基于云计算和数据挖掘的餐饮会员大数据分析和考核系统

技术领域

本发明涉及餐饮管理系统，尤其涉及一种基于云计算和数据挖掘的餐饮会员大数据分析和考核系统。

背景技术

近年来，有些规模的餐饮企业已经普遍使用了客户关系管理软件(CRM)来实现餐厅会员制管理的信息化。常见的有收银系统自带的CRM系统、互联网餐饮平台服务商提供的CRM系统以及独立开发的CRM软件产品。这些CRM系统通常包括会员管理、会员营销、会员消费、统计报表等几个模块，其中，会员管理模块用于会员信息的增加、删除修改和查询；会员营销模块用于对餐饮企业会员，采用不同的渠道进行差别化的营销；会员消费用于记录会员的门店交易数据；统计报表用于会员、会员会员卡及会员营销的相关数据统计分析。CRM系统有助于餐饮企业对自有会员进行系统的营销，提高会员忠诚度并不断吸纳新的会员；通过会员终端系统与CRM系统的数据交互来搜集产品和服务反馈，从而不断改善产品和服务。

但，对于以上所述的传统CRM软件，所能提供的统计分析数据仅限于会员体系本身，且只是经过系统的简单运算得出分支数据的汇总、筛选和简单的对比分析。收银系统自带的CRM软件虽然能将会员数据与餐饮企业整体运营数据作简单对比，但却缺少专业CRM软件的分析方法。而在餐饮行业竞争日趋激烈的今天，餐饮企业更加依赖于通过智能的运营会员数据和基于此的智能数据化运营来获取精准的运营方案、高质量的执行效果及发展趋势的预测，不断巩固和扩张自己的市场。实现传统数据化运营向智能数据化运营跨越主要的障碍是：

1、目前国内餐饮行业会员营销仍处于初级发展阶段，且企业相互之间存在信息壁垒，不管是单店、单品牌、单业态或全行业，都无法给出会员运营发展情况和执行效果的衡量标准，导致餐饮企业做会员营销只能盲目进行，从而不可避免的影响运营效率甚至造成损失；

2、缺少智能的、相对精准的会员运营数据预测模型，导致餐饮企业不能够提前调整会员运营方案，调配餐厅有限的运营资源；

3、由于餐饮企业整体运营数据的保密性和自身运营系统与专业CRM系统的相互分离，导致商户无法通过数据分析明确会员运营在餐饮企业整体运营中实际发挥的作用，从而无法准确衡量投入产出比。

发明内容

本发明的目的是提供一种基于云计算和数据挖掘的餐饮会员大数据分析和考核系统，其可实现提供行业会员运营管理衡量标准、高效准确的给出分析报告且提供趋势预测，帮助企业发现问题，调整运营方案和做出重要决策。

本发明的一种基于云计算和数据挖掘的餐饮会员大数据分析和考核系统，包括分别实现双向通信的运营服务终端系统、至少一个商户终端系统、会员终端系统、云端数据中心和数据挖掘系统，其中所述运营服务终端系统、商户终端系统和会员终端系统录入餐饮会员运营相关的原始数据及与云端数据中心信息交互，原始数据经所述云端数据中心预处理后，发送给所述数据挖掘系统进行分析计算，输出规则模型集合给云端数据中心，并经由云端数据中心发送到指定的商户终端系统，规则模型集合在所述商户终端系统上由用户修正形成带有时间属性的规则模型，且修正后应用并形成应用结果数据，带有时间属性的规则模型和应用结果数据作为知识库存储在云端数据中心。

进一步的，所述商户终端系统包括商户门店POS终端系统、CRM商户业务处理子系统、CRM报表子系统和CRM数据预测终端系统，其中所述商户门店POS终端系统处理门店会员、会员卡及交易相关业务，并将所产生的原始数据发送到所述云端数据中心；所述CRM商户业务处理子系统管理会员数据和处理会员、会员卡、交易及财务相关业务，并将所产生的原始数据发送给云端数据中心；所述CRM报表子系统用于带有时间属性的规则模型的应用并形成应用结果数据，并将带有时间属性的规则模型和应用结果数据发送给云端数据中心；所述CRM数据预测终端系统同步带有时间属性的规则模型和应用结果数据并预测商户会员运营数据。

进一步的，所述会员终端系统应用用于会员相关数据的呈现、会员在线交易和评价，并将所产生的原始数据发送给云端数据中心。

进一步的，所述规则模型集合包括非交易规则模型和交易规则模型，所述云端数据中心包括CRM云端数据中心和云端交易数据中心，其中所述CRM云端数据中心采集及同步运营服务终端系统、商户终端系统、会员终端系统所产生的非交易数据，并对该非交易数据进行业务相关的逻辑处理后，提供给所述数据挖掘系统进行分析计算，返回非交易规则模型到CRM云端数据中心；所述云端交易数据中心采集及同步营服务终端系统、商户终端系统、会员终端系统的交易数据，并对该交易数据进行业务相关的逻辑处理后，发送给数据挖掘系统进行分析计算，返回交易规则模型到CRM云端数据中心。

进一步的，所述数据挖掘系统包含：1)用于采集供数据挖掘使用的数据资源的数据仓库；2)用于学习、分析和输出规则模型的数据挖掘内核。

进一步的，所述数据挖掘内核包含：1)根据商户属性特征对其进行自动归类的分类器；2)用于学习和输出影响系数规则模型的系数分析模块；3)用于学习和输出业务指标规则模型的指标分析模块。

进一步的，所述分类器采用如下算法：

S1：从数据仓库采集运营服务终端系统定义的商户特征属性集合；

S2：将所有特征属性做排列组合，得出分类1、分类2...分类n，每组分类对应一组特征属性集合；

S3：当采集到一个新商户——商户X的信息时，遍历所有分类的特征属性集合，若满足条件：商户X特征属性集合＝分类n的特征属性集合，则把商户X归类到分类n；

S4：当满足一个计算周期时，重复前三个步骤。

进一步的，所述系数分析模块的影响系数的算法如下：

S1：从数据仓库采集终端系统定义，决定影响系数的业务指标项及其考核周期；

S2：计算每个未知数项的各个考核周期值的平均值；

S3：计算每个周期的影响系数；

S4：当满足一个计算周期时，重复前述四个步骤。

进一步的，所述指标分析模块的业务指标规则算法如下：

S1：从数据仓库采集上一年某个考核周期的每个考核周期的每个商户的实际完成值；

S2：计算行业指导业务指标目标值：业务指标的本年的相应考核周期的分类的行业指导考核目标值；

S3：计算业务指标考核目标值缺省值：

如商户上一个考核周期的实际完成值≥行业指导目标值，则

输出商户下一个考核周期的考核目标值缺省值为：商户上一个考核周期的实际完成值÷上月的影响系数*本月的影响系数*105％；

如商户上一个考核周期的实际完成值<行业指导目标值，则

输出商户下一个考核周期的业务指标考核目标值缺省值为：商户上一个考核周期的实际完成值÷上月的影响系数*本月的影响系数*110％。

进一步的，所述规则模型包含：1)影响系数；2)行业指导业务指标考核目标值；3)业务指标考核目标值缺省值，所述知识库包含：1)带有时间属性的全行业和各商户分类的影响系数；2)带有时间属性的全行业和各商户分类的指导业务指标考核目标值；3)带有时间属性的全行业和各商户分类的修正后的业务指标考核目标值；4)带有时间属性的全行业和各商户分类的应用结果数据。

借由上述方案，本发明至少具有以下优点：通过数据挖掘系统实现进行持续的，循环的分析处理，输出规律模型集合，并通过云端数据中心和商户终端系统形成带有时间属性的规则模型和应用结果数据，从而提供行业会员运营管理衡量标准、高效准确的给出分析报告且提供趋势预测，帮助企业发现问题，调整运营方案和做出重要决策。

上述说明仅是本实用新型技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明基于云计算和数据挖掘的餐饮会员大数据分析和考核系统的结构示意图；

图2是本发明的工作原理图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

随着互联网技术、云计算和数据存储服务的不断发展，数据分析技术也发展的更加精准和全面，可以实现代替越来越多的靠人力总结的经验和规律。数据挖掘(Data mining)是数据库知识发现中的一种方法，一般是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据分析通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。数据分析还可以作为一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。

数据分析是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据分析的数据集；规律寻找是用某种方法将数据集所含的规律造出来；规律表示是尽可能以用户理解的方式(如可视化)将找出的规律表示出来。

参见图1和图2，本发明一较佳实施例所述的基于云计算和数据挖掘的餐饮会员大数据分析和考核系统，包括分别实现双向通信的运营服务终端系统1、至少一个商户终端系统、会员终端系统2、云端数据中心3和数据挖掘系统4。所述运营服务终端系统1、商户终端系统和会员终端系统2录入餐饮会员运营相关的原始数据及与云端数据中心3信息交互，原始数据经所述云端数据中心3进行清洗、运算、筛选、汇总等预处理后，发送给所述数据挖掘系统4进行分析计算，输出规则模型集合给云端数据中心3，并经由云端数据中心3发送到指定的商户终端系统，规则模型集合在所述商户终端系统上由用户修正形成带有时间属性的规则模型，且修正后应用并形成应用结果数据，带有时间属性的规则模型和应用结果数据作为知识库存储在云端数据中心3，通过该知识库从而进一步用于大数据的挖掘。所述规则模型集合包括非交易规则模型和交易规则模型。所述规则模型的应用，是将其与餐饮行业业务知识相结合，输出有足够广度和深度的餐饮企业会员运营情况可视化数据分析报告，直观的呈现在商户终端系统界面上，帮助餐饮企业及整个餐饮行业做好会员运营。所述规则模型的应用包含但不仅限于：

1)餐饮行业全行业、不同业态、不同企业、不同会员运营发展阶段的会员运营发展情况分析和预测；

2)餐饮企业集团及各分公司、门店的会员运营考核方法指导，考核指标目标值的智能设定及人工修正；

3)餐饮企业会员运营月报的可视化呈现；

4)餐饮企业会员运营量化考核的信息化、智能化解决方案。

所述规则模型包含：1)影响系数；2)行业指导业务指标考核目标值；3)业务指标考核目标值缺省值。

所述知识库包含：1)带有时间属性的全行业和各商户分类的影响系数；2)带有时间属性的全行业和各商户分类的指导业务指标考核目标值；3)带有时间属性的全行业和各商户分类的修正后的业务指标考核目标值；4)带有时间属性的全行业和各商户分类的应用结果数据。

所述运营服务终端管理系统用于商户基础信息的管理、业务规则的设定及运营服务端的商户授权业务处理，并将所产生的原始数据发送到云端数据中心3。所述商户终端系统包括商户门店POS终端系统51、CRM商户业务处理子系统52、CRM报表子系统53和CRM数据预测终端系统54。所述商户门店POS终端系统51处理门店会员、会员卡及交易相关业务，并将所产生的原始数据发送到所述云端数据中心3。所述CRM商户业务处理子系统52管理会员数据和处理会员、会员卡、交易及财务相关业务，并将所产生的原始数据发送给云端数据中心3。所述CRM报表子系统53用于带有时间属性的规则模型的应用并形成应用结果数据，并将带有时间属性的规则模型和应用结果数据发送给云端数据中心3。所述CRM数据预测终端系统54同步带有时间属性的规则模型和应用结果数据并预测商户会员运营数据。所述会员终端系统2应用用于会员相关数据的呈现、会员在线交易和评价，并将所产生的原始数据发送给云端数据中心3。

所述数据挖掘内核将经分析计算得出的业务指标缺省值经由CRM云端数据中心发送给CRM报表子系统53，由商户根据自身会员运营发展现状进行修正并应用。所述修正是指，商户可根据自身具体运营情况，对考核目标值以及运营数据(开台数和营业额等)进行人工修正，以更符合商户的实际考核需要。

所述云端数据中心3包括CRM云端数据中心31和云端交易数据中心32，其中所述CRM云端数据中心31采集及同步运营服务终端系统1、商户终端系统、会员终端系统2所产生的非交易数据，并对该非交易数据进行业务相关的逻辑处理后，提供给所述数据挖掘系统4进行分析计算，返回非交易规则模型到CRM云端数据中心31。所述云端CRM数据中心采集、同步并做业务相关逻辑处理的数据包括：1)商户基本信息，包括能够描述商户标准特征属性的信息；2)商户CRM相关业务处理规则，包括用于统计分析和预测趋势的变量参数；3)商户、运营服务和会员终端系统2发送来的会员、会员卡、财务和交易业务处理原始数据和会员口碑数据；4)从第三方同步或商户终端系统输入的整体运营数据；5)数据挖掘系统4经过学习和计算返回的规则模型集合。所述云端交易数据中心32采集及同步营服务终端系统、商户终端系统、会员终端系统2的交易数据，并对该交易数据进行业务相关的逻辑处理后，发送给数据挖掘系统4进行分析计算，返回交易规则模型到CRM云端数据中心31。

所述数据挖掘系统4包含：1)用于采集供数据挖掘使用的数据资源的数据仓库41；2)用于学习、分析和输出规则模型的数据挖掘内核42。原始数据经所述云端数据中心预处理后发送给所述数据挖掘系统的数据仓库41，再提供给所述数据挖掘系统4的数据挖掘内核42，通过一定的挖掘算法进行分析计算，输出规则模型集合给数据仓库41。数据仓库41将规则模型集合经由云端数据中心3发送到指定的商户终端系统。所述数据挖掘内核42包含：1)根据商户属性特征对其进行自动归类的分类器；2)用于学习和输出影响系数规则模型的系数分析模块；3)用于学习和输出业务指标规则模型的指标分析模块。

所述分类器采用如下算法：

S1：从数据仓库41采集运营服务终端系统1定义的商户特征属性集合；

S2：将所有特征属性做排列组合，得出分类1、分类2...分类n，每组分类对应一组特征属性集合——集合1、集合2...集合n；

S3：当采集到一个新商户——商户X的信息时，遍历所有分类的特征属性集合，若满足条件：商户X特征属性集合＝分类n的特征属性集合，则把商户X归类到分类n；

S4：当满足一个计算周期时，重复前三个步骤。

例：商户属性有：业态、月开台数、人均，排列组合产生9个商户分类。

由于餐饮行业的经营情况会受淡旺季、节假日等时间因素的影响，因此在计算或预测业务指标时，需要引入不同考核周期的影响系数。所述系数分析模块的影响系数的算法如下：

S1：从数据仓库41采集终端系统定义，决定影响系数的业务指标项及其考核周期，假定业务指标项为A、B，某分类每个业务指标项的各个考核周期的实际完成值为：

S2：计算每个未知数项的各个考核周期值的平均值<AX>和<BX>：

<AX>＝(A1X+A2X+...+AnX)÷n，

<BX>＝(B1X+B2X+...+BnX)÷n；

S3：计算每个周期的影响系数Afn和Bfn：

Afn＝ANX÷<AX>，

Bfn＝BNX÷<BX>；

S4：当满足一个计算周期时，重复前述四个步骤。

例：决定影响系数的业务指标项为营业额(A)和开台数(B)，考核周期为一个月，即1月至12月。

上一年的月平均营业额为<AX>＝200,000元，

上一年的月平均开台数为：3,000台，

上一年1月的营业额为A1X＝180,000元，

上一年1月的开台数为B1X＝2,500元，

则：

1月的营业额影响系数Af1＝180,000÷200,000＝0.9

1月的开台数影响系数Bf1＝2,500÷3,000＝0.83

所述指标分析模块的业务指标规则算法如下：

S1：从数据仓库41采集上一年某个考核周期的每个考核周期的每个商户的实际完成值，假定业务指标项为：C、D，计算所述的每个商户分类每个业务指标的实际完成平均值：

S2：计算行业指导业务指标目标值CY、DY：

业务指标C的本年的相应考核周期的分类n的行业指导考核目标值：

CY＝<分类nCX>，

业务指标D的本年的相应考核周期的分类n的行业指导考核目标值：

DY＝<分类nDX>；

S3：计算考核目标值省缺值：

假定下一个考核周期为周期N，需考核的业务指标项目为C，且业务指标C收到影响系数Af的影响，

1)如商户上一个考核周期的实际完成值≥行业指导目标值，则

输出商户下一个考核周期C的考核目标值省缺值为：商户上一个考核周期C的实际完成值÷上月的影响系数Af(N-1)*本月的影响系数AfN*105％；

2)如商户上一个考核周期C的实际完成值<行业指导目标值CY，则

输出商户下一个考核周期的业务指标考核目标值省缺值为：商户上一个考核周期C的实际完成值÷上月的影响系数Af(N-1)*本月的影响系数AfN*110％。

例：需要考核的业务指标为售卡量(C)和储值充值(D)，分类n去年1月的门店平均售卡量为600张，门店平均储值充值为50,000元，则：

分类n今年1月售卡量的行业指导目标值为：CY＝<分类nCX>＝600张

分类n今年1月储值充值的行业指导目标值为：DY＝<分类NnDX>＝50,000元

1)属于分类n的门店甲1月的售卡量为800张，大于行业指导目标值600张，售卡量受开台数的影响，分类n1月的开台数影响系数为0.83,2月为0.9，则门店甲2月的售卡量目标值省缺值为：

800÷0.83*0.9*105％＝826张

2)属于分类n的门店甲1月的储值充值为40,000元，小于行业指导目标值50,000元，储值充值受营业额的影响，分类n1月的营业额影响系数为0.9，2月为1.2，则门店甲2月的储值充值目标值省缺值为：

40,000÷0.9*1.2*110％＝58,667元

综上所述，本发明的基于云计算和数据挖掘的餐饮会员大数据分析和考核系统通过数据挖掘系统4实现进行持续的，循环的分析处理，输出规律模型集合，并通过云端数据中心3和商户终端系统形成带有时间属性的规则模型和应用结果数据，从而提供行业会员运营管理衡量标准、高效准确的给出分析报告且提供趋势预测，帮助企业发现问题，调整运营方案和做出重要决策。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。