TY  - JOUR
T1  - Yiyecek ve İçecek İşletmelerinde Talep Tahmini: Yapay Sinir Ağları ve Regresyon Yöntemleriyle Bir Karşılaştırma
TT  - Demand Forecasting in Food and Beverage Enterprises: A Comparison via Artificial Neural Networks and Regression Methods
AU  - Sönmez, Oğuzhan
AU  - Zengin, Kenan
PY  - 2019
DA  - October
DO  - 10.31590/ejosat.638104
JF  - Avrupa Bilim ve Teknoloji Dergisi
JO  - EJOSAT
PB  - Osman SAĞDIÇ
WT  - DergiPark
SN  - 2148-2683
SP  - 302
EP  - 308
LA  - tr
AB  - Günümüzde yiyecek – içeceksektörüne olan ilgi sürekli artış göstermektedir. Dolayısıyla pazarda artanrekabet, işletmelerin ayakta kalmaları için teknolojiyle uyumlu çalışmalarızorunlu kılmaktadır. İşletmeler müşterilerin taleplerini tahmin edebilirselerplanlamalarını da ona göre yapacak ve fazla iş gücü ve maliyettenkurtulacaklardır. Doğru olarak yapılan tahminler işletmeye fayda sağlayacak vegerekli tedbirleri alacaklardır. Çalışmada Tokat bölgesinde faaliyet gösterenbir yiyecek-içecek işletmesinin verileri kullanılmıştır. Bu işletmenin satış tahminiiçin yapay sinir ağları ve çoklu regresyon modelleri kullanılarak günlüksatışını tahmin edip ve iki modelin karşılaştırılması yapılmıştır. İlk çalışmamatlab ortamında yapay sinir ağları aracı olan nntool kullanılmıştır. Veriler2018 yılının ilk 6 ayını içeren 150 satırdan oluşmaktadır ve %70 eğitim %30 isetest için kullanılmıştır. Yapay sinir ağımız 8 girişli tek gizli katmanlı ve 8nöronlu tek çıkışlı bir modelden oluşmaktadır. Eğitim fonksiyonu olarak Levenberg-MarquardAlgoritması(trainlm) ve aktivasyon fonksiyonu olarak ise tansig fonksiyonukullanılmıştır. Modelimizde test R oranı %95,77 çıkmıştır. İkinci uygulamamızıanaconda platformunda, spyder ide sini kullanarak python programlama dilliylegeliştirdik. Uygulamada yine aynı parametreleri kullanarak çoklu regsesyonmodeli uygularak yaptığımız uygulamada ise doğruluk oranımız %91,3 çıkmıştır.Burada kullandığımız parametreleri en küçük kareler yöntemiyle incelediğimizdeişletmenin talep tahminini talep tahmininde haftanın günleri ve sıcaklığınyüksek değerde etkilemediğini görmekteyiz. Dolayısıyla çok ekstrem bir gündeğilse veya havanın sıcak-soğuk olması işletmenin satışlarına pozitif -negatifyönde bir etki yapmamaktadır. Her iki modelde başarı oranların yüksek olmasıtalep tahmininde yapay sinir ağları ve çoklu regresyon kullanımının pozitifetkisini gözler önüne sermektedir. Yapay sinir ağlarıyla geliştirdiğimiz modelçoklu regresyon modeline göre daha başarılı olduğu gözlemlenmiştir. İşletmebulduğumuz sonuçlara göre planlamasını yaparak belirgin parametrelere dahafazla ağırlık verirse cirosunda artış görecektir.
KW  - Talep Tahmini
KW  - Yapay Sinir Ağları
KW  - Çoklu Regresyon
KW  - Yiyecek İçecek İşletmeleri
N2  - 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
CR  - Akdag, R. (2016). Yapay Sinir Aglari, Destek Vektör Makineleri ve Box-Jenkins Yöntemleriyle Kentsel Icmesuyu Talebi Tahmini ve Karsilastirmali Analizi. Business and Economics Research Journal, 7(1), 123-138
CR  - Başoğlu, B., ve Bulut, M. (2017). Kısa dönem elektrik talep tahminleri için yapay sinir ağları ve uzman sistemler tabanlı hibrit sistem geliştirilmesi. Journal of the Faculty of Engineering and Architecture of Gazi University, 32(2), 575-583.
CR  - Calp, M. H. (2019). İşletmeler için personel yemek talep miktarının yapay sinir ağları kullanılarak tahmin edilmesi. Politeknik dergisi. 22(3), 675-686
CR  - Chehreh, C S, James, C H, Jorjani, E, Mesroghli, S ve Bagherieh, A H, (2008). Prediction of coal grindability based on petrography, proximate and ultimate analysis using multiple regression and artificial neural network models. Fuel Processıng Technology, 89,13- 20.
CR  - Çuhadar, M., ve Kayacan, C. (2005). Yapay Sinir Ağları Kullanılarak Konaklama İşletmelerinde Doluluk Oranı Tahmini: Türkiye'deki Konaklama İşletmeleri Üzerine Bir Deneme. Anatolia: Turizm Araştırmaları Dergisi, 16(1), 24-30.
CR  - Çuhadar, M., Güngör, İ., ve Göksu, A. (2009). Turizm Talebinin Yapay Sinir Ağlari ile Tahmini ve Zaman Serisi Yöntemleri ile Karşilaştirmali Analizi: Antalya İline Yönelik Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 99-114.
CR  - Durna, M. B., “Veri Bilimi İçin Temel Python Kütüphaneleri-1: Numpy” (Erişim tarihi 2019.05.14) https://medium.com
CR  - Efendigil, T., ve Eminler, Ö. E. (2017). Havacılık Sektöründe Talep Tahmininin Önemi: Yolcu Talebi Üzerine Bir Tahmin Modeli. Journal of Yasar University, 12, 14-30
CR  - Eren, U., ve Satoğlu, Ş. I. Perakende Giyim Sektöründe Yapay Sinir Ağları ile Talep Tahmini.
CR  - Es, H. A., Kalender, F. Y., ve Hamzaçebi, C. (2014). Yapay sinir ağlari ile Türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 29(3), 227-233
CR  - Hamzaçebi, C., ve Kutay, F. (2004). Yapay sinir ağlari ile türkiye elektrik enerjisi tüketiminin 2010 yilina kadar Tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 19(3).
CR  - Karaatlı, M., Helvacıoğlu, Ö. C., Ömürbek, N., ve Tokgöz, G. (2012). Yapay sinir ağları yöntemi ile otomobil satış tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
CR  - Karaca, C., ve Karacan, H. (2016). Çoklu regresyon metoduyla elektrik tüketim talebini etkileyen faktörlerin incelenmesi. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 4(3), 182-195.
CR  - Özüdoğru, A. G., ve Görener, A. (2015). Sağlık sektöründe talep tahmini üzerine bir uygulama. İstanbul Ticaret Üniversitesi Sosyal Bilimleri Dergisi 27(Bahar), 37-53
Turanlı, M. (2003). Turizm sektöründe talep tahmin modellemesi. İstanbul Ticaret Üniversitesi Dergisi, 3(Haziran), 1-13
CR  - Ulgen, K. E. “Makine Öğrenimi Bölüm-6 (Regresyon)” (Erişim 2019.05.14) https://medium.com/
CR  - Ulucan, Ö. G. E., ve Kızılırmak, İ. (2018). Konaklama İşletmelerinde Talep Tahmin Yöntemleri: Yapay Sinir Ağları İle İlgili Bir Araştırma. Seyahat ve Otel İşletmeciliği Dergisi, 15(1), 89-101.
CR  - Üstündağ, H., ve Sayım, I. Ş. I. (2018). Antalya Bölgesinde Otel Oda Fiyatlarının Tahmini. Journal of Travel and Hospitality Management, 15(3), 703-716.
CR  - Yongjae, K, Sehun, R, (2005). Arc sensor model using multiple-regression analysis and a neural network. ProQ. Sci. J. ,219, 431–447.
CR  - Yucesan, M., Gul, M., ve Celik, E. (2018). A multi-method patient arrival forecasting outline for hospital emergency departments. International Journal of Healthcare Management, 1-13.
CR  - Yüceoğlu, Birol “Scikit-Learn ile Veri Analitiğine Giriş” (Erişim tarihi 2019.05.14) http://www.veridefteri.com/
UR  - https://doi.org/10.31590/ejosat.638104
L1  - https://dergipark.org.tr/tr/download/article-file/839769
ER  -