aalto1 untyped-item.component.html
Forecasting customer demand in fast food restaurants
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Language
en
Pages
30
Series
Abstract
One of the most challenging yet important aspects of restaurant management is predicting the future. Restaurant managers desire to have accurate information about upcoming sales and customer demand to effectively control staffing and inventory levels. However, customer flow can be volatile and unpredictable, which makes prediction difficult and labor-intensive, especially for young and inexperienced managers. This is particularly prevalent in the fast food environment, where demand changes are sudden and staff turnover is high.
To counteract this problem, machine learning methods can be applied to automatically predict customer demand. Recent advances in hardware and computer science have enabled the use of more complex and powerful models, many of which have shown promising results in multiple areas of research. These models could offer substantial improvements to demand predictions, improving revenue, staff satisfaction, and sustainability.
This thesis aims to predict one day ahead customer demand in restaurants belonging to a large fast food restaurant chain in Finland. Three models are compared: linear regression, Extreme Gradient Boosting (XGBoost), and Long Short-Term Memory (LSTM). Their performance is evaluated against one another and the 7-day lag value, which functions as a naive baseline. In addition to point predictions, prediction intervals are approximated using probabilistic modeling. The feature engineering process compares a broad selection of features to find the combination with the best predictive capabilities. The models are evaluated using multiple evaluation metrics, and the restaurant-wise accuracies are assessed.
All models tested outperformed the naive baseline, with XGBoost and LSTM achieving the best results. XGBoost produced the most uniform predictions across the restaurants, while LSTM and linear regression had more varied results. Additionally, XGBoost and LSTM generated considerably sharper and more accurate confidence intervals compared to linear regression. The findings indicate that the usage of machine learning in fast food demand prediction might be beneficial, and further research should be considered.
Kysynnän ennustaminen on olennainen osa ravintolan johtamista. Luotettavaa tietoa tulevasta tarvitaan niin varastotasojen kuin vuorotuksen tehokkaaseen hallintaan. Ravintolan kysyntä voi kuitenkin olla ennalta arvaamatonta, jolloin ennustaminen on vaikeaa; varsinkin, jos ravintolan henkilökunta on kokematonta. Tämä ilmiö on erityisen voimakas pikaruokaravintoloissa, joissa kysyntä on vaihtelevaa ja henkilökunnan vaihtuvuus suurta.
Koneoppimista voidaan käyttää kysynnän ennustamiseen. Viimeaikaiset kehitykset tietotekniikassa mahdollistavat yhä tehokkaampien mallien käytön, joista moni on osoittanut lupaavia tuloksia useissa eri sovelluksissa. Nämä mallit saattaisivat tarjota tarkempia kysyntäennusteita, edistäen myyntiä, henkilöstön tyytyväisyyttä ja kestävää kehitystä.
Tämä työ pyrki ennustamaan suureen, Suomessa sijaitsevaan pikaruokaketjuun kuuluvien ravintoloiden päivittäisiä kävijämääriä. Kolmen koneoppimismallin ennusteita verrattiin toisiinsa sekä viikkoa aikaisempaan arvoon, joka toimi naiivina vertailukohtana.Käytetyt mallit olivat: lineaarinen regressio, äärigradienttitehostus (extreme gradient boosting, lyh. XGBoost) ja pitkäkestoinen lyhytkestomuisti (long short-term memory, lyh. LSTM). Piste-ennusteiden lisäksi työssä sovellettiin todennäköisyyspohjaista ennustamista, jossa ennuste esitetään yksittäisen arvon sijaan jakaumana. Tätä käytettiin ennustevälien arvioimiseen. Piirteiden (features) luomis- ja valintaprosessi vertaili laajaa joukkoa piirteitä optimaalisen ennustustuloksen saavuttamiseksi. Malleja ja ravintolakohtaisia ennustuksia vertailtiin useilla mittareilla.
Kaikki mallit suoriutuivat naiivia ennustetta paremmin, ja XGBoost ja LSTM saavuttivat parhaat tulokset. Malleista XGBoost tuotti yhtenäisimmät ennusteet ravintoloiden välille, kun taas LSTM:n ja lineaarisen regression tulokset olivat jakautuneempia. Lisäksi LSTM:n ja XGBoostin ennustevälit olivat huomattavasti kapeampia kuin lineaarisessa regressiossa. Tarkastelut osoittivat koneoppimisen tarjoaman mahdollisen hyödyn pikaruokaravintolan kysynnän ennustamisessa.