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。