Data-analytiikan hyödyntäminen ravintolatoiminnassa

Abstract

Tämän opinnäytetyön tavoitteena oli kehittää toimeksiantajan valmiuksia hyödyntää data-analytiikkaa ravintolan tiedolla johtamisessa. Työ tehtiin toimeksiantona Waste&Feast-hävikkiruokaravintolaketjulle ja tutkimusaineistona käytettiin yhden toimipisteen myyntidataa vuosilta 2019–2022. Opinnäytetyön teoreettinen viitekehys pohjautui tietojohtamiseen ja data-analytiikkaan, joiden näkökulmat ohjasivat tutkimuksen toteuttamista.

Opinnäytetyön tarkoituksen oli tutkia, voitiinko asiakasmäärän vaihtelulle löytää korreloivia tekijöitä, jotka vaikuttivat ravintolan kävijämäärään. Tutkimusaineistoa analysoitiin kuvailevan ja selittävän analytiikan menetelmillä ja tutkittiin valittujen tekijöiden ja asiakasmäärän välistä riippuvuutta. Lisäksi selvitettiin, soveltuivatko ennakoivan data-analytiikan menetelmät asiakasmäärän ennustamiseen.

Opinnäytetyössä saavutettiin sille asetetut tavoitteet. Toimeksiantajalle onnistuttiin tuottamaan uutta tietoa ja uudenlaisia näkökulmia ravintolan tuotteiden myynnistä ja asiakasmäärän vaihtelusta. Toimeksiantajalle toteutettiin Power BI:llä dashboard-näkymiä, jotka mahdollistivat myyntiaineiston tarkastelun ja vuosien vertailun uudella tavalla. Ennakoivan analytiikan osuudessa kokeiltiin erilaisten ennustemallien rakentamista, mutta tutkimusaineisto ei soveltunut asiakasmäärän luotettavaan ennustamiseen. Ennustemalleilla voitaisiin mahdollisesti saada parempia tuloksia myöhemmin, kun ravintolan toiminta on ehtinyt palautua koronaa edeltäneelle tasolle.

The objective of this thesis was to improve restaurant’s ability to benefit from data analytics in restaurant’s knowledge-based management. This thesis was commissioned by a zero-waste restaurant chain Waste&Feast. The research data utilised was derived from the 2019-2022 sales reports from of one of the chain’s restaurants. The theoretical part consists of knowledge-based management and data analytics.

The purpose of this thesis was to study the factors that influence the number of visiting restaurant customers. The research data were analysed using methods of descriptive and diagnostic analytics. Furthermore, the applicability of predictive analytic methods was examined and the feasibility to predict the number of customers.

The goals of this study were achieved. New information and novel perspective on the product sales and variation in number of customers was gained as a result by this study. The sales reports were analysed and reported by utilising Microsoft Power BI. The dashboards enabled to analyse and compare the annual sales in a new way. The second part of the study experimented with predictive modelling. The outcome was that the research data was unusable for predicting the number of visiting customers. Better results could be achieved with the prediction model when restaurant activity recovers to post-pandemic level.