结合聚类与关联规则提高餐饮服务质量的方法研究

摘  要：本文针对某餐饮商家提供的客户数据和菜品数据，进行了数据预处理，并对处理后的数据进行建模分析。对客户信息进行K-means（K均值）聚类，识别出高低价值的客户群，为商家维系与客户之间的关系提供参考。对菜品数据利用Apriori算法进行关联规则挖掘，找出菜品之间的关联关系，为菜品的促销和推荐提供依据。

关键词：聚类算法;关联规则;餐饮服务;数据挖掘

中图分类号：TP311.13      文献标识码：A 文章编号：2096-4706（2019）16-0010-04

Abstract：This paper conducts data preprocessing for customer data and dish data provided by a catering business，and models and analyzes the processed data. K-means clustering of customer information，identify high-low value customer groups，and provide reference for the relationship between merchants and customers. Use the Apriori algorithm to mine the association rules for the food data，find out the relationship between the dishes，and provide the basis for the promotion and recommendation of the dishes.

Keywords：clustering algorithm;association rules;catering;data mining

0  引  言

在数据暴增的当今时代，数据中含有大量有价值的信息，如何利用相关技术发现这些信息，并为商家和客户带来便利，是数据挖掘研究的热点内容。数据挖掘技术越来越广泛地应用在各个行业：徐毅佳[1]利用关联规则挖掘辅助寿险公司的经营策略，利用聚类算法和可视化技术分析理赔案件并发现欺诈案件。孙小川等人[2]将聚类算法应用在犯罪数据分析上，通过对数据进行加权优化和机器学习方法，预测犯罪案由。骆赟韵等人[3]利用关联规则技术发现当代中医妇科名家痛经用药规律。杨柏丞等人[4]以事故类型为K-中心点算法的聚类中心，与关联规则Apriori[5]算法进行融合，实现对海事事故数据的致因分析。郭振玉[6]提出一种改进的聚类分析与关联规则方法，建立用户行为模式库，用于监测用户的异常行为分析。王斯锋等人[7]在协同过滤推荐系统中，采用关联规则挖掘用户与项目之间的隐式交互记录，利用聚类进行数据降维，减少数据的大小和项目空间的维度。餐饮行业的商家有着大量的客户数据和菜品数据，很多商家对于这些数据非常不敏感，白白浪费了很多有意义的隐含信息。周宇等人[8]提供了一种新型的电子餐饮服务解决方法，主要是利用网上订餐平台，来规范餐饮服务模式。韩建军等人[9]基于餐饮服务的痛点，详细探讨了影响客户满意度的要素。

对于餐饮行业来说，商家要获取长期的利润，必须具有稳定的、高质量的客户。保持客户对于企业是至关重要的，不仅因为争取一个新客户的成本远远高于维持老客户的成本，更重要的是客户流失会造成企业收益的直接损失。因此商家应努力维系客户关系，将在生命周期内与客户的互动价值最大化，并尽可能地保持这样的高水平。

1  基于聚类的客户价值分析

1.1  数据预处理

某餐厅提供的近三个月的部分客户数据信息和菜品信息，其中包含客户姓名、性别、消费次数、消费金额、最后一次消费时间、菜品名称、被点次数等数据信息。数据集中有部分缺失值和异常值，如图1所示，需要对这些值进行处理。

由关联规则结果可得，当客户点了e这道菜，我们会推荐a和c这两道菜给客户，或者捆绑a、e和a、c进行出售。同理，客户点了c这道菜，我们会推荐a和b这两道菜给客户，或者捆绑c、b和a、c进行出售。用Apriori进行关联规则挖掘，挖掘出来的结果可给商家提供推荐菜品和捆绑销售的依据。

2  结  论

利用商家提供的客户数据和菜品数据，对数据进行预处理之后再建模。对于客户数据，用K-means聚类模型，将客户分为不同价值的群体。对于菜品数据，利用Apriori进行关联规则挖掘，输出菜品之间的关联性。商家可针对客户的不同价值进行客户管理。比如给高价值客户群提供关联菜品推荐，并给出相应的折扣，保持这些客户的忠诚度。对于“挽留”性质的客户，提醒近期的优惠活动，优惠活动依据关联菜品的捆绑销售等等。由此在提高客户满意度的同时，也能够增加商家的利益。本文在菜品推荐部分利用关联规则算法，该算法产生关联规则的过程比较难，可以结合协同过滤及其改进的方法进行推荐，先构建用户画像，找出用户的特征向量，并结合菜品的特征向量，进行准确率较高的推荐，这也是后续即将展开的研究。

参考文献：

[1] 徐毅佳.商业智能数据挖掘技术提升客户服务能力研究 [D].杭州：浙江工业大学，2019.

[2] 孙小川，芦天亮.基于聚类的数据加权优化在犯罪预测中的应用 [J].计算机与现代化，2019（6）：55-59.

[3] 骆赟韵，李佳阳，黎小斌.基于关联规则的当代中医妇科名家痛经用药规律数据挖掘 [J].世界中医药，2019，14（5）：1188-1191+1197.

[4] 杨柏丞，马建斌，王哲凯，等.海事事故的聚类与关联规则 [J].中国航海，2018，41（3）：63-67.

[5] Agrawal R，Srikant R.Fast Algorithms for Mining Association Rules in Large Databases [C]//Proceedings of the 20th International Conference on Very Large Data Bases. IEEE，1994：487-499.

[6] 郭振玉.基于聚類分析和关联规则的数据库用户行为模式分析的研究 [D].武汉：武汉理工大学，2016.

[7] 王斯锋，朱玉佳，祝永志.使用隐式数据中的聚类和关联规则挖掘提高协同过滤建议的准确性 [J].通信技术，2019，52（5）：1108-1113.

[8] 周宇，张振军，胡启超，等.专注校园餐饮电子商务服务解决方案 [J].现代营销（信息版），2019（6）：76.

[9] 韩建军，黄佩，俞华.餐饮行业服务对象分析 [J].质量与认证，2019（5）：54-56.

[10] Han J，Pei J，Yin Y.Mining Frequent Patterns Without Candidate Generation [A].Proceedings of 2000 ACM SIGMOD International Conference on the Management of Data [C].New York，USA：ACM Press，2000：1-12.

作者简介：黎丹雨（1990-），女，汉族，湖北枣阳人，助教，硕士，研究方向：数据挖掘、机器学习。