Original size 1612x2252

Анализ маркетинга московских ресторанов

PROTECT STATUS: not protected

Анализ маркетинговой эффективности московских ресторанов: влияние локации, кухни и ценового сегмента на популярность

Исследование факторов успеха в индустрии HoReCa на основе данных 250 заведений

Этот проект посвящён анализу факторов успеха в индустрии гостеприимства и общественного питания на основе данных двухсот пятидесяти заведений столицы. Исследование выполнено с применением современных методов data science, включая статистический анализ, машинное обучение и генеративный искусственный интеллект. В рамках работы были изучены ключевые метрики ресторанного бизнеса, проведены распространённые гипотезы о связи цены и качества, а также выявили скрытые закономерности, которые могут быть полезны для рестораторов, маркетологов и инвесторов.

В современном высококонкурентном мире ресторанного бизнеса принятие решений на основе данных становится критически важным конкурентным преимуществом. Я задалась несколькими фундаментальными вопросами, которые волнуют каждого предпринимателя в этой сфере. Первый и наиболее важный вопрос звучит так:

действительно ли высокая цена напрямую влияет на рейтинг ресторана, или это распространённое заблуждение?

Существует устойчивый миф о том, что дорогие заведения обязательно лучше по качеству, но насколько это соответствует реальности?
big
Original size 2136x1436

Второй вопрос касается структуры рынка:

какие типы кухни наиболее популярны среди московских ресторанов, где самая высокая конкуренция, а где есть незанятые ниши?

Третий вопрос географический:

существуют ли значимые различия между административными округами Москвы в плане цен, качества обслуживания и предпочтений аудитории?

И наконец, четвёртый вопрос методологический:

как можно сегментировать рынок для более эффективного позиционирования новых проектов?

Целевая аудитория этого исследования включает несколько групп профессионалов. Во-первых, это действующие рестораторы и предприниматели, планирующие выход на рынок общественного питания. Для них выводы могут стать основой для стратегического планирования и позиционирования. Во-вторых, это маркетологи и бренд-менеджеры, работающие в сфере HoReCa, которым необходимо понимание реальных драйверов успеха. В-третьих, инвесторы в индустрию общепита, которые принимают решения о финансировании проектов на основе объективных данных. И наконец, исследователи потребительского поведения и студенты, изучающие практическое применение data science в реальном бизнесе.

Объём выборки составляет двести пятьдесят ресторанов, расположенных в десяти административных округах Москвы. Это достаточно репрезентативная выборка, позволяющая делать статистически обоснованные выводы о рынке в целом. В выборку попали заведения пятнадцати различных типов кухонь, от традиционной русской и европейской до экзотической японской и узбекской. Мы также выделили четыре ценовые категории: бюджетный сегмент с чеком до одной тысячи рублей, средний сегмент от тысячи до тысячи восьмисот рублей, средний плюс от тысячи восьмисот до трёх тысяч рублей и премиум-сегмент свыше трёх тысяч рублей на человека.

ПРОЦЕСС РАБОТЫ — Схема обработки данных

Original size 1746x492

Цветовая палитра для графиков

Original size 1614x1126

Что показывает простыми словами:

Круговая диаграмма (pie chart) показывает, какой процент ресторанов относится к каждой ценовой категории: — Средний (красный) — 44,8% — Средний+ (оранжевый) — 31,2% — Бюджетный (зелёный) — 13,2% — Премиум (тёмно-синий) — 10,8%

Ключевые выводы:

✅ Основа рынка — средний сегмент: — «Средний» + «Средний+» = 76% всех ресторанов — Это золотая середина: чек 1200-3000 руб.

✅ Бюджетный сегмент недопредставлен: — Только 13,2% — мало вариантов для студентов и экономных клиентов

✅ Премиум-сегмент — ниша: — 10,8% — узкая аудитория с высокими доходами

✅ Структура типична для крупных городов: — Массовый рынок = средний сегмент — Экстремумы (очень дешёвые и очень дорогие) — меньшинство

Original size 1754x1178

Ключевые выводы:

Лидеры: 1. ЕВР (Европейская) — 30 ресторанов (~12%) 2. ФУЗ (Fusion) — 26 ресторанов (~10.4%) 3. УЗБ (Узбекская) — 25 ресторанов (~10%)

В топ-10 попали:

 — Азиатские кухни: Паназиатская, Китайская, Японская (ЯПО)

— Европейские: Итальянская, Французская, Средиземноморская

— Национальные: Грузинская, Русская

Original size 1700x1154

1. ЧТО ПОКАЗЫВАЕТ ПРОСТЫМИ СЛОВАМИ?

Этот график показывает, как распределяются рейтинги ресторанов в зависимости от их ценовой категории. Форма «скрипки» (violin) показывает, где концентрируется большинство ресторанов по рейтингу:

Широкая часть = много ресторанов с таким рейтингом Узкая часть = мало ресторанов с таким рейтингом Синяя линия = медиана (середина распределения) Красная линия = среднее значение Ключевое наблюдение: Все ценовые категории имеют примерно одинаковые средние рейтинги (около 4.0 баллов), но различаются по разбросу. КЛЮЧЕВЫЕ ВЫВОДЫ:

✅ Миф развенчан: дорого ≠ качественно — Бюджетные рестораны имеют средний рейтинг ~3.9 — Премиум-рестораны тоже ~4.2 — Разница минимальна — всего 0.3 балла

✅ Средний сегмент самый разнородный — Категория «Средний» имеет самый широкий разброс (от 2.5 до 5.0) — Это означает огромную конкуренцию и большие различия в качестве

✅ Премиум-сегмент стабильнее — «Скрипка» премиум-категории более узкая и компактная — Меньше выбросов = более предсказуемое качество

✅ Средний+ показывает лучшую концентрацию — Большая часть ресторанов имеет рейтинг 4.0-5.0 — Это «золотая середина» по соотношению цена/качество

Original size 1766x1074

Этот график показывает, как различаются цены в ресторанах в разных административных округах Москвы:

Высота «скрипки» = разброс цен Ширина = концентрация ресторанов с определённой ценой Синяя линия = медианная цена (типичная) Красная точка = средняя цена Чёрные точки = выбросы (аномально дорогие рестораны) КЛЮЧЕВЫЕ ВЫВОДЫ:

✅ ЦАО (Центр) — самый дорогой — Медиана ~2500₽, среднее ~2900₽ — Огромный разброс: от 1500₽ до 5000₽ — Много премиум-заведений (выбросы до 5000₽)

✅ ВАО и ЮВАО — самые дешёвые — Медиана ~1200₽ — Компактное распределение = мало премиум-заведений

✅ ЗАО и СВАО — средний ценовой сегмент — Медиана ~1700₽ — Стабильные цены без экстремальных выбросов

✅ САО показывает бимодальность — Два пика: бюджетные (~1500₽) и дорогие (~2000₽) — Практически нет среднего сегмента

✅ ЮЗАО — загадка — Низкая медиана (~1400₽), но есть выбросы до 2000₽ — Возможно, смесь спальных районов и элитных ЖК

ХОД ИССЛЕДОВАНИЯ: ФАКТОРЫ УСПЕХА В HoReCa ПОШАГОВАЯ МЕТОДОЛОГИЯ АНАЛИЗА

СБОР И ПОДГОТОВКА ДАННЫХ

Импорт необходимых библиотек

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from sklearn.preprocessing import StandardScaler

Загрузка датасета

df = pd.read_csv ('horeca_data.csv')

Первичный осмотр данных

print (f"Размер выборки: {len (df)} ресторанов») print (f"Количество признаков: {df.shape[1]}») df.info () df.describe ()

Блокнот с кодом и датасет

ОЧИСТКА И ОБРАБОТКА ДАННЫХ

Обработка пропущенных значений

df['reviews_count'].fillna (df['reviews_count'].median (), inplace=True) df['instagram_followers'].fillna (0, inplace=True)

Удаление выбросов (метод IQR)

Q1 = df['avg_check'].quantile (0.25) Q3 = df['avg_check'].quantile (0.75) IQR = Q3 — Q1 df = df[(df['avg_check'] ≥ Q1 — 1.5IQR) & (df['avg_check'] ≤ Q3 + 1.5IQR)]

Создание категориальных признаков

df['price_category'] = pd.cut (df['avg_check'], bins=[0, 1000, 1800, 3000, 10000], labels=['Бюджетный', 'Средний', 'Средний+', 'Премиум'])

Стандартизация числовых признаков

scaler = StandardScaler () df[['avg_check_scaled', 'rating_scaled']] = scaler.fit_transform (df[['avg_check', 'rating']])

ТЕСТИРОВАНИЕ ГИПОТЕЗ

ГИПОТЕЗА 1: Влияет ли цена на рейтинг?

budget = df[df['price_category'] == 'Бюджетный']['rating'] premium = df[df['price_category'] == 'Премиум']['rating'] stat, p = mannwhitneyu (budget, premium)

print («=== ГИПОТЕЗА 1: ДОРОГИЕ РЕСТОРАНЫ = ВЫШЕ РЕЙТИНГ? ===») print (f"Средний рейтинг бюджетных: {budget.mean ():.2f}») print (f"Средний рейтинг премиум: {premium.mean ():.2f}») print (f"p-value = {p:.4f}») if p < 0.05: print («✓ Различие ЗНАЧИМО») else: print («✗ Различие НЕЗНАЧИМО → МИФ РАЗВЕНЧАН!»)

ГИПОТЕЗА 2: Влияние округа на цену

stat, p = kruskal (*[df[df['district'] == d]['avg_check'] for d in df['district'].unique ()]) print (f"\n=== ГИПОТЕЗА 2: ГЕОГРАФИЯ ВЛИЯЕТ НА ЦЕНУ? ===») print (f"Kruskal-Wallis H-test: p-value = {p:.4f}») if p < 0.05: print («✓ Округ ЗНАЧИМО влияет на цену») else: print («✗ Округ НЕ влияет на цену»)

ГИПОТЕЗА 3: Популярность vs Рейтинг

high_reviews = df[df['reviews_count'] > df['reviews_count'].median ()]['rating'] low_reviews = df[df['reviews_count'] ≤ df['reviews_count'].median ()]['rating'] stat, p = mannwhitneyu (high_reviews, low_reviews)

print (f"\n=== ГИПОТЕЗА 3: ПОПУЛЯРНЫЕ = КАЧЕСТВЕННЕЕ? ===») print (f"Рейтинг популярных (много отзывов): {high_reviews.mean ():.2f}») print (f"Рейтинг непопулярных (мало отзывов): {low_reviews.mean ():.2f}») print (f"p-value = {p:.4f}») if p < 0.05 and high_reviews.mean () > low_reviews.mean (): print («✓ Популярные рестораны лучше») elif p < 0.05 and high_reviews.mean () < low_reviews.mean (): print («⚠️ Популярные рестораны ХУЖЕ (парадокс!)») else: print («✗ Нет значимой разницы»)

СЕГМЕНТАЦИЯ И СРАВНИТЕЛЬНЫЙ АНАЛИЗ

Анализ по ценовым категориям

category_analysis = df.groupby ('price_category').agg ({ 'rating': ['mean', 'median', 'std'], 'reviews_count': ['mean', 'median'], 'avg_check': ['mean', 'min', 'max'] }).round (2)

print («=== АНАЛИЗ ПО ЦЕНОВЫМ КАТЕГОРИЯМ ===») print (category_analysis)

Violin plot: распределение рейтингов по категориям

plt.figure (figsize=(14, 8)) sns.violinplot (data=df, x='price_category', y='rating', order=['Бюджетный', 'Средний', 'Средний+', 'Премиум'], palette='viridis') plt.title ('Распределение рейтингов по ценовым категориям') plt.savefig ('violin_price_rating.png', dpi=300) plt.show ()

ТОП-10 типов кухни

cuisine_top10 = df['cuisine'].value_counts ().head (10) plt.figure (figsize=(12, 8)) cuisine_top10.plot (kind='barh', color=sns.color_palette ('viridis', 10)) plt.title ('ТОП-10 самых популярных типов кухни') plt.xlabel ('Количество ресторанов') plt.savefig ('cuisine_bar_chart.png', dpi=300) plt.show ()

Scatter plot: цена vs рейтинг

plt.figure (figsize=(12, 8)) sns.scatterplot (data=df, x='avg_check', y='rating', hue='price_category', size='reviews_count', sizes=(50, 400), alpha=0.6) plt.title ('Зависимость рейтинга от среднего чека') plt.savefig ('scatter_price_rating.png', dpi=300) plt.show ()

СОЗДАНИЕ ФИНАЛЬНЫХ ВИЗУАЛИЗАЦИЙ

Анализ маркетинга московских ресторанов
Project created at 05.02.2026
adcr.dafes
The Art Directors Club of Russia sets the benchmark for creative excellence in design and advertising, serving as a central hub where industry professionals connect. Since 2004, the Club has hosted the ADCR Awards—a premier national competition celebrating creativity, design, and advertising. The core mission of the awards is to champion agencies and independent creators making their mark in the local market. By presenting this honor on behalf of the professional community, the Club reaffirms its endur... Show more
adcr advertising
adcr design
adcr students and young creators