Inkomsten in verkooppunten verhogen met productaanbevelingen

 

Als je ooit online op Amazon hebt gewinkeld, zul je overal op hun site en in je inbox productaanbevelingen zien. En, als je goed oplet, zijn deze aanbevelingen meestal zeer relevant.

Dit is geen toeval.

Amazon gebruikt machine learning-processen om zijn aanbevelingsengine te laten werken en zo zeer relevante producten aan te bevelen aan gerichte gebruikers op basis van:

• Wat er momenteel in hun winkelwagen zit
• Winkelgeschiedenis
• Wat andere gebruikers kopen wanneer ze soortgelijke producten kopen
• Klantwaarderingen en beoordelingen

 

En door gebruik te maken van deze gegevensinput zijn hun aanbevelingsalgoritmen zeer effectief gebleken, met als resultaat dat ongeveer 35% van alle online aankopen die via de aanbevelingsengine binnenkomen.

Bedrijven als Netflix hebben ook algoritmen voor machinaal leren gebruikt om inhoud aan te bevelen, wat hen heeft geholpen om ruwweg 1 miljard dollar per jaar te besparen aan geannuleerde diensten.

Wat deze bedrijven - en de fitnessindustrie - met elkaar verbindt, zijn de grote hoeveelheden gegevens van de eerste partij waarover ze beschikken.

Met machine learning in de voorhoede van innovatie in clubmanagementis het niet meer dan normaal dat het wordt toegepast om de omzet in verkooppunten te verhogen.

 

Hier bespreken we hoe productaanbevelingen werken en hoe ze clubs kunnen helpen hun inkomsten te verhogen door hun personeel te voorzien van de gegevens om het juiste product aan de juiste klant aan te bieden bij het verkooppunt.

Club product aanbevelingen

Het is geen geheim dat de verkoop van koopwaar in uw club een aanzienlijke inkomstenverhoging kan betekenen. Mensen hebben vaak onmiddellijk verfrissing nodig na hun training, hebben het te druk om bij een plaatselijke winkel langs te gaan, of dragen gewoon graag de kleding van uw club.

Wat de reden ook is, de inkomstenstroom van sommige clubs uit merchandise is zo groot dat het niet meer weg te denken is uit hun bedrijfsplannen.

En waarom zouden ze dat niet zijn, aangezien ze goed kunnen zijn voor een groot deel van de inkomsten van een club buiten de contracten om.

 

Of u nu worstelt met het verdienen van winstgevendheid met inventaris verkoop aan de balie of denkt over het starten, product aanbevelingen op basis van machine learning kan brengen in extra inkomsten gewoon door te weten welke producten aan te bieden welke klanten.

Het doel is echt niet om kopers te creëren uit niet-kopers, maar om de gemiddelde ordergrootte van de bestaande kopers te verhogen.

De behoefte

Als u net als een van de hierboven beschreven mensen producten koopt binnen uw club, dan kent u de waarde van een persoonlijke benadering.

Receptiemedewerkers kunnen u vaak producten aanbieden die u vaak koopt, omdat ze die onthouden of omdat u die notities in het systeem hebt bewaard, zoals in de PG PoS hieronder.

 

 

Dit alles komt gewoon voort uit het associëren van gekochte producten met een account en de frequentie van aanwezigheid versus het aantal keren dat een product is gekocht.

Met deze informatie kan uw baliepersoneel altijd een gepersonaliseerde aanpak hebben als het gaat om het verkopen van inventarisartikelen bij het in- of uitchecken van gebruikers.

En uw klanten zullen het appreciëren aangezien het zowel hen als uw personeel tijd zal besparen.

Meestal, als klanten niets anders willen, zullen ze het niet vragen. We hebben echter allemaal wel eens meegemaakt dat bij de check-out een ander product werd aangeboden waarvan we niet wisten dat we het wilden of nodig hadden, totdat het ons werd gepresenteerd.

Dit is natuurlijk de essentie van aanbevelingsmachines zoals die van Netflix en Amazon.

De truc bij het toepassen ervan op front-desk transacties is het aanbieden van de juiste producten aan de juiste mensen.

Dit is waar machine learning om de hoek komt kijken.

Slimme aanbevelingen doen

Alle goede aanbevelingsalgoritmen hebben eerst gegevens nodig om te analyseren en te verwerken. Daarom raden wij aan een systeem te gebruiken waarin alle clubtransacties worden gelogd en gemonitord.

 

Een volledige transactiegeschiedenis van alle clubs en klanten geeft de algoritmes voor machinaal leren een goede basislijn om patronen te vinden tussen klantsegmenten en gekochte producten.

Als een van de fundamenten voor elk machinaal leerproces zal patroonherkenning correlaties vinden tussen verschillende gegevensinputs en een verband tussen hen aangeven.

Als de datapunten echter geen verband met elkaar houden, kan dat leiden tot wilde correlaties die het oude gezegde "correlatie betekent geen oorzakelijk verband" in de verf zetten, zoals blijkt uit de onderstaande afbeelding.

 

Maar als we kijken naar een welbepaald resultaat, zoals de voltooiing van een aankoop van producten die in een bepaald fitnesscentrum worden verkocht, kunnen we patronen vinden van welke artikelen werden gekocht in combinatie met andere artikelen en onze aanbevelingen dienovereenkomstig maken.

Om dit te doen, willen we misschien eerst onze gebruikers segmenteren, bijvoorbeeld in mannen versus vrouwen.

Volgens een recente studie, hebben mannen en vrouwen verschillende redenen voor het voltooien van transacties:

 

"Voor mannen betekent een goede service dat ze geholpen worden het juiste artikel te vinden en dat ze snel door de checkout komen. Voor vrouwen hangt de klanttevredenheid sterk samen met de bereidheid van een winkel om deskundig advies te geven (blijk geven van bekendheid met het product) en het vermogen van de winkel om hen te helpen bepalen welke producten het beste passen."

We zullen onze gebruikers dus segmenteren naar geslacht om hen effectiever producten aan te bevelen.

We zien bijvoorbeeld dat binnen een fitnessclub zowel mannen als vrouwen vaak energiedrankjes met sinaasappelsmaak kopen; mannen kopen echter vaak proteïnepoeder terwijl vrouwen proteïnerepen kopen als ze ook de energiedrank kopen.

 

Daarom zouden deze patronen worden herkend en nadat iemand een product heeft aangevraagd, zal het baliepersoneel het overeenkomstige product aanbieden dat het vaakst samen met de energiedrank wordt gekocht.

Deze aanbevelingen zullen gebeuren als op regels gebaseerde aanbevelingen, wat eenvoudigweg betekent dat:

IF Female + BUYS Orange Energy Drink ---> AANBEVELEN Eiwitreep

Het proces lijkt eenvoudig genoeg, maar ook hier is veel rekenkracht nodig, met patroonherkenning en historische gegevensverwerking om de regels te bepalen die uiteindelijk weergeven welke producten aan welke klanten moeten worden aanbevolen.

Conclusie

Het verhogen van de gemiddelde ordergrootte van je bestaande kopers zou een omzetgroeistrategie moeten zijn die alle clubs met voorraden implementeren.

Met de hulp van machine-learningprocessen op het verkooppunt kan het frontdeskpersoneel klanten producten aanbieden met inzichten die op gegevens zijn gebaseerd, om uiteindelijk de winst van de frontdesk van een club te verhogen.