吃货福音：大数据告诉你今天吃什么？

摘要：大家五一节快乐!放假期间有没有想过出去搓一顿呢不过，身为选择困难症的吃货，感觉每天都要受到来自各方面的信息攻击：熟人在朋友圈晒美食，陌生人在网上分享食谱，连美食app也不放过推荐。好像全世界都在向你推荐今天吃什么……所以，今天到底该吃什么啊我们提出了一个构想，帮你解决吃什么的问题。

“今天吃什么？”

“随便。”

“能不能不要天天说随便？你每次说了都跟没说一样！”

这样的对话好像每天都在身边发生着。毕竟，作为著名的“大吃货帝国”国民，大家对于“吃”的要求都是很高的，然而再好的美食连着吃也没什么意思。不论下馆子还是自己买菜，我们都常常被“今天吃什么”这个不算问题的问题所困扰。要是有一位朋友总是能给出符合自己心意的回答，那该多好！

在网络和计算机技术日益发达的今天，我们选择 “去哪儿吃” 的方法已经悄然发生了转变。中烹协针对“人们如何选择去哪儿吃”的问题展开调查，结果如下图所示：

中烹协的调查结果当然是比较权威的，能够充分体现餐饮消费需求的普及型和消费调查的大众代表性。可以看出,“美食网站或app”的使用以45.1%位居榜首，这个结果在互联网飞速发展的今天也是情理之中。还有口口相传的他人介绍方式也不出乎意料地仍然是占据重要地位，毕竟人多的地方嘴也多。

大众点评app的“小伙伴也喜欢”

就拿使用最广泛的美食网站和手机APP来说吧，在当前市场上，这类产品和服务已经相当繁多。打开美团、大众、饭桶等各种网站或者app, 一堆一堆的“猜你喜欢”、“团购推荐”、“今日新品”等的主动推荐花样百出，让食客尽收眼底。然而，此类服务仍停留在“根据条件搜索提供信息”的阶段，罗列出大量符合条件的选项以供消费者们进一步选择，或者是一些满足大众心理的特色推送。因此，目前的美食网站及app仍然集中在传统的“信息提供”层面，缺乏对消费者的个性化定制和智能精准推荐。

对于像我这种选择困难症严重的懒人来说，面对纷繁芜杂的众多选择，还是会为每天吃什么的问题劳心费神、犹豫不决，我相信一定也存在很多和我有类似困扰的小伙伴。想来想去，作为大数据工作者，还是想从自己的老本行下手来解决这个困扰。那么，我们该如何运用大数据思维，来构建一个可以为消费者个性化定制的智能荐食模型、满足消费者需求并做出决策呢？

智能荐食模型

首先第一步，讨论数据来源问题。不妨想像一下，你下班后约了三五伙伴，打算在西直门附近一聚，但大家讨论半天也不知道该去哪里吃，——于是，你习惯性地拿出手机、打开美团，看团购、看点评、看位置、看口味、看价格……你手指轻轻滑动的这几下，自己大概没什么特殊感觉，实际上它的价值可大了，各大电商网站不就是通过这种方式来收集信息、研究消费者偏好和特征吗？所以，从这一刻起，你的行为已经被采集和记录。

是什么样子的记录呢？

答案是：你是一个很大、很大的表格里一串很长的数字。这串数字描述了你看过的每一个东西、你点击的每一个链接以及你收藏和关注过的每一个选择；表格里的其余部分则记录了其他千百万到网站预订和购物的人。你每次登陆网站，每次在网站上进行操作，这个数字都会跟着改变。所以，网站商家获取消费者的动态数据信息这件听起来很玄妙的事情，在我们数据工作者眼中都不在话下。

接下来，该如何运用和分析这些数据呢？数据来源于消费者，当然可以反应消费者的消费偏好、口味偏好、行为特征等，而且因人而异，各有不同。但是不要忘了，我们研究的是大数据、而不是基于单个个体的分析。因此，在浩瀚如海的数据中，总会存在与你的喜好、口味相同或者相近的个体或群体。

这时，以大数据分析技术来进行客户分群分析的威力就要体现出来了。我们可以通过聚类算法从多个不同维度，将成千上万的吃货个体进行分组分群，并从中提取每一类群体的特征标签。例如，按照餐饮分类的火锅、自助、西餐、北京菜、日韩料理等进行分别聚类就是一种选择，没准在“北京菜”里，您就被定义成了这样一个吃货：

聚类算法会使得群内消费者特征高度相似、不同群体消费者特征差异最大化，使用聚类算法，不仅能使消费者对自身的认识更清晰，还能够知晓同一群组内其他消费者的潜在特征，以及不同群组间的差异化特征，从而使得认识更加全面。

认识和了解了消费者的消费特征后，又该如何来全方位综合评价餐馆特征为消费者做精准推荐呢？可能有人会说，通过各类筛选和条件匹配不就行了么？然而，如今我们喜欢的可不仅仅是适合自己口味的餐馆，同时也愿意尝试、了解别人都在吃什么新鲜东西，简单的条件匹配已经很难满足大家的深层次需求。

决策理论中的权重判定分析法可以很好地解决这个问题。通常，我们可以利用五档标准值法（很棒、不错、还行、较差和很差）对餐馆在各个维度上打分评论，按照“前25%、前50%、全部样本、后50%、后25%”划分为五段，分别对应10分、8分、6分、4分和2分。然后，我们再按照功效系数法计算得分，即通过两档间的比重计算调整分，由本档得分加调整分可计算实际得分，最终可对消费者所选大类中的每个餐馆量化为如下决策矩阵：

篇幅所限，表格中仅列出了有限的几项餐馆维度作为示例，其实还可以列出“订餐形式”“服务员颜值”“能否退款”“是否有猫”等内容。数据分析中则不能简单地挑出总分最高的一个，因为每一位消费者的要求都是不同的，有的食客注重口味，有的要求经济实惠，有的更看重服务。根据具体消费者的需求，我们可以在分析过程中对每个打分项目赋予不同的“权重”，最后按权重加总单项得分，才能得到全方位反映了餐馆是否满足消费者需求的最终评价结果。

权重如何确定呢？我们可以对餐馆评价的各个维度分别进行两两比较，根据消费者需求和其它食客反馈信息来确定哪个指标更重要，而对餐馆的N个评价指标就会衍生成一个N*N的上半矩阵。当然，对于消费者特别在意或者预先确定好的某些特定指标也可灵活调整、提供个性化评判。这样，就可以计算在共计种两两比较结果中每一个指标所占的比重了。从而也就得到了消费者对某一餐馆的全面认识和接受程度，权重越大，表明消费者对餐馆的这一特点更看重。

当你习惯性地打开app，选择自己喜欢或者想要尝试的某一大类美食时（火锅还是西餐？），就可以同时设定自己特别注重的几个方面，比如有团购、不需要等位、距离在某位置为中心方圆一公里范围内等。依据我们的智能荐食模型，APP会为你列出符合需求的餐馆中的排名top10，还有与你的需求匹配度的具体得分，推荐的餐馆不仅考虑了你设定的显著要求，也结合了其他同类食客对餐馆的反馈和评价。当然，如果你想尝试与你的需求差异较大的餐馆，也可以反序排列，按照同样的方法进行选择。这样的结果对消费者来说是不是省时又省力，更加精准和可靠呢？

大数据分析不但可以成为一位可靠的“朋友”、指引我们的吃饭问题，它还可以做得更多、更好！比如，通过导入营养学相关数据，根据食谱计算用户每天摄入热量，然后链接I watch的每天运动量计算，综合为用户提供健康建议，告别悄然而来的肥胖。

说了这么多，大家有没有特别期待这样一位“朋友”能够早日现身呢？如果你是和我一样每天为“今天吃什么”而困扰的“帝都吃货”，那我们的生活真心需要这样一位“朋友”，而大数据的发展会让你更加离不开它。