一份菜品搭配报表，最让人意外的不是发现了哪些菜卖得好，而是发现你精心设计的招牌菜可能正在“孤立无援”地卖，而旁边那盘不起眼的小菜，才是真正把客单价拉高的关键。我从三个餐饮品牌的真实流水里拉出订单明细做了菜品关联分析，一个有 47 个 SKU 的快餐店，销量 TOP10 里只有 3 个菜品出现在高频搭配组合里，剩下 7 个都是顾客“单点即走”。如果只盯销量榜做菜单优化，这家店会继续把资源推给那些根本无法带动连带消费的菜品。
这份报表要回答的根本不是“什么卖得好”，而是“什么和什么在一起卖，能多赚多少钱”。全文我会用实际分析过程讲清楚菜品搭配报表怎么做、怎么读、怎么转化成菜单动作。
核心结论：菜品搭配报表是“关系数据”，不是“销量数据”
餐饮店菜品搭配报表，本质上分析的是订单里菜品与菜品之间的“共现关系”。它不回答“哪个菜卖得多”，而是回答“哪个菜被点的时候，还能带走其他菜”。这个区别决定了报表完全不同的结构和用途。
传统销量报表的数据结构是“菜品，销量，营业额”。菜品搭配报表的数据结构是“订单，菜品组合，组合频次，组合毛利贡献”。前者帮你判断备货量，后者帮你判断菜单结构、套餐设计、推荐顺序和毛利优化空间。
我推荐的报表核心指标组合
我做菜品搭配分析时，不从“连带率”这个单一指标开始，而是先拆分四个指标：
| 指标 | 计算口径 | 用途 |
|---|---|---|
| 菜品点击频次 | 某菜品出现在订单中的次数（注意：不是卖了几份） | 判断菜品在搭配关系中的“活跃度” |
| 组合共现次数 | 两个菜品出现在同一订单中的次数 | 发现真实搭配关系 |
| 组合毛利贡献 | 两个菜在同一订单中产生的合计毛利 | 判断组合值不值得推 |
| 客单增量贡献 | 包含某菜品的订单，其客单价与门店当日平均客单价的差值 | 判断菜品是拉高客单还是拉低客单 |
连带率 = 总销售件数 ÷ 成交订单数，这个公式本身没有错，但它在餐饮场景里有个致命问题：它把所有菜品一视同仁。一碗米饭和一份酸菜鱼被同等计入“件数”，但两者对利润的贡献完全不同。你会发现一个快餐店连带率很高，但利润没涨，因为顾客只是多点了一碗米饭。
所以我建议：报表里永远把“件数连带率”和“毛利连带率”并列看。
菜品搭配报表的核心应用场景
场景一：套餐设计。套餐不是把招牌菜和小吃随便拼在一起，而是要通过数据找到“已经自然共现”的菜品组合，然后把它们固化成套餐，降低顾客的选择成本。
场景二：菜单排版。菜单上的位置和版块顺序会影响点单行为。把高频搭配菜品放在同一视线范围内，或者把高毛利菜品放在高流量菜品的旁边，可以提升自然连带率。
场景三：推荐话术。服务员推荐不是靠“今天推荐这个”，而是靠数据知道：点酸菜鱼的顾客，下一道最可能点什么。
场景四：菜单精简。如果一个菜品既没有出现在任何高频组合里，自身销量又低，它就是菜单里的“死位置”。它占用了后厨备餐时间、食材库存和菜单版面，却几乎没有贡献。
先讲真实场景：三个门店的流水里，我看到的三类搭配问题
我最早做菜品搭配分析，是帮一个做社区快餐的连锁品牌看数据。当时他们遇到的问题是：菜单上菜品从 23 个加到 41 个，营业额没涨，后厨人效反而降了。我拉了他们三家门店连续 8 周的订单流水，按“同一订单内菜品组合”做了频次统计。那是我第一次直观感受到：菜品搭配报表对餐饮运营的意义，远超“算出连带率”本身。
场景 A：招牌菜带不动任何东西
这家店有一道招牌椒麻鸡，单品销量排第一，但看订单明细发现一个严重问题：百分之七十八点六的椒麻鸡订单里只有椒麻鸡和米饭或面食，没有任何小吃、饮品或凉菜。这道菜从销量上看是王者，从搭配贡献上看是孤家寡人。
原因后来在门店走访里找到了：这道菜本身分量够大，顾客吃完已经很饱，根本没有空间再加其他东西。菜单上也没有为这道菜设计“轻量级搭配”，比如小份的饮品或解腻小菜。
这个发现直接改变了他们后厨的备餐策略，而不是菜单策略。既然顾客吃饱了不会再点东西，那就应该优化这道菜的成本结构，而不是花力气推销搭配。
场景 B：小吃被放在菜单死角，搭配率极低
另一家店的炸鲜奶，单品销量中游偏下，但口感好、毛利高。看搭配数据发现：凡是点了酸辣口菜品（比如酸菜鱼、泡椒鸡杂）的订单，加购炸鲜奶的概率是平均水平的 3.1 倍。也就是说，顾客其实需要这种甜口小吃来“解辣”。
但这家店的菜单排版，“炸鲜奶”被放在小吃页的最后一行。很多顾客根本没看到这道菜，点单时服务员也没有在顾客点完酸辣菜后做二次推荐。
这是典型的“有搭配需求、没有搭配入口”。报表的任务就是在菜单上给这些菜品找到正确的“地理位置”。
场景 C：饮品搭配全靠套餐硬塞，单点加购率很低
第三个场景是一家做粉面类的档口。他们的套餐里包含了酸梅汤，销售数据显示套餐卖得不错，但单独加购酸梅汤的订单比例很低。看数据我发现了真实原因：酸梅汤的出餐位置在出餐口外侧，顾客点完粉面后要专门绕一下才能拿到饮品。动线阻碍了加购行为。
这个发现意味着：饮品搭配问题不是菜单结构问题，而是门店动线问题。把饮品移到出餐口必经位置后，单点加购率明显提升。
常见误区：你可能会把搭配报表读成“关系图谱”，但真正有用的是“结构判断”
很多餐饮老板拿到搭配报表后，第一反应是看组合名单，哪些菜在一起出现最多，然后把这些菜做成套餐。这个思路不完整。菜品搭配分析如果只看“共现次数”，很容易被三种情况误导。
误区一：高频共现组合 = 顾客的主动搭配选择，但结果可能来自套餐绑定
有一个典型案例：某快餐店“鸡腿饭 + 卤蛋”的共现次数极高。表面看是顾客主动选择，实际上是因为这个组合是门店现有套餐中的固定搭配。顾客没有选择权，只能一起点。用这样的数据去设计新套餐，等于用旧套餐的设计结果去验证新套餐的合理性，循环论证。
正确的做法是：分析报表前，先排除套餐订单，只分析顾客自由点单的数据。或者单独拆出“套餐外加点”的数据。我发现很多餐饮系统导出的报表没有做这个区分，需要手动处理。我的建议是，在报表里加一个“订单类型”字段，把套餐单和自由点单分开统计。这样才能看到真实的搭配意愿。
误区二：只看两两组合，忽略“多菜品组合结构”
两两组合分析只能发现配对关系，发现不了多菜品订单的结构。比如一桌 4 人聚餐，点了 3 个主菜、2 个小吃、1 扎饮品。这种订单里，两两组合会生成很多“关联对”，但真实的结构是“聚餐型点单”，和“两人午餐型点单”完全不同。
如果门店的定位是正餐聚餐，“聚餐结构”才是分析重点，要有足够数量的主菜选项供一桌人选择，同时要有对应数量的小吃和饮品来填充桌子。如果门店定位是快餐，“单人高效组合”才是重点。
所以在报表分析前，需要先按“订单人数”或“订单品类数量”对订单做聚类。最粗的聚类方式就两个维度：订单含几个主菜品类，订单含几个非主食品类。
误区三：把时间维度混在一起分析，得出错误的“季节搭配”
有一位老板告诉我，他发现“麻辣香锅 + 冰酸奶”是高频搭配，想固定成套餐。但我帮他按月拆了一下数据后发现：这个组合只在 6 月到 9 月出现，其余月份几乎为零。放在全年维度里看它确实是 TOP 组合，但实际上只能卖三个月。
如果报表里没有月份维度，这种伪稳定搭配就会被当作全年策略来执行。解决办法很简单：做搭配分析时，至少按“月份”和“时段”（午餐 / 晚餐 / 夜宵）两个维度拆分。至少要看最近 4 到 8 周的数据，不要只用某一天的报表做决策。
误区四：报表里没有毛利字段，导致搭配分析变成“销售额分析”
两个菜品组合卖的频次很高，不代表它值得推广。如果组合里有一个低毛利单品，每推出一单，都是把顾客的消费预算“消耗”在低利润空间里。正确的判断标准是“组合毛利贡献”，不是“组合销售额”。
我见过一个案例：一家烧烤店，“羊肉串 + 烤面包片”是高频组合，但烤面包片的毛利极低。组合高频推，结果是营业额好看利润没涨。如果报表中的搭配数据自带毛利字段，这样的问题一眼就能看出来。
误区五：把外卖订单和堂食订单混在一起做搭配分析
外卖顾客和堂食顾客的点单逻辑完全不同。外卖顾客追求确定性和效率，倾向于选择套餐；堂食顾客有更多“逛菜单”的时间和空间，更容易接受推荐和探索新组合。如果混在一起，搭配数据会被外卖套餐的数据主导，做出来的菜单调整对堂食没有意义。
我的经验是：堂食报表和外卖报表需要分开做。实在要合并，至少要标注订单渠道，并在分析时按渠道拆分。
误区六：分析完搭配数据后，马上改菜单结构
菜单结构的调整是重决策。改菜单意味着重新设计版面、重新培训服务员、重新调整后厨备餐流程。如果搭配数据只来自 1 到 2 周的观察，样本量不足，结果可能不具备稳定性。
我见过一个冒进的案例：某餐厅根据两周的销售数据发现某两个菜搭配频率高，立刻改菜单把它们放在一起，结果过了三周，数据发生反转，原来的“黄金搭配”消失了。原因是那两周刚好有一批团购客人集中到店，他们的点单行为扭曲了数据。
正确的做法是：搭配数据至少要观察 4 周，并且排除团购、秒杀、公司聚餐等非自然点单场景。
专业判断逻辑：读搭配报表，我只看三件事
当我拿到一套完整的菜品搭配数据，我不会看组合列表，而是按这三步做判断。这三步能筛掉大量噪音，直接定位到可以落地的决策点。
先找“带客菜”和“被带菜”
“带客菜”是指那些出现在大量订单里、且订单里通常还有其他菜品的菜品。它是“入口”，顾客先决定点它，再决定加什么。判断标准是：该菜品出现在订单中的次数占比高，且所在订单的平均菜品数高于门店平均。
“被带菜”是指那些自身单独点单率低，但出现在带客菜订单里的比例高的菜品。它是“出口”，被入口带出来的利润。判断标准是：该菜品单独出现的订单占比低，但它和某些带客菜的共现频次特别高。
明确这两类角色后，菜单策略就清晰了：
再判断“组合质量”：高频组合是不是高利润组合
把高频组合按“组合毛利”重新排序，会得到完全不同的名单。我常用四象限来做初步筛选：
这个四象限分析的价值在于：它把“顾客喜欢什么”和“门店能赚多少”合并成同一个判断维度。不会出现“卖得多但亏得多”的套餐设计。
最后看“时段结构”：同一张菜单，午市和晚市是两套报表
我做过一次对比分析，发现一家中餐正餐店的午市和晚市搭配数据几乎没有重叠：
如果只用晚市数据做菜单调整，午市营业额会受影响。反之亦然。
所以我的判断逻辑里，时段拆分是强制要求。先拆出“午市，晚市，夜宵”三个子集，分别做一次搭配分析。如果门店有外卖和堂食双重场景，再加一个渠道维度，变成六个子集。
具体案例：三个品类、三种打法
以下三个案例来自我参与过的真实项目，数据已做脱敏处理。它们分别代表快餐、火锅/烧烤和正餐三个品类，搭配报表的落地方式完全不同。
案例一：社区快餐店，用报表精简菜单，砍掉“无人问津的死菜”
这家社区快餐店，40 个 SKU，月营收约 32 万元。我做了 8 周订单的搭配分析后，把菜品分成四类：核心带客菜、被带菜、孤立菜、边缘菜。
核心带客菜共 6 个，集中在饭类和粉面类。被带菜共 12 个，主要是小食和饮品。孤立菜有 8 个，这些菜品订单量不低，但所在订单几乎不包含其他菜品（除主食外）。边缘菜有 14 个，既没有出现在高频搭配里，销量也垫底。
调整动作：
两个月后结果：后厨食材损耗下降约 9%，菜单毛利率提升 3.2 个百分点，客单价从 27.6 提高到 31.2。客单价提升的核心不是涨价，而是搭配结构变好了。
案例二：烧烤店，用时段拆分识别“真正的黄金组合”
这家烧烤店老板一直以为“羊肉串 + 烤韭菜”是王牌组合，因为这两个菜销量都高。我拉出近两个月的订单数据后发现一个反直觉结果：羊肉串和烤韭菜的搭配频次看着不低，但羊肉串真正的黄金搭档是“烤面包片”和“冰酸梅汤”，一个解辣解咸，一个配烧烤解腻。
这个发现直接改变了他们的服务员推荐话术。原话术是“要不要加份烤韭菜？”改成了“要不要配一份烤面包片？解辣解咸，小朋友也喜欢吃。”后来这个组合的周订单量提升明显，连带率保持稳定，没有出现顾客反感的现象。
另一个更有价值的发现来自分时段分析：夜宵时段（21:00 后），“烤生蚝 + 啤酒 + 毛豆”才是高频组合。这个搭配在晚市高点时段（18:00，21:00）几乎不出现。老板原来做的“晚间套餐”完全没考虑到时段差异。调整后，夜宵时段客单价明显提升，因为新套餐的毛利结构比原来高。
案例三：正餐连锁店，用报表发现“套餐外的反向搭配”
这家店有一个招牌菜“青花椒鱼”，卖得很好。按照惯性思维，套餐应该围绕青花椒鱼设计。但搭配数据发现了一个有意思的现象：在自由点单的订单里，青花椒鱼最常和“剁椒蒸豆腐”一起出现，但这个组合毛利偏低。
再往深看一层数据才发现原因：青花椒鱼口味偏重偏辣，顾客点它时通常想配一个清淡的、不辣的菜来平衡口味。剁椒蒸豆腐恰好也是辣味，顾客为什么搭配它？
后来通过门店观察发现：剁椒蒸豆腐在菜单上的位置紧挨着青花椒鱼。顾客扫菜单时视线自然从上到下移动，看到青花椒鱼后，下一个看到的推荐位就是剁椒蒸豆腐。这不是口味搭配，是注意力路径。
调整动作：在青花椒鱼旁边换上一个“不辣、高毛利”的清淡菜品，竹笙鸡汤。这个菜的毛利比剁椒蒸豆腐高约 17 个百分点。菜单位置不变，顾客的注意力路径不变，但搭配的毛利贡献变了。调整后，竹笙鸡汤的销量提升明显，而剁椒蒸豆腐的销量虽有小幅下滑，但整体毛利贡献呈上升状态。
行动建议：不同阶段的门店，用不同深度的分析方式
不是所有餐饮门店都需要一步到位搭建复杂的报表系统。我总结了三个层级的分析方式，分别对应不同规模的门店。
层级一：日均订单量在 200 单以下的小型门店，用 Excel 做基础搭配统计
这个量级的门店，绝大多数没有商业智能系统，收银后台只能导出“订单详情”或“流水明细”。用 Excel 做初步分析完全够用。
操作步骤：
这套方法不用写代码，半天时间就能完成。如果连 Excel 数据透视表都不熟悉，也可以用收银系统自带的“套餐分析”或“关联分析”模块，但需要先排除系统中预设套餐的数据干扰。
层级二：日均订单量 200 到 800 单的中型连锁门店，用 Python 或 SQL 定期跑搭配模型
这个量级的门店，手工 Excel 处理已经效率不够。建议用 SQL 查询或 Python 脚本定期（每周或每两周）跑一次搭配分析。
我通常用的是 Python 的 pandas 和 itertools 库做 Apriori 风格的关联规则挖掘。输出三个表：
这套模型并不复杂，核心是输出格式要为后续判断服务，而不是只输出一堆规则数字。每张表都需要加毛利字段和时段字段。
层级三：日均订单量 800 单以上或连锁品牌，用专业餐饮数据平台建设标准化报表
这个量级的门店，建议直接采购或者配置餐饮数据报表工具。要求必须具备以下能力：
选择工具时我会问三个问题：一是是否能还原到订单级明细，而不是只看聚合结果；二是能否自定义毛利口径；三是能否区分“套餐内搭配”和“自由搭配”。这三个问题能过滤掉大部分华而不实的系统。
取舍：哪些“高关联”不能推，哪些“低关联”反而值得投
分析菜品搭配报表时，需要克制“看到高频组合就推”的本能。以下是我在做决策时会做的取舍判断。
高关联但低利润的组合，不要主推
有两种情况：第一种是互相替代型的组合，比如顾客点“宫保鸡丁”和“鱼香肉丝”，两者口味相似、定位重叠。这种高关联不代表顾客“需要”两个菜，而是因为菜单把这两道菜放在了一起。第二种是利润极薄的引流型组合，比如“免费小菜 + 主食”这种。这类组合的关联度再高，也只是低价带动，不具备推广价值。
取舍标准：组合毛利贡献低于门店平均水平时，不做主推推荐，只维持自然销量。
高关联但依赖特定时段或场景的组合，只在对应时段推
前文提到过“麻辣香锅 + 冰酸奶”的例子。如果看到这种“季节性搭配”，正确的做法是把推荐周期限定在对应时段，不要全年霸占菜单位置。全年的主推位应该留给全年稳定关联的组合。
取舍标准：只在一个季节或一个时段内出现的搭配，不进全年固定套餐，只进当月限时推荐。
低关联但高毛利的组合，要分析是“缺曝光”还是“缺需求”
低关联高毛利的组合有两种可能：一是顾客不想要这样的搭配，二是顾客根本没机会看到这样的搭配。判断方式是做一次小范围测试：在菜单上调整位置，或者让服务员连续推荐三天，观察数据变化。
如果调整后关联度上升，说明是缺曝光，值得布局；如果调整后关联度没有变化，说明是缺需求，这个“潜力组合”实际上不成立，果断放弃。
取舍标准：低关联高毛利组合，先做测试再决定投不投入。避免直接改菜单结构，避免直接增加备货量。
与招牌菜强关联但会互相抢销量的组合，不要同时放在推荐位
如果你的招牌菜是“辣子鸡”，另一个“椒盐鸡”也出现在高频搭配里。这两个菜同时被点的场景大概率是多人聚餐。但如果是双人餐场景，“椒盐鸡”的出现会分流“辣子鸡”的订单。
判断方法是看订单人数。双人订单中，两个主菜型菜品共现，说明它们在扮演不同的角色（一个是主荤，一个是副荤）；单人订单中，两个主菜型菜品共现，说明顾客可能就是大胃口。两种情况下的处理策略不同，不能一刀切。
与顾客点餐习惯冲突的“数据搭配”，不要硬推
数据会说“点麻辣烫的顾客适合搭配一杯冰镇酸梅汤”，但如果你的门店开在商场，顾客是附近写字楼上班族，午餐时间有限，排队取餐已经花了十几分钟，这时候让服务员推荐一杯需要现做的饮品，反而会拖慢点单效率，引发负面体验。
取舍标准：搭配推荐的落地成本不能高于它带来的增量利润。高落地成本的数据搭配，即使关联度高，也不作为主推策略；同样的推荐可以转移到外卖平台上的凑单逻辑里实现。
报表最终交付物：从数据到菜单动作的转化框架
菜品搭配报表应该最终输出一个闭环：数据 → 判断 → 动作 → 验证。如果报表只停留在数据汇总层，它就不能直接指导运营。
报表中的“动作层”字段设计
我在交付报表时，会额外增加三列，用来把数据翻译成决策。
第一列是“定位判断”，这个菜品在搭配体系中是带客菜、被带菜、孤立菜还是边缘菜。第二列是“建议动作”，保留、调位、搭售、下架、测试。第三列是“预期验证指标”，例如“目标为组合共现次数的周环比提升 15%”这样的具体数值。
这三列让报表从“看懂过去”变成“指导未来”。
菜单调整实验设计
用菜品搭配报表做菜单调整，最好采用“小步快跑”的实验方式，而不是一次性改动多个变量。建议按以下步骤推进：
（1）选取 1 组或 2 组搭配关系作为实验对象，不要一次性调整整个菜单结构。
（2）确定对照组：选择两个经营数据相似的门店，一个作为实验组，一个作为对照组。如果只有一个门店，则用“调整前 4 周”和“调整后 4 周”做自身前后对比。
（3）确定观察指标：库销比、组合共现次数、组合毛利贡献、顾客差评率。
（4）观察周期至少 4 周，排除节假日和促销活动的干扰期。
（5）数据验证通过后，再做更大范围的推广。
报表后续迭代节奏
菜品搭配报表不是一次性的项目，而是需要定期更新的运营工具。我建议的计算频率：
和老板们说几句掏心窝的话
做了这么多餐饮数据分析，我发现靠菜品搭配报表真正赚到钱的老板，不是数据能力最强的，而是把数据用成了“常识”的人。他们不会每天盯着报表看，但他们会严格遵守几条用数据沉淀下来的原则。
第一个原则：菜单不是给顾客看的，是给你自己看的地图。菜单上每一道菜都有一个战略角色：引流、搭配、盈利、撑场面。如果某道菜三个角色都不扮演，它就应该离开菜单。
第二个原则：选好套餐的配角，有时比选主角更重要。顾客记住的是招牌菜，但利润往往来自搭配菜。一份报表做下来，最值得高兴的发现不是“招牌菜卖得好”，而是“那道不起眼的小菜居然能和招牌菜形成这么好的搭配”。
第三个原则：数据告诉你“发生了什么”，但不会告诉你“为什么”。菜品搭配报表只是第一步，门店观察和顾客访谈能帮你理解数据背后的具体原因。报表发现问题，走访验证问题，测试解决问题。
最后给一个明确的行动路径：选定一个你的菜单上“销量不错但带不动其他菜”的菜品，拉出最近 30 天的自然点单流水（排除套餐），找出和它一起被点得最多的前 5 个菜品，看这 5 个菜品的毛利情况。然后挑出毛利最高的那个，把它放在菜单上离招牌菜最近的位置，让服务员连续推荐两周，观察搭配率的变化。
这就是从菜品搭配报表到门店动作的完整闭环。不需要复杂系统，不需要数据团队，这组动作，下周就能开始。
读者评论
文章把“销量高但带不动货”的菜品讲得很透彻，我们店就有这种招牌菜，一直占着资源却拉不动客单价。看完后我决定先按时间维度拆数据，再算毛利连带率，而不是只看总连带率。
最触动我的是“套餐绑定”误区：原来高频组合可能是套餐硬凑出来的，不是顾客真实搭配意愿。以后分析前一定先把自由点单和套餐订单分开，不然做的菜单调整全是白费功夫。
作为做快餐的，午市和晚市搭配数据完全不同这点深有体会。以前总是混在一起看报表，结果改菜单两头不讨好。现在学会了先拆时段，再分渠道，搭配分析才有实际指导意义。