élevée aux futurs membres qui présentent ces attributs et ces comportements.

C'est pourquoi il est important de maximiser l'entrée de votre ensemble de données ou de vos balises. En d'autres termes, plus vous avez de données concernant vos membres, plus le module de Business Intelligence sera en mesure de trouver des corrélations.

Cela ne signifie pas pour autant que vous devez leur poser des questions inutiles ou non pertinentes.

Il suffit de placer quelques questions pour apprendre à les connaître dans le processus d'inscription et l'apprentissage automatique peut retirer des points de données comportementales lorsqu'ils commencent à interagir avec vos applications, vos machines, votre site Web ou même votre réception.

Une fois que vos balises seront configurées pour extraire des données, l'apprentissage automatique apprendra à connaître les membres de votre salle de sport et commencera à prédire leur pourcentage de risque de désabonnement sur la base des données fournies.

Vous pouvez ensuite automatiser la correspondance que vous souhaitez envoyer aux membres segmentés qui ont dépassé un seuil spécifié de pourcentage à risque afin de les garder engagés et d'éviter les désistements.

Utiliser l'automatisation pour la fidélisation

Toutes les données et informations du monde ne vaudront pas grand-chose si elles ne sont pas accompagnées d'une campagne automatisée pour favoriser les résultats.

Par exemple, les utilisateurs peuvent être segmentés en fonction de leur risque de désabonnement et recevoir des offres spécifiques par le biais de messages ciblés afin de garantir les meilleures chances d'engagement et de rétention.

C'est exactement ce que fait Netflix avec son analyse prédictive et son automatisation. Sur la base de ce que j'ai regardé et de ce que des personnes comme moi ont regardé, ils savent quel contenu ajouter et m'envoient des messages à ce sujet avec l'objet suivant : "Adam, on vient d'ajouter un film que tu pourrais aimer".

Ce n'est pas manuel. C'est un message automatisé qu'ils envoient à des milliers de personnes en fonction de leurs prédilections en matière de contenu. Pour d'autres personnes, il peut s'agir d'un autre film, d'une autre émission ou même d'un autre objet.

Les gymnases peuvent aussi faire cela. Vous créez une variété de messages pour chaque situation et vous les automatisez pour qu'ils soient envoyés à vos membres.

Pour les clients qui sont sur le point de changer d'avis, ce message peut être une offre de formation personnelle gratuite ou à prix très réduit, une prolongation de contrat à prix réduit, ou même des marchandises gratuites à récupérer au gymnase pour les encourager à s'entraîner.

Il suffit d'établir les règles que les utilisateurs doivent respecter pour ce critère et les messages alimenteront dynamiquement les utilisateurs dans la campagne en fonction de leurs attributs et des événements qui se sont produits.

L'IA commencera à évaluer les messages les plus performants et, à partir de là, les automatisera en fonction de la situation, du client et d'autres données qui garantiront que le message que reçoit un utilisateur est aussi ciblé que possible.

Une fois que vous aurez créé du contenu pour chaque situation qui, selon vous, pourrait se produire ou justifier un message, les utilisateurs spécifiés qui correspondent à ces critères recevront le bon message.

Ainsi, grâce à toutes les analyses qui sous-tendent l'automatisation, vous pouvez augmenter vos taux de fidélisation sur la base de corrélations de données qui seraient autrement impossibles à trouver.