张 志

（中山火炬职业技术学院光电信息学院，广东 中山 528437)

1 概述

餐饮服务作为中国当前第三产业中的一种重要传统服务性产品，始终保持着强劲的发展势头，社会经济也实现了突飞猛进的增长，并呈现出繁荣兴旺的新态势。根据国家统计局资料的表明，中国餐饮行业的餐费总收入虽然在2010至2021年一直保持着上升的态势，可是同比的增速却出现了较大的变化，2020年年初，新冠疫情的突然暴发使得国内经济遭受重创，餐饮行业也出现全面亏损的形势[1]。我国餐饮业多年来保持在12%以上的增长速度，成为拉动我国经济增长的重要行业[2]。提高餐饮行业的运营效率，就显得尤为重要。采用先进的点餐模式，服务员可以更加精准地推荐客户喜欢的菜品，提高客户就餐体验，提升了服务效率。这种模式不仅可以提高服务质量，而且可以大大提升服务速度，提高准确率，提高利润率。基于互联网的智能推荐在人们生活中占据比较大的比重，智能推荐系统主要技术手段是机器学习技术[3－4]，为了解决上述问题，结合餐饮企业的原始数据情况，本文提出通过顾客用餐的记录，利用协同过滤算法对菜肴做出智能选择，提供更丰富的菜肴。对不同的市场进行特征分析，评价不同类别客户的市场价格，利用机器学习算法预测餐饮客户的流失。

2 技术思路

本论文主要分析目标是帮助某餐饮企业有效地提高利润，推进企业持续发展，整体分析流程如图1所示，主要步骤如下。

图1 分析流程图

1) 通过将客户信息表、菜品信息表、订单表和订单详情表等数据从系统数据库中迁移到分析数据库，可以更加有效地进行数据分析和挖掘。

2) 通过对数据的预处理，包括数据清洗、分类和变换，可以更好地了解菜品的用餐情况、营业额和热销程度等。

3) 通过采用物品关联技术、物品协同过滤算法，我们可以实现智能化的菜品推荐，并且可以根据推荐结果进行准确的评估综合评价。

2.1 数据获取

某餐饮企业的信息系统数据库中累积了大量的与顾客餐饮服务有关的历史数据，包含了顾客详情列表、菜品详情列表、预订列表、订单详情列表等。users、meal_dishes_detail、meal_order_info 和meal_order_detail 数据的文件都是CSV 格式，采用Python 的Pandas库获取数据库中的数据。

1) 探索性分析

对原始数据中的订单表(meal_order_info) 、菜品详情表(meal_dishes_detail) 的数据，对每日用餐人数、营业额、菜品的热销度进行探索性分析，利用matplotlib绘制出每日用餐人数和营业额折线图，周一到周日的每天营业额柱形图，周一到周日的每天销售额饼图，如图2、3、4。

图2 每日用餐人数和营业额折线图

图3 星期一～星期日的营业额柱形图

图4 星期一～星期日的销售额柱形图

2) 绘制柱形图分析菜品热销度

热销度是衡量某一特定产品在特定时间段内销量的指标。根据meal_order_detail.csv 数据3（即8月1日到8 月31 日）的菜品销售统计每个菜品的热销度，其计算公式如式(1) 所示。

经研究发现部分数据不符合建模需求，需要进行数据清洗。1) 白饭的热销度太高，因为白饭几乎是大家必点的主食，对菜品进行分析时可以不分析白饭,因此可以删除白饭相关记录。2) 只需要分析订单状态为结算的订单，因此只保留订单状态为结算的样本。3) 菜品名称需要清洗，去掉菜品名称里和 等无关字符，得到新菜品畅销度排行榜，这样菜品的畅销度排名相对正确。绘制热销度前10名菜品，如图5。

图5 菜品畅销度排行榜

2.2 构建模型

针对不同的分析方向，首先分析detail_clear.csv数据，利用协同过滤算法对菜肴进行智能推送，提供更多的菜肴；最后通过机器学习的多种算法计算对用户流失做出预估，并依据结果针对不同的用户人群提出差异化的产品方案。

2.2.1 构建Apriori模型对菜品进行关联分析

组合商品，也可以叫作组合商品，是一种把相关商品组合到一起成套出售的形式。组合营销的商品应该是用户需要同时愿意选择的商品，以此突出组合营销的特征：为用户提供方便，同时增加商品销售额。在某餐饮企业中，对于多项菜品进行组合销售往往是有局限性的，因为餐饮企业的服务员个人的经验比较有限，所以需要基于原始数据，找到菜品之间的关联关系，再结合业务的理解，考虑菜品热销度、毛利率和店家主推菜品等综合因素，为菜品制定套餐，提高某餐饮企业的销售量。

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，对建模得到的关联规则结果，按照支持度排序，查看关联度最高的前10 个菜品的支持度，关联度体现的是菜品与菜品之间的关联程度，根据已点菜品推荐未点菜品，可以考虑加上它的毛利、销量、畅销度等多个指标，综合考虑要不要推荐给客户，这样会更加精准，如图6。

图6 菜品与菜品的关联分析+毛利、销量、畅销度

2.2.2 构建智能推荐模型推荐菜品

目前某餐饮企业的餐饮服务质量通常仅依赖于服务员的自身体验，所以服务生通常很难确定来就餐的客人的品位，因此通常无法做到对客人进行细致的介绍。对某餐饮企业的订单表和订单详情的数据进行分析，利用协同过滤算法对就餐的客户进行菜品智能推荐，选取一个用户推荐5个菜品。或者随机选取30 个用户推荐5 个菜品。应用与菜品的智能推荐主要分两步，一是计算菜品与菜品之间的相似度，二是根据菜品的相似度和客户的历史行为生成客户推荐列表。

根据订单详情表构建客户和菜品的二元矩阵，并采用杰卡德相似系数计算菜品与菜品之间的相似度，并构成相似度矩阵。采用计算推荐算法中目标客户对所有菜品的感兴趣程度，并根据P给目标客户生成推荐列表。其中SIM 为所有菜品之间的相似度，R 代表了客户对物品的兴趣。

在原始数据中只记录了客户用餐之后的订单，说明客户的行为是用餐与否，并没有类似电子商务网站上的购买、评分和评论等客户行为，因此R 只存在0和1。

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。最终利用协同过滤算法对就餐的客户进行菜品智能推荐，选取一个用户推荐5个菜品，如图7。

图7 每个用户推荐的5种菜品

3 结束语

本文针对某餐饮行业，从餐饮行业的营业额、销售额、畅销度进行了简单的分析，而后构建Apriori 模型对菜品进行关联分析，挑选出与某款菜品关联度最高的10款菜品，构建智能推荐模型推荐菜品，给每个用户推荐5款菜品，并构建各种机器学习算法模型预测客户的流失，比较之后，选择支持向量机的预测模型来预测客户的流失，从而帮助某餐饮行业挽留客户，提高企业的利润率。通过分析顾客的历史点餐数据，使用机器学习算法建立个性化菜品推荐系统，为顾客提供更好的服务体验，帮助餐饮企业提高销售额和客户满意度。对菜品的关联分析与智能推荐既能够兼顾顾客对菜品的兴趣爱好，又能有效的为餐饮企业提升菜品销售量，提高餐饮企业的收入，从而帮助企业提高效率、降低成本、提高客户满意度，在市场竞争中更具优势。