基于线上线下数据融合的城市商圈餐饮竞争强度研究
发布时间：2021-04-15 05:31
随着信息技术的迅猛发展,线上交易已经覆盖了整个市场,O2O的竞争日益激烈,市场竞争态势愈加复杂,如何识别竞争对手并采取有效的竞争策略变得更加重要。传统的市场竞争研究中数据获取困难,数据的时效性、准确性不强,对于竞争的识别和度量不够准确,且未充分结合O2O市场的线上数据。因此,本研究通过O2O市场中海量多维的线上线下数据融合的方式识别竞争关系,度量竞争强度。本文首先采用大众点评平台线下商家地理位置、店铺星级、菜品信息数据与线上商家服务、环境、口味等用户点评数据进行融合,构建模型度量市场的竞争强度以解决如何利用不同来源的多维度数据融合度量竞争的问题。其次,本研究基于建立的竞争强度模型计算了样例城市的价格离散水平、多样性水平,分别从价格、产品、服务、多样性等维度表现的竞争进行特征分析与计算,得出竞争强度水平。并通过15个主要商圈的主成分分析研究商圈的竞争状况,为市场在位者及后续进入者提出竞争策略及市场进入策略。通过数据实验与结果分析表明:在样例城市主要商圈线上线下都有经营的餐饮商家市场中,竞争最激烈的是关于用户评价的竞争,包括商家的星级得分、服务、口味、环境方面的用户评价,其次才是价格的竞争...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
变量关系散点图
电子科技大学硕士学位论文284.3变量聚类计算及相似性特征分析图4-2聚类效果图（n=10）图4-3聚类效果图（n=6）实现聚类的工具为python，参数设置（n_clusters=10，init="k-means++"，max_iter=500），多次调整参数后发现当n_clusters取10的聚类效果（如图4-2所示）较好，各个类别中心点距离较远散布在各个方向上，聚合程度较高。当n取6
电子科技大学硕士学位论文284.3变量聚类计算及相似性特征分析图4-2聚类效果图（n=10）图4-3聚类效果图（n=6）实现聚类的工具为python，参数设置（n_clusters=10，init="k-means++"，max_iter=500），多次调整参数后发现当n_clusters取10的聚类效果（如图4-2所示）较好，各个类别中心点距离较远散布在各个方向上，聚合程度较高。当n取6
【参考文献】：
期刊论文
[1]K-Means聚类算法研究综述[J]. 杨俊闯,赵超. 计算机工程与应用. 2019(23)
[2]市场信息、竞争强度与产品创新——基于零售企业电子商务领域[J]. 吴超云,余昌彬. 营销界. 2019(08)
[3]K均值聚类算法的研究与优化[J]. 陶莹,杨锋,刘洋,戴兵. 计算机技术与发展. 2018(06)
[4]基于骑行时空数据的共享单车设施规划研究[J]. 邓力凡,谢永红,黄鼎曦. 规划师. 2017(10)
[5]O2O价格竞争、消费者支付意愿与营销效率提升途径[J]. 冯燕芳,张荣. 商业经济研究. 2016(19)
[6]考虑价格和服务竞争的供应链决策与协调模型研究[J]. 张学龙,王军进. 系统科学学报. 2016(03)
[7]从滴滴打车的发展看O2O平台的竞争策略[J]. 黄晶. 商. 2016(30)
[8]O2O竞争新常态[J]. 董毅智. 法人. 2016(03)
[9]企业竞争对手识别方法研究进展[J]. 李伟华,郑彦宁. 情报理论与实践. 2015(09)
[10]网络口碑效应实证研究——基于信任和感知价值的中介作用[J]. 铁翠香. 情报科学. 2015(08)
博士论文
[1]社会化商务环境下意见领袖对购买意愿的影响研究[D]. 梦非.南京大学 2012
硕士论文
[1]消费者评价对消费者购买决策的影响研究[D]. 杨秀林.华东理工大学 2014
[2]社会化电子商务用户推荐对消费者购买意愿的影响研究[D]. 陈洋.北京邮电大学 2013
本文编号：3138736
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
变量关系散点图
电子科技大学硕士学位论文284.3变量聚类计算及相似性特征分析图4-2聚类效果图（n=10）图4-3聚类效果图（n=6）实现聚类的工具为python，参数设置（n_clusters=10，init="k-means++"，max_iter=500），多次调整参数后发现当n_clusters取10的聚类效果（如图4-2所示）较好，各个类别中心点距离较远散布在各个方向上，聚合程度较高。当n取6
电子科技大学硕士学位论文284.3变量聚类计算及相似性特征分析图4-2聚类效果图（n=10）图4-3聚类效果图（n=6）实现聚类的工具为python，参数设置（n_clusters=10，init="k-means++"，max_iter=500），多次调整参数后发现当n_clusters取10的聚类效果（如图4-2所示）较好，各个类别中心点距离较远散布在各个方向上，聚合程度较高。当n取6
【参考文献】：
期刊论文
[1]K-Means聚类算法研究综述[J]. 杨俊闯,赵超. 计算机工程与应用. 2019(23)
[2]市场信息、竞争强度与产品创新——基于零售企业电子商务领域[J]. 吴超云,余昌彬. 营销界. 2019(08)
[3]K均值聚类算法的研究与优化[J]. 陶莹,杨锋,刘洋,戴兵. 计算机技术与发展. 2018(06)
[4]基于骑行时空数据的共享单车设施规划研究[J]. 邓力凡,谢永红,黄鼎曦. 规划师. 2017(10)
[5]O2O价格竞争、消费者支付意愿与营销效率提升途径[J]. 冯燕芳,张荣. 商业经济研究. 2016(19)
[6]考虑价格和服务竞争的供应链决策与协调模型研究[J]. 张学龙,王军进. 系统科学学报. 2016(03)
[7]从滴滴打车的发展看O2O平台的竞争策略[J]. 黄晶. 商. 2016(30)
[8]O2O竞争新常态[J]. 董毅智. 法人. 2016(03)
[9]企业竞争对手识别方法研究进展[J]. 李伟华,郑彦宁. 情报理论与实践. 2015(09)
[10]网络口碑效应实证研究——基于信任和感知价值的中介作用[J]. 铁翠香. 情报科学. 2015(08)
博士论文
[1]社会化商务环境下意见领袖对购买意愿的影响研究[D]. 梦非.南京大学 2012
硕士论文
[1]消费者评价对消费者购买决策的影响研究[D]. 杨秀林.华东理工大学 2014
[2]社会化电子商务用户推荐对消费者购买意愿的影响研究[D]. 陈洋.北京邮电大学 2013
本文编号：3138736
本文链接：https://www.wllwen.com/guanlilunwen/jiudianguanli/3138736.html
