Wie all inclusive Fitness seine Datenstrategie in Bestform bringt
Schnelles Wachstum erfordert klare Strukturen, leistungsfähige Systeme und eingespielte Teams. Die Fitnesskette all inclusive Fitness hebt gemeinsam mit datasolut und ADN ihre Daten- und KI-Fähigkeiten auf ein neues Niveau und schafft damit die Grundlage für ein skalierbares, datengetriebenes Geschäftsmodell mit einer wachsenden Pipeline an KI- und Datenanwendungsfällen, die kontinuierlich neuen Mehrwert erschließen.
Auf einen Blick:
- Kunde: all inclusive fitness
- Branche: Fitnessbranche
- Projektziel: Bestehende Datenbasis zu einer skalierbaren „Single Source of Truth“ weiterentwickeln, die den strukturierten Einsatz von KI ermöglicht
- Tools: Microsoft Azure, Azure Landing Zone, Databricks, Delta Lake / Medallion-Architektur, Machine Learning, Agentic AI
Ausgangssituation
Bevor Datasolut ins Spiel kam, verfügte AI Fitness
über keine systematische Möglichkeit, Kündigungen vorherzusehen. Mitgliederdaten lagen verteilt in PostgreSQL-Datenbanken, REST-APIs wie Asana und HubSpot sowie in JSON-Formaten vor – ohne zentrale Struktur, obwohl rund vier Jahre an historischen Daten vorhanden waren. Kündigungsrisiken ließen sich damit weder zuverlässig quantifizieren noch rechtzeitig an die richtigen Teams weitergeben. Datasolut wurde beauftragt, aus dieser fragmentierten Datenlage eine belastbare Grundlage für Kündigungsprognosen und eine zentrale Datenplattform zu schaffen.
Vor diesen Herausforderungen stand unser Kunde
Fehlende Kündigungsprognose
AI Fitness erkannte Kündigungsrisiken bisher nicht vorab, sondern erst, wenn Mitglieder ihren Vertrag bereits gekündigt hatten.
Verteilte Datenquellen
Mitgliederdaten lagen isoliert in PostgreSQL, REST-APIs wie Asana und HubSpot sowie diversen JSON-Formaten vor, ohne zentrale Datenplattform.
Kein automatisierter Score-Transfer
Selbst punktuelle Risikoeinschätzungen erreichten das Vertriebs- und Customer-Success-Team nicht automatisiert im CRM-System.
Gemeinsam mit AI Fitness baute Datasolut eine zentrale Datenplattform auf Databricks auf, aufgeteilt in klar getrennte Verarbeitungsstufen (Medallion-Architektur). Alle relevanten Quellen, darunter PostgreSQL-Datenbanken, REST-Schnittstellen wie Asana und HubSpot sowie diverse JSON-Dateien, wurden angebunden, aufbereitet und in einer explorativen Analyse untersucht, um die Muster hinter Kündigungen zu verstehen. Darauf aufbauend entstanden zwei Churn-Modelle für die Ein- und Drei-Monats-Perspektive. Nach dem Test von drei Ansätzen setzte sich eine Kombination aus XGBoost und AutoML durch; Training und Scoring liefen über das interne ML-Repository von Datasolut, MLflow dokumentierte jeden Lauf nachvollziehbar.
Damit die Risikowerte auch genutzt werden, überträgt ein automatisierter Job die Churn-Scores direkt nach HubSpot, sodass Vertrieb und Customer Success sie ohne manuellen Zwischenschritt im gewohnten CRM sehen. Zusätzlich wurden Qlik-Dashboards angebunden, um die Kennzahlen auch visuell auswertbar zu machen. Terraform bildet die gesamte Infrastruktur als Code ab, für saubere Datenqualität und eine leicht wart- und erweiterbare Umgebung.
1.
Aufbau einer Databricks-Infrastruktur nach Medallion-Architektur, Anbindung aller relevanten Datenquellen und Aufbereitung von rund vier Jahren historischer Daten.
2.
Entwicklung von zwei XGBoost-Modellen für Ein- und Drei-Monats-Prognosen, Test von drei Modellansätzen, Tracking über MLflow und Automatisierung mit AutoML.
3.
Aufbau eines Jobs, der Churn-Scores automatisiert nach HubSpot überträgt, sowie Anbindung von Qlik-Dashboards für das Reporting.
Der Weg zum Erfolg
Gemeinsam mit dem Team von AI Fitness hat Datasolut die zentrale Datenplattform entwickelt und erfolgreich implementiert. Aus fragmentierten Datenquellen entstand ein durchgängiger Prozess von der Datenaufbereitung bis zur automatisierten Churn-Score-Ausspielung in HubSpot.
Heute verfügt AI Fitness über zwei einsatzbereite Churn-Modelle, die Kündigungswahrscheinlichkeiten für den Ein- und Drei-Monats-Horizont berechnen. Auf den Trainingsdaten erzielen die Modelle einen drei- bis vierfachen Lift gegenüber einer zufälligen Auswahl. Unter den 10 Prozent der von den Modellen als am kündigungsgefährdetsten eingestuften Mitglieder kündigen tatsächlich viermal so viele wie im Durchschnitt, ein klares Signal für die Treffsicherheit der Vorhersage. Durch die automatisierte Übertragung der Scores nach HubSpot kann das Team frühzeitig und gezielt auf Risikomitglieder zugehen, statt erst nach der Kündigung zu reagieren.
Ihr nächster Schritt mit uns!
Databricks ist eine der leistungsfähigsten Plattformen für Daten und KI – aber ihr volles Potenzial entfaltet sich erst, wenn Ihr Team sie wirklich beherrscht. Lassen Sie uns gemeinsam schauen, welche Schulungspakete zu Ihrer Ausgangssituation passen.
Im kostenlosen Erstgespräch klären wir:
- Welche Rollen und Teams von welchem Paket am meisten profitieren
- Ob und wie wir Inhalte auf Ihre Datenarchitektur und Use Cases anpassen
- Wie ein realistischer Zeitplan und die nächsten Schritte aussehen