某校多档口食堂就餐行为可视化分析-Tableau

某校多档口食堂就餐行为可视化分析报告-Tableau

绪论

研究背景及意义

随着生活水平的提高，学生营养健康状况越来越受到学校和家长的重视。学校食堂作为学生重要的餐饮场所，其提供的膳食质量直接关系到学生的健康成长。某校采用多档口食堂运营模式，为学生提供多样化的餐饮选择。然而，这种模式也带来了新的挑战，例如如何有效监管食品安全、如何引导学生养成健康的饮食习惯等。通过对食堂消费数据的分析，可以深入了解学生的饮食偏好、消费习惯，进而为食堂经营决策提供数据支持，并帮助学校制定相应的健康教育策略。

本文主要研究工作

本文旨在利用Tableau对食堂的消费数据进行可视化分析，探索学生的就餐行为特征，并为食堂管理和健康教育提供参考。主要研究工作包括：

• 数据清洗和预处理：对原始数据进行清洗、整理，并进行必要的转换，例如时间格式转换、缺失值处理等。
• 健康等级划分：利用通义千问大语言模型(qwen-max-latest)，根据预先设定的“食物健康等级分类系统”，对所有菜品进行健康分级（A、B、C、D四级）。具体过程为：将菜品名称输入qwen-max-latest模型，并给出等级划分标准的prompt，模型根据标准输出菜品的健康等级。
• 可视化分析：利用Tableau构建可视化仪表盘，对食堂消费数据进行多维度分析，包括总体消费情况、健康食品消费情况、特定菜品消费情况、特定用户消费行为等。
• 提出建议：基于分析结果，提出针对性的食堂经营优化建议和学生健康教育建议。

报告的组织结构

本文共分为五章：第一章绪论，介绍研究背景、意义、主要工作及报告结构；第二章介绍数据准备；第三章阐述就餐行为分析方法的设计及实现；第四章总结研究成果并提出建议；第五章为附录，包含健康分级标准、Tableau简介和复购率分析框架。

数据准备

数据来源及处理

本研究使用的数据来源于某校食堂提供的校园卡消费记录，包含两个Excel文件：cateen.xlsx 和 products.xlsx，其中敏感信息均已匿名处理。

数据处理

cateen.xlsx 记录了2024年8月28日至2024年12月31日期间学生的每一次消费详情，共计约70万条有效数据，包括时间、档口、餐类、用户姓名、部门、菜品、数量和金额。我们对该数据进行了以下清洗和整理：

1. 时间： 将“时间”列的字符串格式 (YYYY-MM-DD HH-mm-ss) 转换为日期-时间格式，以便进行时间序列分析。
2. 档口： 将“档口”列中的 null 值替换为“未知”，确保数据的完整性。
3. 部门： 筛选“部门”列，仅保留“老师”和“学生”的数据（由于信息维护粗糙，故将“高二学生”这类有具体年级信息的部门统一为“学生”），排除其他无关数据（如“测试1”、“访问”等）。
4. 菜品： 去除“菜品”列中菜品名称内部及两侧的空白字符，统一全/半角括号，并删除括号内无效备注，以统一菜品名称，避免重复计数。

cateen.xlsx 的完整数据描述表如下：

健康等级划分与数据整合

我们通过通义千问大语言模型(qwen-max-latest)，并参考“食物健康等级分类系统”（详见附录），对所有菜品进行了A、B、C、D四级的健康等级划分。划分过程如下：将菜品名称作为输入提供给qwen-max-latest，同时提供详细的等级划分标准作为prompt，模型根据标准输出每个菜品对应的健康等级到products.xlsx。随后，我们将 cateen.xlsx 和 products.xlsx 按照“菜品”列进行联表，最终得到包含所有消费记录和对应菜品健康等级的数据集，用于后续的Tableau可视化分析。

注：某些非餐品类别（如“包装盒”），在products.xlsx中的健康等级划分为null。

就餐行为分析方法设计及实现

本研究基于学校食堂的消费数据，从四个维度展开分析：首先通过总体消费情况分析，考察食堂的运营状况和消费规律；其次通过健康餐饮消费分析，重点关注不同群体的饮食健康状况；接着通过特定菜品消费分析，深入了解各类菜品的受欢迎程度和消费特征；最后通过特定用户消费行为分析，揭示师生群体的就餐习惯和饮食偏好。这种多层次的分析框架旨在全面把握校园餐饮现状，为促进健康饮食和改善服务质量提供数据支持。

总体消费情况分析

本节从消费趋势、时间节点和收入构成三个维度，全面分析食堂的整体运营状况，为经营决策提供数据支持。

消费趋势分析

通过分析每日消费金额和人数的变化规律，揭示食堂运营的周期性特征和客流分布特点。

每日消费金额趋势

通过分析每日消费金额的变化趋势，识别食堂收入的周期性规律和异常波动，为食材采购和人力资源调配提供决策依据。

结果分析：

根据可视化分析结果，周三的日均消费金额较其他工作日偏低。可能原因如下：

• 课程密度假设：周三可能处于教学周中段，学生课表密集（如实验课、连堂考试），导致用餐时间压缩，偏向选择快捷低价的菜品。
• 教职工行为：教师可能在周三集中安排教研会议或行政事务，减少食堂就餐频次或选择外带简餐。

每日消费人数趋势

通过分析食堂客流量的时间分布特征，了解师生群体的就餐规律。

结果分析：

根据可视化分析结果，从周一到周五，每日的消费人数基本保持一致，波动较小。这一现象表明，工作日期间学生和老师的就餐习惯较为规律，食堂档口的客流量相对平稳。按“餐类”拆分后，午餐时段的消费人数高于早餐和晚餐，早餐时段的消费人数最少。与工作日相比，周末（周六和周日）的消费人数明显减少，甚至接近零。

消费量预测

基于历史消费数据的时间序列特征，建立短期预测模型，提前7天预估食堂的客流量和收入规模。该预测可以帮助食堂管理层提前做好备货计划，优化库存管理，减少食材浪费，同时确保供应充足，提高运营效率和经济效益。

消费时间节点分析

分析不同餐类的消费集中时间段（每5分钟订单量），并按日期分色显示，观察每天同一时间段的客流波动。

最终效果：

• 横轴为5分钟分段的时间点（如12:00、12:05），纵轴为客流量（分为老师和学生部门）。
• 不同颜色代表不同日期，直观对比每天同一时间段的客流差异。
• 支持通过“餐类”筛选器切换早/中/晚餐，并联动分析档口分布。

通过此图表，可快速识别出：

• 异常日期：如考试周或假期导致的客流波动。
• 档口热门时段：某些档口（如“麻辣烫”）是否在固定时间段爆发式增长。

通过对2024年12月18日至2024年12月27日午餐时段的消费时间节点分析，我们发现老师和学生的用餐高峰时间存在显著差异。老师的用餐高峰集中在11:20左右，随后客流量逐渐减少。学生的用餐高峰分为两波：第一波高峰从11:45开始，第二波高峰出现在12:45。学生的用餐时间相对分散，且第二波高峰的客流量与第一波基本一致。在13:00之后，老师和学生的客流量均显著减少，午餐时段基本结束。通过按天分色显示，发现每日的用餐高峰时间相对稳定，但老师用餐的客流量存在小幅波动。建议结合“档口”字段，分析高峰时段各档口的客流量分布，优化热门档口的资源配置。

档口优化建议

1. 档口资源调配：
   • 在11:20-11:45之间，增加面向老师的档口服务能力，缩短排队时间。
   • 在12:45-13:00之间，针对学生第二波高峰，确保热门档口的供应充足。
2. 错峰用餐宣传：
   • 鼓励学生适当提前用餐，避免12:45的第二波高峰拥挤。

项目收入分析

分析各档口收入占比，显示收入前10的档口。

通过对学校餐厅档口的经营数据进行可视化分析，我们得出以下结论：

1. 档口收入分布：
   • “称重”档口的营收远超其他档口，成为食堂收入的主要贡献者。
   • 西点房档口的收入位居第二，但其收入结构存在显著问题。
2. 健康等级分析：
   • 在西点房档口的收入中，D级食品的占比超过80%，表明学生和老师对高糖、高脂肪食品的需求较高。
   • 在水吧和烤冷面档口中，D级食品的收入占比分别超过70%和接近60%，进一步印证了不健康食品的受欢迎程度。
3. 整体健康趋势：
   • 在食堂营收前10名的档口中，A级食品的收入占比偏低。
   • C级食品是主要收入来源，表明一般健康水平的食品更受欢迎。
   • 部分档口（如西点房、水吧、烤冷面）的D级食品消费量显著偏高，反映出不健康食品的市场需求较大。

综上所述，目前食堂的A/B级食品的收入占比偏低，部分档口（如西点房）过度依赖D级食品，长期可能影响食堂的整体健康形象。食堂可以在“称重”档口和西点房档口中，增加A级和B级食品的供应比例，逐步减少D级食品的占比。同时，推出健康套餐或优惠活动，鼓励学生和老师选择更健康的食品。

健康餐饮消费分析

本节重点考察食堂餐饮的健康属性，通过分析D级菜品消费情况、识别不健康消费重点用户，并对师生群体的健康消费行为进行对比研究。

D级菜品消费分析

列出健康等级为D级的菜品，并显示消费次数最多的前20名D级菜品，用Packed Bubbles可视化，颜色表示菜品，分裂的泡泡表示不同档口。

可视化结果表明，烤冷面、火山大烤肠、烤肠面包、奥尔良鸡排卷饼、珍珠奶茶、牛肉汉堡等D级菜品消费次数较高，这些菜品主要来自西点房和水吧档口。

不健康消费重点用户

针对D级食品的高频消费者进行画像分析，识别存在不健康饮食习惯的重点关注群体。

D级食品消费重点用户

列出消费D类食品金额占比前10名的用户，用颜色表示他们在重点D类食品上的消费情况，其余D类食品用“其他”表示。

可视化结果表明，火山大烤肠、牛肉汉堡、珍珠奶茶等依然是学生在D级菜品上消费最多的部分。

不健康消费重点人群

计算每个人健康食品（A/B/C类）和垃圾食品（D类）的消费次数比例，列出垃圾食品消费比例最高的前10名用户，展示他们的消费结构。

通过对不健康消费重点人群的可视化分析，我们发现Tanner、Angle、Pedro等学生在D类菜品（不健康食品）上的消费次数超过其总消费次数的一半，这些学生的饮食结构明显偏向高糖、高脂肪的D类食品，如烤冷面、火山大烤肠、珍珠奶茶等。这些学生在A/B/C类健康食品上的消费次数较低，其饮食缺乏均衡营养。

为了帮助这些学生改善饮食结构，学校可以采取以下措施：

• 发送个性化通知：
  通过学校管理系统或邮件，向Tanner、Angle、Pedro等学生发送个性化的健康饮食建议。

示例内容：
亲爱的…同学：
根据食堂消费数据分析，我们发现您在D类食品（如烤冷面、珍珠奶茶等）上的消费次数较高。长期食用这些食品> 可能对健康产生不利影响。建议您增加A/B/C类健康食品的摄入，如水果、蔬菜、全谷物等，以保持均衡饮食。

• 提供健康饮食指南：
  附上学校营养师推荐的健康饮食指南，列出A/B/C类食品的具体示例及其营养价值。

• 食堂健康推广活动：

  • 在食堂推出健康食品优惠活动，例如购买A/B/C类食品可享受折扣或积分奖励。
  • 在食堂显眼位置设置健康食品展示区，推荐A/B/C类食品，并标注其健康等级和营养价值。

• 数据反馈与跟踪：

  • 定期反馈消费数据：每月向学生反馈其食堂消费数据，包括健康食品与不健康食品的消费比例，帮助他们了解自己的饮食结构。
  • 跟踪改善效果：对重点学生（如Tanner、Angle、Pedro）进行跟踪，观察其饮食结构是否有所改善，并提供进一步指导。

健康消费对比分析

从师生群体差异、餐类分布和档口贡献度三个角度，深入分析健康饮食的现状和存在的问题。

师生健康等级消费对比

对比学生和老师在A/B/C/D级食品上的消费次数比例。

通过对师生群体的健康等级消费数据进行对比，发现老师更倾向于选择健康饮食。数据显示，老师群体在B级食品上的消费比例显著高于学生，这一差异直接导致老师在D级食品上的消费比例相对较低，整体饮食结构更为均衡。在A级和C级食品的消费比例上，老师与学生群体基本持平。此外，老师在无评级食品（如打包盒、一次性餐具等非菜品消费）上的消费比例略高于学生，可能与老师的工作性质（如会议、加班需外带餐食）相关。这一结果提示，学生的饮食健康意识相对薄弱，需针对性加强健康饮食引导。

健康等级餐类分布

用雷达图展示A/B/C/D级食品在早、中、晚餐中的分布特征，统计每种餐类中每个健康等级菜品购买订单数量所占比例。

最终效果：

• 雷达图中心：表示最小订单比例。
• 雷达图外圈：表示最大订单比例。
• 每条辐射轴：对应一个健康等级（A/B/C/D）。
• 每个多边形：对应一个餐类（早餐、午餐、晚餐），其顶点表示该餐类中每个健康等级的订单比例。

通过雷达图对早、中、晚餐的健康等级分布进行分析，发现不同餐类存在明显的健康等级倾向性。晚餐时段的D级高热量食品消费占比最高，可能与学生的自由时间增加有关。相比之下，早餐时段的A级食品占比显著高于其他餐类。午餐时段的健康等级分布相对均衡，但C级食品（如炒饭、酱香面食）占比略高，可能与午餐的便捷性和饱腹需求相关。这一分布特征表明，食堂在晚餐时段的健康饮食管理存在较大优化空间。

档口健康贡献度

用矩阵热力图分析各档口的健康等级分布。

矩阵热力图分析显示，各档口的健康等级贡献度差异显著。销量最高的“亮点主食”档口虽为师生主要就餐选择，但其D级食品的销量占比也位居榜首。此外，“烤冷面”、“川渝味道”、“盖浇饭”等档口同样以D级食品为主力产品。这一结果显示，热门档口的菜品结构优化是改善整体饮食健康水平的重要突破口。

特定菜品消费分析

本节通过词云分析、菜品占比统计和排行榜等方式，详细考察不同菜品的受欢迎程度和消费特征。

菜品词云

通过视觉密度直观展现高频消费菜品分布，词云中字体越大表示该菜品被点单次数越多。

核心价值：

• 快速识别食堂爆款菜品
• 发现师生日常饮食偏好模式
• 辅助判断是否有"长尾菜品"需优化

通过菜品词云可视化发现，A/B/C级健康食品在食堂整体消费中占据主导地位，反映出师生对基础健康饮食的需求较为稳定。然而，部分D级亚健康食品如烤冷面、火山大烤肠、奥尔良鸡排卷饼、珍珠奶茶等仍呈现出显著的流行趋势。这些高糖、高脂肪食品因其口感刺激、方便快捷的特性，成为学生群体中的“网红单品”，甚至形成周期性消费习惯。结果表明，尽管健康食品供给充足，但部分不健康菜品通过味觉吸引力和营销策略，仍在食堂中占据不可忽视的份额。

前10菜品占比

以占比形式量化菜品的销量，展示Top10菜品在总消费次数中的份额比例。

在菜品消费的群体差异分析中，学生与老师的选择倾向呈现鲜明对比。午餐时段，学生对D级菜品烤冷面、火山大烤肠的消费比例远超老师，而对A级健康食品（如蒸玉米）的消费比例仅为老师群体的二分之一；晚餐时段，学生D级食品消费热度持续走高，拉大与老师的健康饮食差距。值得肯定的是，早餐时段的健康管理效果显著，师生双方D级食品消费比例均处于低位，可能与早餐场景下轻食化、标准化供应策略相关。

前10菜品排行榜

通过精确排序可视化菜品销量。

高消菜品榜

识别高客单价菜品，量化各菜品对营收的实际贡献度。

核心价值：

• 发现"利润明星"与"叫好不叫座"菜品
• 优化定价策略（对比销量与金额排名的错位现象）
• 结合健康等级评估营养价值与营销收入的平衡性

高消费菜品榜单暴露出食堂餐饮结构中存在的健康性问题。榜单中无一A类健康食品入围，C类食品（如麻辣烫）成为消费金额最高的品类，单日消费金额甚至达到其他C类食品的3倍以上。D类食品中，烤冷面以高频次、高消费的特性登顶榜首。食堂方可以尝试针对高销量的C/D级食品（如麻辣烫、烤冷面），研发健康升级版本（如减少油脂、添加膳食纤维），开发兼具营养与风味的热门健康单品。

特定用户消费行为分析

本节聚焦于用户层面，通过分析工作日就餐频率和高消费用户的饮食偏好，揭示不同群体的消费行为特征。

工作日就餐频率分析

本小节生成工作日的“就餐频率-就餐行为分析结果”表，展示周一至周五早、中、晚餐的就餐率（按用户消费比例计算）。

通过对工作日就餐频率的分析，我们发现学生和老师在就餐行为上存在显著差异。数据显示，学生的就餐率显著高于老师，尤其是在午餐时段，学生的就餐率稳定在90%左右，而老师的就餐率则普遍低于50%。这一现象可能与老师的工作性质相关，例如部分老师选择外出就餐或自带餐食，而学生则更依赖食堂提供的餐饮服务。从整体来看，工作日的就餐率呈现出高度稳定性，无论是学生还是老师，其就餐率在周一至周五之间波动较小。这表明食堂的运营模式能够较好地满足师生的日常需求，但也反映出老师在食堂就餐的市场仍有较大提升空间。未来可通过优化菜品质量、提升就餐体验等方式，吸引更多老师选择在校内就餐。

高/低消费用户分析

本小节列出总消费金额最高/低的前15名用户，并展示其菜品健康等级的消费结构。

高消费用户常吃菜品分析

本小节通过计算每个学生的总消费金额，筛选出消费金额最高的前15名学生。筛选出消费金额最高的前20个菜品，分析这些菜品在高消费学生中的消费次数。使用热力图或文本表展示高消费学生在最受欢迎菜品上的消费次数，同时用颜色区分菜品的健康等级。

操作流程：

1. 创建消费金额-LOD字段：
   • 右键“金额”字段 → 创建 → 计算字段，命名为“消费金额-LOD”。
   • 输入计算公式：

     { FIXED [用户姓名] : SUM(IF [部门]="学生" THEN [金额] ELSE 0 END) }
     

2. 筛选高消费学生：
   • 右键“用户姓名”字段 → 创建 → 集 → 按“消费金额-LOD”降序选择前15项。
   • 命名为“高消费前15学生”。
   • 将“高消费前15学生”集拖到筛选器 → 勾选“在集内”。
3. 筛选最受欢迎的20个菜品：
   • 右键“菜品”字段 → 创建 → 集 → 按“金额”降序选择前20项。
   • 命名为“前20菜品”。
   • 将“前20菜品”集拖到筛选器 → 勾选“在集内”。
4. 构建可视化：
   • 将“菜品”拖到列功能区。
   • 将“用户姓名”拖到行功能区。
   • 将“菜品”拖到标记卡的“文本”中 → 右键选择“度量” → “计数（不同）”，命名为“CNT(菜品)”。
   • 将“CNT(菜品)”拖到标记卡的“大小”中。
   • 将“健康等级”拖到颜色标记卡。

可视化结果图中横轴为菜品，纵轴为学生，单元格大小表示消费次数，颜色表示健康等级。分析发现，高消费学生群体的饮食选择呈现出“营养与口味并重”的特点。健康的A级食品牛奶倍受欢迎，但传统口味重的快餐类食品（如麻辣烫、盖浇饭套餐、烤冷面）仍占据较高的购买频次。

针对特定健康等级食品的消费分析建议

除上述分析外，本研究还构建了平均消费频率和复购率的分析框架（详见附录）。值得注意的是，这一分析框架不仅可以应用于整体菜品，更可通过设置健康等级筛选器，专门聚焦于D级不健康食品的消费行为分析。通过对D级食品的平均消费频率和复购率进行针对性分析，能够更精准地识别出高风险的消费群体，为食堂制定健康饮食干预策略提供数据支持。

结语

本研究通过可视化分析技术，系统解析了某校师生食堂消费行为的内在规律。研究发现，虽然食堂整体运营平稳，客流量规律，但在健康饮食管理方面仍存在显著挑战。首先，学生群体的饮食健康状况令人担忧。相较于教师群体更倾向于选择健康食品，学生对D级不健康食品（如烤冷面、火山大烤肠、珍珠奶茶等）表现出较强的消费偏好，特别是在晚餐时段。部分学生的D级食品消费甚至超过其总消费的一半，反映出学生群体的健康饮食意识亟待提升。其次，食堂档口的健康供给结构存在失衡。热门档口如"亮点主食"等的D级食品销量占比较高，而"西点房"等档口过度依赖不健康食品创收。这种结构性问题不仅影响食堂的健康形象，也不利于引导学生形成良好的饮食习惯。基于此，本报告建议采取以下改进措施：

1. 经营优化：调整西点房与水吧档口的品类结构，增加A级食品（如鲜果切盒、杂粮代餐）的供给比例；
2. 行为干预：针对高频D级食品消费学生，建立家校联动的营养教育机制，并设置校园卡消费限额提醒功能；
3. 服务升级：依据时间热点分析结果，在午餐高峰前15分钟增设临时取餐窗口以缓解排队压力。

本研究的局限性在于未结合具体的营养摄入量进行健康评估，未来可补充营养素数据构建更全面的分析模型。通过Tableau动态报告的持续监测，管理者可实时追踪政策实施效果，实现数据驱动的智慧食堂运营。

附录

食物健康等级划分标准及实施细则

根据《中国居民膳食指南（2022）》显示，我国6-17岁儿童青少年超重肥胖率已达19%，膳食结构不合理是重要诱因。为落实"健康中国2030"战略部署，依据《中国居民平衡膳食宝塔（2022）》及八项膳食准则，特制定本方案。本方案通过建立四级分类体系，规范学校食堂供餐标准，促进青少年养成科学饮食习惯，降低慢性病风险。

等级划分标准

（一）分级指标体系

注：“营养密度”按《中国食物成分表》进行评分。

（二）分级标准及示例

本制度将食堂食物划分为A、B、C、D四个等级，具体标准如下：

• A级（优秀）： 此类食物营养价值极高，富含维生素、矿物质、膳食纤维等，且低脂低糖低盐，是学生最佳的膳食选择。

  • 食物示例： 新鲜水果（苹果、香蕉、橙子等）、蔬菜沙拉（黄瓜、西红柿、生菜等）、蒸/煮/炖的鱼肉禽肉（清蒸鱼、白切鸡等）、杂粮饭（糙米饭、燕麦饭等）、全麦面包、低脂/脱脂牛奶、原味坚果等。

• B级（良好）： 此类食物营养均衡，可作为日常饮食的主要组成部分，为学生提供充足的能量和营养。

  • 食物示例： 瘦猪肉/牛肉、鸡蛋、豆腐、豆制品、菌菇类（香菇、平菇等）、米饭、面条等。

• C级（一般）： 此类食物营养价值中等，可以适量食用，但建议不要作为主食长期大量食用。

  • 食物示例： 包子、饺子（非油炸）、馄饨、部分肉类菜肴（红烧肉等，控制糖和盐的摄入）。

• D级（限制）： 此类食物通常高脂肪、高糖、高盐或含有较多食品添加剂，营养价值低，建议学生尽量少吃或不吃。

  • 食物示例： 油炸食品（炸鸡、薯条等）、加工肉制品（香肠、火腿等）、含糖饮料（碳酸饮料、果汁饮料等）、甜点、糕点、膨化食品等。

实施细则

（一）执行规范

1. 采购管理：

   • A/B级食材占比≥70%，其中A类不低于30%
   • 建立食材溯源系统，每日公示进货凭证
   • 设置"三减"专柜（减盐、减糖、减油）

2. 烹饪标准：

   • 禁用氢化植物油、人工合成色素
   • 推行"三控"烹饪法（控温≤180℃、控时≤15分钟、控油量≤5g/人/餐）
   • 配备标准量勺（盐≤3g/人/餐、糖≤5g/人/餐）

3. 供餐配比：

   • 每餐需包含A/B级菜品≥2道（其中1道为深色蔬菜）
   • D级食品限制每周供应次数，且不得作为套餐标配
   • 实施"彩虹餐盘"计划：每日提供5种颜色食材

（二）监督管理

1. 健全监管系统：

   • 建立营养标签系统，在菜单上标明菜品等级
   • 推行"明厨亮灶+"工程，直播食材加工全过程

2. 建立评估机制：

   • 季度、年度性营养评估（对照膳食宝塔达标率）
   • 建立"红黄牌"制度：连续两次D级超标取消评优资格

3. 实施奖惩措施：

   • 对达标单位授予"膳食健康示范食堂"称号并给予补贴
   • 对违规供应D级食品的窗口实行阶梯式罚款（500-5000元）

预期效果

（一）健康效益

• 预计3年内学生超重率下降5-8个百分点
• 微量营养素缺乏率降低40%（尤其钙、铁、维生素A）
• 龋齿发病率年均下降2%

（二）行为改善

• 高盐食品消费量减少50%（从日均10.5g降至5g）
• 含糖饮料摄入频次下降至每周≤1次
• 全谷物摄入达标率提升至60%

（三）社会效益

• 形成"家校社"联动的膳食教育网络
• 带动食品供应商和校园档口餐馆进行配方改良

通过落实本方案，有望逐步实现中小学供餐体系全面升级，为青少年健康成长筑牢膳食基础。

Tableau简介

Tableau是一款领先的数据可视化分析工具，通过直观的拖拽式操作，可快速实现复杂数据分析与交互式可视化。其核心功能与食堂经营场景的对应关系如下：

Tableau在食堂场景中的关键价值

• 数据驱动决策：通过可视化呈现消费高峰、热门档口、健康趋势等，帮助管理者优化菜单设计、调整供应链计划。
• 实时异常检测：监控突发消费波动（如某档口销售额骤降），快速定位问题原因（如菜品质量或定价问题）。
• 用户行为洞察：结合健康等级与学生/教师消费数据，为营养教育提供针对性建议（如针对奶茶高消费群体推送健康提示）。

典型分析场景实现示例

• 健康等级对比分析
  • 分组条形图：拖拽“部门”至列，“健康等级”至颜色标记，对比师生群体的健康消费比例。
  • 雷达图：将“餐类”与“健康等级”映射至极坐标系，分析早餐的A级食品覆盖率是否低于午餐。
• 档口运营优化
  • 热力图矩阵：行字段为“档口”，列字段为“健康等级”，单元格颜色深浅表示销售额，快速识别“高销量低健康”档口。
  • 参数控制：创建“销售额/销量”切换参数，动态对比档口在不同指标下的排名。

综上所述，Tableau通过将复杂的食堂经营数据转化为直观图表，降低了数据解读门槛，使非技术人员（如食堂管理者、学校后勤部门）也能快速掌握关键信息。其动态交互能力支持从宏观趋势到微观个体（如TOP10用户）的多层次分析，为精细化运营提供技术保障。

平均消费频率和复购率的分析框架

平均消费频率分析

• 指标定义: 用户在一定时间范围内平均消费的次数。可以按天、周、月等时间粒度计算。

• 计算步骤 (Tableau):

  1. 确定时间粒度: 选择想要分析的时间粒度，例如“月”。可以使用 DATE_TRUNC('month', [时间]) 函数提取月份。
  2. 计算每个用户在每个时间粒度内的消费次数:
     • 创建计算字段，例如 订单计数 (每月): COUNTD([时间]) (使用 COUNTD 统计每个月内不同的消费日期，如果你想统计订单数量，可以使用 COUNT([时间]))
     • 将 用户姓名 拖到“行”，将 DATE_TRUNC('month', [时间]) 拖到“列”，将 订单计数 (每月) 拖到“文本”。
  3. 计算每个用户的平均消费频率:
     • 创建计算字段，例如 平均每月消费频率: WINDOW_AVG([订单计数 (每月)])
     • 将 平均每月消费频率 拖到“文本”或“行”。 需要注意的是，WINDOW_AVG 是表计算函数，需要正确设置计算依据（例如，沿着“列”计算，即沿着月份计算每个用户的平均值）。
  4. 可视化:
     • 直方图: 绘制“平均每月消费频率”的直方图，观察用户消费频率的分布情况。X轴为“平均每月消费频率”，Y轴为用户数量。
     • 箱线图: 绘制“平均每月消费频率”的箱线图，展示消费频率的集中趋势、离散程度和异常值。
     • 用户列表 (排序): 创建一个表格，列出“用户姓名”和“平均每月消费频率”，并按“平均每月消费频率”降序排列，找出消费频率最高的用户。

• 注意事项:

  • 使用表计算函数时，需要仔细配置“计算依据”和“分区”。通常情况下，“计算依据”设置为时间粒度维度 (例如月份)，分区设置为“用户姓名”。
  • 可以使用参数控制时间粒度，让用户可以选择按天、周、月等不同粒度查看平均消费频率。

复购率分析

• 指标定义: 在一定时间范围内，进行过多次消费的用户比例。更具体地说，可以是：

  • 简单复购率: 在整个时间范围内，消费次数超过一次的用户占总用户数的比例。
  • 周期性复购率: 在特定周期内（例如，一个月内），消费次数超过一次的用户占当月活跃用户数的比例。
  • 留存率 (Retention Rate): 更复杂的复购率指标，衡量在某个时间段首次消费的用户，在后续时间段仍然继续消费的比例。以下实例关注简单的复购率指标，可编写Python脚本进行复杂的留存率计算。

• 计算步骤 (Tableau - 简单复购率):

  1. 计算每个用户的总消费次数:
     • 创建计算字段，例如 总订单数: COUNT([时间])
     • 将 用户姓名 拖到“行”，将 总订单数 拖到“文本”。
  2. 判断用户是否为复购用户:
     • 创建计算字段，例如 是否复购用户: [总订单数] > 1 (返回 True 或 False)
  3. 计算复购用户数量和总用户数量:
     • 创建计算字段，例如 复购用户数量: COUNTD(IF [是否复购用户] THEN [用户姓名] END)
     • 创建计算字段，例如 总用户数量: COUNTD([用户姓名])
  4. 计算复购率:
     • 创建计算字段，例如 复购率: [复购用户数量] / [总用户数量]
  5. 可视化:
     • 饼图: 展示复购用户和非复购用户的占比。
     • 数字卡片: 直接显示复购率的百分比数值。
     • 用户列表 (复购用户): 创建一个表格，筛选出 是否复购用户 为 True 的用户，列出他们的姓名和总消费次数。

• 计算步骤 (Tableau - 周期性复购率 - 例如月度复购率):

  1. 确定时间周期: 例如“月”。
  2. 计算每个用户在每个月的消费次数: (同平均消费频率分析的步骤2)
  3. 判断用户在每个月是否为复购用户:
     • 创建计算字段，例如 当月是否复购用户: [订单计数 (每月)] > 1
  4. 计算每个月的复购用户数量和当月活跃用户数量:
     • 创建计算字段，例如 月度复购用户数量: COUNTD(IF [当月是否复购用户] THEN [用户姓名] END)
     • 创建计算字段，例如 月度活跃用户数量: COUNTD([用户姓名]) (需要按月份分区)
  5. 计算月度复购率:
     • 创建计算字段，例如 月度复购率: [月度复购用户数量] / [月度活跃用户数量]
  6. 可视化:
     • 折线图: 绘制月度复购率随时间变化的趋势。X轴为月份，Y轴为月度复购率。
     • 柱状图: 比较不同月份的月度复购率。
     • 数字卡片: 显示最新的月度复购率数值。

(´∀｀)♡ 本文来源：CSDN-Sylvan Ding，版权归原作者所有，转载请注明出处。如果您喜欢本文，欢迎点赞并收藏。