Analysis of Usage Factors of Restaurant Customers in Traditional Markets
Notice bibliographique
Résumé
Background/Objectives: The traditional market, which was at the center of the domestic distribution industry, is undermined by the trend of large size, specialization, and service. Successful cases are often seen through the coexistence of traditional markets and dining services. In the traditional market, eating out is the main product, and the customer's preference is very high.Methods/Statistical analysis: The purpose of this study is to summarize the usage factors that are important to customers of traditional market restaurants, and to analyze the priorities of the usage factors through the Analytic Hierarchy Process (AHP). In this study, we analyzed the level1 factors of traditional market restaurant customers into traditional market environment, restaurant environment, and food feature, and proposed an analysis model that classifies detailed factors of each factor.Findings: The analysis results are as follows. First, Level 1 showed relatively high importance in order of food feature (0.41), restaurant environment (0.33), and traditional market environment (0.26). Second, the usage factor of food feature had high priority of flavor and price. In the restaurant environment, cleanliness and kindness were high priority. In the traditional market environment, cleanliness and accessibility were important. Third, overall priority was high in order of flavor, price, and restaurant cleanliness.Improvements/Applications: These results will help to improve the management of vulnerable and small traditional market restaurants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».