Impacts of data-driven demand forecasting in reducing food waste and CO₂ emissions in campus restaurants : a case study

Abstract

Food waste in public food services is a growing global concern, contributing to unnecessary greenhouse gas emissions and inefficient use of natural resources. In university campus restaurants, overproduction is a common issue due to fluctuating diner numbers and the lack of reliable forecasting software. Solving this problem is important for helping universities take responsibility for the environment and lead by example in institutional climate action.

This study investigates the design, implementation and use of machine learning-based demand forecasting software created to reduce overproduction as part of the Waste Watch project at LUT University. The case study focuses on Kampusravintolat Oy, a university-owned food service company. The aim was to assess the impact of a data-driven demand forecasting software on food waste levels, CO₂ emissions, and restaurant operations in a real-world setting.

The study applied an action research approach, combining waste and emissions data analysis, software functionality evaluation, and discussions with kitchen staff and supervisors. During the pilot, the forecasting tool reduced service waste by an average of 16%, reaching up to 46% in individual months. This corresponds to an estimated annual reduction of 30.5 tons of CO₂-equivalent emissions. The tool also supported production planning, cost-efficiency, and staff engagement in climate action.

The results indicate that demand forecasting can serve as a scalable sustainability strategy for food services. By preventing overproduction at the source, data-driven forecasting helps reduce emissions, prevent food waste, and advance institutional climate goals. The study offers practical insights for food service providers, sustainability managers, and researchers developing machine learning-based tools for emission reduction.

Ruokahävikki julkisissa ruokapalveluissa on merkittävä globaali ongelma, joka aiheuttaa tarpeettomia kasvihuonekaasupäästöjä ja luonnonvarojen tehotonta käyttöä. Yliopistojen kampusravintoloissa ylituotantoa syntyy erityisesti ruokailijamäärien vaihtelun ja ennusteohjelmistojen puutteen vuoksi. Ongelman ratkaiseminen on tärkeää, jotta yliopistot voivat kantaa vastuuta ympäristöstä ja toimia esimerkkeinä organisaatiotason ilmastotoimissa.

Tämä diplomityö tutki koneoppimiseen perustuvan kysynnän ennakoinnin ohjelmiston suunnittelua, käyttöönottoa ja käyttöä ylituotannon vähentämisessä osana LUT-yliopiston Waste Watch -projektia. Tutkimuskohteena oli Kampusravintolat Oy, LUT-yliopiston omistama ruokapalveluyritys. Tavoitteena oli arvioida dataohjatun ennusteohjelmiston vaikutuksia ruokahävikin määrään, CO₂-päästöihin ja ruokapalveluiden toimintaan.

Tutkimus toteutettiin toimintatutkimuksena, ja siihen sisältyivät hävikkidatan ja päästöjen analyysi, ohjelmiston toimivuuden arviointi sekä keskustelut henkilöstön kanssa. Pilotin aikana ennusteohjelmisto vähensi palveluhävikkiä keskimäärin 16 %, yksittäisinä kuukausina jopa 46 %. Tämä vastaa noin 30,5 tonnin vuosittaista CO₂-ekvivalenttipäästöjen vähenemää. Lisäksi työkalu tuki tuotannonsuunnittelua, kustannustehokkuutta ja henkilöstön sitoutumista ilmastotavoitteisiin.

Tulokset osoittavat, että kysynnän ennakointi voi toimia skaalautuvana keinona ruokahävikin ehkäisyssä. Ennakoiva, dataohjattu ennustemalli vähentää ylituotantoa, pienentää päästöjä ja tukee ruokapalveluiden ilmastotyötä. Tämä diplomityö tarjoaa käytännön näkökulmia ruokapalvelutoimijoille, vastuullisuuspäälliköille ja tutkijoille, jotka kehittävät koneoppimispohjaisia ratkaisuja päästöjen vähentämiseen.