连锁餐饮经营分析看似简单，但面对千万级数据量时，门店销售、菜品、会员和评价几张表的清洗、关联和统计并不轻松。

这篇文章就介绍一种更轻量的 AI 工作流做法：不写代码、不写 SQL，直接在本地完成千万级数据的清洗分析，快速做出完整的经营分析结果。

如下配置好的工作流图：

报表可视化结果：

接下来，我们就用一个典型业务场景，来完整演示这个过程：连锁餐饮经营分析。

一、案例需求分析

在连锁餐饮经营分析场景里，业务更关心的，通常不是原始数据本身，而是最后能产出哪些可直接使用的结果表。这个案例也从结果导向出发，先明确最终要生成哪些经营分析结果，再回到数据清洗、多表关联和统计过程。

1、最终输出哪些结果表

完成门店销售、菜品、会员和评价数据的清洗、规范和关联后，这个案例最终会输出 6 个核心结果表：

• 门店经营全景表 ：用来汇总各门店的销售总额、会员消费占比、平均评分、投诉率等核心指标，帮助业务快速了解每家门店的整体经营情况。
• 菜品分类统计表 ：用来统计各菜品分类的销售总额、销售占比、毛利率和招牌菜销售占比，帮助业务判断菜品结构是否合理。
• 门店排名表 ：用来按年度销售总额和毛利率对门店进行排序，方便业务识别高表现门店和经营薄弱门店。
• 门店畅销滞销 Top5 表 ：用来找出每家门店销售最好的 Top5 菜品和销售最弱的 Top5 菜品，帮助业务优化菜品结构和门店运营策略。
• 会员评分相关性表 ：用来分析会员消费占比与门店评分之间的关系，帮助业务判断会员经营与顾客体验之间是否存在关联。
• 投诉率 Top10 门店表 ：用来筛选投诉率最高的 Top10 门店，并结合主要投诉类型查看问题集中点，帮助业务快速定位服务和管理风险。

生成结果统计表的数据文件，如下图：

 同时，还会生成对应的 HTML 报表视图，方便直接查看分析结果。如图：

2、业务数据涉及哪些源表

这次案例围绕连锁餐饮经营分析展开，一共涉及 4 张核心业务表。

• 门店销售流水表 ：主要记录流水号、门店编号、菜品编号、销售数量、销售金额、折扣金额、实收金额、下单时间、桌号，用来承接门店日常销售数据，是后续销售统计、菜品分析和门店经营分析的核心基础表。
• 菜品信息表 ：主要记录菜品编号、菜品名称、菜品分类、成本价、售价、是否招牌菜、上架日期，用来补充菜品维度信息，支撑菜品分类分析、毛利测算和招牌菜表现分析。
• 会员消费表 ：主要记录消费ID、会员ID、门店编号、消费金额、积分、消费时间、支付方式，用来反映会员在各门店的消费情况，是会员贡献分析和会员消费占比计算的重要来源。
• 顾客评价表 ：主要记录评价ID、门店编号、评价日期、评分、评价内容、是否投诉、投诉类型，用来补充顾客反馈和服务质量信息，支撑门店评分分析、投诉率分析和经营表现综合评估。

4张表的数据量在千万级，如下图示：

3、这次主要做了哪些清洗

这次清洗主要集中在门店销售流水表、菜品信息表、会员消费表和顾客评价表这 4 张业务表上，重点是统一时间格式、清理金额字段、规范菜品编号和业务口径，为后续门店经营、菜品销售、会员消费和评价分析打好基础。具体动作如下：

清洗门店销售流水表

• “下单时间”统一为 yyyy-MM-dd HH:mm:ss 格式
• “销售金额”“折扣金额”“实收金额”去除 ￥ 和千分位逗号
• “菜品编号”统一为大写，去除前后空格
• 删除“销售金额”为 0 或负数的异常记录

清洗菜品信息表

• “成本价”“售价”去除 ￥ 符号
• “菜品分类”去除前后空格，并做归一化处理，例如“热 菜”统一为“热菜”
• “是否招牌菜”归一化处理，例如“是”“Y”“1”“true”统一为“是”
• “菜品编号”统一为大写，去除前后空格
• “上架日期”统一为 yyyy-MM-dd 格式

清洗会员消费表

• “消费时间”统一为 yyyy-MM-dd HH:mm:ss 格式
• “消费金额”去除 ￥ 和千分位逗号
• “支付方式”归一化处理，例如“微信”“WeChat”“wechat”统一为“微信”

清洗顾客评价表

• “评价日期”统一为 yyyy-MM-dd 格式
• “评分”去除“星”后缀，转换为数字
• “投诉类型”归一化处理，例如“服务”“服务态度”“态度差”统一为“服务态度”

经过这一步清洗后，销售、菜品、会员和评价几张核心业务表的数据格式和字段口径会先统一下来，后续才能继续完成门店菜品销售宽表、门店经营全景表以及各类经营统计结果表的输出。

二、提示词整理

在工作流配置之前，需要先把这次业务处理逻辑整理成一份提示词。

这一步的作用，就是先明确 清洗哪些表 、 怎么关联 、 输出哪些报表 。整理好之后，这份提示词就可以作为工作流配置输入，指导后续执行。

这里也需要说明一点： 提示词不一定非要写成固定模板 。只要表达得 清晰 、 明确 、 简洁 ，让人一眼能看懂要做什么、按什么顺序做、最后输出什么结果，就可以了。

本次案例整理出的提示词如下：

第一步 - 清洗门店销售流水：
1. "下单时间"统一为 yyyy-MM-dd HH:mm:ss 格式
2. 所有金额字段去除￥和千分位逗号
3. "菜品编号"统一为大写，去除前后空格
4. 删除"销售金额"为0或负数的异常行

第二步 - 清洗菜品信息表：
1. "成本价""售价"去除￥符号
2. "菜品分类"去除前后空格，"热 菜"统一为"热菜"
3. "是否招牌菜"归一化："是""Y""1""true"统一为"是"
4. "菜品编号"统一为大写，去除前后空格
5."上架日期"统一为 yyyy-MM-dd 格式

第三步 - 清洗会员消费表：
1. "消费时间"统一为 yyyy-MM-dd HH:mm:ss 格式
2. "消费金额"去除￥和千分位逗号
3. "支付方式"归一化："微信""WeChat""wechat"统一为"微信"

第四步 - 清洗顾客评价表：
1. "评价日期"统一为 yyyy-MM-dd 格式
2. "评分"去除"星"后缀，转为数字
3. "投诉类型"归一化："服务""服务态度""态度差"统一为"服务态度"

第五步 - 生成门店菜品销售宽表：
1. 门店销售流水 关联 菜品信息表（按"菜品编号"匹配）
2. 保留"流水号""门店编号""菜品编号""菜品名称""菜品分类""是否招牌菜""销售数量""销售金额""折扣金额""实收金额""成本价"
3. 新增"毛利估算" = 实收金额 - 成本价 * 销售数量
4. 输出"门店菜品销售宽表"

第六步 - 生成门店销售汇总表：
1. 基于"门店菜品销售宽表"
2. 按"门店编号"分组，统计：年度销售总额、实收总额、销售笔数、菜品种类数、毛利总额
3. 新增"平均客单价" = 实收总额 / 销售笔数
4. 输出"门店销售汇总表"

第七步 - 生成会员门店汇总表：
1. 基于"会员消费表"
2. 按"门店编号"分组，统计：会员消费总额、会员消费次数
3. 输出"会员门店汇总表"

第八步 - 生成门店评价汇总表：
1. 基于"顾客评价表"（清洗后）
2. 按"门店编号"分组，统计：平均评分、评价总数、投诉率、主要投诉类型
3. 输出"门店评价汇总表"

第九步 - 生成门店经营全景表：
1. "门店销售汇总表" 关联 "会员门店汇总表"（按"门店编号"匹配）
2. 再关联 "门店评价汇总表"（按"门店编号"匹配）
3. 新增"会员消费占比" = 会员消费总额 / 年度销售总额
4. 输出"门店经营全景表"

第十步 - 生成菜品分类统计表：
1. 基于"门店菜品销售宽表"
2. 按"菜品分类"分组，统计：销售总额、销售额占比、毛利率、招牌菜销售占比
3. 输出"菜品分类统计表"

第十一步 - 生成门店排名表：
1. 基于"门店经营全景表"
2. 新增"毛利率" = 毛利总额 / 年度销售总额
3. 按"年度销售总额"降序排列，生成门店排名
4. 输出"门店排名表"

第十二步 - 生成门店畅销滞销Top5表：
1. 基于"门店菜品销售宽表"
2. 按"门店编号"+"菜品名称"分组，统计：销售总额、销售数量
3. 在每个门店内按销售总额降序取Top5畅销菜品，按销售总额升序取Top5滞销菜品
4. 输出"门店畅销滞销Top5表"

第十三步 - 生成会员评分相关性表：
1. 基于"门店经营全景表"
2. 选取"会员消费占比"和"平均评分"两列，计算相关性系数
3. 输出"会员评分相关性表"

第十四步 - 生成投诉率Top10门店表：
1. 基于"门店评价汇总表"
2. 按"投诉率"降序排列，取Top10
3. 输出"投诉率Top10门店表"（含门店编号、投诉率、主要投诉类型）

三、落地实现：工作流配置

 工作流是由多个智能体节点组成的，这个案例我们涉及到下面几个智能体：

• 文件助手： 获取磁盘的文件或目录。
• 内容清洗器： 专门用来做数据清洗的，只要输入清洗描述就可以对文件数据进行任意整理。
• 数据入库：将文件数据转成本地数据库，用于后面作SQL统计。
• 表统计： 对本地数据库表进行SQL统计，不需要写sql，只需要统计的描述就可以了。
• 报表导出： 对数据库表进行导出，支持导出csv，xlsx，HTML（可视化显示） 。

根据这几个智能体还有上面描述的提示词，我们就可以完成工作流的配置了。

1. 清洗数据表

清洗数据流程总共分为三步：

1. 配置文件助手 ： 获取待清洗的源文件。
2. 配置内容清洗器： 描述清洗内容。
3. 数据入库： 将文件数据搞成表放到本地数据库（后面好进行sql统计）。

打开DT-Bot工作流， 配置一个 “文件助手”智能体节点，描述原始数据文件位置，文件助手配置如图：

DT-Bot工作流，解决方案获取可以看文章末尾名片。

根据提示词描述，获取到了”门店销售流水“原始表格，然后就会输出该文件，然后我们接下一个智能体“内容清洗器”，如图： 

直接将清洗的提示词写进来就可以了，清洗之后，我们需要将表格文件的数据放到数据库里面，后面好进行SQL统计，所以还要接入一个“数据入库”，不需要输入任何提示词，如下图：

第一步就完成了，同理，所有的源表清洗都是这个套路。

2. 表统计

接下来我们需要进行表统计，直接用“表统计”智能体就好了， 也是直接输入提示词描述，工作流内部会生成相关sql进行统计（全程不用你操心），下面是我配置完成的图：

3. 导出报表

表统计后，只生成了结果表到数据库里面，还需要从数据库里面下载出来，这是要用“报表导出”智能体，可以指定哪些表，下载类型，如下图：

 配置完成后，我们发布工作流执行就可以了。

四、结尾语

千万级连锁餐饮数据分析，并不一定意味着很高的技术门槛。只要先把业务链路梳理清楚，把分析目标描述清楚，再结合 AI 工作流逐步执行，就能够把门店销售、菜品、会员、评价这些原始业务数据，整理成可清洗、可关联、可统计、可输出的经营分析结果。

对于这类场景来说，真正重要的并不是写了多少 SQL、搭了多少技术环境，而是能不能把门店经营问题讲清楚，把分析流程跑顺，把结果稳定产出出来。连锁餐饮经营分析只是一个开始，后面还可以继续扩展到供应链、人力、销售、财务等更多业务场景，用同样的方式完成千万级数据清洗、统计分析和报表输出。