Návrh a implementácia odporúčacieho systému v rýchlom občerstvení pomocou strojového učenia
Autor(ka) práce:
Olos, Branislav
Typ práce:
Diplomová práce
Vedoucí práce:
Umlauf, Miroslav
Oponenti práce:
Brothánek, Jiří
Jazyk práce:
Slovensky
Abstrakt:
Diplomová práca sa venuje návrhu a vývoju prediktívneho systému založeného na strojovom učení pre doplnkový predaj v reťazci rýchleho občerstvenia Bageterie Boulevard. Hlavným cieľom práce bolo overiť, že takýto systém využívajúci interné dáta môže fungovať, pričom jeho zámerom je zvýšiť priemernú hodnotu objednávky zákazníka prostredníctvom cielených odporúčaní ďalších položiek počas procesu objednávania na samoobslužných kioskoch. Na základe analýzy historických dát o objednávkach bola formulovaná úloha predikcie najpravdepodobnejšej ďalšej položky, ktorú si zákazník pridá do košíka. Práca zahŕňa fázy predspracovania dát, rozsiahle inžinierstvo príznakov zamerané na zachytenie sekvenčných vzorcov v objednávkach a porovnávaciu analýzu výkonnosti modelov strojového učenia (XGBoost, LightGBM, LSTM), vrátane optimalizácie hyperparametrov. Na základe vyhodnotenia presnosti a efektivity trénovania bol ako optimálny model zvolený LightGBM. Bola tiež preskúmaná možnosť integrácie externých dát o počasí a ich vplyv na presnosť modelu. Výstupom práce je funkčný prototyp systému pripravený na testovanie v prevádzke, vrátane operačných Python skriptov pre predikciu a pretrénovanie, serializovaného modelu a konfiguračných súborov.
Návrh a implementácia odporúčacieho systému v rýchlom občerstvení pomocou strojového učenia
Autor(ka) práce:
Olos, Branislav
Typ práce:
Diplomová práce
Vedoucí práce:
Umlauf, Miroslav
Oponenti práce:
Brothánek, Jiří
Jazyk práce:
Slovensky
Abstrakt:
Diplomová práce se věnuje návrhu a vývoji prediktivního systému založeného na strojovém učení pro doplňkový prodej v řetězci rychlého občerstvení Bageterie Boulevard. Hlavním cílem práce bylo ověřit, že takový systém využívající interní data může fungovat, přičemž jeho záměrem je zvýšit průměrnou hodnotu zákaznické objednávky prostřednictvím cílených doporučení dalších položek během procesu objednávání na samoobslužných kioscích. Na základě analýzy historických dat o objednávkách byla formulována úloha predikce nejpravděpodobnější další položky, kterou si zákazník přidá do košíku. Práce zahrnuje fáze předzpracování dat, rozsáhlé inženýrství příznaků zaměřené na zachycení sekvenčních vzorců v objednávkách a srovnávací analýzu výkonnosti modelů strojového učení (XGBoost, LightGBM, LSTM), včetně optimalizace hyperparametrů. Na základě vyhodnocení přesnosti a efektivity trénování byl jako optimální model zvolen LightGBM. Byla také prozkoumána možnost integrace externích dat o počasí a jejich vliv na přesnost modelu. Výstupem práce je funkční prototyp systému připravený k testování v provozu, včetně operačních Python skriptů pro predikci a přetrénování, serializovaného modelu a konfiguračních souborů.
Klíčová slova:
strojové učení; doplňkový prodej; rychlé občerstvení; doporučovací systém; tvorba příznaků; samoobslužný kiosek; sekvenční data; analýza dat
Název práce:
Design and Implementation of a Machine Learning-Based Recommendation System for Fast-Food Sector
Autor(ka) práce:
Olos, Branislav
Typ práce:
Diploma thesis
Vedoucí práce:
Umlauf, Miroslav
Oponenti práce:
Brothánek, Jiří
Jazyk práce:
Slovensky
Abstrakt:
This thesis focuses on the design, development, and evaluation of a predictive machine learning system for product recommendations in the fast-food chain Bageterie Boulevard. The main objective of the work is to increase the average customer order value through targeted recommendations of additional items during the ordering process at self-service kiosks. Based on the analysis of historical order data, the task was formulated to predict the next most likely item that a customer will add to their basket. The work includes phases of data preprocessing, extensive feature engineering aimed at capturing sequential patterns in orders, and a comparative analysis of the performance of machine learning models (XGBoost, LightGBM, LSTM), including hyperparameter optimization using the Optuna framework. Based on the evaluation of accuracy and training efficiency, the LightGBM model was chosen as the optimal one. The possibility of integrating external weather data and its impact on model accuracy was also explored. The output of the work is a functional prototype of the system ready for operational testing, including operational Python scripts for prediction and retraining, a serialized model, and configuration files.
Klíčová slova:
Fast Food; Self-service Kiosk; Sequential Data; Machine Learning; Cross-selling; Feature Engineering; Recommendation System; Data Analysis