Talep tahminleri işletme fonksiyonlarının hemen hepsine etki etmektedir. Şüphesiz ki talep tahminlerinin en önemli etkisi bu fonksiyonlardan üretim ve operasyon üzerine olmaktadır. Kuruluş yeri, kapasite ve işgücü kararları ile üretim planları talep tahminlerine dayanmaktadır. Son yıllarda Türk hükümetinin üretim kararı verdiği yerli otomobile oluşacak talebin tahmin edilmesi de bu anlamda önem kazanmıştır. Seri olarak üretilecek %100 yerli otomobilin yıllık üretim adetlerinin ve buna bağlı olarak üretim ve diğer planlarının yapılması tamamen bu talebin doğru tahmin edilmesine bağlıdır. Bu amaç doğrultusunda aylık yerli otomobil satışı serinin özellikleri göz önüne alınarak geleceğe yönelik talep tahmini için en uygun model tercih edilmiştir. Bu çalışmada Ocak 2011 – Eylül 2015 veri döneminde aylık yerli otomobil satış değerleri kullanılarak geri yayılım algoritmasıyla eğitilmiş ileri beslemeli yapay sinir ağı modeli uygulanmıştır.  Serinin özellikleri, tahmin performans ölçütleri olarak ise ortalama mutlak yüzde hata (mean absolute percentage error – MAPE) ve ortalama hata kare ( mean square error – MSE) değerleri dikkate alınarak iteratif olarak uygun gecikme uzunluğu ve gizli nöron sayısı tespit edilmiştir. Elde edilen bulgular neticesinde; mevsimsel etkilerden arındırılmış yerli otomobil satış serinin kullandığı, gecikme uzunluğunun 2 ve gizli nöron sayısının 7 olduğu olduğu modelin en iyi tahmin sonucunu verdiği saptanmıştır. 

Demand forecasts influence almost every business function. The most important influence of demand forecasts is on production and operation among these functions. Decisions about industrial location, capacity and labor force, and also production plans are based on demand forecasts. Therefore, the future demand forecast regarding the domestic car gains importance which is decided to be mass-produced %100 domestically by the Turkish government. The determination of yearly production numbers and the other related plans necessitate a successful demand forecasting. In this regard, monthly sales of available domestic cars have been taken into account in order to the most appropriate model has been chosen for the future demand forecasting. This study grounds on the monthly data of domestic car sales between January 2011 and September 2015, and uses an artificial neural network backpropagation algorithm. Taking into account data properties, the mean absolute percentage error (MAPE) and mean square error (MSE) as performance criteria of forecasting, the proper lag length and the number of hidden neurons are determined iteratively. As a result of reached findings, it is concluded that the model with a lag length of 2 and 7 hidden neurons gives the best forecasts, where series of seasonally adjusted domestic car sales are used.