基于機器學習模型的餐飲行業綜合數據分析

張 志

（中山火炬職業技術學院光電信息學院，廣東 中山 528437)

1 概述

餐飲服務作為中國當前第三產業中的一種重要傳統服務性產品，始終保持著強勁的發展勢頭，社會經濟也實現了突飛猛進的增長，并呈現出繁榮興旺的新態勢。根據國家統計局資料的表明，中國餐飲行業的餐費總收入雖然在2010至2021年一直保持著上升的態勢，可是同比的增速卻出現了較大的變化，2020年年初，新冠疫情的突然暴發使得國內經濟遭受重創，餐飲行業也出現全面虧損的形勢[1]。我國餐飲業多年來保持在12%以上的增長速度，成為拉動我國經濟增長的重要行業[2]。提高餐飲行業的運營效率，就顯得尤為重要。采用先進的點餐模式，服務員可以更加精準地推薦客戶喜歡的菜品，提高客戶就餐體驗，提升了服務效率。這種模式不僅可以提高服務質量，而且可以大大提升服務速度，提高準確率，提高利潤率。基于互聯網的智能推薦在人們生活中占據比較大的比重，智能推薦系統主要技術手段是機器學習技術[3－4]，為了解決上述問題，結合餐飲企業的原始數據情況，本文提出通過顧客用餐的記錄，利用協同過濾算法對菜肴做出智能選擇，提供更豐富的菜肴。對不同的市場進行特征分析，評價不同類別客戶的市場價格，利用機器學習算法預測餐飲客戶的流失。

2 技術思路

本論文主要分析目標是幫助某餐飲企業有效地提高利潤，推進企業持續發展，整體分析流程如圖1所示，主要步驟如下。

圖1 分析流程圖

1) 通過將客戶信息表、菜品信息表、訂單表和訂單詳情表等數據從系統數據庫中遷移到分析數據庫，可以更加有效地進行數據分析和挖掘。

2) 通過對數據的預處理，包括數據清洗、分類和變換，可以更好地了解菜品的用餐情況、營業額和熱銷程度等。

3) 通過采用物品關聯技術、物品協同過濾算法，我們可以實現智能化的菜品推薦，并且可以根據推薦結果進行準確的評估綜合評價。

2.1 數據獲取

某餐飲企業的信息系統數據庫中累積了大量的與顧客餐飲服務有關的歷史數據，包含了顧客詳情列表、菜品詳情列表、預訂列表、訂單詳情列表等。users、meal_dishes_detail、meal_order_info 和meal_order_detail 數據的文件都是CSV 格式，采用Python 的Pandas庫獲取數據庫中的數據。

1) 探索性分析

對原始數據中的訂單表(meal_order_info) 、菜品詳情表(meal_dishes_detail) 的數據，對每日用餐人數、營業額、菜品的熱銷度進行探索性分析，利用matplotlib繪制出每日用餐人數和營業額折線圖，周一到周日的每天營業額柱形圖，周一到周日的每天銷售額餅圖，如圖2、3、4。

圖2 每日用餐人數和營業額折線圖

圖3 星期一～星期日的營業額柱形圖

圖4 星期一～星期日的銷售額柱形圖

2) 繪制柱形圖分析菜品熱銷度

熱銷度是衡量某一特定產品在特定時間段內銷量的指標。根據meal_order_detail.csv 數據3（即8月1日到8 月31 日）的菜品銷售統計每個菜品的熱銷度，其計算公式如式(1) 所示。

經研究發現部分數據不符合建模需求，需要進行數據清洗。1) 白飯的熱銷度太高，因為白飯幾乎是大家必點的主食，對菜品進行分析時可以不分析白飯,因此可以刪除白飯相關記錄。2) 只需要分析訂單狀態為結算的訂單，因此只保留訂單狀態為結算的樣本。3) 菜品名稱需要清洗，去掉菜品名稱里和 等無關字符，得到新菜品暢銷度排行榜，這樣菜品的暢銷度排名相對正確。繪制熱銷度前10名菜品，如圖5。

圖5 菜品暢銷度排行榜

2.2 構建模型

針對不同的分析方向，首先分析detail_clear.csv數據，利用協同過濾算法對菜肴進行智能推送，提供更多的菜肴；最后通過機器學習的多種算法計算對用戶流失做出預估，并依據結果針對不同的用戶人群提出差異化的產品方案。

2.2.1 構建Apriori模型對菜品進行關聯分析

組合商品，也可以叫作組合商品，是一種把相關商品組合到一起成套出售的形式。組合營銷的商品應該是用戶需要同時愿意選擇的商品，以此突出組合營銷的特征：為用戶提供方便，同時增加商品銷售額。在某餐飲企業中，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，提高某餐飲企業的銷售量。

采用Apriori 算法，結合業務的理解，取最小支持度為0.02，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，對建模得到的關聯規則結果，按照支持度排序，查看關聯度最高的前10 個菜品的支持度，關聯度體現的是菜品與菜品之間的關聯程度，根據已點菜品推薦未點菜品，可以考慮加上它的毛利、銷量、暢銷度等多個指標，綜合考慮要不要推薦給客戶，這樣會更加精準，如圖6。

圖6 菜品與菜品的關聯分析+毛利、銷量、暢銷度

2.2.2 構建智能推薦模型推薦菜品

目前某餐飲企業的餐飲服務質量通常僅依賴于服務員的自身體驗，所以服務生通常很難確定來就餐的客人的品位，因此通常無法做到對客人進行細致的介紹。對某餐飲企業的訂單表和訂單詳情的數據進行分析，利用協同過濾算法對就餐的客戶進行菜品智能推薦，選取一個用戶推薦5個菜品。或者隨機選取30 個用戶推薦5 個菜品。應用與菜品的智能推薦主要分兩步，一是計算菜品與菜品之間的相似度，二是根據菜品的相似度和客戶的歷史行為生成客戶推薦列表。

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。采用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，R 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 只存在0和1。

找到和目標客戶興趣相似的客戶集合，找到這個集合中的客戶喜歡的菜品且目標客戶沒有點過的菜品推薦給目標客戶。最終利用協同過濾算法對就餐的客戶進行菜品智能推薦，選取一個用戶推薦5個菜品，如圖7。

圖7 每個用戶推薦的5種菜品

3 結束語

本文針對某餐飲行業，從餐飲行業的營業額、銷售額、暢銷度進行了簡單的分析，而后構建Apriori 模型對菜品進行關聯分析，挑選出與某款菜品關聯度最高的10款菜品，構建智能推薦模型推薦菜品，給每個用戶推薦5款菜品，并構建各種機器學習算法模型預測客戶的流失，比較之后，選擇支持向量機的預測模型來預測客戶的流失，從而幫助某餐飲行業挽留客戶，提高企業的利潤率。通過分析顧客的歷史點餐數據，使用機器學習算法建立個性化菜品推薦系統，為顧客提供更好的服務體驗，幫助餐飲企業提高銷售額和客戶滿意度。對菜品的關聯分析與智能推薦既能夠兼顧顧客對菜品的興趣愛好，又能有效的為餐飲企業提升菜品銷售量，提高餐飲企業的收入，從而幫助企業提高效率、降低成本、提高客戶滿意度，在市場競爭中更具優勢。