项目8 餐饮企业综合分析.pptxVIP

餐饮企业综合分析

1预处理餐饮企业数据目录了解餐饮企业综合分析的背景和方法2使用K-Means聚类算法进行餐饮企业客户分群3使用决策树算法和支持向量机算法进行餐饮企业客户流失预测4

背景团购、O2O…微博、微信…电子点餐、店内Wi-Fi…拓宽销售渠道加强了企业与消费者、消费者与消费者之间的沟通提升了服务水平如何提高服务水平?如何留住客户？提高利润…

背景某餐饮企业的增长陷入迟滞，同时不同口味和不同经营模式的餐馆更是层出不穷。在内忧外患的情况下，餐饮企业希望结合餐饮行业现状，分析客户和订单的数据，挖掘数据中的信息，通过对客户流失预测寻找到相应的对策，从而提高利润。

目标依据客户基本信息和消费产生的订单信息，构建客户流失特征。结合分类算法中的决策树算法和支持向量机算法预测客户流失，为餐饮企业针对不同类型的客户调整销售策略提供依据。

数据本案例将使用某餐饮企业的系统数据库中积累的大量与客户用餐相关的数据。主要记录了2431位客户的基本信息，包括客户ID、姓名、年龄、性别等。主要记录了客户共6611条的消费记录，包含了21个特征。特征名称特征说明USER_ID客户IDMYID客户自编码ACCOUNT账号NAME姓名ORGANIZE_ID组织代码……特征名称特征说明info_id订单IDemp_id客户IDnumber_consumers消费人数mode消费方式dining_table_id桌子ID……客户信息表订单详情表

流程读取本案例所需的客户信息表和订单详情表。探索客户信息表中年龄、性别与客户流失的关系。查看数据中的重复值情况，并对异常值、缺失值进行处理。构建总用餐次数、距观测窗口结束的天数、人均销售额、总消费金额4个客户流失特征。将数据划分为训练集和测试集，并使用决策树和支持向量机模型构建客户流失预测模型，对客户流失进行预测。使用精确率、召回率、F1值评价决策树和支持向量机模型的效果。餐饮企业客户流失预测的步骤与流程如下。

1预处理餐饮企业数据目录了解餐饮企业综合分析的背景和方法2使用K-Means聚类算法进行餐饮企业客户分群3使用决策树算法和支持向量机算法进行餐饮企业客户流失预测4

预处理餐饮企业数据任务分析任务描述游戏要求在所给出的指定数值区间0～100的范围内生成随机浮点数和整数，顾客可任选其中的一种数值进行猜测，若猜对，则可得到一次抽奖资格。（1）使用uniform函数在0～100中生成随机浮点数。（2）使用uniform函数在0～100中生成随机整数。（3）创建名为gift的列表，列表中的内容为商家所设定的奖品，奖品共有6个：便捷风扇、毛绒公仔、精品牙刷、保温杯、空调被、陶瓷餐具。（4）使用choice函数从列表中随机抽取奖品。

构建客户流失特征用餐次数越来越少长时间未到店消费人均消费水平较低总消费金额越来越少总用餐次数（frequence）距观测窗口结束的天数（recently）人均销售额（average）总消费金额（amount）

1预处理餐饮企业数据目录了解餐饮企业综合分析的背景和方法2使用K-Means聚类算法进行餐饮企业客户分群3使用决策树算法和支持向量机算法进行餐饮企业客户流失预测4

使用K-Means聚类算法进行餐饮企业客户分群任务分析任务描述基于K-Means聚类算法优秀的聚类能力，将新的数据进行聚类，得到每个类的聚类中心，并使用雷达图画出每个类图像，最后结合网站的实际营运情况提出相对应的运营建议。（1）构建某餐饮企业客户价值分析的关键特征。（2）使用K-Means类将用户分成3个类，并使用自定义的函数画出5个类的雷达图，分析各用户群体的价值。

K-Means聚类算法确定一个聚类类别K随机选择K个数据点作为质心结束计算数据到质心的距离，将数据划分到距离最近质心所属的集合重新计算每个集合的质心新质心和原质心之间的距离小于的阈值输出个数据的类编号开始一种迭代求解的聚类分析算法。是否

优点：原理简单，容易实现。缺点：难以确定K值，容易导陷入局部最优解，对噪声和异常值十分敏感。K-Means聚类算法通常可应用于维数、数值都很小且连续的数据集，从随机分布的事物集合中将相同事物进行分组。

K-Means聚类算法基本使用格式：表示聚类数用于初始化质心的生成器产生初始质心方法最大迭代次数容忍的最小误差是否输出详细信息实例：构建客户价值分析的关键特征，使用K-Means聚类算法将用户分为3类，并通过自定义函数绘制雷达图。classsklearn.cluster.KMeans(n_clusters=8,init=k-means++,max_iter=300,tol=0.0001,verbose=0,random_state=None)scikit-learn库的KMeans类实现了K-Means聚类算法