第9章 餐飲企業(yè)綜合分析

餐飲企業(yè)綜合分析1分析方法與過程目錄背景2小結3在“互聯網+”的背景下，餐飲企業(yè)的經營方式發(fā)生了很大的改變。團購和O2O拓寬了銷售渠道，微博、微信等社交網絡加強了企業(yè)與消費者、消費者與消費者之間的溝通，電子點餐、店內Wifi等信息技術提升了服務水平，大數據、私人定制更好地滿足了細分市場的需求等。同時，餐飲企業(yè)也面臨更多的問題：如何提高服務水平，如何留住客戶，如何提高利潤等。餐飲企業(yè)的經營方式的改變首先對營業(yè)額進行探索性分析，深入了解某餐飲企業(yè)的現狀；然后分別通過ARIMA模型、智能推薦模型、Apriori模型、K-Means模型和決策樹模型針對不同的方向進行不同的分析；最后針對模型的結果分析，提出相關建議。思考如何為餐飲企業(yè)提出改善的建議？業(yè)務背景餐飲行業(yè)作為我國第三產業(yè)中的一個傳統(tǒng)服務性行業(yè)，始終保持著旺盛的增長勢頭，取得了突飛猛進的發(fā)展，展現出繁榮興旺的新局面。與此同時，我國餐飲業(yè)發(fā)展的質量和內涵也發(fā)生了重大變化。根據國家統(tǒng)計局數據顯示，餐飲行業(yè)餐費收入從2006到2015年都處于增長的趨勢，但是同比增長率卻有很大的波動。餐飲業(yè)現狀近幾年，我國餐飲行業(yè)發(fā)展形勢嚴峻，經營中的各項成本與費用增加，企業(yè)負擔加重?！八母咭坏汀保ǚ孔鈨r格高、人工費用高、能源價格高、原材料成本高、利潤越來越低）成為企業(yè)不可逆轉的負擔。同時還要承擔食品安全、消費者投訴、媒體曝光的風險。社會經濟的發(fā)展，人們生活水平的提高，餐飲行業(yè)競爭的加劇，使很多完全依賴于手工操作的餐飲企業(yè)的管理和日常運轉不能適應日益變化的發(fā)展潮流。餐飲業(yè)面臨的問題某餐飲企業(yè)正面臨著以下幾個問題。房租價格高，人工費用高。人力成本和房租成本的上升已成為必然趨勢。原材料成本高。餐飲企業(yè)業(yè)務環(huán)節(jié)多，原材料種類繁多且用量不穩(wěn)定，成本控制困難，現金流量大，給手工操作帶來了很大的難度。服務工作效率低。采用原始點餐模式，即“服務員拿著一支筆和一張紙給客戶點菜、下單、結賬”，不能準確地將客戶喜歡的菜品推薦給客戶，降低了客戶的就餐體驗，同時也增加了財務的工作量，而且速度慢，準確率低。面對這個不斷擴大的消費領域，餐飲企業(yè)有些什么樣的自救方法？餐飲企業(yè)如何通過信息化管理手段加強企業(yè)內部管理，特別是建立連鎖系統(tǒng)與門店管理體系，全面節(jié)約企業(yè)管理成本，提升經營效益，實現全行業(yè)的規(guī)?；l(fā)展？如何通過科技創(chuàng)新實施節(jié)能降耗，降低企業(yè)成本，推進企業(yè)持續(xù)發(fā)展？思考機遇與挑戰(zhàn)并存，利潤與風險同在亟待解決的問題企業(yè)經營最大的目的就是盈利，而餐飲企業(yè)盈利的核心是其菜品和客戶，也就是其提供的產品和服務對象。如何在保證產品質量的同時提高企業(yè)利潤，成為某餐飲企業(yè)亟須解決的問題。為了解決上述問題，結合餐飲企業(yè)的原始數據情況，需要實現如下目標。利用ARIMA模型預測未來幾天的營業(yè)額。分析客戶用餐的數據，使用協(xié)同過濾算法對菜品進行智能推薦，推薦更多樣的菜品。使用Apriori算法對菜品進行關聯分析，制定更合理的菜品套餐，以提高客戶的就餐體驗。對不同的客戶進行特征分析，比較不同類型客戶的客戶價值。利用決策樹預測餐飲客戶的流失。案例目標1分析方法與過程目錄背景與挖掘目標2小結3本章主要分析目標是幫助某餐飲企業(yè)有效地提高利潤，推進企業(yè)持續(xù)發(fā)展，主要步驟如下。從系統(tǒng)數據庫中遷移與分析相關的數據到分析數據庫中，包括客戶信息、菜品詳情、訂單表和訂單詳情等。對數據進行預處理，包括數據清洗、屬性篩選和數據變換等，并統(tǒng)計菜品數據中的用餐人數、營業(yè)額、熱銷度和毛利率等。使用季節(jié)性ARIMA模型預測未來幾天的營業(yè)額，并對結果進行分析。整體流程使用基于物品的協(xié)同過濾算法，對菜品進行智能推薦，并對推薦結果進行評價。根據訂單表，使用Apriori算法對菜品進行關聯分析，并對結果進行分析。使用K-Means模型進行客戶價值特征分析，并對結果進行分析。使用決策樹構建客戶流失特征，并對結果進行分析。整體流程總體流程整體分析流程圖數據獲取某餐飲企業(yè)的系統(tǒng)數據庫中積累了大量的與客戶用餐相關的數據，包括客戶信息表、菜品詳情表、訂單表、訂單詳情表等4張表。數據獲取名稱含義名稱含義USER_ID客戶IDDESCRIPTION備注MYID客戶自編號OUESTION_ID問題代碼ACCOUNT賬號ANSWER回復NAME姓名ISONLINE是否在線ORGANIZE_ID組織代碼CREATED創(chuàng)造日期ORGANIZE_NAME組織名稱LASTMOD修改日期DUTY_ID職位代碼CREATER創(chuàng)建人TITLE_ID職等代碼MODIFYER修改人PASSWORD密碼TEL電話EMAIL電子郵箱StuNO學號LANG語言qqQQTHEME樣式weixin微信FIRST_VISITS第一次登錄meal_arithmetic_id算法IDLOGIN_COUNT上一次登錄arithmetic_name算法名稱LAST_VISITS最后一次登錄sex性別LOGIN_COUNT登錄次數poo籍貫ISEMPLOYEE是否是職工address地址STATUS狀態(tài)age年齡IPIP地址

客戶信息表（users）數據獲取菜品詳情表（meal_dishes_detail）名稱含義名稱含義id菜品IDpicture_file圖片文件dishes_class_id類別IDrecommend_percent推薦度dishes_name菜品名稱weight份量price菜品單價taste口味amt_discount折扣額度creation_method制作方法sortorder排序description菜品描述bar_code條碼ingredients食材cost成本label標簽is_info_menu_item是信息菜單項dishes_characteristic菜品特色balance_price抵消費用dept_name部門名稱pinyin菜品拼音dishes_class_name類別名稱stock_count0：已售完；1：無限量；<0：可售分量dept_id部門ID數據獲取訂單表（meal_order_info）名稱含義名稱含義info_id訂單IDlock_time鎖單時間emp_id客戶IDcashier_id收銀IDnumber_consumers消費人數pc_id終端IDmode消費方式order_number訂單號dining_table_id桌子IDorg_id門店IDdining_table_name桌子名稱print_doc_bill_num打印doc賬單的編碼expenditure消費金額lock_table_info桌子關閉信息dishes_count總菜品數order_status0:未結算；1:結算；2：已鎖單accounts_payable付費金額phone電話use_start_time開始時間name名字check_closed支付結束

數據獲取訂單詳情表（meal_order_detail）名稱含義名稱含義info_id訂單IDlock_time鎖單時間emp_id客戶IDcashier_id收銀IDnumber_consumers消費人數pc_id終端IDmode消費方式order_number訂單號dining_table_id桌子IDorg_id門店IDdining_table_name桌子名稱print_doc_bill_num打印doc賬單的編碼expenditure消費金額lock_table_info桌子關閉信息dishes_count總菜品數order_status0:未結算；1:結算；2：已鎖單accounts_payable付費金額phone電話use_start_time開始時間name名字check_closed支付結束

根據訂單表統(tǒng)計每日用餐人數與營業(yè)額，其中訂單狀態(tài)為1的記錄才是完成訂單的記錄，所以訂單表中只需選取訂單狀態(tài)為1的數據，繪制出每日用餐人數和營業(yè)額的折線圖，得到每日用餐人數折線圖、營業(yè)額的折線圖。探索性分析繪制折線圖分析每日用餐人數和營業(yè)額熱銷度即在一定時間內產品銷量的程度。根據餐飲企業(yè)近31天（即2016年8月1日到2016年8月31日）的菜品銷售統(tǒng)計每個菜品的熱銷度，如計算公式所示。探索性分析繪制柱形圖分析菜品熱銷度經最小-最大標準化后計算得分，最高分為1分，最低分為0分。其中，為某項菜品的熱銷度評分，其值范圍在0到1之間；為某項菜品的銷售份數；為該餐飲企業(yè)最近30天內有銷售記錄的菜品中的最大銷售份數；為該餐飲企業(yè)最近30天內有銷售記錄的菜品中的最小銷售份數。根據訂單詳情計算菜品熱銷度，其中部分菜品名稱中包含多余的字符，如回車符，所以需要對菜品名稱進行處理。根據2016年8月1日到2016年8月31日的訂單詳情數據，計算每個菜品的熱銷度系數，得到熱銷度前10名的菜品，以及熱銷度前10名菜品的柱狀圖。探索性分析菜品名稱銷售數量熱銷度白飯/大碗3231涼拌菠菜2690.83谷稻小莊2390.74麻辣小龍蝦2160.67芝士燴波士頓龍蝦1880.58辣炒魷魚1890.58白飯/小碗1860.57五色糯米飯(七色)1870.57香酥兩吃大蝦1780.55燜豬手1730.53由表可得，白飯的熱銷度較高，且“白飯/小碗”的熱銷度達到了最大值1，除白飯外，其他菜品的熱銷度均在0.5以下。由圖可得，熱銷度前10名的菜品的銷售數量均大于150。其中白飯的銷售數量最高，涼拌菠菜、谷稻小莊、麻辣小龍蝦的銷售數量依次減少，而其余的6個菜品的銷售數量則相差不大。探索性分析經探索發(fā)現部分數據不符合建模需求，需要進行數據清洗。同時發(fā)現原始數據中缺少毛利率屬性，需要進行屬性構造，通過計算得到菜品的毛利率。數據預處理經探索發(fā)現，訂單詳情表中的菜品名稱含有回車符，這可能是系統(tǒng)的原因。此外，白飯的熱銷度太高，因為白飯幾乎是客戶必點的主食，對菜品進行分析時可以不分析白飯。所以，需要刪除菜品名稱的回車符以及白飯這個菜品，再篩選訂單表和訂單詳情表中需要分析的屬性，統(tǒng)計計算。數據預處理數據清洗毛利率（GrossProfitMargin）是毛利與銷售收入（或營業(yè)收入）的占比，其中毛利是菜品單價和與菜品相對應的成本之間的差額，如計算公式所示。其中，為某項菜品的毛利率修正系數，其值范圍為0.1到1之間，當值為負時設為0.1；為某項菜品的單價；為某項菜品的估計成本。數據預處理屬性構造根據菜品詳情計算每個菜品毛利率，得到部分菜品毛利率如表所示。數據預處理菜品單價成本毛利率42度海之藍99500.49北冰洋汽水520.638度劍南春80300.6250度古井貢酒90200.7852度瀘州老窖159850.4753度茅臺128650.49白飯/大碗1050.5白飯/小碗10.50.5白胡椒胡蘿卜羊肉湯35180.49白斬雞88540.39……………………針對不同的分析方向，首先使用ARIMA模型預測近期的營業(yè)額，充分掌握某餐飲企業(yè)的發(fā)展動向。然后分析客戶用餐的數據，使用協(xié)同過濾算法對菜品進行智能推薦，推薦更多的菜品；使用Apriori算法對菜品進行關聯分析，以制定更合理的菜品套餐，提高客戶的就餐體驗。最后使用K-Means算法對客戶進行價值分析，使用決策樹算法對客戶流失進行預測，以根據結果對不同的客戶群體制定不同的服務策略。構建模型（1）平穩(wěn)性檢驗選取2016年8月1日到2016年8月28日的數據，針對營業(yè)額屬性，以天為單位，繪制每日營業(yè)額的時序圖，檢驗序列的平穩(wěn)性，得到的結果如圖所示。構建模型構建ARIMA模型預測營業(yè)額可以看出，序列呈上升趨勢，且有一定的周期性，屬于非平穩(wěn)序列?；诿咳諣I業(yè)額序列繪制自相關圖，得到的結果如圖所示。構建模型可以看出，每日營業(yè)額自相關圖表現出周期性的波動，以7天為周期，數據穩(wěn)定的上下波動。由于每日營業(yè)額序列為非平穩(wěn)序列，所以需要對每日營業(yè)額序列進行一次差分，使其變?yōu)槠椒€(wěn)的時間序列，再繪制自相關圖，得到的結果如圖所示。構建模型可以看出，每日營業(yè)額自相關圖表現出周期性的波動，以7天為周期，數據穩(wěn)定的上下波動。由于每日營業(yè)額序列為非平穩(wěn)序列，所以需要對每日營業(yè)額序列進行一次差分，使其變?yōu)槠椒€(wěn)的時間序列，再繪制自相關圖，得到的結果如圖所示。由圖可以看出，數據的周期性已消失，自相關系數大部分都在置信區(qū)間內，該數據自始至終都在零軸附近波動，屬于平穩(wěn)序列。構建模型（2）純隨機性檢驗純隨機序列從統(tǒng)計分析的角度而言，沒有任何分析價值，需判斷序列是否為純隨機序列。對原序列進行純隨機性檢測，得到純隨機性檢驗結果如表所示。由表可得，因為P值小于顯著性水平0.05，所以該序列為非純隨機序列，可以用于建模分析。構建模型檢驗類型檢驗函數P值結論純隨機性檢驗acorr_ljungbox0.03947該序列不是純隨機序列（3）構建季節(jié)性ARIMA模型通過確定AIC的值對序列進行構建季節(jié)性ARIMA模型，得到各參數組合模型和對應AIC值如表所示。構建模型各參數組合AICARIMA(0,0,0)x(0,0,1,7)7AIC:614.5481718184772ARIMA(0,0,0)x(1,0,0,7)7AIC:407.6490790259418ARIMA(0,0,0)x(1,0,1,7)7AIC:390.88923888268357……ARIMA(1,1,0)x(1,1,0,7)7AIC:239.14615991694697……ARIMA(1,1,1)x(1,1,0,7)7AIC:240.225423367753當AIC取最小值時，該模型為最優(yōu)模型，所以最終選擇的模型是ARIMA(1,1,0)x(1,1,0,7)7。使用該模型計算未來3天的預測值，得到預測結果的時序圖如圖所示。由圖可得，因為2016年8月29日、8月30日和8月31日都不是周末，所以銷量不會很高，模型的預測結果較為符合。構建模型目前某餐飲企業(yè)的用餐服務僅依賴于服務員的個人經驗，服務員很難判斷前來用餐的客戶的口味，往往不能做到為客戶做精準的推薦。對某餐飲企業(yè)的訂單表和訂單詳情的數據進行分析，利用協(xié)同過濾算法對就餐的客戶進行菜品智能推薦。構建模型構建智能推薦模型推薦菜品（1）構建二元矩陣根據特選取后的數據，構建客戶和菜品的二元矩陣，得到部分二元矩陣如表所示。構建模型

西瓜胡蘿卜沙拉麻辣小龍蝦農夫山泉NFC果汁100%橙汁番茄燉牛腩涼拌菠菜芝士燴波士頓龍蝦……1248111110……1538010001……988010010……1097100011……986000010……990000011………………………………………………（2）計算相似度采用下式計算推薦算法中目標客戶對所有菜品的感興趣程度，并根據P給目標客戶生成推薦列表。其中SIM為所有菜品之間的相似度，代表了客戶對物品的興趣。在原始數據中只記錄了客戶用餐之后的訂單，說明客戶的行為是用餐與否，并沒有類似電子商務網站上的購買、評分和評論等客戶行為，因此R存在0和1兩種取值。構建模型根據訂單詳情表構建客戶和菜品的二元矩陣，并采用杰卡德相似系數計算菜品與菜品之間的相似度，并構成相似度矩陣，得到的部分相似度矩陣如表所示。構建模型

西瓜胡蘿卜沙拉麻辣小龍蝦農夫山泉NFC果汁100%橙汁番茄燉牛腩涼拌菠菜……西瓜胡蘿卜沙拉00.807017540.843971630.787878790.77419355……麻辣小龍蝦0.8070175400.850515460.773584910.66176471……農夫山泉NFC果汁100%橙汁0.843971630.8505154600.847328240.82488479……番茄燉牛腩0.787878790.773584910.8473282400.79338843……涼拌菠菜0.774193550.661764710.824884790.793388430…………………………………………（3）生成推薦列表使用基于物品的協(xié)同過濾算法進行菜品智能推薦，查看前5名客戶的推薦結果，得到前5名客戶的推薦結果如表所示。構建模型

15211548995116112941['五色糯米飯(七色)']['五色糯米飯(七色)']['谷稻小莊']['涼拌菠菜']['谷稻小莊']2['香酥兩吃大蝦']['涼拌菠菜']['芝士燴波士頓龍蝦']['五色糯米飯(七色)']['剁椒魚頭']3['剁椒魚頭']['自制豬肉脯']['涼拌菠菜']['芝士燴波士頓龍蝦']['爆炒雙絲']4['西瓜胡蘿卜沙拉']['芝士燴波士頓龍蝦']['糖醋番茄溜青花']['香酥兩吃大蝦']['美妙絕倫之白蓮花']5['美妙絕倫之白蓮花']['蒙古烤羊腿']['糖醋番茄溜青花']['燜豬手']['清蒸鰈魚']組合銷售，又被稱為搭配銷售，通常指將相關產品搭配在一起成套銷售的方式。組合銷售的產品必須是消費者需要并且愿意購買的產品，從而突出組合銷售的優(yōu)點：給客戶提供方便，并且提升產品銷售量。在某餐飲企業(yè)中，對于多項菜品進行組合銷售往往是有局限性的，因為餐飲企業(yè)的服務員個人的經驗比較有限，所以需要基于原始數據，找到菜品之間的關聯關系，再結合業(yè)務的理解，考慮菜品熱銷度、毛利率和店家主推菜品等綜合因素，為菜品制定套餐，提高某餐飲企業(yè)的銷售量。構建模型構建Apriori模型實現菜品的關聯分析（1）構建購物籃數據在制定菜品的促銷套餐之前，需要對菜品進行關聯分析。在原始數據中沒有購物籃數據，所以需要對數據預處理后的訂單詳情表的菜品數據轉換為購物籃數據，得到的部分購物籃數據如表所示。構建模型01234……0西瓜胡蘿卜沙拉芝士燴波士頓龍蝦麻辣小龍蝦芝士燴波士頓龍蝦水煮魚……1麻辣小龍蝦麻辣小龍蝦香菇鵪鶉蛋清蒸海魚蔥姜炒蟹……2農夫山泉NFC果汁100%橙汁姜蔥炒花蟹涼拌菠菜百里香奶油烤紅酒牛肉啤酒鴨……3番茄燉牛腩水煮魚哈爾濱啤酒罐裝辣炒魷魚百威啤酒罐裝……4涼拌菠菜百里香奶油烤紅酒牛肉""爆炒豬肝大理石奶油蛋糕…………………………………………（2）構建Apriori模型的二元矩陣基于購物籃數據，構建Apriori模型的二元矩陣，得到的部分Apriori模型的二元矩陣如表所示。構建模型

西瓜胡蘿卜沙拉麻辣小龍蝦農夫山泉NFC果汁100%橙汁番茄燉牛腩涼拌菠菜芝士燴波士頓龍蝦……137111110……162010001……163010010……165100001……166000000……167000000………………………………………………（3）實現菜品的關聯分析結合對業(yè)務的理解，取最小支持度為0.01，最小置信度為0.5，對訂單詳情表的菜品數據進行關聯分析，得到支持度最高的前10條規(guī)則如表所示。構建模型lhs

rhssupportconfidence['蒙古烤羊腿']=>涼拌菠菜0.082529474812433020.509933774834437['芹菜炒腰花']=>涼拌菠菜0.069667738478027860.5803571428571428['芹菜炒腰花']=>燜豬手0.065380493033226160.5446428571428572['芹菜炒腰花']=>自制豬肉脯0.061093247588424440.5089285714285714['自制豬肉脯','芹菜炒腰花']=>燜豬手0.048231511254019290.7894736842105262['燜豬手','芹菜炒腰花']=>自制豬肉脯0.048231511254019290.7377049180327868['燜豬手','自制豬肉脯']=>芹菜炒腰花0.048231511254019290.7142857142857142['蒙古烤羊腿','辣炒魷魚']=>涼拌菠菜0.047159699892818870.7586206896551725['涼拌菠菜','蒙古烤羊腿']=>辣炒魷魚0.047159699892818870.5714285714285714['自制豬肉脯','芹菜炒腰花']=>涼拌菠菜0.043944265809217580.7192982456140351吸引新客戶通常比維持現有客戶花費更高的代價，企業(yè)現有的忠誠客戶能給企業(yè)帶來更多的利潤，是企業(yè)需要重點維護的客戶群體。但是在實際經營中并不能準確地判斷用戶屬于哪一類消費群體，特別在客戶數量比較多的時候。在某餐飲企業(yè)中，為了提升客戶管理的效益，需要對客戶進行分群，并分析不同客戶群的特征，為每個客戶群制定相應的營銷策略。構建模型構建K-Means模型分析客戶的價值（1）構建關鍵特征基于RFM模型，構建某餐飲企業(yè)客戶價值分析的關鍵特征，如表所示。結合某餐飲企業(yè)的原始數據，選取2016年8月1日到2016年8月31日的訂單數據，刪除與其不相關、弱相關或冗余的屬性，并構建R、F、M特征。構建模型特征名稱含義R客戶最近一次消費距觀測窗口結束的天數F客戶在觀測窗口內總消費次數M客戶在觀測窗口內總消費金額由于原始數據中沒有直接給出客戶最后一次消費的時間，所以需要先對原始數據進行預處理，再構建客戶價值分析的關鍵特征，對每個特征數據分布情況進行分析，得到RFM模型取值范圍如表所示?？梢园l(fā)現，3個指標的取值范圍數據差異較大。為了消除數量級數據帶來的影響，需要對數據進行標準差標準化處理。構建模型特征名稱RFM最小值0180最大值30106037（2）構建K-Means模型建模之前需要確定聚類合理個數，一般要求簇內距離盡可能小，簇間距離盡可能大。結合業(yè)務理解與經驗確定聚類數為3，再選取最佳的模型進行聚類，得到聚成3類后，每一類的聚類中心如表所示。構建模型聚類類別聚類中心客戶群1-0.46247917-0.30329708-0.31029264客戶群2-1.222800981.709815761.63072329客戶群30.95856801-0.55335836-0.51034304（3）客戶價值分析基于聚類的結果繪制雷達圖，分析K-Means模型的聚類效果，得到的結果如圖所示。由圖可得，客戶群2的F、M特征值最大，R特征值最??；客戶群1的F、M、R特征值較?。豢蛻羧?的R特征值最大，F、M特征值最小。構建模型結合業(yè)務分析，通過比較各個特征在群間的大小對某一個群的特征進行評價分析。如客戶群2的F、M特征值最大，R特征值最小，則可以認為F、M在群2是優(yōu)勢特征；以此類推，F、M在群3是劣勢特征。從而總結出每個群的優(yōu)勢和弱勢特征，具體結果如表所示。構建模型群類別優(yōu)勢特征弱勢特征客戶群2FMR

客戶群1

FMR客戶群3RFM可以看出，每個客戶群的都有顯著不同的表現特征，基于該特征描述，本案例定義3個等級的客戶類別：重要保持客戶、一般價值客戶、低價值客戶。每個客戶類別的特征如下。重要保持客戶。這類客戶用餐的次數（F）和用餐總花費（M）較高，且最近在餐廳消費時間長度（R）低。他們是餐飲企業(yè)的高價值客戶，是最為理想的客戶類型，對企業(yè)的貢獻最大，但是所占比例卻最小。對這類客戶，餐飲企業(yè)可以提供一對一的服務，以提高這類客戶的忠誠度與滿意度，盡可能延長這類客戶的高水平消費。構建模型一般價值客戶。這類客戶用餐的次數（F）和用餐總花費（M）較低，且最近在餐廳消費時間長度（R）較低。他們是一般價值客戶，雖然當前價值并不是特別高，但卻有較大的發(fā)展?jié)摿Α２惋嬈髽I(yè)可以不定期的制定相應的營銷策略，刺激這類客戶的消費，加強這類客戶的滿意度。低價值客戶。這類客戶用餐的次數（F）和用餐總花費（M）較低，且最近在餐廳消費時間長度（R）較高。他們是餐飲企業(yè)的低價值客戶，可能是某一次經過順便消費的，也可能是因為剛開業(yè)時有折扣所以才來本店消費，之后來消費的概率比較小。構建模型客戶群分類排序結果如表所示。構建模型客戶群排名排名含義客戶群12一般價值客戶客戶群21重要保持客戶客戶群33低價值客戶在餐飲企業(yè)中，客戶是否流失往往反映該企業(yè)經營狀況的好壞。通過預測客戶的流失，可以讓餐飲企業(yè)提前對該類流失客戶預警，并對該類客戶制定相應的營銷策略，以挽留更多的客戶，減少企業(yè)經營利潤的流失。構建模型構建決策樹預測客戶的流失（1）客戶流失簡介客戶流失是指客戶與企業(yè)不再有交易互動關系。在激烈的市場競爭環(huán)境中，客戶擁有更多的選擇空間和消費渠道。如何提高客戶的忠誠度是現代企業(yè)營銷人員在一直討論的問題。大規(guī)?？蛻舻漠惓Ｗ儎?，往往意味著一個市場的變更和調整，一不小心甚至會對局部（區(qū)域）市場帶來致命的打擊。在任何一個行業(yè)，客戶畢竟是有限的，特別是優(yōu)質的客戶，更是彌足珍貴的，20%的優(yōu)質客戶能夠帶給一個企業(yè)80%的銷售業(yè)績。優(yōu)質的客戶自然會成為各個廠家爭奪的對象。任何一個品牌或者產品肯定都是有缺陷的，所以加強員工團隊的建設，也是降低客戶流失情況的方法之一。有些客戶的流失屬于自然流失，企業(yè)管理上的不規(guī)范，長期與客戶缺乏溝通，或者客戶轉行轉業(yè)等。關鍵所在就是企業(yè)的市場營銷和管理不到位，不能夠與一線的市場做更多的溝通，不能夠很好地去維護客戶，那么流失客戶資源的流失就必然給企業(yè)帶來傷害。構建模型在本案例中，客戶流失因素主要有以下4個。菜品因素。菜品味道不好，菜品單一或不齊全，菜品不新鮮等。服務因素。服務環(huán)境臟，服務秩序亂，服務態(tài)度差，服務效率低，服務能力弱，收費不合理等。客戶自身因素?？蛻敉鶎Σ似坊蚍掌谕撸鴮嶋H的消費體驗比較差，導致心里不平衡，產生了不滿情緒；客戶消費的多樣化，多層次化，復雜多變性和非理性化，因此，客戶在消費時，并不承諾放棄嘗試其他餐廳的就餐體驗；客戶工作和生活地點變更，采取就近原則。競爭者因素。其他餐飲企業(yè)通過優(yōu)惠活動或廣告宣傳等建立了某種競爭優(yōu)勢，吸引更多客戶。構建模型（2）構建客戶流失特征選取2016年1月1日到2016年7月31日的客戶信息和訂單表，并基于這兩個數據構建預測客戶流失的特征。對客戶信息和訂單表進行合并，利用分組聚合方法求出2016年1月1日到2016年7月31日每個客戶的總用餐次數、總用餐人數和總消費金額，得到分組聚合后的數據如表所示，其中“type”代表流失客戶類型。構建模型構建模型USER_IDACCOUNTLAST_VISITStypenumber_consumersexpenditure3300艾朵2016-05-2321:14:00非流失10.01782.03300艾朵2016-05-2321:14:00非流失2.0345.03300艾朵2016-05-2321:14:00非流失10.01295.03300艾朵2016-05-2321:14:00非流失6.0869.03497艾國真2016-07-1813:40:00非流失3.0589.0………………………………2998左麗睿2016-07-1611:36:00非流失2.0439.02998左麗睿2016-07-1611:36:00非流失9.01387.0………………………………得到分組聚合后的數據如表所示，其中“type”代表流失客戶類型。在餐飲企業(yè)中，客戶流失的特征主要體現在以下4個方面。用餐次數越來越少；很長時間沒有來店里消費；平均消費水平越來越低；總消費金額越來越少。構建模型基于這4個方面，本章需要構造4個相關客戶流失特征?？傆貌痛螖担╢requence）。即觀測時間內每個客戶的總用餐次數?？蛻糇罱淮斡貌偷臅r間距離觀測窗口結束的天數（recently）。客戶在觀測時間內用餐人均銷售額（average）。即客戶在觀察時間內的總消費金額除以用餐總人數?？蛻粼谟^測時間內的總消費金額（amount）。構建模型基于分組聚合后數據構建4個相關的客戶流失特征，得到客戶流失特征數據如表所示。構建模型USER_IDACCOUNTfrequenceamountaveragerecentlytype2361薛浩天4134784.0146.770非流失3478帥櫟雁3733570.0145.323非流失3430柴承德3431903.0142.424非流失3307葛時逸3330400.0152.768非流失2797關狄梨3330849.0155.807非流失……………………………………1953沃鵬濤1586.097.67185已流失1957閔勇溪1638.0212.6732已流失……………………………………除關聯規(guī)則模型得到的支持度、置信度和提升度之外，還需要基于業(yè)務理解，結合菜品熱銷度和毛利率，及店家主推菜品等綜合因素對規(guī)則進行綜合評分。選取某個菜品的置信度、熱銷度、毛利率和主推度進行綜合評分，計算如式所示。其中E=(1,1,1,1)，。A如下式所示，且。模型評價1.Apriori模型對關聯分析結果的前項和后項進行拆分，并根據式（94），設置權值為α1=1.5，α2=2.5，α3=2，α4=4，求出每個推薦菜品的綜合評分，選取后項為“芹菜炒腰花”數據，并按綜合評分進行降序，得到部分規(guī)則數據如表所示。模型評價lhs……support……salesrecommendationprofitmark['燜豬手','自制豬肉脯']……0.048231511……0.340.850.56.862['涼拌菠菜','自制豬肉脯']……0.043944266……0.340.850.56.854['自制豬肉脯','辣炒魷魚']……0.036441586……0.340.850.56.841['燜豬手','辣炒魷魚']……0.035369775……0.340.850.56.839['涼拌菠菜','燜豬手','自制豬肉脯']……0.034297964……0.340.850.56.837['燜豬手','爆炒豬肝']……0.033226152……0.340.850.56.835['涼拌菠菜','爆炒豬肝']……0.032154341……0.340.850.56.833…