Business Intelligence: Het gebruik van Machine Learning voor Retentie

Als ik u zou vragen wat de belangrijkste factoren zijn waarom leden uw sportschool verlaten, wat zou u me dan vertellen?

Meestal is het een combinatie van verschillende factoren, waarvan de meeste nooit hardop worden uitgesproken of worden genoemd in exit-enquêtes door leden.

Meestal is het echter gewoon een verlies aan motivatie.

Hoewel er geen meetmethode bestaat om een verlies aan motivatie te meten, zijn er een heleboel factoren die leden vertonen - zelfs onbewust - die u kunnen laten weten dat ze hun motivatie verliezen of het risico lopen om af te haken.

Het identificeren van deze factoren is niet eenvoudig voor mensen of zelfs de beste data-analisten, omdat er gewoon zo veel gegevens te verwerken en te bekijken zijn dat het bijna onmogelijk is.

Met machine learning kunt u echter bepaalde datasets over uw leden en hun gedrag kiezen die computers kunnen verwerken en uiteindelijk het churn-risico van een klant kunnen beoordelen en hen op de juiste manier kunnen betrekken voor een betere ledenbinding in de sportschool.

Een korte inleiding tot Machine Learning & Kunstmatige Intelligentie

Kunstmatige intelligentie (AI) is het proces waarbij een complexe reeks algoritmen wordt gebruikt om beslissingen te nemen op basis van gegevens die worden ontgonnen, waarvan wordt geleerd en die worden verwerkt.

Machine learning is een essentieel onderdeel van AI dat wordt gebruikt om beslissingen te nemen door correlaties te vinden tussen verschillende en vaak ongerelateerde datasets.

Uiteindelijk fungeert Machine Learning als de analist en AI als de motor die actie onderneemt op basis van de gegevens.

Hoe dit verschilt van bedrijf tot bedrijf hangt af van de betrokken datasets, de uitkomsten en de ondernomen acties. Hier bekijken we een voorbeeld van hoe Target machine learning gebruikte in een van hun online marketing campagnes.

Machine Learning - gebruikssituaties

Toen Andrew Pole van Target door zijn marketingcollega's werd gevraagd of hij De zwangerschap van een vrouw correct voorspellen op basis van aankoopgedragging hij de uitdaging graag aan.

Target begreep, net als veel bedrijven in de fitnessbranche, dat het behouden van klanten veel goedkoper is dan het werven van nieuwe.

Ze wilden zich richten op nieuwe aanstaande moeders om al hun zwangerschapsproducten aan te schaffen, omdat de kans groot was dat ze daar hun aankopen zouden blijven doen als one-stop-oplossing voor al hun winkelbehoeften.

Dus gebruikte Pool machine learning om op basis van haar aankoopbeslissingen een waarschijnlijkheid toe te wijzen dat een vrouw zwanger was. Ze ontdekten dat aanstaande moeders vaak dingen kochten zoals grote handtassen die ook als luiertas konden dienen, specifieke lotions, supplementen en andere dingen die typisch zijn voor aanstaande moeders om te kopen.

Aan de hand van deze gegevens kenden ze aan elke klant een waarschijnlijkheid toe en als ze een percentage van deze drempel bereikten of overschreden, gingen ze een campagne binnen waarin ze coupons voor moederschapsproducten kregen.

Het algoritme was zo accuraat dat een boze vader een van de managers van een Target-winkel benaderde en vroeg waarom zijn dochter kortingsbonnen voor zwangerschapsproducten had ontvangen terwijl ze niet eens zwanger was.

De manager verontschuldigde zich ten zeerste en een paar dagen later verontschuldigde hij zich nogmaals, om vervolgens van de vader te horen te krijgen dat hij zich vergist had en dat zijn dochter wel degelijk zwanger was.

Zoals u zich kunt voorstellen, zag Target enorme resultaten van de campagne en veel andere bedrijven maken gebruik van voorspellende analyses aangedreven door machine learning om hun marketing- en verkoopcampagnes te sturen.

Machine Learning en behoud van sportschoolleden

Zoals eerder opgemerkt, heeft elke sportschool een schat aan klantgegevens die ze om verschillende redenen gebruiken. Als het gaat om het gebruik van verschillende datasets voor retentiedoeleinden, wordt het proces meestal bekeken vanuit het perspectief van aanwezigheid.

Hoewel aanwezigheid zeker een sterk signaal is, kan het misleidend zijn als het het enige signaal is waar u aandacht aan besteedt.

Daarom is het belangrijk dat u rekening houdt met zo veel mogelijk verschillende datapunten om beter te begrijpen waarom mensen uw sportschool verlaten.

Enkele gegevenspunten die in aanmerking kunnen worden genomen voor de beoordeling van het risico op opzegging zijn

• Historische aanwezigheid
• Aankopen in de winkel
• Vooruitgang in doelen
• Online betrokkenheid
• Classes boeken vs. daadwerkelijke aanwezigheid
• Looptijd contract
• Demografische gegevens

Dit zijn slechts een paar van de datapunten die kunnen worden gebruikt voor het bepalen van specifieke uitkomsten met betrekking tot churn. In de meeste gevallen zijn er honderden factoren die meespelen bij het bepalen van een risicopercentage; in het belang van dit artikel zullen we echter voorbeelden gebruiken die slechts van enkele voorbeelden uitgaan.

Bij het gebruik van voorspellende modellen is het belangrijk om zo veel mogelijk kenmerken te definiëren die, wanneer ze bij elkaar worden opgeteld, de waarschijnlijkheid van die uitkomst voorspellen.

We weten bijvoorbeeld allemaal hoe een appel eruit ziet. Maar als we een computer willen trainen om te voorspellen hoe groot de kans is dat iets een appel is, moeten we eerst de kenmerken beschrijven:

• Rood
• Rond
• Vrucht
• Weegt tussen 70-100 gram

Als een voorwerp ¾ van deze kenmerken heeft, dan is de kans 75% dat het een appel is.

Nu is het definiëren van een bepaald resultaat voor churn een beetje anders omdat er geen one-size-fits-all lijst is van attributen die bepalen of iemand zal churnen.

Machine learning kan echter een reeks factoren en gedragingen verwerken die in het verleden veelvuldig voorkwamen bij leden die afhaakten, correlaties vinden, en die correlaties gebruiken om waarschijnlijkheden toe te wijzen aan bestaande leden.

Laten we bijvoorbeeld zeggen dat een groot aantal leden die in het verleden afhaakten de volgende datapunten hadden:

• De sportschool 3x bezocht in elk van de laatste 2 weken
• Had maandelijks herhaaldelijk supplementen gekocht zoals proteïnepoeder, BCAA's, pre-workout, enz., maar stopte met de aankoop ervan binnen 4-6 weken voorafgaand aan de churn
• Ze behoren tot de demografische groep met de hoogste kans op afhaken
• Ze hadden 50% van hun initiële jaarlijkse trainingsdoel niet bereikt binnen 7 maanden na het begin van de training

Het algoritme zou deze gedragingen markeren als zeer voorkomend onder leden met deze gegevenspunten en een hogere waarschijnlijkheid van afmelking toekennen aan toekomstige leden die deze kenmerken en gedragingen vertonen.

Dit is waarom het belangrijk is om de input van uw dataset of bakens te maximaliseren. Met andere woorden, hoe meer gegevens je hebt over je leden, hoe meer correlaties de Business Intelligence module in staat zal zijn om te vinden.

Dat betekent niet dat je ze onnodige of irrelevante vragen moet stellen.

Het volstaat om enkele vragen te stellen in het inschrijvingsproces om ze te leren kennen. Machine learning kan dan gedragsgegevens onttrekken zodra ze in contact komen met uw apps, machines, website of zelfs de receptie.

Zodra u uw beacons hebt ingesteld om gegevens te onttrekken, zal machine learning uw sportschoolleden leren kennen en hun churn-risicopercentages beginnen te voorspellen op basis van de verstrekte gegevens.

Vervolgens kunt u de correspondentie automatiseren die u wilt sturen naar gesegmenteerde leden die voorbij een bepaalde drempel van risicopercentage zijn om ze betrokken te houden en churn te voorkomen.

Automatisering gebruiken voor retentie

Alle gegevens en inzichten in de wereld zijn niet veel waard tenzij er een geautomatiseerde campagne achter zit om resultaten te bevorderen.

Gebruikers kunnen bijvoorbeeld worden gesegmenteerd op hun churn-risico en specifieke aanbiedingen krijgen via gerichte messaging om de hoogste kans op engagement en retentie te garanderen.

Netflix doet precies dit met hun voorspellende analyses en automatisering. Op basis van wat ik heb gekeken en mensen zoals ik hebben gekeken, weten ze welke content ze moeten toevoegen en sturen ze me berichten over de content met als onderwerpregel: "Adam, we hebben net een film toegevoegd die je misschien leuk vindt".

Dit is niet handmatig. Het is een geautomatiseerd bericht dat ze naar duizenden mensen sturen op basis van hun voorkeuren voor inhoud. Voor andere mensen kan het een andere move of show zijn, of zelfs een andere onderwerpregel hebben.

Sportscholen kunnen dit ook doen. U maakt verschillende berichten voor elke situatie en automatiseert ze om ze naar uw leden te sturen.

Voor klanten die op het punt staan om af te haken, kan dit bericht een aanbieding zijn voor een sterk gereduceerd of gratis personal training pakket, een gereduceerde contractverlenging, of zelfs gratis merchandise die opgehaald moet worden in de sportschool zodat ze aangemoedigd worden om te gaan trainen.

Stel gewoon de regels op waaraan gebruikers moeten voldoen voor deze criteria en de berichten zullen gebruikers dynamisch in de campagne plaatsen op basis van hun kenmerken en de gebeurtenissen die hebben plaatsgevonden.

AI zal beginnen te beoordelen welke de best presterende zijn en ze van daaruit automatiseren, afhankelijk van de situatie, klant en andere gegevens die ervoor zullen zorgen dat het bericht dat een gebruiker krijgt zo gericht mogelijk is.

Zodra u inhoud creëert voor elke situatie waarvan u denkt dat die zich kan voordoen of een bericht rechtvaardigt, zullen de gespecificeerde gebruikers die aan deze criteria voldoen het juiste bericht krijgen.

Met alle analytics achter automatisering kunt u dus uw retentiepercentages verhogen op basis van correlaties van gegevens die anders onmogelijk te vinden zouden zijn.