Strava
insights d'entrainement personnalises en langage naturel a partir des donnees d'activite
Strava a lance Athlete Intelligence en octobre 2024 pour traduire les donnees d'entrainement en insights personnalises en langage naturel : la fonction couvre allure, frequence cardiaque, puissance et Relative Effort sur 30 jours glissants, en 14 langues, sur une base de plus de 125 millions d'athletes et 10 milliards d'activites televersees.
Objectif
Renforcer la valeur de l'abonnement Strava en traduisant des donnees d'entrainement complexes en insights simples et personnalises, pour retenir les abonnes et rendre leurs metriques actionnables.
Le déploiement
Athlete Intelligence est la fonction d'IA lancee par Strava le 3 octobre 2024, d'abord en beta publique pour les abonnes. Elle analyse et interprete les donnees d'entrainement en insights personnalises et guidance en langage naturel. La fonction agrege les tendances des seances des 30 derniers jours et couvre l'allure, la frequence cardiaque, le denivele, la puissance et le Relative Effort, la metrique proprietaire d'intensite de Strava. Elle detecte les jalons et fait remonter les temps forts : allure la plus rapide, plus longue distance, plus haut Relative Effort, plus gros denivele. Elle est disponible en 14 langues, avec une option de retrait. Strava compte plus de 125 millions d'athletes dans plus de 190 pays et plus de 10 milliards d'activites televersees, ce qui donne au systeme un socle de donnees d'entrainement a grande echelle.
Résultats Preuve C
Communique et press release de la marque (repris par PRNewswire) plus presse tech etablie citant nommement Strava et la fonction Athlete Intelligence. Chiffres de scale de la plateforme documentes, mais pas de KPI de retention ou de business result isole, donc C.
Comment ça fonctionne
Approche-type inféréeLe détail interne n'est pas public. Voici une approche éprouvée qui mène au même résultat - à adapter à votre stack.
La stack en détail
- plateforme Couche IA Strava (Athlete Intelligence) generation in-house d'insights et de guidance en langage naturel a partir des seances, en opt-in pour les abonnes
- llm Grand modele de langage traduction des metriques agregees en texte personnalise dans 14 langues ; le fournisseur n'est pas nomme dans les sources de la fiche
- infra Pipeline d'agregation 30 jours agregation glissante des seances : allure, frequence cardiaque, puissance, denivele et Relative Effort, avec detection de records
Comment ça tourne, concrètement
Pour les équipes ops-
1Televersement de l'activite athlete
L'athlete synchronise sa montre ou son telephone ; l'activite alimente Strava.
-
2Agregation des tendances IA / equipe data
Le systeme agrege les seances des 30 derniers jours sur les metriques cles.
-
3Generation de l'insight IA
Un LLM traduit les donnees en insight personnalise et en guidance en langage naturel, dans la langue de l'abonne.
-
4Restitution site_app
L'insight et les temps forts (records d'allure, denivele) s'affichent apres l'activite.
Les donnees d'activite televersees (allure, frequence cardiaque, puissance, Relative Effort). Sans capteur ni televersement regulier, l'agregation 30 jours se vide et les insights deviennent generiques.
Comment vos clients perçoivent ce type d'usage
Études sourcéesLe paradoxe est documente des deux cotes : 71% des consommateurs attendent des interactions personnalisees et 76% sont frustres quand elles manquent (McKinsey, 2021), mais 75% declarent ne pas acheter aupres d'organisations auxquelles ils ne confient pas leurs donnees (Cisco, 2024). La « creepy line » est localisee : messages recus quelques secondes apres une recherche et suivi de localisation sont les pratiques qui mettent le plus mal a l'aise (Periscope by McKinsey, 2019).
Conditions d'acceptation
- La confiance dans le traitement des donnees precede l'achat : 75% ne achetent pas sans elle (Cisco 2024)
- Un cadre legal protecteur rassure : 59% des consommateurs disent que des lois fortes sur la vie privee les rendent plus a l'aise pour partager des informations dans des applications IA (Cisco 2024)
- La personnalisation elle-meme est attendue quand elle est consentie : environ la moitie des consommateurs (US 55%, UK 52%) disent s'inscrire souvent ou parfois a des services personnalises (Periscope by McKinsey 2019)
Lignes rouges
- Le message declenche quelques secondes apres une recherche ou un achat : deuxieme ou troisieme cause de malaise selon les pays (Periscope by McKinsey 2019)
- Le suivi de localisation percu comme de la surveillance : 40% de malaise en Allemagne et au Royaume-Uni (Periscope by McKinsey 2019)
- Le mesusage des donnees personnelles par l'IA, devenu la premiere inquietude des consommateurs, a 53% et en hausse (Qualtrics 2025)
Sources : McKinsey & Company 2021 · Periscope by McKinsey 2019 · Cisco 2024 · Qualtrics 2025
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- flux d'activite ou d'usage par utilisateur
- metriques structurees de performance
- historique glissant sur plusieurs semaines
Prérequis orga
- equipe produit pour cadrer le format d'insight
- base legale pour des donnees proches de la sante
- couche multilingue si audience internationale
Stack possible
- LLM managed ou in-house
- pipeline d'agregation de metriques
- app avec restitution post-activite
Le plan, étape par étape
- Étape 1Definir 3 a 5 insights a forte valeur (records, tendances 30 jours) a partir des metriques deja collecteesLivrable : Spec des insights avec formules et seuils
- Étape 2Monter le pipeline d'agregation glissante sur 30 jours des metriques par utilisateurLivrable : Agregats calcules et testes sur donnees reelles
- Étape 3Brancher le LLM sur les agregats avec gabarits et garde-fous (pas de conseil medical), en opt-inLivrable : Resume post-activite genere, en beta
- Étape 4Cadrer la conformite : base legale pour des donnees proches de la sante, information utilisateur, option de retraitLivrable : Dossier RGPD et opt-out fonctionnel
- Étape 5Ouvrir en beta, mesurer engagement et valeur percue, puis etendre langues et metriques couvertesLivrable : Fonction en production multilingue avec tableau d'usage
Première étape : Definir 3 a 5 insights a forte valeur (records, tendances) et brancher un LLM sur les metriques deja disponibles, en opt-in.
Le même pattern, prouvé dans d'autres industries
Boots
scoring par machine learning de la propension a utiliser une offre, applique au courrier et a l'app
Meta
recommandation de fil et de video par IA (modeles a grande echelle / LLM)
Michaels
personnalisation genAI du message marketing (copy) a l'echelle, calee sur la voix de marque
Sources
- S1 Strava's Athlete Intelligence Translates Workout Data into Simple and Personalized Insights Officiel intéressé archive à générer
- S2 Strava's powerful AI insights are here - Athlete Intelligence is now available in beta Presse établie archive à générer
- S3 Athlete Intelligence launches for Strava subscribers Secondaire archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.