智能菜品量推荐——RapidMiner(一)

前言

    本文是一篇阅读RapidMiner手册,结合当下目标产品做出的文字概述总结。RapidMiner与本产品需求非常贴切,对其进行理解与整理,贴出作为记录与项目书素材。

    餐饮业盈利核心在于菜品与顾客。什么样的菜系和种类会吸引更多的顾客,每个客户的就餐喜好是什么,不同时期什么样的菜品最为畅销,能否通过几种不同菜品的组合达到更好的效果,是否可预测未来一段时间内菜品原材料的采购份量?

一、无技术支撑下已有数据可以干什么?

    ① 点餐前,由有经验的服务员对顾客进行菜品推荐

    ② 根据菜品的历史销量,对不同场景的数据进行分析(比如,夏天爱吃清凉,冬天爱吃滋补;雨天和晴天、是否节假日或者周围是否存在同类竞争对手),对菜品销量进行预测,以便准备充足原料。

    ③ 定期对菜品销售情况进行统计,分类统计出好评与差评菜,为促销活动和新菜品的推出提供支持。

    ④ 根据就餐频率和金额对顾客的就餐行为进行评分,筛选出优质客户,定期回访和送出关怀

二、对餐饮业而言数据挖掘的基本任务是什么?

    数据挖掘的基本任务:利用分类与预测、聚类分析、关联规则、时序模式、偏差检测、智能推荐等方法。

    对餐饮业而言,数据挖掘的基本任务是从餐饮企业采集各种菜品销量、成本、会员小费、促销活动等内部数据,以及天气、节假日、竞争对手和周边的商业氛围等外部数据。利用数据分析手段,对菜品实现智能推荐、促销结果分析、客户价值分析、新店选点优化、热销滞销菜品分析和销量趋势预测。

    最终将结果反馈给企业,为企业降低运营成本,增加盈利能力,实现精准营销等提供智能服务支持。

三、数据挖掘建模过程

    ① 目标定义

    ② 数据采集:建模抽样、质量把控、实时采集

    ③ 数据整理:数据探索、数据清洗、数据变换

    ④ 构建模型:模式发现、构建模型、验证模型

    ⑤ 模型评价:设定评价标准、多模型对比、模型优化

    ⑥ 模型发布:模型部署、模型重构

   1.定义挖掘目标

  •    实现动态菜品智能推荐,帮助客户快速发现自己感兴趣的菜品,推荐合理菜品量,同时确保推荐给客户的菜品也是企业所希望的,实现餐饮消费者和餐饮企业的双赢。
  •   对餐饮客户实现细分,了解不同客户的贡献度和消费特征,分析哪些客户是有价值的,哪些是最需要关注的,针对不同价值的客户采取不同的营销策略,将更多精力,与有限资源投放到最有价值的客户身上,实现精准化营销。
  •   基于菜品历史销售情况,综合考虑节假日、气候和竞争对手等影响因素,对菜品销
    量进行趋势预测,方便餐饮企业准备原材料。
  •   基于餐饮大数据,优化新店选址,并对新店位置的潜在顾客口味偏好进行分析,以
    便及时进行菜式调整。

   2.数据取样

     抽样方式:

  •   随机抽样:如按每组10%进行随机抽样
  •   等距抽样:如按每组5%比例抽样,100组就是20、40、60、80、100组
  •   分层抽样:将样本总体分成若干个子集,在每个子集中的观测值都具有相同的被选中的概率,但对不同的层次可设定不同概率。这样的抽样结果具有更好代表性,使得模型有更好的拟合精度
  •   起始顺序抽样:从输入数据集的起始处开始抽样。抽样的数量可以给定一个百分比,或者直接给定选取观测值的组数。
  •   分类抽样:依据某种属性的取值来选择数据子集。如按客户名称分类、按地址区域分类等。分类抽样的选取方式就是前面所述的几种方式,只是抽样以类为单位。

     

     从客户关系管理系统、前厅管理系统、后厨管理系统、财务管理系统和物资管理系统抽取用于建模和分析的餐饮数据,主要包括:

  •   餐饮企业信息:名称、位置、规模、联系方式;部门、人员、角色等;
  •   餐饮客户信息:姓名、联系方式、消费时间、消费金额等;
  •   餐饮企业菜品信息:菜品名称、菜品单价、菜品成本、所属部门等;
  •   菜品销量数据:菜品名称、销售日期、销售金额、销售份数;
  •   原材料供应商资料及商品数据:供应商姓名、联系方式、商品名称;客户评价信息;
  •   促销活动数据:促销日期、促销内容、促销描述;
  •   外部数据,如天气、节假日、竞争对手以及周边商业氛围等数据。

   3.数据探索

    对所抽取的样本数据进行探索、审核和必要的加工处理,是保证最终的挖掘模型的质量
所必需的。可以说,挖掘模型的质量不会超过抽取样本的质量。数据探索和预处理的目的是
为了保证样本数据的质量,从而为保证模型质量打下基础。

    数据探索主要包括:异常值分析、缺失值分析、相关分析、周期性分析等。

   4.数据预处理

    当采样数据维度过大时,如何进行降维处理、缺失值处理等都是数据预处理要解决的问
题。
    由于采样数据中常常包含许多含有噪声、不完整、甚至不一致的数据,对数据挖掘所涉
及的数据对象必须进行预处理。那么如何对数据进行预处理以改善数据质量,并最终达到完
善最终的数据挖掘结果的目的呢?
    针对采集的餐饮数据,数据预处理主要包括:数据筛选、数据变量转换、缺失值处理、坏数据处理、数据标准化、主成分分析、属性选择、数据规约等。

  5.挖掘建模

    样本抽取完成并经预处理后,接下来要考虑的问题是:本次建模属于数据挖掘应用中的
哪类问题(分类、聚类、关联规则、时序模式或是智能推荐),选用哪种算法进行模型构建?
   针对餐饮行业的数据挖掘应用,挖掘建模主要包括:

  •    基于关联规则算法的动态菜品智能推荐
  •    基于聚类算法的餐饮客户价值分析
  •    基于分类与预测算法的菜品销量预测
  •    基于整体优化的新店选址

    以菜品销量预测为例,模型构建是对菜品历史销量,综合考虑节假日、气候和竞争对手
等采样数据轨迹的概括,它反映的是采样数据内部结构的一般特征,并与该采样数据的具体
结构基本吻合。模型的具体化就是菜品销量预测公式,公式可以产生与观察值有相似结构的
输出,这就是预测值。

 

          

    原文作者:ColorKin
    原文地址: https://blog.csdn.net/ColorKin/article/details/118302691
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞