謝明君

【摘要】店鋪評(píng)分是各個(gè)商家及消費(fèi)者都較為關(guān)注的方面，如何提升在線(xiàn)餐飲外賣(mài)店鋪評(píng)分則成為了很多商家關(guān)心的問(wèn)題。本文利用CHAID決策樹(shù)算法對(duì)影響在線(xiàn)餐飲外賣(mài)店鋪評(píng)分的因素進(jìn)行了實(shí)證研究。研究結(jié)果表明，該模型擁有較高的準(zhǔn)確率，可幫助商家明確需要提升的方面，從而提高其店鋪評(píng)分，成為高分店鋪，獲取更多消費(fèi)者的滿(mǎn)意。

【關(guān)鍵詞】決策樹(shù);店鋪評(píng)分;餐飲外賣(mài);影響因素

一、引言

外賣(mài)是一種將線(xiàn)上與線(xiàn)下進(jìn)行結(jié)合的餐飲模式，其依托互聯(lián)網(wǎng)，整合各餐飲類(lèi)型的商家信息，包括其位置、商品種類(lèi)、價(jià)格、配送時(shí)間、配送費(fèi)用、滿(mǎn)減信息等情況，為消費(fèi)者提供一個(gè)較為全面的選擇平臺(tái)，讓消費(fèi)者足不出戶(hù)，即可通過(guò)線(xiàn)上外賣(mài)平臺(tái)下單，享受各類(lèi)美食。同時(shí)外賣(mài)平臺(tái)也為各個(gè)商家提供了獲取更多消費(fèi)者的機(jī)會(huì)，使其能夠觸達(dá)更多的用戶(hù)，從而提升其銷(xiāo)售量、銷(xiāo)售額及知名度。

近幾年，我國(guó)在線(xiàn)餐飲外賣(mài)市場(chǎng)為了給消費(fèi)者提供更多選擇，滿(mǎn)足消費(fèi)者越來(lái)越多元化、個(gè)性化的需求，不斷完善，整體發(fā)展速度較快。據(jù)易觀(guān)《互聯(lián)網(wǎng)餐飲外賣(mài)行業(yè)數(shù)字化進(jìn)程分析》數(shù)據(jù)顯示，2018年第3季度中國(guó)互聯(lián)網(wǎng)餐飲外賣(mài)市場(chǎng)整體交易規(guī)模達(dá)1275.4億元人民幣，環(huán)比上漲24.0%。與去年同期相比，增幅高達(dá)119.0%?？梢?jiàn)，消費(fèi)者對(duì)外賣(mài)的需求還是較大的。但這并不意味著消費(fèi)者對(duì)外賣(mài)的要求會(huì)降低，反而由于消費(fèi)者有了更多的選擇，更容易進(jìn)行商品對(duì)比、商家對(duì)比，消費(fèi)者的期望值會(huì)更高，要求也會(huì)更高，那么店鋪評(píng)分（即：消費(fèi)者訂單完成后，可對(duì)該店鋪提供的商品和服務(wù)進(jìn)行評(píng)價(jià)和打分，以此來(lái)體現(xiàn)消費(fèi)者對(duì)此訂單的滿(mǎn)意情況。）將成為消費(fèi)者選擇的一個(gè)重要依據(jù)，高分店鋪有哪些特征，也是各外賣(mài)商家較為關(guān)注的一個(gè)事情。

目前現(xiàn)有研究成果來(lái)看，大多是從消費(fèi)者和平臺(tái)的角度對(duì)外賣(mài)市場(chǎng)進(jìn)行研究分析的，很少有從商家的角度進(jìn)行研究。消費(fèi)者方面包括消費(fèi)者忠誠(chéng)度、消費(fèi)者滿(mǎn)意度、消費(fèi)者重復(fù)購(gòu)買(mǎi)意向等，例如，李行天、于亞卓和肖澤中通過(guò)問(wèn)卷調(diào)研，利用因子分析、結(jié)構(gòu)方程模型、回歸分析方法研究了外賣(mài)消費(fèi)者的顧客忠誠(chéng)形成機(jī)制;劉佩琦對(duì)影響020模式下餐飲外賣(mài)顧客滿(mǎn)意度指標(biāo)的研究;耿爽爽對(duì)餐飲外賣(mài)020用戶(hù)重復(fù)購(gòu)買(mǎi)意向影響因素進(jìn)行了研究。平臺(tái)研究方面包括食品安全、信用評(píng)價(jià)體系等，例如，張志祥和石巋然對(duì)020平臺(tái)上外賣(mài)食品安全問(wèn)題進(jìn)行了研究;朱園園和周芳對(duì)網(wǎng)絡(luò)外賣(mài)平臺(tái)信用評(píng)價(jià)體系進(jìn)行了研究。

因此，本文將從商家的角度出發(fā)，采用CHAID算法對(duì)高分店鋪進(jìn)行了實(shí)證研究，旨在幫助商家明確哪些因素對(duì)消費(fèi)者打分有重要的影響，以期幫助商家找到提升店鋪評(píng)分的切人點(diǎn)。

二、決策樹(shù)算法

（一）決策樹(shù)算法

決策樹(shù)算法是對(duì)數(shù)據(jù)分類(lèi)及預(yù)測(cè)的一種方式，其最終的展示結(jié)果是以一顆樹(shù)的形式展現(xiàn)。其中這棵樹(shù)的根節(jié)點(diǎn)包含的信息量最多，中間節(jié)點(diǎn)是以該節(jié)點(diǎn)為根的子樹(shù)中含有信息量最多的。決策樹(shù)可分為分類(lèi)樹(shù)和回歸樹(shù)兩種，分類(lèi)樹(shù)用來(lái)實(shí)現(xiàn)對(duì)定類(lèi)或定序目標(biāo)變量的分類(lèi)，回歸樹(shù)是對(duì)定距目標(biāo)變量取值的預(yù)測(cè)。經(jīng)常被使用的決策樹(shù)模型有卡方自動(dòng)交互檢測(cè)法（Chi-squared AutomaticInteraction Detector，CHAID）、快速無(wú)偏有效統(tǒng)計(jì)樹(shù)法（QuickUnbiased Efficient Statistic Tree，QUEST）、分類(lèi)和回歸樹(shù)法（Classification and Regression Tree，CART）、ID3算法（IterativeDichotomiser Version 3，ID3）、C4.5算法（Commercial Version 4.5，C4.5）等。其中CHMD算法最早由Kass于1980年提出，用來(lái)發(fā)現(xiàn)變量之間關(guān)系的工具。利用CHAID算法可以高效地挖掘出影響的主要因素，其不僅可以處理非線(xiàn)性和高度相關(guān)的數(shù)據(jù)，而且可以將缺失值考慮在內(nèi)，能克服傳統(tǒng)的參數(shù)檢驗(yàn)方法在這些方面的不足。并且當(dāng)變量較多且都是分類(lèi)變量時(shí)，CHAID算法更適合，因此，本文便采取CHAID算法對(duì)在線(xiàn)餐飲外賣(mài)店鋪的評(píng)分做了研究。

（二）CHAID算法.

1 CHAID算法決策樹(shù)的構(gòu)成

（1）根節(jié)點(diǎn)：包含因變量或目標(biāo)變量;（2）父節(jié)點(diǎn)：該算法將目標(biāo)變量分為兩個(gè)或多個(gè)分類(lèi)，這些分類(lèi)被稱(chēng)為父節(jié)點(diǎn)或者初始節(jié)點(diǎn);（3）子節(jié)點(diǎn)：CHAID分析樹(shù)中獨(dú)立變量分類(lèi)低于父節(jié)點(diǎn)的分類(lèi)被稱(chēng)為子節(jié)點(diǎn);（4）終端節(jié)點(diǎn)：CHAID分析樹(shù)最后一個(gè)分類(lèi)被稱(chēng)為終端節(jié)點(diǎn)。

2.CHAID算法的過(guò)程

（1）找出可以使目標(biāo)變量實(shí)現(xiàn)分布差異最小化的兩個(gè)分類(lèi)，即P值最大。不同的目標(biāo)變量類(lèi)型，P值的計(jì)算方法也是不同的：當(dāng)目標(biāo)變量為連續(xù)型變量時(shí)，采取F檢驗(yàn);當(dāng)目標(biāo)變量為分類(lèi)型變量，采取卡方檢驗(yàn)或者似然估計(jì)法檢驗(yàn);當(dāng)目標(biāo)變量是離散型或者定序型變量，采取似然估計(jì)法檢驗(yàn)。

（2）找到P值最大的兩類(lèi)，并將P值與事先設(shè)定好的合并水準(zhǔn)進(jìn)行比較，如果P值大于合并水準(zhǔn)，則對(duì)這兩類(lèi)進(jìn)行合并，生成一個(gè)新的大類(lèi)，重復(fù)上述步驟。若果P值小于合并水準(zhǔn)，則采用步驟（3）。

（3）用Bonferroni法對(duì)x和Y的列聯(lián)表計(jì)算。

（4）選擇Bonferroni-Adjusted P值小的x。將其P值與事先設(shè)定好的類(lèi)拆分水準(zhǔn)進(jìn)行比較，如果P值小于類(lèi)拆分水準(zhǔn)，則按照一系列x類(lèi)目對(duì)節(jié)點(diǎn)進(jìn)行拆分;如果P值大于類(lèi)拆分水準(zhǔn)，則該節(jié)點(diǎn)為葉子節(jié)點(diǎn)。

決策樹(shù)按照上述步驟生長(zhǎng)至結(jié)束。

3.CHAID算法的優(yōu)點(diǎn)

（1）可產(chǎn)生多分枝的決策樹(shù);（2）目標(biāo)變量類(lèi)型可以是定類(lèi)變量或者是定距變量;（3）從統(tǒng)計(jì)顯著性角度確定分支變量和分隔值，進(jìn)而優(yōu)化樹(shù)的分枝過(guò)程;（4）建立在因果關(guān)系探討中，依據(jù)目標(biāo)變量實(shí)現(xiàn)對(duì)輸入變量眾多水平劃分。

三、CHAID算法在在線(xiàn)餐飲外賣(mài)店鋪評(píng)分中的應(yīng)用

本文采用CHAID算法實(shí)現(xiàn)影響因素和店鋪評(píng)分之間的映射，挖掘出兩者之間的關(guān)聯(lián)情況。研究思路如圖1所示：

（一）數(shù)據(jù)準(zhǔn)備

本文是以某外賣(mài)平臺(tái)上的店鋪數(shù)據(jù)為例，從而進(jìn)行實(shí)例分析?？倵l數(shù)為2125條，共包含24+指標(biāo)維度。獲取的數(shù)據(jù)主要包含與店鋪相關(guān)的信息數(shù)據(jù)和與商品相關(guān)的信息數(shù)據(jù)。

1.店鋪相關(guān)信息有：店鋪名稱(chēng)、店鋪所在省份、店鋪類(lèi)型、店鋪營(yíng)業(yè)時(shí)間、店鋪評(píng)分、平均送達(dá)時(shí)間、店鋪?zhàn)钚∑鹚蛦蝺r(jià)、店鋪月銷(xiāo)量等信息。

2.商品相關(guān)信息有：商品標(biāo)題、商品好評(píng)率、商品配送費(fèi)用、商品原價(jià)、商品現(xiàn)價(jià)、商品月銷(xiāo)量、商品類(lèi)別等信息。

（二）數(shù)據(jù)預(yù)處理

有些時(shí)候，我們直接獲取的數(shù)據(jù)并不能很好的為我們所用，如數(shù)據(jù)缺失、不一致等因素，因此在獲取數(shù)據(jù)后，需要對(duì)所獲數(shù)據(jù)進(jìn)行一定的預(yù)處理。

1.數(shù)據(jù)清洗

由于數(shù)據(jù)是通過(guò)爬蟲(chóng)獲取的，所以需要清洗掉一些無(wú)用的數(shù)據(jù)，以保證數(shù)據(jù)的有效使用。

2.變量分組

本文中對(duì)獲取的數(shù)據(jù)進(jìn)行了一定的分組，以便更好的使用CHAID算法。

如商品現(xiàn)價(jià)劃分為：（0，10]、（10，20]、（20，50]、大于50;商品好評(píng)率劃分為：[0，90]、[91，95]、[96，100];店鋪月銷(xiāo)量劃分為：[0，500]、[501，1000]、[1001，2000]、大于2000;菜品評(píng)價(jià)劃分為：（0，4.3]、[4.4，4.7]、[4.8，5.O]等。

同時(shí)本文中將店鋪綜合評(píng)價(jià)分值在[4.8，5.0]的店鋪定義為高分店鋪，并且在是否為高分店鋪選項(xiàng)中標(biāo)記為是，其他則為否。部分處理后的數(shù)據(jù)見(jiàn)表1。

（三）數(shù)據(jù)集劃分

本文共有樣本總數(shù)2125條，抽取70%樣本作為訓(xùn)練樣本;其余30%作為測(cè)試樣本。

（四）數(shù)據(jù)分析過(guò)程和結(jié)論

1.數(shù)據(jù)描述性統(tǒng)計(jì)

本文中商品數(shù)據(jù)總條數(shù)為2125條，共包含24個(gè)指標(biāo)維度。部分?jǐn)?shù)據(jù)統(tǒng)計(jì)情況如下：

共有267個(gè)商品歸屬于高分店鋪，占比12.6%。商品現(xiàn)價(jià)集中在0-10元，占比49.1%;

其次是10-20元，占比29.4%;20元以上占比21.5%。商品好評(píng)率為9 1%-95%占比50.7%;

96%-100%占比32.1%;90%及以下占比17.2%。商品配送費(fèi)用占比最多的是0-3元，占比

56.3%;其次是4-6元，占比 36.1%;6元以上占比7.6%。商品歸屬為品牌店鋪的有403條，占比19.0%;商品評(píng)價(jià)送達(dá)時(shí)間為30-40分鐘，占比78.4%。

2.數(shù)據(jù)分析過(guò)程

本文使用SPSS統(tǒng)計(jì)軟件進(jìn)行操作，其中將“是否為高分店鋪”選為因變量，將剩下的變量放人自變量框中，即用這些變量描述高分店鋪的特征。通常情況下，需要對(duì)自變量和因變量進(jìn)行相關(guān)性檢驗(yàn)，選取對(duì)目標(biāo)變量有顯著影響及相關(guān)程度高的自變量用來(lái)預(yù)測(cè)，過(guò)濾掉沒(méi)有顯著影響的因素。但是SPSS軟件在構(gòu)造決策樹(shù)時(shí)會(huì)自動(dòng)對(duì)因素進(jìn)行檢驗(yàn)，不會(huì)讓沒(méi)有顯著影響的變量出現(xiàn)在決策樹(shù)中，因此本文將剩下的變量均選人自變量框中。通過(guò)對(duì)輸出、條件、驗(yàn)證、保存等模塊的設(shè)置，SPSS統(tǒng)計(jì)軟件輸出了以下結(jié)果：

（1）模型摘要表格，見(jiàn)表2

可以看出，最終的模型只納入菜品評(píng)價(jià)得分、高于周邊商家得分、商品好評(píng)率三個(gè)自變量。

（3）節(jié)點(diǎn)增益表，見(jiàn)表3。可以看出在節(jié)點(diǎn)3處，高分店鋪的占比有顯著提升。

3.模型效果評(píng)估與結(jié)論

通過(guò)SPSS輸出的風(fēng)險(xiǎn)表格和分類(lèi)表格，可以得知訓(xùn)練集的風(fēng)險(xiǎn)估算值為0.064，總計(jì)正確百分比為93.6%;檢驗(yàn)集的風(fēng)險(xiǎn)估算值為0.065，總計(jì)正確百分比為93.5%。可見(jiàn)模型的效果良好，可以有效進(jìn)行預(yù)判。根據(jù)模型輸出的決策樹(shù)，可以總結(jié)出高分店鋪的特征：

（1）菜品評(píng)價(jià)得分介于4.8-5.0之間，更易被評(píng)為高分店鋪。因?yàn)橛?xùn)練樣本中高分店鋪一共有191個(gè)，占比12.5%;但是在菜品評(píng)價(jià)得分介于4.8-5.0之間時(shí)，高分店鋪一共有122個(gè)，占這部分樣本的81.3%，因此可以看出菜品評(píng)價(jià)得分的重要性，商家可以在這部分多下功夫，獲得高分店鋪的可能性越大。

（2）菜品評(píng)價(jià)得分介于4.4-4.7之間，且高于周邊商家評(píng)分位于4.8-5.0之間，也是可以獲得高分店鋪的。研究表明，這種情況下，商家獲得高分店鋪的可能性為37.7%。因此如果商家對(duì)菜品評(píng)價(jià)得分不知如何提高，并且其位于中檔，即4.4-4.7之間時(shí)，可以從提高高于周邊商家評(píng)分人手，使其分值位于4.8-5.0之間，為商家提供了另一種獲得高分店鋪的可能;

（3）菜品評(píng)價(jià)得分介于4.4-4.7之間，高于周邊商家評(píng)分小于等于4.7，但商品好評(píng)率位于96%-100%之間，亦是可以獲得高分店鋪的，此種可能性達(dá)到8.5%。雖然商家在菜品評(píng)價(jià)得分和高于周邊商家評(píng)分上面均未能處于高分檔，但還可以從提高商品好評(píng)率著手，使其位于96%-100%之間，從而變?yōu)楦叻值赇仭?/p>

四、結(jié)束語(yǔ)

本文提供了一種基于CHAID決策樹(shù)算法對(duì)在線(xiàn)餐飲外賣(mài)店鋪評(píng)分影響因素的研究。通過(guò)高分店鋪與非高分店鋪的對(duì)比，發(fā)現(xiàn)高分店鋪存在的一些特征，篩選出與高分店鋪相關(guān)的顯著性指標(biāo)，這些工作對(duì)于進(jìn)一步深入的店鋪評(píng)分分析，可以起到參考意義。