Sur la base des tests impliquant les utilisateurs, des « Touchpoints » et des données recueillies, un système de recommandation de style de vie sera développé pour aider les personnes âgées sédentaires à devenir plus actives à l’aide des « Touchpoints » de REACH. Dans ce contexte, des méthodes sont développées pour regrouper les utilisateurs existants en fonction de la manière dont une intervention de changement de comportement influe sur leurs habitudes actuelles, modélisées sous forme de séries chronologiques de données. Par exemple, une intervention peut amener certains utilisateurs à augmenter leur niveau d’activité (ils sont appelés répondeurs), certains utilisateurs à faire le contraire (non-répondeurs), et certains, à améliorer leur activité uniquement temporairement (répondeurs temporaires). De cette manière, chaque utilisateur sera caractérisé par un score indiquant sa probabilité de répondre à l’intervention proposée. Lorsqu’un nouvel utilisateur arrive, le système sera en mesure de proposer une intervention adaptée à son score, évitant ainsi le risque de suggérer quelque chose de dangereux pour lui. 
Figure : Les prototypes de groupe provenant des données de HealthyTogether (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). 
Figure : Le comportement des personnes avant l’intervention (modèles d’activité quotidienne) et le changement de comportement des personnes après l’intervention (modèles de changement d’activité) sont affichés à gauche et à droite de manière correspondante. Les résultats suggèrent que les personnes inactives et modérément actives répondront positivement à l’intervention. Référence : Kulev, I., Pu, P., & Faltings, B., 2016, décembre : Discovering Persuasion Profiles Using Time Series Data. Dans NIPS 2016 Time Series Workshop.