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?
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。
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。
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
抽样方式:
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:
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。
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。
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:
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。
发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/171042.html原文链接:https://javaforall.cn