Günümüzde yiyecek – içecek sektörüne olan ilgi sürekli artış göstermektedir. Dolayısıyla pazarda artan rekabet, işletmelerin ayaktakalmaları için teknolojiyle uyumlu çalışmaları zorunlu kılmaktadır. İşletmeler müşterilerin taleplerini tahmin edebilirselerplanlamalarını da ona göre yapacak ve fazla iş gücü ve maliyetten kurtulacaklardır. Doğru olarak yapılan tahminler işletmeye faydasağlayacak ve gerekli tedbirleri alacaklardır. Çalışmada Tokat bölgesinde faaliyet gösteren bir yiyecek-içecek işletmesinin verilerikullanılmıştır. Bu işletmenin satış tahmini için yapay sinir ağları ve çoklu regresyon modelleri kullanılarak günlük satışını tahmin edipve iki modelin karşılaştırılması yapılmıştır. İlk çalışma matlab ortamında yapay sinir ağları aracı olan nntool kullanılmıştır. Veriler 2018yılının ilk 6 ayını içeren 150 satırdan oluşmaktadır ve %70 eğitim %30 ise test için kullanılmıştır. Yapay sinir ağımız 8 girişli tek gizlikatmanlı ve 8 nöronlu tek çıkışlı bir modelden oluşmaktadır. Eğitim fonksiyonu olarak Levenberg-Marquard Algoritması(trainlm) veaktivasyon fonksiyonu olarak ise tansig fonksiyonu kullanılmıştır. Modelimizde test R oranı %95,77 çıkmıştır. İkinci uygulamamızıanaconda platformunda, spyder ide sini kullanarak python programlama dilliyle geliştirdik. Uygulamada yine aynı parametrelerikullanarak çoklu regsesyon modeli uygularak yaptığımız uygulamada ise doğruluk oranımız %91,3 çıkmıştır. Burada kullandığımızparametreleri en küçük kareler yöntemiyle incelediğimizde işletmenin talep tahminini talep tahmininde haftanın günleri ve sıcaklığınyüksek değerde etkilemediğini görmekteyiz. Dolayısıyla çok ekstrem bir gün değilse veya havanın sıcak-soğuk olması işletmeninsatışlarına pozitif -negatif yönde bir etki yapmamaktadır. Her iki modelde başarı oranların yüksek olması talep tahmininde yapay sinirağları ve çoklu regresyon kullanımının pozitif etkisini gözler önüne sermektedir. Yapay sinir ağlarıyla geliştirdiğimiz model çokluregresyon modeline göre daha başarılı olduğu gözlemlenmiştir. İşletme bulduğumuz sonuçlara göre planlamasını yaparak belirginparametrelere daha fazla ağırlık verirse cirosunda artış görecektir.

Today, interest in food and beverage sector is constantly increasing. Therefore, increasing competition in the market necessitates technology-compatible works in order to survive. If businesses can anticipate customers' demands, they will make their plans accordingly and avoid excessive labor and cost. Accurate estimates will benefit the enterprise and take the necessary measures. In this study, data of a food and beverage company operating in Tokat region was used. To estimate the sales of this enterprise by using artificial neural networks and multiple regression models, the daily sales are estimated and compared between the two models. In the first study, nntool, an artificial neural network tool, was used in the matlab environment. The data consisted of 150 lines including the first 6 months of 2018 and 70% of the training was used for 30% of the test. Our artificial neural network consists of a single-layered model with 8 inputs and a single-output model with 8 neurons. Levenberg-Marquard Algorithm (trainlm) was used as training function and tansig function was used as activation function. In our model, the test R ratio was 95.77%. We developed our second application on python programming language using spyder ide on anaconda platform. In the application, using multiple regression model using the same parameters, the accuracy rate was 91.3%. When we examine the parameters we use here with the least squares method, we see that the demand forecast of the enterprise does not affect the days of the week and the temperature at high value in demand forecasting. Therefore, if it is not a very extreme day or the weather is hot-cold, it does not have a positive-negative effect on the sales of the enterprise. The high success rates of both models show the positive effect of using artificial neural networks and multiple regression in demand forecasting. The model we developed with artificial neural networks was more successful than the multiple regression model. According to the results we find, if the firm places more weight on certain parameters by planning, it will see an increase in turnover.