基于大数据的餐饮企业经营分析与决策

赵芃芃 张瑞龙

突如其来的新冠疫情，对餐饮行业造成了巨大冲击，对经营者提出了严峻的考验。餐饮业由于其所需资金数量较少，技术含量不高，产业壁垒小，产品差异小，产业发展前景广阔，顾客转换成本低，有限的市场中涌现大量的竞争者，市场较易饱和。同时，面临宏观经济增长不稳定性、疫情影响、原材料成本提升，加速了餐饮企业实现数字化转型的步伐，即利用数字化的应用帮助提升生产效率和改善经营绩效。

消费者已经数字化和在线化，每天用在手机浏览的时间占据了人们大部分的休闲时间，也造就了人们在决策前会依赖手机进行查询和分析的习惯。消费者在消费前，特别是新客户会在线上进行搜索和比较，最终的抉择也会受产品可搜索性、产品展示的吸引力、在线下单量、评分、评语等影响。餐饮企业的线上运营模式适用AARRR模型，该模型是肖恩在《增长黑客—如何低成本实现爆发式成长》一书中提出的。AARRR模型对应产品运营的5个重要的环节，分别是：（1）获取用户（Acquisition）：用户如何找到我们？（2）激活用户（Activation）：用户的首次体验如何？（3）提高留存（Retention）：用户会回来吗？（4）增加收入（Revenue）：如何赚到更多的钱？（5）环节推荐（Refer）：病毒式营销，用户会告诉其他人吗？对于餐饮企业获客的主要方式有媒体投放、搜索引擎优化、电商平台引流、微信公众号、抖音、美团、大众点评网、地图搜索等；
通过搜素、分类列表、详细页等满足用户消费决策的需要，特别是用户评价分值和用户评价语言，刺激用户消费冲动；
通过注册会员、签到、打卡、任务、赠送会员券、会员打折等提高客户粘性，把平台公域流量打造成品牌自身的私域流量；
通过收集用户消费行为数据，对用户画像，分析数据辅助经营优化，给客户提供个性化服务，提升客户的价值创造；
通过推荐有礼、推荐码、优惠券等让客户推荐新客户，实现品牌的社交化传播裂变，使消费者成为企业的推销者。餐饮企业只用利用数字化升级做全时段加全渠道的运营，实现餐饮店线上线下客户信息一体化无缝连接，才能拥有更强的竞争力。数字化业务的开展，为企业提供了大量数据，充分利用这些企业内、外部数据，对产品、用户、门店、不同时段、不同促销手段和活动策划等开展分析，可以多维度提示经营数据产生的内在原因，动态优化方案，改善经营绩效。

基于大数据的餐饮业业务分析模型包括数据采集、数据预处理、数据存储、数据挖掘与分析、可视化等主要环节。

1.数据采集

平台的应用、相关应用软件的开发以及智能化移动设备的发展，使信息产生和获取途径大大丰富，如通过抓取的方式获得用户评价数据。数据采集后，基于一定的方法对已经采集到的数据进行适当的处理，清洗去噪、聚合修正，最终得到可信赖数据，存储到一个大数据集合里。

一般对数据的获取，来自两个方面：内部数据和外部数据。内部数据，即自己公司的数据库或数据统计平台中的数据。如果是要从数据统计平台中提取数据，一般的数据统计平台都会支持数据导出，只需要导出需要的数据即可。如果是要从公司数据库中提取数据，则一般运用SQL从公司数据库取数。外部数据的获取，主要有两种方式：第一种就是获取外部公开的数据集，比如一些科研机构、企业、政府会开放一些数据，这些数据集通常比较完善、质量相对较高，特别是Wind金融数据库、锐思数据库等。第二种就是利用爬虫从网络中爬取，如电商网站获取某个餐品的评论信息等等。要爬取一个网页，首先分析一下网页结构，构造请求网址，对于多页面的内容，构造循环，遍历每一页的数据进行爬取。

2.数据预处理

数据的预处理包括数据转换、清洗、聚合、修正等过程。将采集到的信息进行标准化的预处理，要针对图片、影像、行为等非结构化数据提取并将其有效转换为可识别、可计量的结构化数据，经过清洗和去噪，不断的聚合、修正，最终得到可信赖的数据，存储在大数据集合中。

3.数据存储

在经过了数据预处理过程后，将数据存储到一个集合里。数据存储要满足大规模批量运算和实时请求的需求，实时数据一般具有数据粒度小、高并发、实时响应的特点，针对这些特点采用链式存储，将碎片化或断点的信息串联起来，实施块链式管理。批量数据与实时数据的数据量相当庞大，写入后一般不再修改，所以采用分布式文件系统进行存储，在满足批量运算的前提下，对数据格式进行适当压缩，节约存储成本。

4.数据分析与挖掘

在数据分析时充分运用数据分析工具，既保留传统的查询、筛选、比对、匹配等简单的数理统计技术，又引入包括数据挖掘算法、机器学习、知识图谱等在内的新技术。利用数据挖掘算法，运用逻辑统计、分类算法、聚类分析、回归分析、决策树和神经网络等算法建立数学模型，对相关评论进行文本挖掘。基于机器学习的方法利用机器学习算法（支持向量机）训练已标注情感类别的训练数据集训练分类模型，再通过分类模型预测爬取到的评论所属情感分类。并利分类中的关键词揭示正面情感和负面情感的主要原因，辅助相关决策。

5.可视化呈现

可视化方法可通过创建表格、图标、图像等直观地表示数据。许多传统的数据可视化方法经常被使用，比如表格、直方图、散点图、折线图、柱状图、饼图、面积图、流程图、泡沫图表等，以及图表的多个数据系列或组合像时间线、维恩图、数据流图、实体关系图等。此外，一些数据可视化方法如平行坐标式、树状图、锥形树图和语义网络等也开始被使用。

在线餐品的消费者评价对后续销售产生较大的影响，特别是负面评语，极易引起潜在消费者的质疑与犹豫。评语中的关键词可以反映引起食客趋之若鹜的优点，也可以归纳出引起食客不满的关键原因。利用评分和评语进行语料情感分析，判断出正负面情绪，计算两类评语的比例，就可以判断餐饮服务的质量如何。评语的情感分析是利用爬虫进行评语爬取，开展文本挖掘，提取关键字，然后做出词向量模型。再使用SVM（支持向量机）等模型进行训练，最后使用模型将收集的餐品评论进行情感分类，分类后基于关键词进行关联分析提取每一个评论中的关键词，用于关联分析，获取此餐饮企业的最主要的一些特点，还可以使用隐含狄利克雷分布(Latent Dirichlet Allocation,LDA)主题模型，精准提取到餐饮服务优缺点的主题，聚焦餐饮服务核心的优点与不足，对运营管理提供支持。

餐饮服务评语的情感分析主要包括以下几个步骤：

1.利用Python爬虫对餐饮服务的门店或某个具体餐品的评语进行采集

采用Python爬虫对某一餐饮企业的服务评语数据进行采集，如美团平台上一款本地一大型综合商超内的某一烤鱼店的“2-4人烤鱼特惠套餐”的评价进行抓取，该套餐美团优惠价129元，半年售1488份，总评价832条，好评得分率为93%，低分评价12条。通过对目标内容进行分析，寻找请求的目标地址的规律，请求目标地址，从而爬取到评论的内容。

2.数据存储

可以使用MYSQL数据库来存储采集到的评语内容，建立一个数据库和表，然后连接并定义游标，通过SQL语句，执行数据存储。爬取的字段信息有顾客ID、评论时间、评分、评论内容提取出来并存储到MYSQL数据库中。

3.数据预处理

文本数据的预处理主要包括分词和去停用词两个步骤。中文分词是指将一个汉字序列划分成一个个单独的词。采用“结巴中文分词”对评论数据进行分词处理，先搭建语料库，构建词向量空间。停用词是指一些完全没有用或者没有意义的词。分词时需要去除助词、介词、连词、语气词及标点符号等一些没有实际意义的词语，这些停用词表可以从网上下载。这样可以更好地判断评论数据要表达的情感倾向。可以采用IF-IDF算法和Word2Vec两种方法对评论文本进行向量化。TF-IDF能够过滤掉常见的词语，保留句子中重要的词语。Word2Vec使用词向量来表示文本信息，是通过一个嵌入空间来表示文本的相似性，文本之间相似性越高，空间上的距离就越近。

关键词提取是通过确定分类特征来实现的。分类特征就是分类对象所展现的部分特点，是实现分类的依据。通过一定的统计方法找到信息量丰富的特征，如在情感分类中，常用词频选择特征，也就是选在语料库中出现频率高的词。具体方法是计算出整个语料里面每个词的信息量，根据信息量进行倒序排序，选择排名靠前的信息量的词，把这些词作为特征。采用词云图展示主要的特征及出现的频率。“2-4人烤鱼特惠套餐”的评价中正面特征和负面特征的词云图如下：

图1 正面特征词云图

图2 负面特征词云图

4.机器学习建模

基于机器学习的情感分类问题，它的处理过程可以分为两个部分，一部分是学习过程，另一部分是情感分类过程。其中，学习过程包括训练过程和测试过程，训练过程中对训练集进行训练得到分类器，用其对测试集进行情感分类，将测试的结果反馈给分类器，进一步改进训练方法，生成新的分类器，最后利用最终生成的分类器对新的文本进行情感分类。

可以选用支持向量机SVM、朴素贝叶斯模型NB、K最近邻K-NN、人工神经网络模型ANN、逻辑回归模型LR等模型进行分类。使用机器学习进行情感分析时，采取有监督的机器学习方法来对文本进行分类，即需要对训练样本进行人工标注正面评语和负面评语类别，分别用0和1标识，用机器学习方法进行训练，获得一个情感分类器。再通过这个情感分类器对所有文本进行积极和消极的二分分类。

5.关联分析

采用Textrank方法分别提取正、负向评论文档中的关键词，绘制词云，利用投票机制对文本中的重要成分进行排序，以直观的方式获取餐饮服务的关键信息。或者采用Apriori关联分析算法，使用发现频繁项集，产生关联规则，判断正、负向评论文档中的关键词。这些正向评论文档中的关键词就是企业产品的核心竞争优势，要努力保持，而负向评论文档中的关键词则是产品的不足之处，要加以改进和规避。

通过在线服务评价，汇集了消费者的消费体验感，并进一步揭示了餐饮服务中就餐环境、菜品口味、菜品性价比、服务质量等影响菜品销量的一些核心要素，餐饮业管理者可以有的放矢，保持特色吸引客流，规避问题提升口碑，最终目的是扩大销售额，实现利润最大化。对于经营的效果，则可以进一步通过盈利模式分析进行。盈利模式分析可以通过三步来进行，利润表分析找差距、成本构成分析找原因、边际贡献分析找对策。

1.利润表分析找差距

餐饮业经营的成果反映在利润表中，采用对标法，把待分析企业的利润表与同行业中的标杆企业相对比，通过结构化分析方法，查找差距。

表1 2020年餐饮业上市公司利润表数据分析单位：万元

从营业总收入入手，按照净利润的计算过程，分项目揭示其占收入的比例，反映影响利润大小的主要因素，通过对比，提示不同企业在不同项目上的差异。经营总成本涵盖了营业成本（加工餐品的相关成本）、营业税金及附加、销售费用、管理费用、财务费用、研发费用等，主要反映与生产经营有关的成本费用，体现了餐品的生产成本和企业的运营管理成本，是提升企业运营绩效的主要关注点。通过不同企业的对比，可以找到餐品设计、运营管理上的差异，寻求突破方向。各企业营业利润又受非经营性净收益、公允价值变动净收益、投资净收益、资产处置收益、其他收益的影响，这些收益项目与企业的主营业务无关，是锦上添花性质的，对企业经营成果不起到可持续的影响。进一步在营业利润的基础上，考虑营业外收支的影响，就可以计算出利润总额，即企业年度总的经营成果。上交了企业所得税，剩余的即为净利润。2020年同庆楼之所以能够实现盈利，原因在于其营业总成本占比与其他企业相比，控制的更好。所以，从利润表的对比分析中，关注营业总成本是企业提升经营绩效的关键。

图3 同庆楼利润表数据分析

2.成本构成分析找原因

表2 2020年餐饮企业营业成本分析单位：万元

从表2中3家上市公司的营业成本构成对比中可以看出，营业成本控制是企业能否盈利的一个主要决定因素；
管理费用要从总费用控制入手；
销售费用要从投入产出效率管理入手，寻求最佳的产出。

3.边际贡献分析找对策

大数据分析在餐饮业的运用，除了运用外部大数据外，企业经营过程中产生的经营数据的分析，也至关重要。经营数据的分析采用边际贡献分析法，边际贡献分析法的基础是变动成本法。在餐饮企业中运用变动成本法核算成本费用，把营业总成本中的各个项目划分为固定成本和变动成本两类。变动成本主要核算与具体餐品有关的变动成本，如直接材料、直接人工（制做菜品的厨师相关薪酬等）、与顾客用此餐相关的直接支出等。与某个餐品没有直接关系的支出均计入固定成本，如房租、水电气、服务员薪酬（可以看作酌量性固定成本）、原材料的供应运输费用等。

边际贡献分析时，首先对固定成本分明细类别进行归集，总量进行控制。然后，针对每个餐品计算其单位边际贡献和餐品边际贡献，即该餐品在计算周期内的总的总边际贡献，餐品边际贡献等于单位边际贡献乘以销售数量。最后，把所有餐品的边际贡献合计，得到企业总的边际贡献。在此基础上，求每个餐品的边际贡献在企业总的边际贡献中的百分比，即可以反映出每个餐品在经营成果中的贡献度。这个贡献度又取决于两个因素，一是销售量，二是单位边际贡献。所以，为了提升经营绩效，要合理设计餐品结构，重点关注两类产品，一类是可以增加流量的，一类是单位边际贡献高的。所有的营销方案设计和菜品设计都要围绕这个原则开展。

餐饮企业数字化应用可概括为前端服务接受数据，后端收集分析数据并反馈给前端辅助经营优化的过程，数字化必将成为餐饮经营管理的基础。通过数字化获取客户、扩展收入渠道、获取客户反馈、供应链协同、开展经营效率和效果分析等，为餐饮企业带来了全新的、立体多维的营运模式。开展基于大数据经营管理，打造品牌自身的私域流量池，实现品牌的社交化传播裂变。开展基于大数据的分析，通过数智化方法辅助决策，提升餐饮企业的经营绩效。