李 瑾 劉云鵬 邱 虹

(浙江萬里學(xué)院 浙江 寧波 315100)

0 引 言

網(wǎng)絡(luò)技術(shù)、移動(dòng)技術(shù)與電子商務(wù)的發(fā)展，促進(jìn)了網(wǎng)絡(luò)購物的迅速增加，使得網(wǎng)購成為生活模式中必需的一部分。團(tuán)購是網(wǎng)購的一種模式，指部分消費(fèi)者聯(lián)合起來形成一個(gè)消費(fèi)團(tuán)體，求得更優(yōu)價(jià)格的一種購物方式。社區(qū)團(tuán)購則是團(tuán)購演變后的一種新型模式，利用小區(qū)內(nèi)的兼職用戶、物業(yè)人員或小店老板等作為團(tuán)購團(tuán)長，通過電商或供應(yīng)鏈平臺將商品以較低的價(jià)格對社區(qū)內(nèi)群體進(jìn)行銷售的行為，具有明顯的區(qū)域性與小眾化的購物特色。可以看出，通過團(tuán)長這一穩(wěn)定的社區(qū)關(guān)鍵角色，使用微信等社交平臺獲取人氣，可以有效地將社區(qū)內(nèi)固定用戶與電商平臺進(jìn)行高粘性與深度的鏈接，利用預(yù)售和爆款等輕資產(chǎn)運(yùn)作模式快速滿足小區(qū)用戶快消品的剛性需求，本質(zhì)上是O2O的一種升級商業(yè)模式。

社區(qū)團(tuán)購在2015年已經(jīng)出現(xiàn)萌芽，2018年開始迅猛發(fā)展，目前全國有300多家社區(qū)團(tuán)購類的電商平臺或者企業(yè)，社區(qū)團(tuán)購微信小程序用戶規(guī)模已經(jīng)突破500萬，融資金額超過40億。東南沿海的一線與二線城市是社區(qū)團(tuán)購的活躍地區(qū)，既包含全國性平臺，也有各種快速成長起來的地方團(tuán)購平臺。如今社區(qū)團(tuán)購的市場規(guī)模依然在不斷擴(kuò)大，已經(jīng)進(jìn)入到競爭白熱化的階段。

要做好社區(qū)團(tuán)購，除了供應(yīng)鏈和性價(jià)比之外，一個(gè)重中之重的工作就是選品，差異化的選品本身也是社區(qū)團(tuán)購的一大優(yōu)勢。大量增加團(tuán)購品類或者全品類反而會增加不必要的成本和減弱社區(qū)團(tuán)購的優(yōu)勢，也會對小區(qū)用戶的下單頻次造成一定的影響。因此，要做好社區(qū)團(tuán)購項(xiàng)目，要有對市場需求進(jìn)行判斷的能力，必須明確當(dāng)前時(shí)段下什么樣的產(chǎn)品適合在社區(qū)內(nèi)營銷，如何對不同的社區(qū)進(jìn)行差異化營銷。

由于住戶數(shù)據(jù)的安全性與保密性等因素，對社區(qū)進(jìn)行畫像和獲取豐富的數(shù)據(jù)特征并非一件易事，一種有效可行的方案就是依靠互聯(lián)網(wǎng)上的開放數(shù)據(jù)進(jìn)行挖掘與分析。如今外賣產(chǎn)業(yè)已經(jīng)深入到每個(gè)社區(qū)的家家戶戶，可以真實(shí)地反映出大多數(shù)家庭一日三餐消費(fèi)的快消品，而快消品又是社區(qū)團(tuán)購的主打商品，所以本文以外賣數(shù)據(jù)為切入點(diǎn)，通過對不同社區(qū)外賣數(shù)據(jù)的分析進(jìn)行一種選品方案的設(shè)計(jì)，本質(zhì)是針對社區(qū)進(jìn)行個(gè)性化的商品推薦，從而提升社區(qū)用戶體驗(yàn)，提高頁面轉(zhuǎn)化率。本文的主要貢獻(xiàn)包括：

(1) 提出一種有效利用外賣數(shù)據(jù)對不同社區(qū)的購買力與食品喜好進(jìn)行分析的方法，從而商家可以針對不同社區(qū)提供差異化的商品推薦與服務(wù)。

(2) 使用最長公共子序列的匹配方法建立外賣菜品名與常見大眾菜譜的關(guān)聯(lián)，以及菜譜主料與有效商品名的關(guān)聯(lián)，從而找到外賣食品到實(shí)際商品的最終映射關(guān)系，給選品與競品分析提供數(shù)據(jù)支撐。

本文利用爬取的“餓了么”外賣平臺數(shù)據(jù)進(jìn)行分析，并在寧波某家做社區(qū)團(tuán)購的電商企業(yè)進(jìn)行了實(shí)際應(yīng)用，根據(jù)分析結(jié)果對不同社區(qū)開展定制化商品推薦服務(wù)，企業(yè)經(jīng)濟(jì)效益得到了提升，驗(yàn)證了本文方法的價(jià)值與有效性。

1 相關(guān)工作

對于大型規(guī)模的電商平臺來講，可以根據(jù)系統(tǒng)長期積累的商品數(shù)據(jù)、用戶數(shù)據(jù)和用戶行為數(shù)據(jù)開發(fā)一個(gè)內(nèi)部的選品系統(tǒng)，這個(gè)系統(tǒng)既可以內(nèi)部自己使用，也可以通過接口或軟件產(chǎn)品的方式開放部分或全部功能給需要的商家。

針對亞馬遜的選品工具主要有亞馬遜船長和Sorftime，亞馬遜船長產(chǎn)品不僅包括基于大數(shù)據(jù)分析的選品功能，還包括經(jīng)營分析、競品監(jiān)控、跟賣監(jiān)控和評價(jià)監(jiān)控等功能。選品的核心功能包括長尾關(guān)鍵詞、窺探競品詞、搜索選品調(diào)研、Reviews智能分析和產(chǎn)品監(jiān)控。Sorftime對所有亞馬遜的分類產(chǎn)品進(jìn)行列出并對每一產(chǎn)品給予各種多維度的標(biāo)簽，包括賣家數(shù)量、市場容量、賣家壟斷系數(shù)和品牌壟斷系數(shù)等，從而可以更好地以市場與自身匹配度為導(dǎo)向進(jìn)行更加合理的選品，讓賣家更快找到合適的市場，從而獲得更高的投資收益。

淘寶生意參謀可以對淘寶市場店鋪的經(jīng)營數(shù)據(jù)進(jìn)行了解，從而指導(dǎo)商家選品和更好的數(shù)據(jù)化運(yùn)營。主要包括商品實(shí)時(shí)排行、流量分析、搜索關(guān)鍵詞分析、行業(yè)排名和交易分析等。阿里指數(shù)是阿里巴巴技術(shù)部依據(jù)阿里巴巴網(wǎng)站每日運(yùn)營數(shù)據(jù)研發(fā)出的數(shù)據(jù)分析平臺，能以某個(gè)行業(yè)或某個(gè)地區(qū)為視角進(jìn)行多維度的分析，比如針對熱門細(xì)分子行業(yè)的分析，某地區(qū)供應(yīng)商與采購商交易分析等，從而可以對選品和采購渠道做出更加合理的判斷。

事實(shí)上可以把單個(gè)社區(qū)刻畫成一個(gè)用戶，這個(gè)用戶是由社區(qū)內(nèi)住戶的共性所組成，選品的本質(zhì)就是針對社區(qū)的推薦，對于不同的社區(qū)推薦不同的產(chǎn)品。由于深度學(xué)習(xí)強(qiáng)大的學(xué)習(xí)能力，越來越多的研究開始使用深度學(xué)習(xí)進(jìn)行推薦系統(tǒng)的設(shè)計(jì)。一般是將用戶與商品相關(guān)信息作為深度神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，通過深度學(xué)習(xí)發(fā)現(xiàn)其隱含表達(dá)，根據(jù)隱含表達(dá)特征進(jìn)行商品推薦。

Zheng等[1]提出深度協(xié)作神經(jīng)網(wǎng)絡(luò)模型，在一定程度上緩解了推薦系統(tǒng)的數(shù)據(jù)稀疏問題。Chen等[2]在深度學(xué)習(xí)中將位置感知引入到個(gè)性化新聞推薦。Cheng等[3]提出一種深度與廣度學(xué)習(xí)結(jié)合的學(xué)習(xí)模型，利用多源異構(gòu)數(shù)據(jù)來提高推薦的記憶能力和泛化能力。He等[4]提出一種神經(jīng)協(xié)同過濾方法，可以對用戶與商品的交互函數(shù)進(jìn)行學(xué)習(xí)。AutoML自動(dòng)的學(xué)習(xí)能力也正在被應(yīng)用到推薦系統(tǒng)。Naumov等[5]在基于推薦的深度模型中加入特殊的并行機(jī)制從而減少內(nèi)存限制和加速訓(xùn)練過程。Guan等[6]設(shè)計(jì)出一個(gè)深度多視模型來處理商品圖像、商品描述和評價(jià)等多種輸入的異構(gòu)數(shù)據(jù)。Lee等[7]基于深度神經(jīng)網(wǎng)絡(luò)提出一種可伸縮控制的協(xié)同濾波算法。

知識圖譜與人類認(rèn)知智能更加接近，這種知識賦能的推薦與深度學(xué)習(xí)的結(jié)合逐步會成為推薦系統(tǒng)的主流。Wang等[8]提出一種基于注意力模型的知識圖譜網(wǎng)絡(luò)，提高了推薦的準(zhǔn)確性和可解釋性。Wang等[9]設(shè)計(jì)出一個(gè)多任務(wù)的深度學(xué)習(xí)框架，利用知識圖譜控制任務(wù)之間的知識交叉與遷移。Cao等[10]對推薦模型與知識圖譜進(jìn)行聯(lián)合學(xué)習(xí)，突出了在理解用戶偏好方面的優(yōu)勢。同時(shí)在國內(nèi)美團(tuán)等大型餐飲平臺也都在積極構(gòu)建自己的知識圖譜體系，用于客戶體驗(yàn)更佳的推薦。

對于沒有數(shù)據(jù)積累或業(yè)務(wù)數(shù)據(jù)量較少的中小電商企業(yè)來說，在冷啟動(dòng)階段甚至在一個(gè)相當(dāng)長的運(yùn)營時(shí)間內(nèi)都無法有效地利用內(nèi)部的用戶和商品數(shù)據(jù)進(jìn)行分析，也無法形成深度學(xué)習(xí)的大數(shù)據(jù)和產(chǎn)生有價(jià)值的知識圖譜體系，而其他大型平臺的選品工具不僅價(jià)格昂貴，而且系統(tǒng)很多時(shí)候不能真正地適應(yīng)中小企業(yè)本地化的需求，尤其是地方特色很強(qiáng)的社區(qū)團(tuán)購業(yè)務(wù)。針對這些問題，本文利用網(wǎng)絡(luò)開放的社區(qū)外賣數(shù)據(jù)，使用一種簡單有效的分析策略建立蛋肉、蔬菜和水果等快消品與社區(qū)的關(guān)聯(lián)，提供團(tuán)購選品依據(jù)。

2 研究內(nèi)容

2.1 整體框架與流程

基本模式如圖1所示，核心思想是利用外部可以獲取到的大數(shù)據(jù)來初步分析一個(gè)社區(qū)或地區(qū)對于不同食品的喜好程度，比如社區(qū)附近的外賣數(shù)據(jù)、菜場數(shù)據(jù)、競品團(tuán)購數(shù)據(jù)和超市數(shù)據(jù)等。把社區(qū)作為一個(gè)整體，分析社區(qū)的行為，獲取社區(qū)的共性。對于不同的社區(qū)推薦不同的菜譜與相關(guān)的食材，同時(shí)結(jié)合競品數(shù)據(jù)來分析菜譜主料對應(yīng)單品的銷售和價(jià)格情況，從而指導(dǎo)選品。

圖1 選品的基本模式

整體業(yè)務(wù)流程包括線上業(yè)務(wù)和線下業(yè)務(wù)兩個(gè)部分。線下業(yè)務(wù)如圖2所示，主要是先對社區(qū)的外賣數(shù)據(jù)進(jìn)行分析，從而得到小區(qū)喜愛食品的排名，然后將小區(qū)喜愛的食品與已有的菜譜數(shù)據(jù)進(jìn)行關(guān)聯(lián)，從而得到小區(qū)喜愛菜譜的排名，將菜譜及排名信息與社區(qū)信息進(jìn)行關(guān)聯(lián)；然后對競品數(shù)據(jù)進(jìn)行分析，將菜譜中的主料與競品中的單品進(jìn)行關(guān)聯(lián)。線下業(yè)務(wù)會提前處理，并根據(jù)需要定期地更新爬蟲數(shù)據(jù)與分析結(jié)果。線上業(yè)務(wù)如圖3所示，以菜譜數(shù)據(jù)為中心，可以根據(jù)菜譜的單個(gè)屬性以及多個(gè)屬性的組合進(jìn)行查詢和展示，屬性主要包括：名稱、小區(qū)、類別、主題、主料、工藝、口味、難度和時(shí)間。為了選品，要分析菜譜中的主料與對應(yīng)的單品，在選中單品后可以查看到單品在競品中的多維度的分析結(jié)果。

圖2 線下業(yè)務(wù)基本流程 圖3 線上業(yè)務(wù)基本流程

在實(shí)際業(yè)務(wù)中可以根據(jù)購物清單進(jìn)行菜譜的推薦，這里需要推薦兩個(gè)方面的菜譜，一個(gè)是已有的所有單品可以組成的菜譜有哪些，另一個(gè)是使用部分購買的單品與系統(tǒng)可以購買的產(chǎn)品組合還可以產(chǎn)生哪些菜譜，這樣更有利于推薦用戶購買系統(tǒng)的其他商品。

2.2 短文本相似度計(jì)算

在本文方法中，菜譜名與外賣名的相關(guān)性度量以及菜譜主料與有效商品名的相關(guān)性度量都需要使用短文本相似度的計(jì)算，主要包括文本直接匹配和特征向量距離計(jì)算兩種方法。

文本直接匹配的方法主要有最長公共子序列法(LCS)、編輯距離法和相同單詞個(gè)數(shù)法，編輯距離會忽略文字之間的連續(xù)性，對整體性差異進(jìn)行度量。對于中文的處理，相同單詞個(gè)數(shù)法需要對短文本進(jìn)行分詞處理，一方面分詞的準(zhǔn)確性會直接影響到最終匹配的準(zhǔn)確性；另一方面菜譜和食品等有較多的固定詞組，往往不太適合進(jìn)行分詞。

使用特征向量匹配的方法首先需要得到每個(gè)短文本的特征向量，然后使用歐氏距離或者余弦相似度等方法對向量的相似度進(jìn)行度量。獲取文本的特征向量常見的有統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)訓(xùn)練方法，統(tǒng)計(jì)方法主要是基于詞袋模型，比如文本的多熱向量編碼和TF-IDF統(tǒng)計(jì)編碼等，機(jī)器學(xué)習(xí)方法目前應(yīng)用比較多的是基于深度學(xué)習(xí)的Word2Vec和Sentence2Vector方法。不管是統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)方法，都需要大量基于應(yīng)用場景的語料庫，語料庫的豐富性和準(zhǔn)確性決定了訓(xùn)練出特征向量的價(jià)值，同時(shí)也有中文分詞準(zhǔn)確性所帶來的問題，以及前文所提的菜譜與食品大量存在的固有詞匯，更容易導(dǎo)致分詞的錯(cuò)誤，如果要避免分詞錯(cuò)誤需要人工維護(hù)固有詞匯的字典，會帶來額外巨大的工作量，而且在本文方法中，主要是菜譜名和商品名的短文本，沒有大量上下文相關(guān)應(yīng)用場景的語料庫。也可以考慮第三方訓(xùn)練好可以直接使用的API接口，比如百度人工智能短文本相似度接口，除了收費(fèi)價(jià)格問題以外，由于百度是通過大量的全文本的方式進(jìn)行訓(xùn)練，未必適用于本文所提的應(yīng)用環(huán)境。

還有一種混合法，不是一種獨(dú)立的算法，而是使用兩種或多種的結(jié)果，給予權(quán)重后混合度量結(jié)果。綜上所述可以看出，最長公共子序列法是適合于本文所提應(yīng)用場景的最佳文本匹配方法，基本定義與算法描述如下。

輸入兩個(gè)要匹配的中文序列X={x1,x2,…,xm}與Y={y1,y2,…,yn}，|X|=m，|Y|=n，即長度分別為m與n(m≤n)，LCS(X,Y)=lcs={l1,l2,…,lr}，最長公共子序列為lcs，|lcs|=r。X1,i表示串x1x2…xi，1≤i≤m，Y1,i表示串y1y2…yj，1≤j≤m，則LCS(X1,i,Y1,j)=lcsi,j。該算法采用動(dòng)態(tài)規(guī)劃思想，首先構(gòu)造一個(gè)(m+1)×(n+1)矩陣，并進(jìn)行初始化，如圖4(a)所示。

(a) 初始化 (b) 得分過程圖4 得分矩陣L描述[11]

然后按照式(1)來計(jì)算Li,j。

式中：Li,j表示lcsi,j的長度，即|lcsi,j|=Li,j，Li,0=L0,j=0，0≤i≤m，0≤j≤n，|lcs|=Lm,n就是兩個(gè)中文序列最長公共子序列的長度。通過對Lm,n進(jìn)行前向回溯，當(dāng)回溯到L0,0時(shí)候就可以求出lcs。由于中文序列主要是菜名、食物名或食材名，所以不存在過于長的序列，可以使用該構(gòu)造矩陣的方式進(jìn)行求解，算法復(fù)雜度為o(mn)。圖4(b)例子中使用式(1)的計(jì)算函數(shù)構(gòu)造出一個(gè)得分矩陣，通過自底向上回溯的方法求出兩個(gè)串的最長公共子串，圖4(b)中的箭頭表示LCS對應(yīng)的關(guān)鍵路徑，當(dāng)字符匹配的時(shí)候，矩陣中對應(yīng)的分?jǐn)?shù)會增加。

2.3 數(shù)據(jù)預(yù)處理

爬取的菜譜數(shù)據(jù)來自美食杰菜譜網(wǎng)站，一共有29 243條菜譜數(shù)據(jù)，主要字段包括菜譜名、主料、類別、輔料、粉絲數(shù)、點(diǎn)贊數(shù)、烹飪方法、烹飪時(shí)間、烹飪難度、菜譜圖片、制作過程、準(zhǔn)備時(shí)間、特征標(biāo)簽和味道等。預(yù)處理過程如下：

1) 菜譜名查重：有4 924個(gè)有重復(fù)名的菜譜，只是配料和制作過程稍有不同。

2) 重名處理方法：menu=argmax(fans(menu))，其中fans是獲取菜譜menu粉絲數(shù)的函數(shù)，即保留粉絲數(shù)最大的菜譜，其他重名菜譜去除。

3) 字符串類型數(shù)字化：將字符串類型的烹飪時(shí)間與準(zhǔn)備時(shí)間映射為整數(shù)類型，如式(2)所示。

4) 缺失數(shù)據(jù)處理：有2 005條缺失烹飪時(shí)間數(shù)據(jù)，由于烹飪時(shí)間此處是分段的離散屬性，按照眾數(shù)的方法對缺失值進(jìn)行填充，cooktimemiss=mode(cooktime)。

爬取的外賣數(shù)據(jù)來自餓了么網(wǎng)站，一共有1 926 096條外賣數(shù)據(jù)，主要字段包括小區(qū)號、店鋪號、外賣商品名、價(jià)格、點(diǎn)贊、打分、月銷量等。預(yù)處理過程如下：

1) 缺失數(shù)據(jù)處理：有5 361條數(shù)據(jù)存在缺失字段，由于外賣數(shù)據(jù)比較龐大，采用刪除處理的方法，只是保留字段完全的數(shù)據(jù)。

2) 保留與菜譜關(guān)聯(lián)度高的外賣數(shù)據(jù)：去除缺失數(shù)據(jù)后依然有近兩百萬條數(shù)據(jù)，不僅包括各種食品，還包括各種各樣的日常消費(fèi)品，比如礦泉水和飲料等。由于本文只是關(guān)注基于菜譜推薦的食材商品選品，所以需要去除在外賣品與食品無關(guān)的其他商品，在外賣數(shù)據(jù)的屬性中沒有對商品類型進(jìn)行區(qū)分的字段，無法直接根據(jù)字段進(jìn)行過濾去除。這里采用一種從菜譜開始的反向匹配策略：

(1) 設(shè)置LCS匹配門限threshold=0.75。

(2) 由于菜譜是必需的，從菜譜數(shù)據(jù)進(jìn)行查詢，使用LCS匹配法計(jì)算每個(gè)菜譜名與所有外賣名的相似度simi(menu,takeout)，如果大于等于threshold則保留。

處理后與已有菜譜緊密相關(guān)的外賣品有89 872條。

2.4 社區(qū)差異性分析

2) 購買力歸一化：為了簡化表達(dá)，這里把社區(qū)的下標(biāo)去除，sum=(sum-min)/(max-min)，此處max和min分別表示所有sum中的最大與最小值。

3) 去除銷售量過高的共性外賣：比如像炒土豆絲，炒白菜等由于價(jià)格低廉，又適合大眾口味，所以在每一個(gè)社區(qū)的銷量都會很高，需要去除。公式∩top20(

4) 點(diǎn)贊數(shù)、打分和月銷量三個(gè)屬性歸一化：設(shè)thumb和score表示點(diǎn)贊與打分，針對每一個(gè)社區(qū)，將三個(gè)屬性值標(biāo)準(zhǔn)化到0至1區(qū)間，thumb=(thumb-min)/(max-min)，score=(score-min)/(max-min)，sales=(sales-min)/(max-min)。

5) 設(shè)置整體外賣受歡迎程度：popular=0.4×thumb+0.3×score+0.3×sales。

6) 使用LCS匹配查找菜譜匹配的外賣食品：設(shè)置LCS匹配相似度門限threshold=0.75，超過門限值則匹配成功。find_takeout={simi(menu,takeout)≥0.75}，find_takeout表示匹配成功的外賣食品，由于一個(gè)菜譜可能對應(yīng)多個(gè)外賣食品，所以結(jié)果是一個(gè)集合。

7) 計(jì)算單個(gè)菜譜受歡迎程度：menu_popular=mean(popular(find_takout))，使用多個(gè)匹配成功的外賣食品歡迎度的均值作為菜譜的歡迎度，這樣就可以計(jì)算出在某個(gè)時(shí)間段內(nèi)每個(gè)社區(qū)整體上對于不同菜譜的喜好程度。

8) 選品與推薦：針對每個(gè)社區(qū)選擇排名靠前的菜譜，菜譜的具體數(shù)量可以根據(jù)企業(yè)的業(yè)務(wù)能力進(jìn)行自由調(diào)控，分析菜譜的具體食材，在對社區(qū)推薦喜愛菜譜的同時(shí)對菜譜所包括的食材商品同時(shí)進(jìn)行推薦，通過差異化滿足不同社區(qū)的需求。

2.5 競品分析

本文分析的主要競品渠道來自其他團(tuán)購平臺、電商和市場價(jià)平臺，具體如表1所示。

表1 競品渠道

本文在競品分析部分主要做的工作是找到與社區(qū)暢銷的菜譜主料所匹配的競品單品。在獲取的競品數(shù)據(jù)中，會對所有競品商品中的單品與小區(qū)暢銷的菜譜主料進(jìn)行匹配，在使用最長公共子序列求串的相似度中發(fā)現(xiàn)，由于在競品單品中會出現(xiàn)名字較長的商品名，而與之對應(yīng)的主料名較短，會導(dǎo)致相似度偏低，事實(shí)上該主料名是商品名中的核心詞匯，所以此處在匹配過程中增加單品名是否包含主料名的判斷，如果包含同樣認(rèn)為是高度匹配。

通過該方法，可以快速發(fā)現(xiàn)社區(qū)擬推薦的菜譜主料商品是否存在于當(dāng)前階段的競品商品中，如果存在，則可以進(jìn)一步對競品的該類商品數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，比如包括銷量分析、價(jià)格分析、渠道分析、區(qū)域分析等，為本團(tuán)購平臺的選品提供決策指導(dǎo)，統(tǒng)計(jì)分析部分不是本文涉及內(nèi)容。

3 實(shí)驗(yàn)與討論

系統(tǒng)使用阿里云服務(wù)器ECS，8 vCPU，處理器型號為Intel Xeon(Cascade Lake) Platinum 8269CY，32 GB內(nèi)存，操作系統(tǒng)為64位CentOS 7.7版本，數(shù)據(jù)庫采用MySQL 6.2版本，數(shù)據(jù)分析使用Python3.6.5版本。

菜譜與外賣食品部分匹配結(jié)果如表2所示，對應(yīng)關(guān)系基本上是一致的。

表2 菜譜與外賣對應(yīng)示例

菜譜主料名與競品單品部分匹配結(jié)果如表3所示，對應(yīng)關(guān)系基本上也是一致的。

表3 菜譜主料與競品單品對應(yīng)示例

寧波市31個(gè)不同社區(qū)根據(jù)餓了么外賣數(shù)據(jù)分析出的購買力結(jié)果對比如表4所示，購買力使用歸一化后數(shù)值。

表4 社區(qū)購買力對比

選擇部分不同社區(qū)喜好菜譜所對應(yīng)主料商品如表5所示。

表5 社區(qū)商品推薦

本項(xiàng)目所服務(wù)的團(tuán)購平臺在試用系統(tǒng)后一個(gè)月內(nèi)社區(qū)銷售增長率情況如表6所示，這里選擇5個(gè)增長率較高的社區(qū)進(jìn)行顯示，對于31個(gè)不同社區(qū)的平均銷售額增長率為85.71%，平均有效訂單數(shù)增長率為70.45%，平均總銷售件數(shù)增長率為39.69%?？梢钥闯鲈谝罁?jù)外賣數(shù)據(jù)分析基礎(chǔ)上進(jìn)行選品推薦，可以有效地提高銷售額和訂單數(shù)。

表6 社區(qū)銷售增長率對比(%)

4 結(jié) 語

社區(qū)團(tuán)購是新零售時(shí)代下的電商產(chǎn)物，全國性與地方性的團(tuán)購平臺依然在不斷地競爭和發(fā)展，正確的選品能夠幫助社區(qū)團(tuán)購平臺提升客戶留存，體現(xiàn)社區(qū)團(tuán)購的優(yōu)勢。由于住戶數(shù)據(jù)的安全性與保密性等因素，對社區(qū)進(jìn)行畫像和獲取豐富的數(shù)據(jù)特征并非一件易事，尤其是對處于冷啟動(dòng)階段的小型團(tuán)購平臺企業(yè)。本文希望從可以獲取的外部開放平臺數(shù)據(jù)中來挖掘社區(qū)特征，利用社區(qū)的消費(fèi)特征來引導(dǎo)差異化的選品，提升企業(yè)的經(jīng)濟(jì)效益。當(dāng)然本文方法不足以支撐一個(gè)完整的選品系統(tǒng)，可以作為選品系統(tǒng)的數(shù)據(jù)補(bǔ)充與分析參考。