[[alternative]]Applying parallel association algorithms to value meal design for a Chinese fast food chain restaurant

碩士[[abstract]]隨著國人外食習慣逐漸增長，餐飲業發展也備受關注，而中式速食是餐飲業提升其經營效率的一個方向。本研究之個案公司即為一中式複合式快餐連鎖業者，該公司之策略為提升顧客消費單價與提升服務速度，並確立以提升套餐選購率做為行動方針。而該公司套餐是以固定的基底內容再加上特色主餐與主食類品項而成。欲實施此行動方針，必須確保固定的套餐基底內容是否符合顧客喜好，以及該基底內容價錢是否合乎其水準。因此，本研究利用個案公司所提供的POS資料中找尋到隱含的顧客喜好並透過關聯分析找出餐點品項間的關聯性。本研究亦將套餐基底設計視為最佳化問題，欲將套餐基底品項間的關聯最大化，並以求解所得之最佳套餐基底作為套餐設計之依據。本研究考量到POS資料隨營運成長將造成的效率問題，因此建置hadoop分散式運算平台，並採用平行FP-Growth 演算法作為關聯分析工具。透過資料清除、篩選、探勘、套入模型後本研究方法以個案公司之POS資料實證，結果顯示，透過本研究所提出的方法設計出求解所得之套餐基底內容，品項間的支持度較原有之套餐基底內容高，且價錢也在合理範圍內，顯示本研究方法於實務上的可行性。[[abstract]]As the growth of dining-out population in the recent years, the development of the food and beverage industry is getting attention, and Chinese fast-food restaurants are particularly considered as the way to improve the operating efficiency in the food and beverage industry. The case company of this study is a Chinese fast food chain restaurant. To enhance its operating efficiency, the company''s tactics are to encourage the expenditure by customer per transaction and to improve the service speed by serving more value meals (i.e. combo) to customers. The design of the company’s value meal is based on some fixed base items coupled with main dishes. To implement this operational policy, the company must confirm that the base items for value meals meet customer preferences, as well as appropriate prices. This study utilizes the POS data to find implicit information regarding customer preferences by the association analysis between individual items. The design of the value meal base is considered as an optimization problem where the objective is to maximize the overall associations in a value meal base. Considering the fast growth of POS data in the future, we adopt Hadoop as the computing platform, and use parallel FP-Growth algorithm for association analysis. Through data cleaning, filtering, and solving the optimization model, the empirical results confirm that the proposed approach is feasible. The results demonstrate that our designs of value meals render greater associations among items in a value meals than the current menu of the company can support.[[tableofcontents]]目錄 第一章 緒論 1 1.1. 研究背景與動機 1 1.2. 研究目的 3 1.3. 研究流程 5 第二章 文獻探討 6 2.1. 連鎖速食業 6 2.1.1. 定義與特性 6 2.1.2. 經營與行銷活動 7 2.2. 資料探勘 8 2.2.1. 定義與特性 8 2.2.2. 關聯規則（Association rules） 10 2.2.3. 應用 15 2.3. Hadoop平台 16 2.3.1. 起源與特色 16 2.3.2. 運作 17 第三章 研究方法 19 3.1. 最佳化（Optimization） 19 3.2. 應用關聯規則探勘於套餐設計 21 3.3. 平行關聯演算法（Parallel Association algorithms） 21 第四章 實驗結果與分析 27 4.1. 資料分析 27 4.2. 實驗資料準備 33 4.3. 實驗結果 35 4.3.1. 各套餐基底之內容品項相聯偶對支持度 38 4.3.2. 各套餐基底之內容品項相聯偶對加總平均支持度 42 4.3.3. 各套餐基底之支持度 43 4.4. 結果分析 43 第五章 結論與未來研究方向 45 5.1. 結論與研究貢獻 45 5.2. 建議與後續研究 46 參考文獻 47 表目錄 表1-1 各行業營業額變動 1 表1-2 餐飲業營業額變動 1 表1-3 2008年連鎖速食店家數概況 2 表4-1 各分店交易筆數 27 表4-2 各分店交易分布比例 28 表4-3 各分店單點交易筆數 28 表4-4 各分店單點交易分布比例 28 表4-5 各分店套餐選購率（以全數單點品項為分母） 30 表4-6 各分店套餐選購率（排除單點飲料品項為分母） 30 表4-7 天氣與品項之強關聯規則 32 表4-8 原有套餐基底內容單品項支持度 33 表4-9 原有套餐基底內容品項相連偶對支持度 34 表4-10 實驗一N=2各套餐基底之內容品項相聯偶對支持度 38 表4-11 實驗一N=3各套餐基底之內容品項相聯偶對支持度 38 表4-12 實驗一N=4各套餐基底之內容品項相聯偶對支持度 39 表4-13 實驗一N=5各套餐基底之內容品項相聯偶對支持度 39 表4-14 實驗一N=6各套餐基底之內容品項相聯偶對支持度 40 表4-15 實驗一N=7各套餐基底之內容品項相聯偶對支持度 40 表4-16 實驗二N=2各套餐基底之內容品項相聯偶對支持度 41 表4-17 實驗二N=3各套餐基底之內容品項相聯偶對支持度 41 表4-18 實驗一相聯偶對支持度加總平均 42 表4-19 實驗二相聯偶對支持度加總平均 42 表4-20 實驗一套餐基底內容品項同一單交易出現筆數 43 表4-21 實驗二套餐基底內容品項同一單交易出現筆數 43 圖目錄 圖1-1 研究架構圖 5 圖2-1 FP-tree construction[5] 12 圖2-2 Mining frequent patterns with FP-tree by pattern fragment growth[5] 13 圖2-3 創建FP-tree 流程 14 圖2-4 FP-Growth挖掘頻繁樣式流程 15 圖2-5 Hadoop的分散式檔案系統(HDFS)結構[3] 17 圖2-6 MapReduce框架[3] 18 圖2-7 MapReduce範例 18 圖3-1 The Parallel Counting Algorithm[7] 22 圖3-2 F-list 23 圖3-3 The Parallel FP-Growth Algorithm[7] 24 圖3-4 The Aggregating Algorithm[7] 25 圖3-5 研究方法流程 26 圖4-1 交易分布比例 29 圖4-2 營收分布比例 29 圖4-3 各分店套餐選購率（以全數單點品項為分母） 31 圖4-4 各分店套餐選購率（排除單點飲料品項為分母） 31[[note]]學號: 603630012, 學年度: 10