
虽然帝都承办了 2008 年奥运会,天朝国民也为此盛事狂欢,但除了金牌数字让人血脉偾张以外,日常体育锻炼和健身还离大多数国人很远。而即使近几年有不少健身房在生活小区周边建立起来,也往往因为上班族时间资源的稀缺以及空间距离带来的不便而让人在办卡后无法形成持续的运动健身习惯。
不过好消息是,随着手机、平板等移动设备因其便携性而成为人体不可或缺的一部分,好的健身内容也可以被装进“口袋”、随身携带,降低了人们持续消费健身内容的门槛,从而有助于形成良好的运动习惯——而线上健身平台“沸腾时刻”想做的就是这样一件事。
简单来说,“沸腾时刻”想通过收集用户身体的数据,用算法为其设计个性化的视频健身课程,替代传统的线下“私教”。
初次使用沸腾时刻时,用户需要手动输入自己的身高、体重、腰围、臀围等信息,让系统对其身材有个基础的判断和了解。但仅有这些数据还不足够系统精准判断,所以采集了基础数据后,沸腾时刻还会要求用户跟着视频完成“体测”环节,以判断用户体能适合从何种强度的训练开始做起。
说到这里,有人可能会好奇:纯线上的视频播放方式,如何得知用户线下“体测”的成绩呢?这正是沸腾时刻很有意思的一点——它会为用户提供可交互的视频课程,让用户跟着视频中的教练完成一系列动作,比如“做 30 秒的高抬腿”,当高抬腿的教学视频播放完后,视频便会暂停并弹出一个表单,让用户填写他在 30 秒内可以完成的高抬腿动作的个数——通过这类数据的收集,系统便可以判断出用户的体能大概在什么样的水平。
当然,这类交互不仅仅限于体能测试的环节,在用户后续的健身过程中,为其配套的健身视频都会不断采取这种交互方式来收集用户的运动数据,以跟踪其锻炼效果,并优化后续为其推送的视频健身课程,让用户可以循序渐进地达到健身目标。这也就是之前所说的,用数据+算法去替代掉原来线下的私教所做的事。
不过,用纯粹的线上方式来做健身教学,除了数据收集这一弱点以外,还有对用户把控较弱的缺点——就像 Coursera 上的视频课程一样,用户辍学的门槛极低,也没有线下的同学和老师氛围来让用户对辍学形成负罪感,而类似的沸腾时刻也极可能面临同样问题。
针对这一点,沸腾时刻的创始人 Rocky 说,通常健身坚持不下去最大的问题就是线下去健身房的不方便性,而他们已经用线上可交互健身视频的方式去减少原来的不便捷性了。除此之外,还可能让人坚持不下去的因素就是视频内容不够丰富,每天练习的都是几乎一样内容,便很容易失去乐趣(曾经跟着视频跳过郑多燕的菇凉们应该深有感触)。
对此,沸腾时刻的做法是,他们在线下和有名的私教合作录制视频课程,目前已经有成百集的内容,可以让用户每天都有不一样的健身视频观看,且这些视频都是个性化定制、符合用户身体需求的。而健身这件事,只要用户能坚持 30 到 60 天,便可以看到自己身材的巨大改变,尝到这个甜头之后用户自然会对健身产生黏性了。
盈利模式上,沸腾时刻现阶段采取初级视频课程免费,高级会员按年卡收费的模式。付费的高级会员可以购买沸腾时刻提供的可穿戴设备(让收集到的用户数据更加精准),并免费到线下健身房进行锻炼(有点类似ClassPass整进散出的模式)。不过 Rocky 认为,和为线下私教导流的方式并不是长期的,他们认为最有价值的还是积累下来的用户健康大数据,未来可以将收集到的用户健康大数据开放给各类厂商进行合作。
团队上,沸腾时刻创始人 Rocky 从美国伊利诺伊大学 MBA 毕业后回国创业,在大学时曾是 CUBA 冠军校队的成员,在中美健身届都积累下了一些资源,因而可以以较低的成本和前央视的节目团队以及国内外的健身、健美冠军教练合作拍摄视频,这也算是其创业的早期优势之一。目前沸腾时刻已经上线试运营一年,最近进行了全新改版,而其 app 也会在近日推出。团队也已拿到琴江创投千万人民币级别的天使投资。
至于类似的产品,国外和沸腾时刻在线上或是线下有些相同之处的公司有FitStar、Fitmob,国内有“我开始”等。而从 2014 年起,从 P2P 角度、线下健身房整合角度、私教角度等等方向切入的各类围绕运动健康服务也不断涌现,比如练练、开练、约教练等,估计 2015 年还会有更多玩家涌现,我们会持续保持关注。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
KS 曲线不光滑:模型评估的隐形陷阱,从原因到破局的全指南 在分类模型(如风控违约预测、电商用户流失预警、医疗疾病诊断)的评 ...
2025-08-19偏态分布:揭开数据背后的非对称真相,赋能精准决策 在数据分析的世界里,“正态分布” 常被视为 “理想模型”—— 数据围绕均值 ...
2025-08-19CDA 数据分析师:数字化时代的价值创造者与决策智囊 在数据洪流席卷全球的今天,“数据驱动” 已从企业战略口号落地为核心 ...
2025-08-19CDA 数据分析师:善用 Power BI 索引列,提升数据处理与分析效率 在 Power BI 数据分析流程中,“数据准备” 是决定后续分析质量 ...
2025-08-18CDA 数据分析师:巧用 SQL 多个聚合函数,解锁数据多维洞察 在企业数据分析场景中,单一维度的统计(如 “总销售额”“用户总数 ...
2025-08-18CDA 数据分析师:驾驭表格结构数据的核心角色与实践应用 在企业日常数据存储与分析场景中,表格结构数据(如 Excel 表格、数据库 ...
2025-08-18PowerBI 累计曲线制作指南:从 DAX 度量到可视化落地 在业务数据分析中,“累计趋势” 是衡量业务进展的核心视角 —— 无论是 “ ...
2025-08-15Python 函数 return 多个数据:用法、实例与实战技巧 在 Python 编程中,函数是代码复用与逻辑封装的核心载体。多数场景下,我们 ...
2025-08-15CDA 数据分析师:引领商业数据分析体系构建,筑牢企业数据驱动根基 在数字化转型深化的今天,企业对数据的依赖已从 “零散分析” ...
2025-08-15随机森林中特征重要性(Feature Importance)排名解析 在机器学习领域,随机森林因其出色的预测性能和对高维数据的适应性,被广 ...
2025-08-14t 统计量为负数时的分布计算方法与解析 在统计学假设检验中,t 统计量是常用的重要指标,其分布特征直接影响着检验结果的判断。 ...
2025-08-14CDA 数据分析师与业务数据分析步骤 在当今数据驱动的商业世界中,数据分析已成为企业决策和发展的核心驱动力。CDA 数据分析师作 ...
2025-08-14前台流量与后台流量:数据链路中的双重镜像 在商业数据分析体系中,流量数据是洞察用户行为与系统效能的核心依据。前台流量与 ...
2025-08-13商业数据分析体系构建与 CDA 数据分析师的协同赋能 在企业数字化转型的浪潮中,商业数据分析已从 “可选工具” 升级为 “核 ...
2025-08-13解析 CDA 数据分析师:数据时代的价值挖掘者 在数字经济高速发展的今天,数据已成为企业核心资产,而将数据转化为商业价值的 ...
2025-08-13解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-08-12MySQL 统计连续每天数据:从业务需求到技术实现 在数据分析场景中,连续日期的数据统计是衡量业务连续性的重要手段 —— 无论是 ...
2025-08-12PyTorch 中 Shuffle 机制:数据打乱的艺术与实践 在深度学习模型训练过程中,数据的呈现顺序往往对模型性能有着微妙却关键的影响 ...
2025-08-12Pandas 多列条件筛选:从基础语法到实战应用 在数据分析工作中,基于多列条件筛选数据是高频需求。无论是提取满足特定业务规则的 ...
2025-08-12人工智能重塑 CDA 数据分析领域:从工具革新到能力重构 在数字经济浪潮与人工智能技术共振的 2025 年,数据分析行业正经历着前所 ...
2025-08-12