第9章 餐饮企业综合分析（2）.pptxVIP

餐饮企业综合分析;;对某餐饮企业中的订单表和订单详情表进行统计分析发现，订单状态存在0或2的状态，即说明这些是没有完成的订单。出现没有结算的订单可能有多种原因。客户看到菜单上列的菜并不喜欢，会直接离开，但是此时餐饮系统中已经产生了一个订单；客户点餐后由于突然有事，或突然不想用餐等原因，此时餐饮系统产生的订单就会存在没有提交或没有结算的状态。

统计没有结算的订单的数量占总订单数的1.2%，而且这类型的数据对于分析不会造成太大影响，所以可以采取删除的方式对其进行处理。客户信息表中详细介绍订单表和订单详情表的字段，其中有很多字段与分析是没有关联的，所以在做数据预处理时需要对这些数据进行特征选取。

;基于物品的协同过滤算法（简称ItemCF算法）原理，应用于菜品的智能推荐主要分为两步。

计算菜品与菜品之间的相似度。

根据菜品的相似度和客户的历史行为给客户生成推荐列表。

;?;?;ItemCF算法与基于用户的协同过滤算法（简称UserCF）原理类似，其应用于菜品的智能推荐主要分为两步。

计算客户与客户之间的相似度。

找到和目标客户兴趣相似的客户集合，找到这个集合中的客户喜欢的菜品且目标客户没有点过的菜品推荐给目标客户。

;根据客户和菜品的二元矩阵进行离线试验来评测ItemCF算法和UserCF算法的推荐结果，通过这两个推荐算法，以及不同推荐个数K（K取值为15、20、25、30、35）的情况下所得出的评价指标Precision、Rcall和F1，如表所示。;分析协同过滤结果;;在制定菜品的促销套餐之前，需要对菜品进行关联分析。在原始数据中，没有购物篮数据，所以需要对特征选取后的订单详情表的菜品数据转为购物篮数据，得到的部分购物篮数据如表所示。;采用Apriori算法，结合业务的理解，取最小支持度为0.02，最小置信度为0.5，对订单详情表的菜品数据进行关联分析，得出的规则中支持度最高的5条规则如表所示。;对建模得到的关联规则结果，查看前10个菜品的支持度，绝对数量显示如图所示，其中“凉拌菠菜”是最受欢迎的。;对关联分析结果的前项和后项进行拆分，设置权值为α_1=1.5，α_2=2.5，α_3=2，α_4=4，求出每个??荐菜品的综合评分。选取后项为“芹菜炒腰花”数据，并按综合评分进行降序后的部分规则数据如表所示。;;使用RFM模型，构建某餐饮企业客户价值分析的关键特征，如表所示。;结合某餐饮企业的原始数据，选取2016年8月1日到2016年8月31日的订单数据，删除与其不相关、弱相关或冗余的特征，并构建R、F、M特征。对每个特征数据分布情况进行分析，如表所示。;建模之前需要确定聚类合理个数，一般要求簇内距离尽可能小，簇间距离尽可能大。基于标准化之后的数据，聚类数目选取1到10，共10个模型，计算每个模型的簇间距离平方和与总体距离平方和的比值，并绘制折线图如图所示。;采用K-Means聚类算法对客户进行分群，聚成3类后，每一类的聚类中心如表所示。;针对聚类结果进行特征分析，如图所示。;结合业务分析，通过比较各个特征在群间的大小对某一个群的特征进行评价分析。如客户群1的F、M特征值最大，R特征值最小，则可以认为F、M、R在群2是优势特征；以此类推，F、M、R在群3是劣势特征。从而总结出每个群的优势和弱势特征，具体结果如表所示（加粗字体表示最大值，斜体字体表示最小值）。

;通过客户群特征分析图和描述表可以看出，每个客户群的都有显著不同的表现特征，基于该特征描述，本案例定义3个等级的客户类别：重要保持客户、一般价值客户、低价值客户。每个客户类别的特征如下。

重要保持客户。这类客户用餐的次数（F）和用餐总花费（M）较高，且最近在餐厅消费时间长度（R）低。他们是餐饮企业的高价值客户，是最为理想的客户类型，对企业的贡献最大，但是所占比例却最小。

一般价值客户。这类客户用餐的次数（F）和用餐总花费（M）较低，且最近在餐厅消费时间长度（R）比较低。他们是一般价值客户，虽然当前价值并不是特别高，但却有较大的发展潜力。

低价值客户。这类客户用餐的次数（F）和用餐总花费（M）较低，且最近在餐厅消费时间长度（R）较高。他们是餐饮企业的低价值客户，可能是某一次经过顺便消费的，也可能是因为刚开业时有折扣所以才来本店消费，之后来消费的概率比较小。

;客户群;;客户流失是指客户与企业不再有交易互动关系。在激烈的市场竞争环境中，客户拥有更多的选择空间和消费渠道。如何提高客户的忠诚度是现代企业营销人员在一直讨论的问题。大规模客户的异常变动，往往意味着一个市场的变更和调整，一不小心甚至会对局部（区域）市场带来致命的打击。

在任何一个行业，客户毕竟是有限的，特别是优质的客户，更是弥足珍贵的，20%的优质客户能够带给一个企业80%的销售业绩。优质的客户自然会成为各个厂家争夺的对象