人们生活质量随着科技的快速发展和社会的进步稳步提高,对于饮食的追求也随之提高。作为我国一个传统服务性行业,餐饮行业以繁荣强劲的增长势头飞速发展,但是消费环境日益复杂化,餐饮企业面临着可持续发展的挑战。在大数据时代,运用机器学习方法结合相关的数据分析挖掘企业发展的痛点和消费者真正的需求,是推进企业持续发展和变革的重要导向。因此本文对餐饮企业的两个关键信息进行预测,一个是销售收益,一个是用户。首先对原始的数据进行预处理操作和特征工程等,对于销售的预测,我们分为两个方面,一个是从宏观的角度预测餐饮企业的年销售收益,并找到影响销售收益的主要因素是位置和餐饮企业自身的发展、服务和特色。我们使用目前活跃在各个算法大赛的Boosting提升树模型,包括GBDT、XGBoost、Light GBM等,我们对三种模型的原理及其优化的特点进行探讨,并在后续实验中对照分析三个算法模型,对于大样本数据,Light GBM能发挥其优势,其独特的优化算法,包括Histogram算法,叶子节点生长策略,数据特征并行等特点使得它的训练时间很短,计算代价大大降低,在模型预测精度方面,三个模型结果大致相同,但是考虑到训练时间问题,优先选择Light GBM模型。另一个是针对一家餐饮企业,我们预测未来的天销售额,对于多变量非线性的时间序列预测,LSTM能发挥较好的作用,预测结果对资源配置和成本计算起到重要的参考作用。最后对用户流失的预测,我们首先使用单模型GBDT和XGBoost进行分类预测,综合考虑到餐饮企业的一些实际需要,采用融合模型GBDT+LR和XGBoost+LR对用户的流失概率进行预测,以便企业采取针对性运营策略,在对概率的预测中,综合不同算法的优点,选用融合的模型预测,也取得了很好的效果,可见GBDT和XGBoost树模型可以有效地对特征进行重构和组合,将非线性变量转换为线性变量,进而输入到简单的LR模型中得到比较好的预测结果。