L'apprentissage automatique a été adopté par de nombreux secteurs d'activité, au bénéfice de leur réussite. Aujourd'hui, le secteur du fitness et des loisirs peut bénéficier de l'apprentissage automatique, qui lui fournit des informations exploitables sur la manière de mieux gérer ses clubs afin d'améliorer les revenus, la fidélisation et la satisfaction globale des clients.
Question : Votre salle de sport emploie-t-elle un analyste de données ?
Vous savez, le type qui analyse des tonnes de données sur les membres de la salle de sport dans une arrière-salle sombre, sortant rarement de son bureau pour faire des flexions de biceps entre deux déploiements d'algorithmes de classification pour différents modèles d'apprentissage automatique ?
Nous ne le pensons pas.
Soyons honnêtes : au cours des dernières années, de nombreuses salles de sport sont passées de l'impression de contrats d'adhésion de 20 pages, de la photocopie de permis de conduire et du remplissage d'enveloppes de coupons à la modernisation de diverses opérations de club avec des bornes en libre-service, des contrôles d'accès et une correspondance automatisée avec les membres.
Il est clair que nous avons parcouru un long chemin. Alors, quelle est la prochaine étape ?
De plus en plus d'entreprises se tournent vers l'analyse prédictive pour les aider à prendre des décisions et le secteur de la gestion des salles de sport est sur le point de faire de même.
Mais si vous regardez en dehors des grandes entreprises de centres de fitness, pratiquement aucun club n'a embauché un analyste interne pour faire des prédictions ou des recommandations sur les différents processus du club en fonction des données des membres.
Et comme l'analyse est désormais plus importante dans presque tous les secteurs, il est temps pour les clubs de devenir plus "intelligents", d'utiliser enfin les grandes quantités de données sur les membres à leur disposition pour prendre des décisions plus éclairées.
Cela nous amène à l'apprentissage automatique, le processus de déploiement d'algorithmes complexes pour apprendre à prédire ou à déduire des résultats basés sur l'analyse des données.
L'apprentissage automatique est déjà largement utilisé dans de nombreux secteurs d'activité, tels que, entre autres
Le grand nœud qui relie tous ces secteurs est, bien sûr, les données... beaucoup, beaucoup de données.
Et c'est par la collecte et l'analyse de ces données via l'apprentissage automatique que ces industries, comme le commerce électronique, augmentent leur chiffre d'affaires de 5 à 20 %..
Mais il est important de noter que dans la gestion d'une salle de sport, les ventes ne sont que la moitié de la bataille - il faut aussi se préoccuper de la rétention! En fin de compte, l'apprentissage automatique peut fournir aux clubs :
Une fois que les données sont analysées et que les prévisions sont prêtes, les actions les plus pertinentes peuvent être prises automatiquement grâce à la puissance de l'IA.
Mais avant d'entrer dans le vif du sujet, nous allons vous expliquer comment l'apprentissage automatique fonctionne en tandem avec la gestion du club.
Tout comme une voiture a besoin d'essence, les algorithmes d'apprentissage automatique ont besoin de données à analyser et à traiter pour prédire les résultats et faire des recommandations.
Heureusement, le secteur du fitness est déjà sursaturé d'applications et de machines intégrées qui agissent comme des balises de données pour alimenter le processus d'apprentissage automatique. Des compteurs de calories aux trackers d'entraînement en passant par les FitBits, toutes les données sont disponibles.
Mais même sans applications tierces, votre club dispose probablement déjà de suffisamment de données sur ses membres pour faire des recommandations et des prédictions intelligentes sur la base des éléments suivants :
Il ne s'agit bien sûr que de quelques points de données qui peuvent aider à déterminer des résultats spécifiques tels que le taux de désabonnement ou les recommandations de cours, mais les possibilités sont presque infinies selon le type de balises de collecte de données que vous avez intégrées à votre système.
Une fois que vous avez ces données (avec l'approbation du client), elles peuvent être utilisées comme un ensemble d'apprentissage pour les algorithmes d'apprentissage automatique.
L'apprentissage automatique est essentiellement une composante importante de l'intelligence artificielle (IA) qui informe le processus de prise de décision en trouvant des corrélations entre différents ensembles de données.
À l'aide de différents algorithmes, un module d'apprentissage automatique apprend essentiellement de manière "supervisée" sur un "ensemble d'apprentissage", où chaque ensemble de données saisi ou "entrée" est associé à un résultat attendu ou "sortie".
Si nous voulions classer un objet comme étant une pomme ou non, nous pourrions utiliser ces points de données, pondérés de manière égale, comme résultats attendus :
Dans certains ensembles d'apprentissage, nous pondérons chaque variable d'entrée si nous voulons les exprimer sous forme de probabilités. Dans notre exemple de la pomme, nous donnons le même poids à chaque entrée.
Ainsi, si nous avons un objet qui a ¾ de ces entrées attendues présentes, alors l'objet aurait une probabilité de 75% d'être une pomme dans notre modèle.
Pour en revenir à la gestion des clubs, disons que nous voulons prédire quels membres sont susceptibles de se désabonner dans un avenir proche et lesquels ne le seront pas.
Si nous prenions tous les points de données énumérés ci-dessus pour les membres de la salle de sport au cours de l'année écoulée, nous étiquetterions un résultat comme "churné" ou "non churné" en fonction du fait que le client a churné ou non.
Ensuite, nous entraînons l'algorithme en rassemblant toutes les entrées de chaque membre (fréquentation, âge, sexe, etc.) avec leurs étiquettes définies (churned ou not churned) dans notre ensemble d'entraînement.
Puisque nous voulons exprimer nos résultats sous forme de probabilités, nous pouvons attribuer un "poids" à chaque variable d'entrée, certaines ayant plus de poids que d'autres.
Au fil du temps, l'algorithme pondérera les différentes variables une fois qu'il aura appris.
Notre ensemble d'apprentissage pourrait ressembler à ceci, mais avec beaucoup plus d'entrées :
Une fois que les données ont été "apprises", nous supprimons les étiquettes attendues (baratté ou non) et voyons si le modèle peut utiliser correctement les données d'entrée qui lui ont été données pour prédire les résultats basés sur les données qu'il a apprises.
Une fois que les différents modèles ont été exécutés dans les ensembles d'apprentissage, nous vérifions leur précision dans les ensembles de test et choisissons le modèle le plus précis et le plus stable (différence de précision entre les ensembles d'apprentissage et de test).
Cette méthode peut également être utilisée pour d'autres résultats, tels que les recommandations de produits sur une base de produit à produit, les recommandations de classes, etc.
Une fois que nous aurons classé nos groupes (risque de désabonnement ou non), il sera temps d'agir.
En fin de compte, l'IA est la discipline qui chapeaute les différents systèmes et processus d'analyse prédictive, d'apprentissage automatique, de langage, de vision et de communication.
Une fois que nous disposons d'un modèle d'apprentissage automatique que nous avons validé et mis en production, nous utilisons les données pour créer un environnement dans lequel notre IA peut puiser.
Lorsque les données sont glanées par l'apprentissage automatique et qu'elles sont prêtes à être transformées en actions, les processus d'automatisation de l'IA commencent par des tests A/B sur différents canaux de communication et messages, afin de déterminer lesquels sont les plus efficaces.
Par exemple, l'apprentissage automatique peut recommander de proposer à un groupe spécifique de membres du club un ensemble de formations personnelles ou une réduction du prix de l'adhésion.
Le club aura créé plusieurs messages différents pour la même offre afin que l'IA puisse choisir parmi eux. Elle les testerait ensuite respectivement, évaluerait les résultats et déploierait les options les plus performantes pour des publics similaires.
Il y a bien sûr beaucoup plus d'éléments mobiles dans les coulisses ; cependant, ceci couvre une approche générale de la façon dont la sélection du contenu se déroule.
Maintenant que nous connaissons le processus général, examinons quelques cas d'utilisation spécifiques aux clubs.
Grâce aux processus d'apprentissage automatique, les clubs peuvent désormais faire des prédictions et des recommandations sur une grande variété d'opérations, non seulement pour améliorer leurs résultats, mais aussi pour que les membres restent satisfaits et sur la bonne voie pour atteindre leurs objectifs.
N'oubliez pas que les gens viennent dans les salles de sport avec des objectifs ancrés dans l'amélioration de soi. Toute amélioration de la façon dont vous entrez en contact avec eux peut faire la différence entre une résolution du Nouvel An incomplète et une vie changée à long terme et pour le mieux.
Recommandations de produits
Le vieil adage dit que "le client a toujours raison".
Cette devise découle d'une compréhension de base entre les transactions des vendeurs et des consommateurs : vous ne savez pas ce que le client veut tant qu'il ne l'a pas demandé.
De nos jours, les clients du fitness sont souvent trop occupés pour décrocher le téléphone et appeler pour renouveler leur abonnement ou attendre les cinq minutes supplémentaires à la réception pour prendre leur boisson post-entraînement.
C'est pourquoi les recommandations de produits sont presque universelles dans tout commerce de détail en ligne. Et elles sont de plus en plus pilotées par des processus d'apprentissage automatique pour stimuler les ventes.
Ces recommandations sont déterminées par différents algorithmes d'apprentissage automatique. Ils peuvent être basés sur des algorithmes d'apprentissage non supervisés qui trouvent des corrélations entre les articles achetés.
Par exemple, les algorithmes peuvent détecter que les personnes qui achètent des protéines en poudre et de la créatine achètent souvent aussi des boissons de pré-entraînement. Ces algorithmes trouveraient ces corrélations et recommanderaient des boissons de pré-entraînement aux personnes qui achètent aussi fréquemment les deux autres articles.
Les recommandations peuvent également être basées sur des algorithmes d'apprentissage supervisé. Par exemple, de nombreuses personnes partageant une variable de sortie commune (achat de barres protéinées) avaient également un certain nombre de variables d'entrée communes (fréquentation fréquente, affiliations similaires, sexe, poids, etc.
Le résultat final est un système impressionnant de règles d'association qui sont utilisées pour recommander des produits aux clients, que ce soit à la réception pour que les réceptionnistes les utilisent ou dans vos actions numériques ou promotionnelles.
Recommandations de classe
En utilisant des techniques similaires à celles utilisées pour les recommandations de produits, nous pouvons recommander les cours à proposer pour augmenter les réservations et la fréquentation.
Les balises de collecte de données pour ces recommandations sont un peu plus complexes car elles nécessitent des données plus spécifiques sur les membres, telles que :
Il ne s'agit là que de quelques points qui peuvent être utilisés comme variables d'entrée, mais qui, avec d'autres données, peuvent être utilisés pour substituer certains cours à d'autres afin de stimuler l'engagement.
Ceci peut être accompli avec des algorithmes d'apprentissage supervisé, non supervisé, ou les deux. Les résultats finaux sont des classes recommandées avec leurs prévisions de croissance de la fréquentation.
De nombreux algorithmes de recommandation utilisent une combinaison de techniques d'apprentissage supervisé et non supervisé ; toutefois, l'aspect le plus important est que les algorithmes apprennent quelles recommandations sont efficaces et les améliorent au fil du temps.
Prévisions de fréquentation
Combien de membres seront présents dans votre club un jour donné ? Combien d'entre eux seront tout nouveaux ? Quels groupes d'âge seront les plus actifs et à quel moment ?
Les réponses à ces questions peuvent faire une énorme différence dans les décisions relatives au personnel un jour donné, afin de garantir le bon fonctionnement du club aux heures de grande affluence.
Grâce à l'apprentissage automatique, vous pouvez obtenir ces prédictions des semaines, voire des mois à l'avance, avec des mises à jour en temps réel.
Par exemple, à mesure que les algorithmes continuent d'apprendre, ils mettent à jour leurs prévisions de fréquentation en fonction de variables d'entrée telles que :
En fin de compte, ces facteurs (et bien d'autres) sont pondérés par rapport aux enregistrements historiques pour chaque variable d'entrée et la façon dont chacune affecte l'autre.
Par exemple, un nombre plus élevé de participants réguliers augmente la probabilité d'avoir plus d'invités, car ils accompagnent souvent le membre qui les a recommandés. Il peut aussi calculer que les jours de pluie passés, la fréquentation du club a baissé de 7 % et en tenir compte dans les prochains bulletins météorologiques.
Comme vous pouvez le constater, les possibilités sont infinies et il faut un système intelligent pour faire ces prédictions avec une plus grande précision afin de vous aider à déterminer comment déployer au mieux votre personnel et vos installations pour plus de satisfaction.
Prédictions de vente
En utilisant des algorithmes similaires, mais des ensembles de données différents de ceux mentionnés ci-dessus, nous pouvons produire des prévisions de ventes pour des dates futures.
Là encore, l'utilisation de données historiques comme ensemble d'apprentissage est très importante, mais une fois qu'un modèle validé a été produit, il peut être utilisé pour traiter les données de ventes actuelles et faire des prédictions futures avec une plus grande précision au fil du temps.
Ces prévisions s'avèrent très utiles lorsque vous devez décider du moment où vous devez créer des campagnes promotionnelles de club.
De plus, vous pouvez analyser les données pour voir quelles sont les catégories démographiques en termes de sexe et d'âge qui devraient rapporter le plus de revenus et cibler les catégories les moins performantes avec des coupons ou des bons supplémentaires.
Cela peut se faire club par club, par groupe ou même sur l'ensemble d'une chaîne.
Prédictions de désabonnement
L'un des modèles les plus importants dont on a besoin dans le secteur de la gestion des salles de sport est sans doute le modèle de prévision des désabonnements.
Comme indiqué dans les exemples ci-dessus, ces modèles utilisent une variété d'algorithmes d'apprentissage supervisé pour attribuer des probabilités de résiliation aux membres individuels et aux clubs entiers.
Comme c'est le cas pour les recommandations, ces prédictions deviendront de plus en plus précises au fil du temps, à mesure que les données s'accumuleront et que le modèle tirera des leçons des prédictions correctes et incorrectes qu'il aura faites.
De plus, au fur et à mesure que les algorithmes apprennent, ils recalibrent le "poids" ou l'influence de certaines variables d'entrée si elles deviennent plus fréquentes chez les membres qui changent de club.
Par exemple, avec le temps, les algorithmes commencent à remarquer que depuis que la réception ne vend plus un certain type de supplément, un grand nombre de membres qui ont acheté ce supplément ont commencé à se désabonner plus fréquemment.
Les données historiques liées à l'achat de ces compléments, en tant qu'entrée, commenceraient à être pondérées davantage dans les calculs de probabilité de désabonnement.
En fait, tout dépend des données dont dispose votre club et de la façon dont l'apprentissage automatique peut les analyser pour trouver des corrélations qui, autrement, passeraient inaperçues aux yeux de l'homme.
L'analyse des données a déjà trouvé sa place dans de nombreux secteurs, si ce n'est la plupart, dans le monde entier. Dans la gestion des clubs de fitness, cette discipline se matérialise déjà sous nos yeux.
Il est étonnant qu'avec toutes les données de première main que les clubs de fitness accumulent, ils commencent tout juste à considérer les avantages de l'apprentissage automatique et de l'IA comme des solutions viables pour la prise de décision.
Ce n'est plus une chimère de l'avenir, c'est ici. Maintenant.
