name: restaurant-data-analysis description: 餐飲經營資料分析技能。讀取餐廳交易明細（Excel/CSV），自動計算營收/客流/客單價/翻檯率等經營指標，進行菜品 ABC 分類與選單工程（貢獻度/毛利率），並基於會員消費完成 RFM 分層與復購/流失分析。額外提供 星期×時段熱力圖、價格帶分佈、同環比、復購 cohort 留存、經營健康分（6 分項加權）與智慧診斷（自動生成關鍵發現+行動建議），最終輸出 panda-design 風格的互動式 ECharts 經營看板（明暗雙主題、週期/品類篩選）。當用戶上傳餐飲銷售資料、要求分析餐廳經營狀況、最佳化選單結構、做會員復盤或出資料看板時使用。 agent_created: true version: 1.1.0 category: 資料分析 platforms: ["workbuddy","claude-code"]

餐飲資料分析（Restaurant Data Analysis）

概述

本技能將 WorkBuddy 變為「餐飲經營分析顧問」。給定一份餐廳交易明細（訂單行項級別的匯出，通常為 Excel/CSV）， 自動完成六類分析併產出一套 panda-design 風格的互動式經營看板（ECharts 渲染，明暗雙主題，支援週期切換與菜品篩選）：

1. 經營指標分析 —— 營收、訂單數、客單價、人均消費、日均/日周趨勢、翻檯率、同環比。
2. 時段分析 —— 各時段營收分佈 + 星期×時段 熱力圖，定位高峰組合。
3. 價格帶分析 —— 訂單客單價分桶的訂單數與營收貢獻。
4. 菜品與選單工程 —— 菜品銷量/營收/毛利率、營收佔比、ABC 分類、貢獻度矩陣（明星/金牛/問題/瘦狗）、暢銷/滯銷識別。
5. 會員與復購分析 —— 復購率、消費頻次、RFM 分層、流失預警、復購 cohort 留存。
6. 經營健康分 + 智慧診斷 —— 6 個分項加權算總分（增長/復購/結構/時段均衡/客單價穩定/流失控制），規則引擎自動生成「關鍵發現 + 行動建議」。

所有計算由 scripts/analyze.py 完成，圖表與互動式 HTML 看板自動生成。指標定義與方法論文件在 references/ 下，按需載入。

何時使用

觸發場景（使用者 query 出現以下意圖之一即呼叫本技能）：

• 上傳了餐飲/門店的銷售、訂單、交易明細檔案，要求「分析一下」「看看經營情況」「出個看板」。
• 要求做「菜品分析」「選單最佳化」「哪些菜賺錢/虧錢」「ABC 分類」。
• 要求算「客單價」「翻檯率」「客流」「時段分佈」「日營收趨勢」「周環比」。
• 要求做「會員分析」「復購率」「RFM」「流失預警」「客戶分層」「留存」。
• 要求對經營狀況做「診斷」「健康度」「打分」「為什麼營收下滑」等診斷性提問。

資料準備與欄位對映

scripts/analyze.py 支援 Excel（.xlsx/.xls）與 CSV。指令碼會自動按中文/英文關鍵字識別列；若自動識別失敗， 可用 --config map.json 或命令列引數顯式指定。必填欄位：菜品、數量、金額（金額可由數量×單價推算）。

列名對映配置（可選） map.json 示例：

{
  "date": "交易日期", "order": "訂單號", "dish": "商品名稱",
  "qty": "數量", "amount": "實收金額", "cost": "成本",
  "customer": "會員ID", "time": "下單時間",
  "tables": 30,
  "churn_days": 60
}

• tables：門店桌臺總數，提供後才會計算翻檯率。也可直接傳 --tables 30。
• churn_days：流失預警閾值（天），預設 60。也可直接傳 --churn-days 21。

核心工作流

模組 1 · 經營指標與同環比

讀取明細後呼叫 scripts/analyze.py，指令碼自動輸出：

• 核心 KPI：總營收、訂單數、客單價、人均消費、日均營收、日均訂單、資料覆蓋天數、翻檯率（若給桌臺數）。
• 趨勢：按日營收折線 + 按自然周營收折線，可在看板頂部切換粒度。
• 同環比：最新完整週 vs 上一完整週（不足 2 周則用前後半期）的營收增長率，KPI 卡片直接顯示漲跌箭頭。
• 時段分佈：按時間列歸入 早市/午市/下午/晚市/夜宵，輸出佔比。

指標公式詳見 references/metrics.md。

模組 2 · 菜品與選單工程

• 菜品彙總：每菜品銷量、營收、成本、毛利、毛利率、營收佔比、累計營收佔比。
• ABC 分類：按營收降序累計，A 類=累計 <70%，B 類=70%–90%，C 類=90%–100%。
• 貢獻度矩陣：橫軸=營收佔比，縱軸=毛利率，氣泡大小=銷量；按中位數切分識別 明星（高營收高毛利）/ 金牛（低營收高毛利）/ 問題（高營收低毛利）/ 瘦狗（低營收低毛利）。
• 暢銷/滯銷：銷量 Top/Bottom 榜單。

方法論文件見 references/menu_engineering.md。

模組 3 · 時段與價格帶

• 星期×時段熱力圖：按星期與時段二維聚合營收，顏色深淺快速定位高峰組合（如週六晚市）。
• 價格帶分佈：按訂單客單價分桶（0–30 / 30–50 / 50–80 / 80–120 / 120+），輸出各帶訂單數與營收貢獻，判斷客單價結構是否合理。

模組 4 · 會員與復購分析（存在會員ID列時）

• 復購率 = 消費 ≥2 次的會員數 ÷ 總會員數。
• 人均指標：人均消費頻次、人均消費額。
• RFM 分層：R=最近消費距資料末日天數，F=消費次數，M=消費金額；各按五分位打分(1–5)， 對映為 重要價值 / 重要保持 / 重要發展 / 重要挽留 / 一般客戶 / 新客 等細分。
• 流失預警：最近消費間隔 > churn_days 的會員清單與數量。

  7w4.net小蔥技能。

• 復購 cohort 留存：按首購周分組，觀察後續各周的會員留存率(%)，判斷拉新後的真實留存質量。

方法論文件見 references/membership.md。

模組 5 · 經營健康分

6 個分項加權得出 0–100 總分，並給出 優秀 / 良好 / 需關注 / 預警 評級：

模組 6 · 智慧診斷

規則引擎基於上述指標自動生成「關鍵發現 + 行動建議」卡片，覆蓋：營收環比下滑、營收過度集中、高營收低毛利菜品、 復購率偏低、會員流失預警、時段結構集中、健康分總評。每條均給出可落地的行動建議，相當於內建經營顧問。

模組 7 · 資料 → 互動式看板

一鍵產出：

• output/data.json：全部計算結果（供前端渲染 / 二次開發）。
• output/report.html：panda-design 風格互動式看板（ECharts）。特性：
• 頂部毛玻璃欄，明暗主題切換（持久化到 localStorage），週期切換（日/周），菜品關鍵詞篩選。
• 健康分大卡 + KPI 卡片網格（帶漲跌箭頭）。
• 智慧診斷卡片流。
• 圖表：營收趨勢、時段分佈、星期×時段熱力圖、價格帶、菜品 Top15、ABC 帕累托、貢獻度散點、RFM 分佈、cohort 留存、健康分雷達（全部支援 tooltip/圖例篩選）。
• output/report.md：純文本報表（ECharts 不可用時的降級）。
• output/dish_analysis.csv、output/member_rfm.csv：明細資料，便於二次加工。

使用方法

1. 確認使用者已提供交易明細檔案（Excel/CSV）。若列名不規範，引導使用者給出 map.json 或確認列含義。
2. 執行分析指令碼：

python scripts/analyze.py "<資料檔案.xlsx或csv>" \
  --output output \
  --name "示例餐廳" \
  --tables 30 \          # 可選：桌臺數，算翻檯率
  --churn-days 21 \      # 可選：流失預警天數
  --config map.json      # 可選：列名對映

1. 開啟 output/report.html 檢視互動式看板（需聯網載入 ECharts），結合智慧診斷向用戶口述關鍵結論與可落地建議 （如：砍掉 C 類低毛利菜、對「重要保持」客群做召回、延長高峰時段營業）。
2. 如使用者需要，可將 output/dish_analysis.csv 等交給使用者做二次分析。

參考文件（按需載入）

• references/metrics.md —— 全部經營指標的定義與計算公式。
• references/menu_engineering.md —— ABC 分類、貢獻度矩陣、毛利率方法。
• references/membership.md —— RFM 打分與客群劃分、復購率與流失定義。

限制

• 本技能做描述性 + 診斷性分析，不做因果推斷或預測建模；如需銷售預測請另行說明。
• 毛利率依賴「單位成本」列，若缺失則跳過該指標並在報表中標註。
• 翻檯率僅在提供桌臺總數時計算；否則僅給出訂單與客流層面的替代指標。
• 資料來源需為「訂單行項級別」明細；彙總表（已聚合的日報表）無法還原菜品/會員維度，需請使用者提供明細。
• 互動式看板 report.html 的圖表依賴 ECharts CDN（jsdelivr），檢視互動功能需聯網；離線時看板文字與診斷部分仍可讀，report.md 為完全離線降級。
• 執行依賴：pandas / numpy / openpyxl（讀 xlsx），無需 matplotlib。

整體質量較好，介面美觀、圖表豐富，能自動識別常見列名並支援 Excel 和 CSV 檔案。分析維度全面，涵蓋營收、菜品、時段、會員等多個方面，且能生成可操作的具體建議。互動式看板支援明暗主題切換和週期篩選，體驗不錯。不足之處在於看板的菜品篩選功能有時不生效，部分圖表結果偶爾缺失資料，細節打磨有待加強。綜合來看，這是餐飲資料分析的實用工具，上手即可使用。