Baseret på tests, der involverer brugere, Touchpoints og indsamlede data, udvikles et system for livsstilsanbefalinger, der kan hjælpe ældre stillesiddende borgere til at blive mere aktive ved hjælp af REACH Touchpoints. Der udvikles måder til at samle data om eksisterende brugere baseret på, hvordan en given intervention rettet mod adfærdsændring påvirker deres nuværende vaner, udformet som tidsseriedata. For eksempel kan en intervention få nogle brugere til at øge deres aktivitetsniveau (respondenter), andre brugere til at gøre det modsatte (ikke-respondenter) og igen andre til kun midlertidigt at forbedre deres aktivitetsniveau (midlertidige respondenter). På denne måde tildeles hver bruger en parathedsscore, der angiver, hvor sandsynligt det er, at den enkelte reagerer på den foreslåede intervention. Når en ny bruger bliver tilmeldt systemet, vil dette kunne foreslå en adfærdsændring, der er tilpasset til vedkommendes parathedsscore, svarende til en bruger, som systemet allerede har modelleret. Dermed nedsættes risikoen for at foreslå noget, der er skadeligt for den enkelte bruger. 
Figur: Klyngeprototyperne til HealthyTogether Dataset (Yürüten, O., Zhang, J., & Pu, P., 2014, June: Decomposing activities of daily livning to discover routine clusters. In Twenty-Eight AAAI Conference on Artificial Intelligence). 
Figur: Personers adfærd før interventionen (daglige aktivitetsmønstre) og adfærdsændringen af mennesker efter interventionen (aktivitetsændringsmønstre) vises tilsvarende til venstre og til højre. Resultaterne tyder på, at inaktive og moderat aktive mennesker vil reagere positivt på interventionen. Reference: Kulev, I., Pu, P., & Faltings, B., 2016, december: Discovering Persuasion Profiles Using Time Series Data. I NIPS 2016 Time Series Workshop.