根据对涉及的用户、接触点和收集数据的测试，REACH开发了一套生活方式推荐系统，通过REACH的接触点，以帮助有久坐习惯的老年人变得更加活跃。 在这种情况下，基于分析行为变化给定干预如何影响受试者的当前习惯，并以时间序列数据建模，REACH开发出一套方法来聚类现有用户。 例如，干预可能会导致一些用户的活动水平增加（这些用户被称作应答者），一些用户则不会（无应答者），一些用户仅会暂时提高他们的活动水平（临时应答者）。 通过这种方式，每个用户会得到一个准备程度评分，指示其对所建议干预的响应的可能性。 当新用户到来时，系统将能够提出适应其准备程度评分的行为改变，类似于系统已经建模的用户，从而避免了对用户提出有害建议的风险。
图X：HealthTogether数据集的集群原型 (Yürüten, O., Zhang, J., & Pu, P.,2014, June: Decomposing activities of daily living to discover routine clusters. In Twenty-Eighth AAAI Conference on Artificial Intelligence).
图X：干预前人的行为（日常活动模式）和干预后的人的行为变化（活动变化模式）相应地显示在左侧和右侧。 结果表明，不活跃和中度活跃的人将对干预作出积极回应。（Kulev, I., Pu, P., & Faltings, B., 2016, December: Discovering Persuasion Profiles Using Time Series Data. In NIPS 2016 Time Series Workshop. ）