基于外賣數(shù)據(jù)的社區(qū)團(tuán)購(gòu)選品系統(tǒng)研究與應(yīng)用

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(gòu)物的迅速增加，使得網(wǎng)購(gòu)成為生活模式中必需的一部分。團(tuán)購(gòu)是網(wǎng)購(gòu)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(gòu)物方式。社區(qū)團(tuán)購(gòu)則是團(tuán)購(gòu)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(gòu)團(tuán)長(zhǎng)，通過電商或供應(yīng)鏈平臺(tái)將商品以較低的價(jià)格對(duì)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(gòu)物特色。可以看出，通過團(tuán)長(zhǎng)這一穩(wěn)定的社區(qū)關(guān)鍵角色，使用微信等社交平臺(tái)獲取人氣，可以有效地將社區(qū)內(nèi)固定用戶與電商平臺(tái)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(jí)商業(yè)模式。

社區(qū)團(tuán)購(gòu)在2015年已經(jīng)出現(xiàn)萌芽，2018年開始迅猛發(fā)展，目前全國(guó)有300多家社區(qū)團(tuán)購(gòu)類的電商平臺(tái)或者企業(yè)，社區(qū)團(tuán)購(gòu)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(gòu)的活躍地區(qū)，既包含全國(guó)性平臺(tái)，也有各種快速成長(zhǎng)起來的地方團(tuán)購(gòu)平臺(tái)。如今社區(qū)團(tuán)購(gòu)的市場(chǎng)規(guī)模依然在不斷擴(kuò)大，已經(jīng)進(jìn)入到競(jìng)爭(zhēng)白熱化的階段。

要做好社區(qū)團(tuán)購(gòu)，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(gòu)的一大優(yōu)勢(shì)。大量增加團(tuán)購(gòu)品類或者全品類反而會(huì)增加不必要的成本和減弱社區(qū)團(tuán)購(gòu)的優(yōu)勢(shì)，也會(huì)對(duì)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(gòu)項(xiàng)目，要有對(duì)市場(chǎng)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(yíng)銷，如何對(duì)不同的社區(qū)進(jìn)行差異化營(yíng)銷。

由于住戶數(shù)據(jù)的安全性與保密性等因素，對(duì)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(gòu)的主打商品，所以本文以外賣數(shù)據(jù)為切入點(diǎn)，通過對(duì)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(duì)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(duì)不同社區(qū)的購(gòu)買力與食品喜好進(jìn)行分析的方法，從而商家可以針對(duì)不同社區(qū)提供差異化的商品推薦與服務(wù)。

(2) 使用最長(zhǎng)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(jìng)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(tái)數(shù)據(jù)進(jìn)行分析，并在寧波某家做社區(qū)團(tuán)購(gòu)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(duì)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(duì)于大型規(guī)模的電商平臺(tái)來講，可以根據(jù)系統(tǒng)長(zhǎng)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(duì)亞馬遜的選品工具主要有亞馬遜船長(zhǎng)和Sorftime，亞馬遜船長(zhǎng)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(yíng)分析、競(jìng)品監(jiān)控、跟賣監(jiān)控和評(píng)價(jià)監(jiān)控等功能。選品的核心功能包括長(zhǎng)尾關(guān)鍵詞、窺探競(jìng)品詞、搜索選品調(diào)研、Reviews智能分析和產(chǎn)品監(jiān)控。Sorftime對(duì)所有亞馬遜的分類產(chǎn)品進(jìn)行列出并對(duì)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(chǎng)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(chǎng)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(chǎng)，從而獲得更高的投資收益。

淘寶生意參謀可以對(duì)淘寶市場(chǎng)店鋪的經(jīng)營(yíng)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(yíng)。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(yíng)數(shù)據(jù)研發(fā)出的數(shù)據(jù)分析平臺(tái)，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(duì)熱門細(xì)分子行業(yè)的分析，某地區(qū)供應(yīng)商與采購(gòu)商交易分析等，從而可以對(duì)選品和采購(gòu)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(duì)社區(qū)的推薦，對(duì)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(duì)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(píng)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(shí)圖譜與人類認(rèn)知智能更加接近，這種知識(shí)賦能的推薦與深度學(xué)習(xí)的結(jié)合逐步會(huì)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(shí)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(shí)圖譜控制任務(wù)之間的知識(shí)交叉與遷移。Cao等[10]對(duì)推薦模型與知識(shí)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(shì)。同時(shí)在國(guó)內(nèi)美團(tuán)等大型餐飲平臺(tái)也都在積極構(gòu)建自己的知識(shí)圖譜體系，用于客戶體驗(yàn)更佳的推薦。

對(duì)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(zhǎng)的運(yùn)營(yíng)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(shí)圖譜體系，而其他大型平臺(tái)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(gòu)業(yè)務(wù)。針對(duì)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(jiǎn)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(gòu)選品依據(jù)。

2 研究?jī)?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(duì)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(chǎng)數(shù)據(jù)、競(jìng)品團(tuán)購(gòu)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(duì)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(jìng)品數(shù)據(jù)來分析菜譜主料對(duì)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(duì)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(duì)競(jìng)品數(shù)據(jù)進(jìn)行分析，將菜譜中的主料與競(jìng)品中的單品進(jìn)行關(guān)聯(lián)。線下業(yè)務(wù)會(huì)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(duì)應(yīng)的單品，在選中單品后可以查看到單品在競(jìng)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(gòu)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(gòu)買的單品與系統(tǒng)可以購(gòu)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(gòu)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(zhǎng)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(huì)忽略文字之間的連續(xù)性，對(duì)整體性差異進(jìn)行度量。對(duì)于中文的處理，相同單詞個(gè)數(shù)法需要對(duì)短文本進(jìn)行分詞處理，一方面分詞的準(zhǔn)確性會(huì)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(duì)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(chǎng)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(huì)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(chǎng)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(zhǎng)公共子序列法是適合于本文所提應(yīng)用場(chǎng)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(zhǎng)度分別為m與n(m≤n)，LCS(X,Y)=lcs={l1,l2,…,lr}，最長(zhǎng)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(zhǎng)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(zhǎng)公共子序列的長(zhǎng)度。通過對(duì)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(zhǎng)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(zhǎng)公共子串，圖4(b)中的箭頭表示LCS對(duì)應(yīng)的關(guān)鍵路徑，當(dāng)字符匹配的時(shí)候，矩陣中對(duì)應(yīng)的分?jǐn)?shù)會(huì)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(duì)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(hào)、店鋪號(hào)、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(duì)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(gòu)買力歸一化：為了簡(jiǎn)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(huì)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(duì)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(duì)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(duì)于不同菜譜的喜好程度。

8) 選品與推薦：針對(duì)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(duì)社區(qū)推薦喜愛菜譜的同時(shí)對(duì)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(jìng)品分析

本文分析的主要競(jìng)品渠道來自其他團(tuán)購(gòu)平臺(tái)、電商和市場(chǎng)價(jià)平臺(tái)，具體如表1所示。

表1 競(jìng)品渠道

本文在競(jìng)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(jìng)品單品。在獲取的競(jìng)品數(shù)據(jù)中，會(huì)對(duì)所有競(jìng)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(zhǎng)公共子序列求串的相似度中發(fā)現(xiàn)，由于在競(jìng)品單品中會(huì)出現(xiàn)名字較長(zhǎng)的商品名，而與之對(duì)應(yīng)的主料名較短，會(huì)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(jìng)品商品中，如果存在，則可以進(jìn)一步對(duì)競(jìng)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(gòu)平臺(tái)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(hào)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(duì)應(yīng)關(guān)系基本上是一致的。

表2 菜譜與外賣對(duì)應(yīng)示例

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

表3 菜譜主料與競(jìng)品單品對(duì)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(gòu)買力結(jié)果對(duì)比如表4所示，購(gòu)買力使用歸一化后數(shù)值。

表4 社區(qū)購(gòu)買力對(duì)比

選擇部分不同社區(qū)喜好菜譜所對(duì)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(gòu)平臺(tái)在試用系統(tǒng)后一個(gè)月內(nèi)社區(qū)銷售增長(zhǎng)率情況如表6所示，這里選擇5個(gè)增長(zhǎng)率較高的社區(qū)進(jìn)行顯示，對(duì)于31個(gè)不同社區(qū)的平均銷售額增長(zhǎng)率為85.71%，平均有效訂單數(shù)增長(zhǎng)率為70.45%，平均總銷售件數(shù)增長(zhǎng)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(zhǎng)率對(duì)比(%)

4 結(jié) 語

社區(qū)團(tuán)購(gòu)是新零售時(shí)代下的電商產(chǎn)物，全國(guó)性與地方性的團(tuán)購(gòu)平臺(tái)依然在不斷地競(jìng)爭(zhēng)和發(fā)展，正確的選品能夠幫助社區(qū)團(tuán)購(gòu)平臺(tái)提升客戶留存，體現(xiàn)社區(qū)團(tuán)購(gòu)的優(yōu)勢(shì)。由于住戶數(shù)據(jù)的安全性與保密性等因素，對(duì)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(duì)處于冷啟動(dòng)階段的小型團(tuán)購(gòu)平臺(tái)企業(yè)。本文希望從可以獲取的外部開放平臺(tái)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。