Makine öğrenmesi teknikleri ile yemekhanelerde yemek talep tahmini

Abstract

Yaşamın sürdürülebilmesi için gerekli besin ögelerini vücuduna alıp kullanması olarak tanımlanan beslenme bireylerin sağlıklı ve kaliteli bir yaşam sürmesi için çok büyük bir öneme sahiptir. İnsan hayatının değişimi, gıda endüstrisinin hızlı gelişimi bireylerin beslenme ihtiyaçlarını her an her yerde giderebilmelerine olanak tanımaktadır. Gıda sektöründeki gelişmeler ev dışı ortamda yemek yeme talebinde artış ile sonuçlanmıştır. Öyle ki günümüzde insanlar günlük en az bir öğününü ev dışında tüketmektedir. Bu durum gıda israfında artış, talep karşılayamama, doğru ve etkili envanter ve personel yönetiminin yapılamaması gibi kritik operasyonel problemleri beraberinde getirmiştir. Bu problemlerin önüne geçmek için gıdaya olan talebin ölçümlenmesi oldukça büyük önem arz etmektedir. Bu doğrultuda, bu çalışmada günümüz teknolojisinin ilgi odağında yer alan makine öğrenmesi tekniklerinin yemek talep tahmini üzerine uygulanmasının araştırılması amaçlanmıştır. Yapay zekanın bir alt alanı olan, dış ortamdan öğrendiklerini insan zekasının bir taklidini gerçekleştirerek işleyen makine öğrenmesi oldukça yaygın bir kullanım alanına sahiptir. Makine öğrenmesinin öğrenilen verilerden tahmin sonucu çıkarması ile gelecekteki durumların tahmin edebilmesi, o anın şartlarının yönetilmesi fırsatını sunmaktadır. Bu bağlamda bu tezde bir üniversite yemekhanesinden alınan veriler ile iki farklı çalışma gerçekleştirilmiş ve sonuçları işlenmiştir. İlk çalışmada kapsamlı bir metodolojik çerçeve kullanılmış olup XGBoost, LSTM ve Prophet modelleri ile analizler gerçekleştirilmiştir. Bu çalışma ile operasyonel etkilerin değerlendirilmesi ile %6,2 oranında gıda israfının azaltılabileceği ve hizmet seviyesi, envanter yönetimi gibi süreçlerde iyileştirmeler sağlayabileceği sonucuna varılmıştır. İkinci çalışmada ise Karar ağaçları algoritması ile hava durumu, menü tipi, tatil günleri, promosyon durumu gibi etkenlerin yemek talep tahminini nasıl etkilediği konusu araştırılmıştır. Çalışmada hava sıcaklığı faktörünün %56'lık bir oranla karar ağacı yapısında gıda talebi etkileyen baskın bir faktör olduğu saptanmıştır. Bu çalışmada ise karar ağacı tabanlı makine öğreniminin, gıda talebi tahmin doğruluğunu ve operasyonel karar almayı geliştirmek için önemli etki vaat ettiği sonucuna varılmıştır. Bu çalışmalar, makine öğrenmesi yöntemlerinin gıda talep tahmini konusundaki performansları ile operasyonel verimlilik ve sürdürebilirliğin artırılmasına rehberlik etmekle birlikte bu konuda literatüre katkı sağlamaktadır.Nutrition, defined as taking in and using the necessary nutrients to sustain life, is of great importance for individuals to live a healthy and quality life. The change in human life and the rapid development of the food industry allow individuals to meet their nutritional needs anytime, anywhere. Developments in the food sector have resulted in an increase in the demand for eating outside the home. So much so that today, people consume at least one meal a day outside the home. This situation has brought about critical operational problems such as an increase in food waste, inability to meet demand, and inability to manage accurate and effective inventory and personnel management. Measuring the demand for food is of great importance in order to prevent these problems. In this context, this study aims to investigate the application of machine learning techniques, which are at the center of attention of today's technology, on food demand prediction. Machine learning, which is a subfield of artificial intelligence and processes what it learns from the external environment by imitating human intelligence, has a very widespread area of use. The ability of machine learning to predict future situations by deriving predictive results from the learned data offers the opportunity to manage the conditions of that moment. In this context, two different studies were conducted with data from a university cafeteria in this thesis and their results were processed. In the first study, a comprehensive methodological framework was used and analyses were performed with XGBoost, LSTM and Prophet models. With the evaluation of operational effects in this study, it was concluded that food waste could be reduced by 6.2% and improvements could be provided in processes such as service level and inventory management. In the second study, the decision tree algorithm was used to investigate how factors such as weather, menu type, holidays, and promotion status affect food demand forecasting. In the study, it was determined that the air temperature factor was a dominant factor affecting food demand in the decision tree structure with a rate of 56%. In this study, it was concluded that decision tree-based machine learning promises a significant effect in improving food demand forecasting accuracy and operational decision making. These studies guide the performance of machine learning methods in food demand forecasting and increase operational efficiency and sustainability, and contribute to the literature on this subject.