分析在餐饮供应链中的应用、局限和机会

摘 要

技术、市场和竞争态势都要求餐饮/食品服务供应链中的公司，提高他们常常落后于其他类似行业公司的分析能力。全球COVID-19大流行进一步促使该行业领导者评估新的挑战和机遇。我们的研究为分析技术在当前环境中的应用提供了洞见，并为餐饮供应链的决策者结构化地集成了这些洞见。该研究以决策理论为框架视角，参考了数据管理、分析技术和计算方面的相关学术文献。我们将来自美国和中国餐厅连锁领导企业的采访数据，与商业出版物和社交媒体上的见解结合起来，以确定分析应用和组织变革的最佳实践。我们的分析提供了商业领导者将分析技术应用于结构化和非结构化数据的案例，以达到解决需求/供应过程的目标，并促进更高层次的组织学习。为了与《生产和运营管理》特刊的宗旨保持一致，本研究提供了餐饮行业当前最先进的分析能力，以及下一代的分析能力的总揽。我们并且进一步明确了当前分析过程的局限、进一步的发展机会和理论研究机会，以及实施的挑战。

名词解释

结构化数据：

形式为“字母-数字”，是被预先分配的标签和根据预定义的方案进行组织的数据，简单说就是数据库。

非结构化数据：

以文本、视频、音频和图像等形式传递的连续信息(Liu et al.，2016)。

针对性的分析：

分析的问题是预先定义好的，分析的重点是开发和将算法或决策规则应用于问题的解决方案设计和决策选择 (Gorry & Scott Morton, 1971)。在供应链管理领域的例子包括：预测、库存计划、资源调度和位置/分配决策，其中预测和决策质量根据预定义的标准进行评估。这种有针对性的分析旨在优化供应链管理的有效使用资源（Chen et al., 2021;Choi et al., 2018）。

探索性分析：

比起寻找已知问题的最佳解决方案，探索性分析的目标是学习(例如，问题或机会识别; Chen et al., 2021)。决策者运用数据挖掘技术，模式识别，判断和领域知识来识别、评估和将洞察力融入新的研究领域。供应链管理活动中的探索性分析的例子包括，搜索销售数据、客户和供应商的模式或异常评论，在线点击流量，商品购买数据，运输数据，或供应商或客户交易或关系数据。在这样的分析中得到的洞见可能是提出流程改进、新产品想法、或增值服务的建议（March, 1991;  Chen et al., 2021年；Choi et al., 2018）。

根据决策理论的分析应用类型：

最新技术水平的分析

在本章节中，我们将讨论数据分析的普遍应用，这些应用使用了从整个供应链捕获到的不同数据源的数据。我们利用上述的决策框架来组织和比较分析的用法，讨论与数据集成和共享相关的问题。根据决策理论，利用我们对访谈和辅助数据源的分析，我们提供了所有四种类型分析(如图)应用的例子。

人员管理

使用结构化数据进行针对性分析

餐厅经理追踪配送、烹饪和顾客等待时间，以便更好地规划劳动生产率和员工满意度。例如，一个数据分析团队最近重新设计了排班软件，将生活质量、员工因不方便的较短轮班安排带来的在通勤上的更多时间花费、以及其他影响员工工作体验的因素，都纳入到软件设计的目标中。对排班软件的调整为公司节省了50万美元的再培训和生产力损失成本，因为在一年之内，有更多的员工愿意留下来在合理的排班安排下工作。

使用结构化数据进行探索性分析

在另一个例子中，连锁餐厅Cava Grill记录了与某些人员配置相关的客户满意度数据。他们发现，服务于不同排队队伍的员工，他们的个性风格对客户体验的影响也不同，当健谈的员工为排队的客户服务时，他们会帮助队伍运行得更顺畅。

菜单设计

图片来自网络

使用结构化数据进行针对性分析

餐馆正在菜单设计规划中使用大数据分析。我们采访的一个物流服务商开发了一种分析工具，使加盟商和营销人员能够比较不同地区的菜单品种表现的数据。价格、利润率和店内生产率都被纳入一个强制的排名分析体系，以帮助决策者选择菜单上的菜品，移除、推广或与其他菜品合并，来推动更高的顾客支出。在另一个例子中，麦当劳最近收购了一家人工智能开发公司，以基于天气的数据，生成定制化的菜单，来增加营收。

使用非结构化数据进行针对性及探索性分析

社交媒体为餐厅提供了大量的数据，以使餐厅经营者产生洞察力。根据一家物流服务商副总裁的介绍，该行业的许多从业者都处于将非结构化的社交媒体数据结构化的早期阶段。他指出，一些品牌正在创建“控制中心”来跟踪社交媒体上的客户发言。例如，一家物流服务商正在使用来自Instagram和Twitter等平台上的客户评论和趋势信息的数据，来预测商品数量(针对性分析)，并识别和纠正潜在问题，比如食品安全(探索性分析)。在另一个案例中，麦当劳使用工具，让每个特许经营者可以接触到利润率、销售额等数据，因此商店可以决定哪些产品应该推广、撤下或合并。

使用结构化数据进行探索性分析

菜单格式还可以通过添加有关餐厅目标顾客的人口统计信息进行优化。例如，北德克萨斯大学的一项研究发现，35岁至65岁之间，受过高等教育的女性，更有可能关注她们饮食中反式脂肪和饱和脂肪的含量。针对这些客户的餐厅，可以在菜单上提供相关信息以吸引顾客(Bharath et al., 2009)。

使用非结构化数据进行探索性分析

餐馆正在寻找机会，通过改变菜单品种的顺序，改变或增加菜单品种的描述，甚至删除不受欢迎的菜单品种，以减少未使用食材的库存，提高顾客满意度和餐厅生产率。例如，特拉华州塔利维尔的一家当地餐厅El Camino Mexican Kitchen，分析了OpenTable和TripAdvisor上批评食物味道平淡、价格不合理的评论后，对产品进行了全面改革。如：增加分量、推出新选择、更新食谱等，这样带来了越来越积极的顾客评价，并获得了当地新闻网站的专题报道。

预测和管理需求

图片来自网络

使用结构化数据进行探索性分析

当行业中使用的需求预测模型通常十分简单时(例如，简单的基于excel的模型)，一些连锁店开始将机器学习应用到过去的产品销售数据中，以搜索产品的需求特征，这样可以更好地预测未来产品的需求。他们希望将这种学习应用于构建相关的产品模型，以用于预测含有特定组合的新产品的需求。

在线餐厅信息和即时社交媒体数据，帮助餐厅了解顾客到达模式和推动客户行为。比如谷歌的餐厅信息页面，显示了餐厅的平均繁忙程度（每天的哪几个小时繁忙？一周的哪几天？)，还可以反映实时的餐厅繁忙程度。餐厅可以利用这些信息来协调人员配置。此外，Yelp平台现在可以授权餐厅为顾客管理虚拟队列。顾客可以在Yelp上加入一个虚拟的队列，然后查看他们的位置和预估的等待时间，并在桌子准备好时收到通知。通过实时更新目前的等候名单和后面的来客，餐厅可以自行决定是否加快或维持其内部操作的当前速度。从长远来看，饭店也可以采用记录等待时间和到达模式，来计划他们的服务产品和人员配置水平。

食品质量控制

使用非结构化数据进行探索性分析

在供应链中，食品加工商获取第三方数据(Twitter, Yelp)，并使用关键词和标签进行分析，以对他们的包装工艺及冷链管理进行改进。例如，Twitter上的许多客户抱怨有些牛肉吃起来味道不好，还有怪的气味(Mishra & Singh, 2018)。这些投诉提醒加工商注意低效的包装方法和产品加工中的潜在问题。

连锁餐厅还通过在与餐厅品牌相关的社交媒体活动中，标记“食物中毒”或“生的”等关键词来跟踪社交媒体活动，以确定食品质量问题。一家物流服务商的副总裁指出，来自社交媒体的数据可以帮助连锁店，在出现质量和安全问题时“瞄准潜在的活动热点”。例如，监控社交数据就帮助Chipotle，在几年前爆发大肠杆菌疫情时，迅速关闭了相关地区的门店。连锁餐厅也在利用大数据控制食品质量和口感(Mishra et al，2017)。例如,Cheesecake工厂采用IBM的分析服务来识别和去除不符合质量和一致性标准的原料。

位置选择和餐厅设计

使用结构化数据进行探索性分析

连锁餐厅正在使用大数据分析，来识别进行业务扩展的适当地点。例如，Yelp为餐馆提供关于位置的智能数据（顾客偏好、交通模式、存在类似的餐厅等）、当地的趣味地点、以及跨地域的商业活动趋势。规划者使用这些数据，判断可能的业务增长，来对地点进行排名。在餐厅内部，经营者正部署传感器，可以探测到各种各样的影响顾客的因素，如光线、声音、以及顾客的座位选择。通过分析客户在餐厅座位的选择密度，Cava Grill注意到，顾客喜欢坐在光线较好的地方：晴天时倾向于窗边，雨天时倾向于室内。利用这一发现，管理者学会了根据天气调整照明，以提升客户用餐体验。

营销

图片来自网络

使用结构化数据进行探索性分析

餐饮公司正通过社交媒体与顾客进行实时交流。企业管理其在社交媒体平台上的印象很重要，因为他们可以做到影响一个餐厅相较于其他餐厅的评级和地位。品牌在网上的声誉影响顾客的感知风险、期望水平、以及前往或者订餐的决策。公司甚至可以分析竞争对手在社交媒体平台上的相对受欢迎程度，来看看他们是否遗漏了扩大服务范围的机会，失去了竞争优势。此外，餐厅还能获得在餐厅网站或在线地图上的浏览量和“点击量”的信息，来获得客户参与模式(Lanz & Berry, 2019)。

餐馆经常收集销售数据、供应链数据、来自美国邮政服务的数据、人口和竞争数据，来了解当前客户的需求和行为，以及如何与他们重新接触。例如，为了获得一个准确的消费者画像，达美乐的分析师研究了他们的内部数据。达美乐公司企业信息服务副总裁德尤利克(Dan Djuric)说：他们有这种能力，可以“观察居住在一个家庭中的多个消费者，了解谁是主要的买家，谁会对我们的优惠券做出反应，最重要的是，了解他们对于我们渠道的反应。”除了内部数据分析团队，像美团大脑这样的SaaS软件公司，通过结构化顾客的评价来服务餐饮企业。它们帮助餐厅识别其优点和缺点、总体客户印象、客户忠诚度、以及菜肴受欢迎程度的变化。

使用结构化数据进行针对性分析

餐厅也利用结构化数据进行针对性分析。许多公司使用手机应用程序再次接触现有客户。基于消费者在应用程序上购买意愿的信号，比如浏览或向购物车添加产品，餐馆可以发送实时通知，提醒顾客下单，并提供个性化的推荐。例如，为了针对他们的客户进行营销，Tropical Smoothie结合了来自其门店POS机的新数据和历史数据，包括客户忠诚度的应用程序数据、特许经营信息、关于菜单项和促销活动的内部元数据、以及包括天气和交通细节在内的一套新的“超级”数据，向客户提供建议。除了使用手机应用程序来鼓励购买，当顾客的位置在餐厅的一定半径内时(根据他们的手机GPS)，餐厅使用移动应用程序在用餐时间向顾客发送通知，引导他们找到最常被订购的商品页面。为了培养个性化应用的用户粘性，美国披萨连锁店平均每天要有1500万次交流，每月有75万次的新应用程序安装。另一个例子是，Fig & Olive做了一个“我们想你”的活动，免费提供crostini给过去30天没有来过的客人。该活动的结果是，300次访问和超过36000美元的销售额，7倍于这个项目本身的成本。其他鼓励顾客光顾的方法还有，预订时有针对性的折扣，或当他们靠近餐厅的时候，推送免费的停车券到手机上。除了市场活动，社交媒体也一样为餐厅提供大量的数据，以生成对顾客的洞察。例如，为了获得精确的客户画像，HC公司使用内部机器学习以及深度学习的模型。HC的首席信息官表示，他们的模型可以预测顾客对菜肴的兴趣，从而提供个性化的推荐。

生产和库存管理

使用结构化数据进行针对性分析

农户通过分析环境因素，和从中游供应商以及分销商处收到的需求数据来优化对农作物的选择。加工商根据中下游客户的需求预测，优化产能和配置库存。例如，一家大型物流服务商的分析副总裁描述了他的公司为供应商提供的一个仪表盘，可以显示“他们的产品在不同地区和不同链条上的使用地点和使用数量。”

在中间环节，为了优化产品补充时间和分销路线，一家领先的物流服务商业务发展副总裁描述了他们如何将客户公司的需求端数据、供应商方面的供应端数据，与天气预报、政策发布(例如，解除封锁、产能利用率限制或COVID-19期间的其他限制)和当地事件等外部信息相结合。通过从大数据和市场分析中收集的信息，可以让分销商“预测产品需要在某个地区内的哪个位置销售”。

在下游，餐厅通过更好地跟踪厨房库存，来优化采购决策和库存管理。一家供应链公司的供应链总监指出，她的公司使用一个仪表盘，合并分销中心的库存、发票和“活动”数据，以准确跟踪库存。这些仪表盘支持按州、地区和产品来比较当前和历史库存水平。库存管理系统可以设置提醒来订购食材，预测库存可以维持多久，并减少浪费。类似地，我们采访的一个大型物流商，为其客户提供了一个用于连锁店和分销商的仪表板，详细描述了库存水平、商品新鲜度、价格、以及产品采购不匹配及不合格的信息。他们还利用这些信息开发出一种采购工具，使供应商与产品规格相匹配。

使用结构化数据进行探索性分析

组织数据的新方法也能使中游玩家发现一些问题。例如，一家供应链公司的首席财务官指出，为了更全面地了解库存情况，针对某些特定用户的功能仪表板，正在被更全面的计划仪表板所取代，计划仪表板显示所有的销售和库存变化，使用预测建模来指示库存问题。这样的仪表板支持对供应计划、库存、价格差异和促销的分析，将历史上分离的数据流整合到一个管理工具中。除了指出潜在的问题，仪表板还通过跟踪信息，如订购的食材、预测库存的可用时间和减少浪费，使支出分析能够支持合同谈判。

物流管理

图片来自网络

使用结构化数据进行针对性分析

数据分析正在推动物流跟踪和配送计划。在他们为客户提供的仪表盘中，一家接受采访的领先物流公司的副总裁提供了在其网络中，运输货物的卡车的跟踪数据。一家受访的大型火锅连锁店，使用车辆停留时间和车辆到达数据，以及站点的地理位置信息，来优化仓库和配送路线，并提供实时调度指令。除了餐厅，外卖平台也从数据分析中受益。为了准确预测食物准备好的时间和司机的运送时间，一个送餐平台采用机器学习算法，在最理想的距离将送餐任务分配给司机，确保司机在食物准备好的同时到达。

使用结构化数据进行探索性分析

为了提高对突发情况的响应能力，物流服务商可以分析动态的资源数据。例如，在COVID-19期间，武汉被封控，我们采访的一家中国物流服务商，使用来自所有地区连锁店的数据来确定，哪些客户端汽车可能无法离开城市。结果，原计划运往武汉的物资全部运往其他城市。这一举措防止了食材过期，避免了公司的利润损失。

便利餐厅搜索

使用非结构化数据进行探索性分析

拥有海量数据的搜索平台，正尝试更好地组织他们的非结构化记录，以提高用户体验。例如，为服务内容和服务供应商打标记，美团平台使用自然语言处理程序制作了超过10万个标签。他们自制的情绪分析工具使用了20多个情绪标签，提供很多信息更精确的情绪评分。这些标签是专门为休闲产业设计的，因此提供比其他泛型算法更合适的特征刻画。此外，美团平台还计划为客户提供便利化的搜索引擎，该引擎将找到附近最相关服务以及简要描述每个服务提供者。这样，客户就不再需要点击进入每一家餐厅，来自己浏览内容。他们可以根据美团平台自然语言处理程序生成的摘要做出有效决策。搜索引擎可以通过分析客户的输入-搜索词、用户信息、位置信息-来确定用户感兴趣的服务特征。然后它将客户的喜好与服务商的标签相匹配，搜寻到合适的服务提供商。最后，它将使用自然语言为每一个合适的供应商生成一个快速的概要简介。

图片来自网络