Augmenter les revenus des points de vente grâce aux recommandations de produits

 

Si vous avez déjà fait des achats en ligne sur Amazon, vous remarquerez des recommandations de produits partout sur le site et dans votre boîte de réception. Et, si vous êtes attentif, ces recommandations sont généralement très pertinentes.

Il ne s'agit pas d'une coïncidence.

Amazon utilise des processus d'apprentissage automatique pour faire fonctionner son moteur de recommandation afin de recommander des produits très pertinents à des utilisateurs ciblés en fonction de ce qui suit

• Ce qui se trouve actuellement dans leur panier
• L'historique des achats
• Ce que les autres utilisateurs achètent lorsqu'ils achètent des produits similaires
• les évaluations et les avis des clients.

 

Et en utilisant ces données, leurs algorithmes de recommandation se sont avérés très efficaces, avec pour résultat qu'environ 35 % de tous les achats en ligne via son moteur de recommandation.

Des entreprises comme Netflix ont également utilisé des algorithmes d'apprentissage automatique pour recommander du contenu, ce qui leur a permis d'économiser environ 1 milliard de dollars par an en annulations de service.

Ce qui lie ces entreprises - et le secteur de la gestion du fitness - ce sont les grandes quantités de données de première main dont elles disposent.

Avec L'apprentissage automatique à la pointe de l'innovation dans la gestion des clubsil est tout à fait naturel de l'appliquer à l'augmentation des revenus des points de vente.

 

Nous allons voir ici comment fonctionnent les recommandations de produits et comment elles peuvent aider les clubs à augmenter leurs revenus en fournissant à leur personnel les données nécessaires pour proposer le bon produit au bon client sur le point de vente.

Recommandations de produits pour les clubs

Ce n'est un secret pour personne que la vente de marchandises dans votre club peut être une source importante de revenus. Les gens ont souvent besoin d'un rafraîchissement immédiat après leurs séances d'entraînement, sont trop occupés pour s'arrêter chez un détaillant local ou aiment simplement porter les vêtements de votre club.

Quelle que soit la raison, les revenus générés par les marchandises de certains clubs sont si importants qu'ils font partie intégrante de leur plan d'affaires.

Et pourquoi ne le seraient-ils pas puisqu'ils peuvent représenter une grande partie des revenus d'un club en dehors des contrats.

 

Que vous ayez du mal à rentabiliser les ventes de marchandises à la réception ou que vous envisagiez de vous lancer, les recommandations de produits basées sur l'apprentissage automatique peuvent générer des revenus supplémentaires simplement en sachant quels produits proposer à quels clients.

L'objectif n'est pas vraiment de créer des acheteurs à partir de non-acheteurs, mais d'augmenter la taille moyenne des commandes des acheteurs existants.

Le besoin

Si vous êtes comme l'une des personnes décrites ci-dessus qui achète des produits dans votre club, vous connaissez la valeur d'une approche personnalisée.

Les employés de la réception peuvent souvent vous proposer les produits que vous achetez fréquemment, soit parce qu'ils s'en souviennent, soit parce que vous avez conservé ces notes dans le système, comme c'est le cas dans le PG PoS ci-dessous.

 

Tout cela provient simplement de l'association des produits achetés avec un compte et de la fréquence de fréquentation par rapport au nombre de fois qu'un produit est acheté.

Ces informations permettent à votre personnel de réception de toujours avoir une approche personnalisée lorsqu'il s'agit de vendre des articles en stock lors de l'enregistrement ou du départ d'un utilisateur.

Et vos clients l'apprécieront car cela leur fera gagner du temps, ainsi qu'à votre personnel.

En général, si les clients ne veulent rien d'autre, ils ne demanderont pas. Cependant, nous avons tous été confrontés à des situations où un autre produit était proposé à la sortie, dont nous n'avions pas réalisé que nous le voulions ou dont nous avions besoin, jusqu'à ce qu'il nous soit présenté.

C'est, bien sûr, la base des moteurs de recommandation comme ceux de Netflix et d'Amazon.

L'astuce pour l'appliquer aux transactions du front-desk consiste à proposer les bons produits aux bonnes personnes.

C'est là que l'apprentissage automatique entre en jeu.

Faire des recommandations intelligentes

Tous les bons algorithmes de recommandation ont d'abord besoin de données à analyser et à traiter. C'est pourquoi nous recommandons d'utiliser un système dans lequel toutes les transactions du club sont enregistrées et contrôlées.

 

Le fait de disposer de l'historique complet des transactions de tous les clubs et clients donne aux algorithmes d'apprentissage automatique une bonne base de référence pour trouver des modèles entre les segments de clientèle et les produits achetés.

La reconnaissance des formes, qui est l'un des fondements de tout processus d'apprentissage automatique, permet de trouver des corrélations entre différentes entrées de données et d'établir une relation entre elles.

Cependant, si les points de données n'ont aucun lien entre eux, vous pouvez obtenir des corrélations sauvages qui mettent en évidence le vieil adage "corrélation ne signifie pas causalité", comme le montre l'image ci-dessous.

 

Mais si nous nous intéressons à un résultat défini, tel que l'achèvement d'un achat parmi les produits vendus dans un centre de fitness particulier, nous pouvons trouver des modèles d'articles achetés en tandem avec d'autres articles et faire nos recommandations en conséquence.

Pour ce faire, nous pouvons d'abord segmenter nos utilisateurs, par exemple en hommes et femmes.

D'après une étude récente, les hommes et les femmes ont de grandes différences entre eux. des raisons différentes de réaliser des transactions:

 

"Pour les hommes, un bon service signifie les aider à trouver le bon article et les aider à passer rapidement à la caisse. Pour les femmes, la satisfaction des clients est fortement liée à la volonté d'un magasin de partager des conseils d'expert (démontrer sa connaissance du produit) et à la capacité du magasin à les aider à déterminer les produits qui leur conviennent le mieux."

Ainsi, nous allons segmenter nos utilisateurs en fonction de leur sexe pour leur recommander plus efficacement des produits.

Par exemple, nous constatons que dans un club de fitness, les hommes et les femmes achètent fréquemment des boissons énergisantes à l'orange ; cependant, les hommes achètent souvent des protéines en poudre alors que les femmes achètent des barres protéinées lorsqu'elles achètent également des boissons énergisantes.

 

Par conséquent, ces modèles seraient reconnus et, après que quelqu'un ait demandé un produit, le personnel de la réception proposerait le produit correspondant qui est le plus souvent acheté avec la boisson énergétique.

Ces recommandations seront basées sur des règles, ce qui signifie simplement que :

SI Femme + achète une boisson énergétique à l'orange ---> RECOMMANDER une barre protéinée.

Le processus peut sembler assez simple, mais là encore, il faut une grande puissance de calcul qui implique la reconnaissance des formes et le traitement des données historiques pour informer les règles qui, en fin de compte, affichent quels produits recommander à quels clients.

Conclusion

L'augmentation de la taille moyenne des commandes de vos acheteurs existants devrait être une stratégie de croissance des revenus que tous les clubs ayant des stocks mettent en œuvre.

Désormais, avec l'aide des processus d'apprentissage automatique sur le point de vente, le personnel de l'accueil peut proposer aux clients des produits avec des informations fondées sur des données pour augmenter les bénéfices de l'accueil du club.