name: restaurant-data-analysis description: 餐饮经营数据分析技能。读取餐厅交易明细（Excel/CSV），自动计算营收/客流/客单价/翻台率等经营指标，进行菜品 ABC 分类与菜单工程（贡献度/毛利率），并基于会员消费完成 RFM 分层与复购/流失分析。额外提供 星期×时段热力图、价格带分布、同环比、复购 cohort 留存、经营健康分（6 分项加权）与智能诊断（自动生成关键发现+行动建议），最终输出 panda-design 风格的交互式 ECharts 经营看板（明暗双主题、周期/品类筛选）。当用户上传餐饮销售数据、要求分析餐厅经营状况、优化菜单结构、做会员复盘或出数据看板时使用。 agent_created: true version: 1.1.0 category: 数据分析 platforms: ["workbuddy","claude-code"]

餐饮数据分析（Restaurant Data Analysis）

概述

本技能将 WorkBuddy 变为「餐饮经营分析顾问」。给定一份餐厅交易明细（订单行项级别的导出，通常为 Excel/CSV）， 自动完成六类分析并产出一套 panda-design 风格的交互式经营看板（ECharts 渲染，明暗双主题，支持周期切换与菜品筛选）：

1. 经营指标分析 —— 营收、订单数、客单价、人均消费、日均/日周趋势、翻台率、同环比。
2. 时段分析 —— 各时段营收分布 + 星期×时段 热力图，定位高峰组合。
3. 价格带分析 —— 订单客单价分桶的订单数与营收贡献。
4. 菜品与菜单工程 —— 菜品销量/营收/毛利率、营收占比、ABC 分类、贡献度矩阵（明星/金牛/问题/瘦狗）、畅销/滞销识别。
5. 会员与复购分析 —— 复购率、消费频次、RFM 分层、流失预警、复购 cohort 留存。
6. 经营健康分 + 智能诊断 —— 6 个分项加权算总分（增长/复购/结构/时段均衡/客单价稳定/流失控制），规则引擎自动生成「关键发现 + 行动建议」。

所有计算由 scripts/analyze.py 完成，图表与交互式 HTML 看板自动生成。指标定义与方法论文档在 references/ 下，按需加载。

何时使用

触发场景（用户 query 出现以下意图之一即调用本技能）：

• 上传了餐饮/门店的销售、订单、交易明细文件，要求「分析一下」「看看经营情况」「出个看板」。
• 要求做「菜品分析」「菜单优化」「哪些菜赚钱/亏钱」「ABC 分类」。
• 要求算「客单价」「翻台率」「客流」「时段分布」「日营收趋势」「周环比」。
• 要求做「会员分析」「复购率」「RFM」「流失预警」「客户分层」「留存」。
• 要求对经营状况做「诊断」「健康度」「打分」「为什么营收下滑」等诊断性提问。

数据准备与字段映射

scripts/analyze.py 支持 Excel（.xlsx/.xls）与 CSV。脚本会自动按中文/英文关键字识别列；若自动识别失败， 可用 --config map.json 或命令行参数显式指定。必填字段：菜品、数量、金额（金额可由数量×单价推算）。

列名映射配置（可选） map.json 示例：

{
  "date": "交易日期", "order": "订单号", "dish": "商品名称",
  "qty": "数量", "amount": "实收金额", "cost": "成本",
  "customer": "会员ID", "time": "下单时间",
  "tables": 30,
  "churn_days": 60
}

• tables：门店桌台总数，提供后才会计算翻台率。也可直接传 --tables 30。
• churn_days：流失预警阈值（天），默认 60。也可直接传 --churn-days 21。

核心工作流

模块 1 · 经营指标与同环比

读取明细后调用 scripts/analyze.py，脚本自动输出：

• 核心 KPI：总营收、订单数、客单价、人均消费、日均营收、日均订单、数据覆盖天数、翻台率（若给桌台数）。
• 趋势：按日营收折线 + 按自然周营收折线，可在看板顶部切换粒度。
• 同环比：最新完整周 vs 上一完整周（不足 2 周则用前后半期）的营收增长率，KPI 卡片直接显示涨跌箭头。
• 时段分布：按时间列归入 早市/午市/下午/晚市/夜宵，输出占比。

指标公式详见 references/metrics.md。

模块 2 · 菜品与菜单工程

• 菜品汇总：每菜品销量、营收、成本、毛利、毛利率、营收占比、累计营收占比。
• ABC 分类：按营收降序累计，A 类=累计 <70%，B 类=70%–90%，C 类=90%–100%。
• 贡献度矩阵：横轴=营收占比，纵轴=毛利率，气泡大小=销量；按中位数切分识别 明星（高营收高毛利）/ 金牛（低营收高毛利）/ 问题（高营收低毛利）/ 瘦狗（低营收低毛利）。
• 畅销/滞销：销量 Top/Bottom 榜单。

方法论文档见 references/menu_engineering.md。

模块 3 · 时段与价格带

• 星期×时段热力图：按星期与时段二维聚合营收，颜色深浅快速定位高峰组合（如周六晚市）。
• 价格带分布：按订单客单价分桶（0–30 / 30–50 / 50–80 / 80–120 / 120+），输出各带订单数与营收贡献，判断客单价结构是否合理。

模块 4 · 会员与复购分析（存在会员ID列时）

• 复购率 = 消费 ≥2 次的会员数 ÷ 总会员数。
• 人均指标：人均消费频次、人均消费额。
• RFM 分层：R=最近消费距数据末日天数，F=消费次数，M=消费金额；各按五分位打分(1–5)， 映射为 重要价值 / 重要保持 / 重要发展 / 重要挽留 / 一般客户 / 新客 等细分。
• 流失预警：最近消费间隔 > churn_days 的会员清单与数量。
• 复购 cohort 留存：按首购周分组，观察后续各周的会员留存率(%)，判断拉新后的真实留存质量。

方法论文档见 references/membership.md。

模块 5 · 经营健康分

6 个分项加权得出 0–100 总分，并给出 优秀 / 良好 / 需关注 / 预警 评级：

模块 6 · 智能诊断

规则引擎基于上述指标自动生成「关键发现 + 行动建议」卡片，覆盖：营收环比下滑、营收过度集中、高营收低毛利菜品、 复购率偏低、会员流失预警、时段结构集中、健康分总评。每条均给出可落地的行动建议，相当于内置经营顾问。

模块 7 · 数据 → 交互式看板

一键产出：

• output/data.json：全部计算结果（供前端渲染 / 二次开发）。
• output/report.html：panda-design 风格交互式看板（ECharts）。特性：
• 顶部毛玻璃栏，明暗主题切换（持久化到 localStorage），周期切换（日/周），菜品关键词筛选。
• 健康分大卡 + KPI 卡片网格（带涨跌箭头）。
• 智能诊断卡片流。
• 图表：营收趋势、时段分布、星期×时段热力图、价格带、菜品 Top15、ABC 帕累托、贡献度散点、RFM 分布、cohort 留存、健康分雷达（全部支持 tooltip/图例筛选）。
• output/report.md：纯文本报表（ECharts 不可用时的降级）。
• output/dish_analysis.csv、output/member_rfm.csv：明细数据，便于二次加工。

使用方法

1. 确认用户已提供交易明细文件（Excel/CSV）。若列名不规范，引导用户给出 map.json 或确认列含义。
2. 运行分析脚本：

python scripts/analyze.py "<数据文件.xlsx或csv>" \
  --output output \
  --name "示例餐厅" \
  --tables 30 \          # 可选：桌台数，算翻台率
  --churn-days 21 \      # 可选：流失预警天数
  --config map.json      # 可选：列名映射

1. 打开 output/report.html 查看交互式看板（需联网加载 ECharts），结合智能诊断向用户口述关键结论与可落地建议 （如：砍掉 C 类低毛利菜、对「重要保持」客群做召回、延长高峰时段营业）。
2. 如用户需要，可将 output/dish_analysis.csv 等交给用户做二次分析。

参考文档（按需加载）

• references/metrics.md —— 全部经营指标的定义与计算公式。
• references/menu_engineering.md —— ABC 分类、贡献度矩阵、毛利率方法。
• references/membership.md —— RFM 打分与客群划分、复购率与流失定义。

限制

• 本技能做描述性 + 诊断性分析，不做因果推断或预测建模；如需销售预测请另行说明。
• 毛利率依赖「单位成本」列，若缺失则跳过该指标并在报表中标注。
• 翻台率仅在提供桌台总数时计算；否则仅给出订单与客流层面的替代指标。
• 数据源需为「订单行项级别」明细；汇总表（已聚合的日报表）无法还原菜品/会员维度，需请用户提供明细。
• 交互式看板 report.html 的图表依赖 ECharts CDN（jsdelivr），查看交互功能需联网；离线时看板文字与诊断部分仍可读，report.md 为完全离线降级。
• 运行依赖：pandas / numpy / openpyxl（读 xlsx），无需 matplotlib。

整体质量较好，界面美观、图表丰富，能自动识别常见列名并支持 Excel 和 CSV 文件。分析维度全面，涵盖营收、菜品、时段、会员等多个方面，且能生成可操作的具体建议。交互式看板支持明暗主题切换和周期筛选，体验不错。不足之处在于看板的菜品筛选功能有时不生效，部分图表结果偶尔缺失数据，细节打磨有待加强。综合来看，这是餐饮数据分析的实用工具，上手即可使用。