Spor Salonu Üye Takibi: Kimin Gideceğini Önceden Görmek

Ocak ayında salonun kapısı zor açılıyor. Yeni üyeler, yeni kartlar, dolu grup dersleri. İşletmeci memnun, ciro tabloları yeşil. Mart geldiğinde aynı salonda akşam saatinde on iki kişi çalışıyor ve kimse bunu bir sorun olarak görmüyor, çünkü ay sonunda tahsilat yine tam çıkacak.

Sorun tam olarak burada başlıyor. Üye salonu bıraktığında sistem bunu size hemen söylemez. Yıllık peşin ödeyen bir üye üç aydır gelmiyor olabilir ama yazılımınızda hâlâ "aktif" yazar. Onun gittiğini yenileme ayında, yani müdahale etmek için geç kaldığınızda öğrenirsiniz.

Oysa gitmeye karar veren üye size bunu aylar önce söylüyor. Turnikeden geçmeyerek söylüyor. Bu yazıda o sinyalin nasıl okunacağını, hangisinin gerçekten işe yaradığını ve nerede yapay zekaya gerek olmadığını anlatıyoruz. Sektör sektör hangi işletmede neyin çalıştığını görmek isterseniz yapay zeka haritamız daha geniş bir çerçeve sunuyor.

Spor salonlarında üye kaybı gerçekte ne kadar?

Sektörün elindeki en ciddi ölçüm, Health & Fitness Association'ın 2025 kıyaslama raporu. 27 ülkede 17 binden fazla tesisi kapsayan bu çalışmaya göre yıllık üye elde tutma oranı yaklaşık yüzde 66. Yani salonlar her yıl üyelerinin üçte birini kaybediyor ve rapor, bu oranın son on yılda yaklaşık beş puan gerilediğini söylüyor.

Aylık karşılığı kabaca yüzde üç ile beş arasında bir kayıp demek. Kulağa küçük geliyor ama bileşik etkisi acımasız: bin üyeli bir salon, hiçbir şey yapmazsa on iki ay sonra o bin kişinin yaklaşık üçte birini yenilemek zorunda kalır.

Kaybın zamanlaması da düz değil. Farklı çalışmalar yeni üyelerin yüzde 40 ile 65 arasında değişen bir bölümünün ilk altı ayda bıraktığını bildiriyor. Bu geniş aralığı tek bir sayıya indirmek doğru olmaz, ama yönü nettir: risk baştadır. İlk üç ayı atlatan üye, ikinci yılındaki üyeden çok daha kırılgandır.

Bu arada bir uyarı: bu alanda dolaşan "ortalama üye 4,7 yıl kalıyor" ya da "iki yılı geçen üyenin iptal olasılığı yüzde 90 azalıyor" gibi cümlelere rastlarsanız temkinli olun. Bunlar salon yazılımı satan bloglarda birbirinden kopyalanan, kaynağı gösterilmeyen rakamlar. İlki zaten yıllık yüzde 33 kayıpla aritmetik olarak çelişiyor.

Bir üyenin gitmek üzere olduğunu hangi sinyaller gösterir?

En güçlü sinyal devamsızlıktır ve bu, kurulan hemen her tahmin modelinde en ağırlıklı değişken olarak çıkar. Ama işin inceliği "kaç kere geldi" değil, "geliş düzeni bozuldu mu" sorusundadır. Toplam sayı aynı kalırken düzen bozulduğunda üye çoktan gitmeye başlamıştır.

Somutlaştıralım. İki üye de ayda on iki kez gelmiş. Birincisi her hafta üç gün düzenli gelmiş. İkincisi ilk hafta altı kez gelmiş, sonraki iki hafta hiç gelmemiş, son hafta altı kez daha gelmiş. Aylık raporunuzda ikisi de aynı satırda görünür. Gerçekte ikincisi çoktan kopmuş, bir hamlede açığını kapatmaya çalışıyor.

Sahada anlamlı çıkan sinyaller şunlar:

• Son ziyaretten bu yana geçen gün sayısı. Tek başına en pratik metrik.
• Haftalık geliş düzenindeki oynaklık. Ortalamadan çok, dalgalanma önemli.
• Üyelik yaşı. İlk 90 gün, sonraki her döneme göre daha riskli.
• Ders rezervasyonu iptali ve gelmeme oranı. Rezervasyon yapıp gelmemek, hiç rezervasyon yapmamaktan daha kötü bir işaret.
• Ödeme aksaması. Kartın geçmemesi çoğu zaman teknik değil niyetseldir.

Dikkat çekici olan, bu listede yaş, cinsiyet, meslek gibi bilgilerin olmaması. Modeller demografiyle değil davranışla çalışıyor. Bu hem daha isabetli hem de hukuken daha rahat bir yer, ki birazdan oraya geleceğiz.

Yıllık peşin üyelikte üye kaybı nasıl gizlenir?

Türkiye'deki salonların yaygın iki modeli var: aylık otomatik tahsilat ve indirimli yıllık peşin ödeme. İkisi üye kaybını taban tabana zıt gösterir. Aylık modelde üye gittiğinde kartı iptal eder ve ciroda hemen görünür. Yıllık peşin modelde ise üye fiilen gitmiştir ama para çoktan kasadadır, dolayısıyla hiçbir finansal alarm çalmaz.

Bu, yıllık modelin bir avantajı gibi görünür. Değildir. Yenileme ayı geldiğinde o üyeye ulaşmaya çalışırsınız, üye altı aydır salona uğramamıştır ve sizin ona söyleyecek hiçbir şeyiniz yoktur. Kaybı yaşamadınız, sadece ertelediniz ve müdahale şansınızı harcadınız.

Yıllık peşin üyelikte ciro gecikmeli düşer, davranış önce düşer. Turnike verisi size gerçeği aylar önce söyler.

Pratik sonuç şu: yıllık üyelik satan salonlarda üye kaybını tahsilat raporundan değil, geçiş kayıtlarından takip etmek zorundasınız. Aksi hâlde ölçtüğünüz şey üye memnuniyeti değil, geçen yılki satış performansınız olur.

Turnike verisiyle basit bir risk skoru nasıl kurulur?

İlk adımda yapay zekaya ihtiyacınız yok. Elinizdeki geçiş kayıtlarıyla üç kurallı bir liste, faydanın büyük kısmını verir. Kural şu kadar basit olabilir: son 14 günde hiç geçiş yapmamış, üyeliğinin ilk 90 günü içinde olan ve haftalık geliş düzeni bozulmuş üyeleri işaretle.

Bu liste her pazartesi sabahı çıkarılabilir ve genelde salonun toplam üyesinin küçük bir yüzdesini kapsar. Yani ekibinizin arayabileceği, gerçekten arayabileceği bir uzunluktadır. Yüzlerce kişilik bir "riskli üyeler" listesi çıktıysa kurallarınız çok gevşek demektir.

Buradaki en önemli fark, veriyi toplamak için hiçbir yatırım yapmanız gerekmemesi. Turnikeniz zaten her geçişi üye kimliğiyle ve zaman damgasıyla kaydediyor. Türkiye'deki yaygın salon yazılımlarının hemen hepsi kartlı veya QR'lı geçiş entegrasyonuyla geliyor. Veri var, kimse okumuyor.

Basit kural sistemi olgunlaştıktan sonra sıra makine öğrenmesine gelir. Model, kuralların yakalayamadığı bileşimleri bulur: örneğin akşam grubundan sabah grubuna kayan ve arkasından seyrelen üyenin, hiç saat değiştirmeyen üyeden daha riskli olması gibi. Ama bunun ön koşulu, en az bir yıllık temiz geçiş verisidir.

Yapay zeka mı, basit kural mı? Hangisi ne zaman yeter?

İki yüz elli üyeli bir salonda basit kural, modelin sağlayacağı faydanın çoğunu bedavaya verir. Model, üye sayısı binleri bulduğunda ve müdahale kapasiteniz sınırlı olduğunda, yani "kimi önce arayalım" sorusu gerçek bir sorun hâline geldiğinde anlamlı olmaya başlar.

Bu alanda yayınlanan model doğruluk rakamlarına da temkinli yaklaşmak gerekiyor. "Yüzde 92 doğrulukla kimin gideceğini biliyoruz" tarzı iddialar genelde akademik veri setlerinden geliyor ve tek bir salonun kendi verisinde bu performans belirgin şekilde düşer. Ayrıca doğruluk burada yanıltıcı bir ölçüdür: üyelerin yüzde 70'i kalıyorsa, herkese "kalacak" diyen bir model bile yüzde 70 doğruluk üretir ve hiçbir işe yaramaz.

Ölçmeniz gereken şey doğruluk değil, şu: işaretlediğiniz üyelerin kaçı gerçekten ayrıldı ve müdahale ettiklerinizin kaçı kaldı. İkinci sayı, modelin değil işletmenin başarısıdır.

Risk sinyali geldi, sonra ne yapmalı?

Yanlış cevap: riskli listeye toplu indirim mesajı atmak. Bu, zaten kalacak olan üyelere indirim vermekle biter ve gitmeye karar vermiş üyeyi geri getirmez. Üstelik üyeye "gelmezseniz indirim çıkıyor" diye bir davranış öğretir.

Çalışan müdahaleler kişisel ve davranışa özgü olanlar. Birkaç örnek:

• İlk 90 gündeki sessizlik: antrenör tarafından yapılan tek bir kişisel arama veya ücretsiz program güncellemesi. Bu dönemdeki sorun genelde motivasyon değil, ne yapacağını bilmemektir.
• Düzen bozulması: üyenin geldiği saatlerdeki bir gruba veya derse davet. Sosyal bağ, en güçlü kalma nedenidir.
• Uzun süreli devamsızlık: iptali beklemeden dondurma seçeneğini siz teklif edin. Üye kendisi başvurduğunda kararını çoktan vermiş olur; siz teklif ettiğinizde üyelik ilişkisi sürer.
• Ödeme aksaması: otomatik hatırlatma yerine kısa bir insan teması. Aksamanın arkasında çoğu zaman memnuniyetsizlik vardır ve sadece sorulduğunda söylenir.

Randevu ve doluluk tarafındaki benzer bir örneği estetik kliniklerinde danışan takibi yazımızda ayrıntılı anlatmıştık; oradaki hatırlatma akışları salon tarafında da doğrudan uygulanabiliyor.

Üye davranış verisini işlemek KVKK'ya uygun mu?

Kısa cevap: geçiş kayıtları, ders rezervasyonları ve ödeme geçmişi genel nitelikli kişisel veridir; sözleşmenin ifası ve meşru menfaat kapsamında, aydınlatma yükümlülüğünü yerine getirmek ve amaçla sınırlı kalmak şartıyla işlenebilir. Ama sağlık ve biyometrik veri tarafında sınır çok nettir ve sektörün büyük bölümü bu sınırın yanlış tarafında duruyor.

Kişisel Verileri Koruma Kurulu'nun spor salonlarına dair kararları bu konuda açık. 2020 tarihli bir kararında Kurul, giriş çıkış kontrolünün parmak izi gibi biyometrik verilerle yapılmasını hukuka aykırı buldu; gerekçe şuydu: hizmetten yararlanmanın koşulu olarak alınan rıza özgür iradeye dayanmaz, dolayısıyla geçerli bir açık rıza sayılmaz. Kurul verilerin imhasını ve uygulamanın durdurulmasını istedi. 2022 tarihli bir başka kararda ise bir salonun üyelerinden kan grubu bilgisi toplaması özel nitelikli veri ihlali olarak değerlendirildi.

Bunun pratikteki karşılığı şu: Türkiye'de hâlâ "parmak izi ve yüz tanıma entegreli" diye pazarlanan salon yazılımları var. Bu özelliğin varlığı, kullanımının hukuka uygun olduğu anlamına gelmiyor. Kart veya QR ile geçiş hem yeterli hem uyumlu.

Model tarafında da iyi haber şu: vücut analizi, yağ oranı, nabız gibi hassas veriler churn tahminine anlamlı katkı vermiyor. Davranış verisi baskın. Yani bu verileri toplamamak hem hukuken güvenli hem de model açısından kayıpsız. Gizlilik ile veri kullanımı arasındaki dengeyi nasıl kurduğumuzu psikolog ve danışmanlık merkezleri yazımızda daha ayrıntılı işlemiştik.

Veriniz bu işe hazır mı? Önce şunları temizleyin

Tahmin sisteminin en zayıf halkası model değil, geçiş kaydının kendisidir. Kayıt bozuksa en iyi model bile yanlış kişiyi işaretler. Başlamadan önce salonların büyük bölümünde bulunan üç veri sorununu temizlemek gerekir ve üçü de yazılımla değil işletme kuralıyla çözülür.

Kart paylaşımı. Üyeler kartlarını birbirine verdiğinde veri sessizce bozulur. Sistemde düzenli gelen görünen üye aslında hiç gelmiyor olabilir, arkadaşı geliyordur. Bu, yalnızca bir tahsilat kaybı değil, aynı zamanda risk skorunuzu ters çeviren bir hatadır.

Tek yönlü geçiş. Çıkışta turnike okutulmuyorsa üyenin salonda ne kadar kaldığını bilemezsiniz. Süre, geliş sıklığından sonraki en bilgilendirici sinyaldir; on dakika kalıp çıkan üye ile bir saat çalışan üye aynı satıra yazılmamalıdır.

Dondurma ve tatil kayıtları. Üyeliğini resmen donduran üye ile sessizce gelmeyi bırakan üye aynı şey değildir. Dondurma kayıtları ayrı tutulmazsa listeniz her yaz, tatildeki üyelerle dolar ve ekibiniz yanlış kişileri arar.

800 üyeli bir salonda bu ne kadar para eder?

Üye kaybının bedeli, ayrılan üye sayısı ile onların kalan aylarının çarpımıdır. Hesabı kendi rakamlarınızla yapmak herhangi bir sektör ortalamasından daha ikna edicidir ve üç sayı yeterlidir: üye sayınız, üye başına aylık ortalama geliriniz ve yıllık kayıp oranınız.

800 üyeli bir salon düşünelim. Sektör ortalamasına yakın bir kayıpla yılda yaklaşık 260 üye ayrılıyor. Üye başına aylık gelir 1.200 TL olsun. Ayrılanların ortalama olarak yılın ortasında gittiğini varsayarsak, yalnızca o yıl içinde tahsil edilemeyen tutar 260 çarpı 1.200 çarpı 6, yani kabaca 1,8 milyon TL eder.

Şimdi iddiasız bir hedef koyalım. Pazartesi listesiyle işaretlenen üyelerin yalnızca yüzde onunu elde tutabildiğinizi varsayın. Bu 26 üye demek, yıllık karşılığı yaklaşık 190 bin TL. Buna karşılık harcanan şey bir dışa aktarma, bir tablo ve haftada birkaç telefon görüşmesi.

Aynı hesap, yeni üye kazanmanın maliyetiyle yan yana konduğunda daha da netleşir. Ayrılan üyenin yerine yenisini koymak reklam, kampanya ve genelde ilk ay indirimi gerektirir; mevcut üyeyi tutmak için gereken şey çoğu zaman hatırlandığını hissetmesidir. Kendi üye kazanma maliyetinizi bulmak da zor değil: aylık pazarlama giderinizi o ay kazandığınız yeni üye sayısına bölün. Çıkan rakam, elde tutma çabasının neden daha ucuz olduğunu tek başına anlatır.

Peki 150 üyeli bir salonda bu hesap anlamlı mı? Tutar küçülür ama oran aynı kalır ve küçük salonda müdahale şansınız aslında daha yüksektir, çünkü işletmeci üyelerin çoğunu ismen tanır. O ölçekte tabloya bile gerek olmayabilir; haftalık listeniz resepsiyonun defterine sığacak kadar kısadır.

Peki siz ne yapmalısınız?

• Geçiş kayıtlarınızı dışa aktarın. Son bir yılın üye bazlı giriş verisi elinizde yoksa başlangıç noktanız yazılım değil, bu kaydı düzenli tutmak.
• Üç kurallı listeyle başlayın. Son 14 gün geçiş yok, üyeliğin ilk 90 günü, düzen bozulması. Her pazartesi çıkarın, ekibe dağıtın.
• Yıllık üyeleri ayrı takip edin. Onların kaybı ciroda görünmez; yalnızca turnikede görünür.
• Müdahaleyi kişiselleştirin. Toplu indirim yerine antrenör teması, ders daveti ya da erken dondurma teklifi.
• Hassas veri toplamayın. Biyometrik geçişten uzak durun, sağlık verisini modele sokmayın. İkisi de gereksiz risk.
• Sonucu ölçün. İşaretlenen üyelerin kaçının kaldığını takip etmezseniz sistemin çalışıp çalışmadığını asla bilemezsiniz.

Salon işletmeciliğinde en pahalı veri, hiç bakılmayan veridir. Turnikeniz aylardır kimin ne zaman geldiğini yazıyor ve o kayıtlar, gelecek ay kimin gitmeyi düşündüğünü şimdiden söylüyor. Okumaya başlamak için ne yeni bir donanıma ne de bir veri bilimciye ihtiyacınız var; bir dışa aktarma tuşu ve düzenli bir pazartesi alışkanlığı yeterli.