Pos 餐饮业营收智能分析平台产品系统

一、项目对应的四大真实业务场景
1. 菜单工程（Menu Engineering） 将成本模拟为售价 30%–45% 并计算毛利率，对应行业的「菜品四象限」管理：

- 高毛利高销量（Cold coffee，毛利率 69.7%）→ 明星品，重点推
- 低毛利高销量（Aalopuri/Vadapav）→ 引流品，带客流
- 高单价品（Sandwich Rs 60、Frankie Rs 50）→ 利润品，做套餐锚点
2. 时段运营（Daypart Management） Night 比 Midnight 多约 22% 销售额——对应行业通用的排班、备货、促销节奏决策：高峰保出餐速度，低谷用特价/满减填产能。

3. 关联销售与套餐设计（Combo / Bundle Pricing） Apriori 挖掘搭配规律是零售餐饮的经典方法（沃尔玛"啤酒+尿布"的餐饮版）。Sandwich + Frankie 单笔毛利最高，套餐定价略低于单点价即可同时提升客单价与毛利。

4. 支付与数据治理 10.7% 支付字段缺失、日期格式混乱（07-03-2022 与 8/23/2022 混排）——这是小店 POS 数据的真实通病，数据清洗与录入规范本身就是运营改进项。

二、方法论的可迁移性
这套「描述性分析 + Apriori + 毛利建模」的流水线可直接复用到：

- 连锁餐饮 ：跨门店对比组合销售，识别区域性口味差异
- 便利店/茶饮 ：SKU 更多时 Apriori 价值更大（真实购物篮而非类别聚合）
- 外卖平台 ：基于真实订单（order_id 级）做"买了又买"推荐

### 1. 数据探索层
- 加载 CSV 后按商品/时段/支付方式分组聚合，统计销量、销售额与订单占比
- 生成 3 张描述性图表：销量条形图、时段销售额柱状图、支付方式环形图
### 2. 关联规则挖掘层
- 按`item_type` 将商品列表聚合成交易 →`TransactionEncoder` 做 one-hot 编码
- 调用 Apriori（`min_support=0.005` ）生成频繁项集与关联规则
- 用`frozenset` 合并前件/后件对称的重复规则；因所有组合 Support 均为 0.5，改按 单笔毛利确定性排序 取 Top 10（加了名称兜底键，多次运行结果一致）
### 3. 利润建模与报告输出层
- 固定随机种子（seed=10），将成本模拟为售价的 30%–45%，计算「单笔毛利 = 售价合计 − 成本合计」并排名
- 用 reportlab 生成 4 页简洁规范的中文 PDF 报告 （ generate_report.py ）：KPI 卡片、数据表、4 张图表、结论建议，带页眉线 + 页码页脚
- 交付成果： Balaji_Fast_Food_Sales_Report.pdf
工程化亮点 ：图表按原始宽高比插入避免失真、中文字体（SimHei/SimSun）注册并映射粗体、用`CondPageBreak` 防止标题孤行和分页异常、跨哈希种子验证结果可复现。数据更新后重跑脚本即可一键再生成报告。

实现链路为 数据加载 → 成本建模 → 关联规则 → 利润排名 → 可视化 → PDF 报告 。
1. 数据加载
DF = pd.read_csv(r"...\Balaji Fast Food Sales.csv", sep=",", header=0, index_col=None)
2. 菜单与成本建模
按`item_name` 分组取单价，用固定随机种子把成本模拟为售价的 30%–45%：种子固定保证每次运行成本一致、结果可复现。
3. Apriori 关联规则挖掘
三步：聚合交易 → one-hot 编码 → 挖掘：
4. 利润建模与排名
5. 可视化（matplotlib）
## 6. PDF 报告工程（reportlab）
- 字体 ：注册 SimHei/SimSun，`registerFontFamily` 把`` 映射为黑体，解决中文加粗乱码
- 版式 ：`BaseDocTemplate + Frame + onPage` 绘制页眉绿线；`NumberedCanvas` 两遍渲染实现「第 X 页 / 共 Y 页」
- 组件 ：KPI 卡片（嵌套 Table）、斑马纹表格（`ROWBACKGROUNDS` ）、图表按 PIL 原始宽高比插入避免拉伸
- 分页控制 ：用`CondPageBreak(need)` 按估算高度防止标题孤行（比嵌套`KeepTogether` 稳定，后者会导致整块强制翻页、出现大段空白）
- 正文对齐 ：左对齐而非两端对齐，避免中英混排时字距被拉散