Prognostisering av Restaurangförsäljning med Linjär Regression och Maskininlärning
(2022) INTM01 20221Innovation Engineering
- Abstract
- Within the restaurant industry it is common practice to plan staffing and purchases of perishable goods based on intuition. Inaccurate predictions of demand and sales lead to poor working environments and food waste, both being significant challenges for the industry. While digitalization and innovation has enabled accurate data driven sales forecasting methods, many players in the restaurant industry are too small to use these tools on their own. This thesis examines the potential of developing a service that delivers sales forecasts to independent restaurants. Three different model structures – Multiple Linear Regression, XGBoost and Long Short- Term Memory – were used to develop models for three separate restaurants. Previous sales... (More)
- Within the restaurant industry it is common practice to plan staffing and purchases of perishable goods based on intuition. Inaccurate predictions of demand and sales lead to poor working environments and food waste, both being significant challenges for the industry. While digitalization and innovation has enabled accurate data driven sales forecasting methods, many players in the restaurant industry are too small to use these tools on their own. This thesis examines the potential of developing a service that delivers sales forecasts to independent restaurants. Three different model structures – Multiple Linear Regression, XGBoost and Long Short- Term Memory – were used to develop models for three separate restaurants. Previous sales data, calendar data, weather data and bookings were used as features. The performances in terms of MAPE, Median APE and accuracy were analyzed and possibilities and challenges for the practical offering and use of the service were discussed. The results varied significantly among the restaurants, with the best MAPE obtained being 12.2 % for one of the restaurants and 86 % for another restaurant. The model structure that performed best overall was XGBoost, however, all three models performed better than the naive model that predicted the sales to be equal to sales the same weekday the week before. We can thus conclude that there is potential for the service to be of value to restaurants. Some of the most important features in terms of explanatory power were bookings, sales the day before and sales the same weekday last week. In the discussion of applicability we conclude that there are promising possibilities to operate the service in an efficient way through automation of the model optimization and forecasting. Further, there are no major costs or investments required by the restaurants. A crucial aspect for the efficiency of the service however, is establishing an automated and standardized data pipeline from the restaurants to the provider of the service. (Less)
- Popular Abstract (Swedish)
- Konsekvenserna av att missbedöma framtida försäljning kan för en restaurang vara
förödande. Optimistiska prognoser kan leda till överbemanning och matsvinn. Å andra sidan
kan pessimistiska prognoser leda till att personal måste ringas in i sista stund vilket skapar
en dålig arbetsmiljö för de anställda. I en undersökning från Hotell- och Restaurangfacket
angav 59 % att de har problem att planera sin fritid, inklusive viktiga händelser såsom
läkarbesök, på grund av plötsliga schemaändringar.
Datadriven försäljningsprognostisering har slagit igenom hos många större verksamheter,
men mindre aktörer har sällan resurserna att investera i sådana system.
Restaurangbranschen är väldigt fragmenterad och domineras av små aktörer som inte har... (More) - Konsekvenserna av att missbedöma framtida försäljning kan för en restaurang vara
förödande. Optimistiska prognoser kan leda till överbemanning och matsvinn. Å andra sidan
kan pessimistiska prognoser leda till att personal måste ringas in i sista stund vilket skapar
en dålig arbetsmiljö för de anställda. I en undersökning från Hotell- och Restaurangfacket
angav 59 % att de har problem att planera sin fritid, inklusive viktiga händelser såsom
läkarbesök, på grund av plötsliga schemaändringar.
Datadriven försäljningsprognostisering har slagit igenom hos många större verksamheter,
men mindre aktörer har sällan resurserna att investera i sådana system.
Restaurangbranschen är väldigt fragmenterad och domineras av små aktörer som inte har
möjlighet att genomföra sådana prognoser. I och med digitaliseringens intåg i
restaurangbranschen finns det nu tillgång till stora mängder data även från mindre
restauranger. Denna utveckling möjliggör framtagning av nya prognosverktyg som använder
sig av maskininlärning. Detta examensarbete syftar till att undersöka möjligheten att med
tillräcklig träffsäkerhet prognostisera försäljningen för restauranger med hjälp av
maskininlärning. Även möjligheterna att erbjuda en tjänst baserat på dessa prognoser
diskuteras i arbetet.
I processen testades tre modeller: XGBoost, LSTM och multipel linjär regression. Den första
modellen är trädbaserad, den andra är ett neuralt nätverk och den tredje är en enklare linjär
modell. Experimenten visade att det var möjligt att prognostisera försäljningen med relativt
goda resultat, men att det fanns faktorer som påverkade hur väl modellerna fungerade.
Bland annat så visade sig ett komplett dataset utan saknade datapunkter leda till bättre
resultat. De bästa resultaten som uppnåddes var ett procentuellt medelfel på 12,2 %. Med
denna modell hamnade 52,9 % av prognoserna inom plus-minus 10 % av det faktiska
värdet. Dessa resultat uppnåddes vid användning av XGBoost-modellen. XGBoost framstod
även som ett mycket tidseffektivt alternativ vilket fick författarna att dra slutsatsen att
modellen presterade bäst generellt. De egenskaper som visade sig vara viktigast för
modellens prestation var gårdagens försäljning, antal bordsbokningar och antalet
hotellgäster (när restaurangen var ansluten till ett hotell).
Modellerna som skapades av detta arbete kan användas i en första prototyp av en tjänst för
försäljningsprognoser inom restaurangbranschen. Rapporten bidrar även med idéer kring
vad företag borde fokusera på vid utvecklingen av en sådan tjänst. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9088928
- author
- Bielke, Lovisa LU and Thurfjell, Uno
- supervisor
- organization
- course
- INTM01 20221
- year
- 2022
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- Restaurant management, Predictive analytics, Machine learning, Statistical analysis, Sales forecasting
- language
- English
- id
- 9088928
- date added to LUP
- 2022-06-15 10:57:37
- date last changed
- 2022-06-15 17:10:30
@misc{9088928,
abstract = {{Within the restaurant industry it is common practice to plan staffing and purchases of perishable goods based on intuition. Inaccurate predictions of demand and sales lead to poor working environments and food waste, both being significant challenges for the industry. While digitalization and innovation has enabled accurate data driven sales forecasting methods, many players in the restaurant industry are too small to use these tools on their own. This thesis examines the potential of developing a service that delivers sales forecasts to independent restaurants. Three different model structures – Multiple Linear Regression, XGBoost and Long Short- Term Memory – were used to develop models for three separate restaurants. Previous sales data, calendar data, weather data and bookings were used as features. The performances in terms of MAPE, Median APE and accuracy were analyzed and possibilities and challenges for the practical offering and use of the service were discussed. The results varied significantly among the restaurants, with the best MAPE obtained being 12.2 % for one of the restaurants and 86 % for another restaurant. The model structure that performed best overall was XGBoost, however, all three models performed better than the naive model that predicted the sales to be equal to sales the same weekday the week before. We can thus conclude that there is potential for the service to be of value to restaurants. Some of the most important features in terms of explanatory power were bookings, sales the day before and sales the same weekday last week. In the discussion of applicability we conclude that there are promising possibilities to operate the service in an efficient way through automation of the model optimization and forecasting. Further, there are no major costs or investments required by the restaurants. A crucial aspect for the efficiency of the service however, is establishing an automated and standardized data pipeline from the restaurants to the provider of the service.}},
author = {{Bielke, Lovisa and Thurfjell, Uno}},
language = {{eng}},
note = {{Student Paper}},
title = {{Prognostisering av Restaurangförsäljning med Linjär Regression och Maskininlärning}},
year = {{2022}},
}