Modeling Delivery Time Deviations in Logistics Management: Application of the POBREP Method

Year 2025, Volume: 59 Issue: 3, 661 - 682, 21.07.2025

Kenan Orçanlı , İlkay Erarslan , Hasan Boztoprak

https://doi.org/10.51551/verimlilik.1600360

Abstract

Purpose: This study aims to analyze the key determinants of deviations in logistics delivery processes using the POBREP method and to develop process improvement strategies accordingly. Process stability was assessed via X̄ control charts, and the explanatory power of the resulting model was evaluated comparatively using regression-based machine learning techniques.
Method: A dataset comprising 2,150 randomly sampled observations from a logistics company operating in Istanbul was analyzed. Six primary factors affecting delivery time deviations were identified: traffic density, vehicle condition, operational planning deficiencies, route difficulties, environmental conditions, and disruptions in information flow. Delivery deviations were transformed into quality vectors, and error pattern coefficients were calculated using the Least Squares method. These coefficients were monitored through X̄ control charts to assess the statistical control status of the process.
Findings: The model constructed via POBREP explained approximately 50% of the total variance and demonstrated comparable predictive power to Random Forest (R² = 0.86), Ridge, Lasso, and ElasticNet models. Several factors were found to have statistically significant effects on delivery deviations.
Conclusion: Based on the findings, suggestions such as traffic optimization, GIS-supported route planning, and improvements in information flow processes were proposed.
Originality: This study contributes to the literature by demonstrating, in detail, the applicability of the POBREP method as a systematic error analysis tool in logistics process improvement.

Keywords

Delivery Time Deviations , Logistics Management , POBREP Method

Lojistik Yönetiminde Teslimat Süresi Sapmalarının Modellenmesi: POBREP Yönteminin Kullanımı

Abstract

Amaç: Bu çalışmanın amacı, lojistik teslimat süreçlerinde ortaya çıkan süre sapmalarının temel belirleyicilerini POBREP yöntemi aracılığıyla analiz etmek ve bu doğrultuda süreç iyileştirme stratejileri geliştirmektir. Süreç kararlılığı X̄ kontrol grafikleriyle incelenmiş, modelin açıklayıcılık düzeyi regresyon tabanlı makine öğrenmesi yöntemleriyle karşılaştırmalı olarak değerlendirilmiştir.
Yöntem: İstanbul’da faaliyet gösteren bir lojistik işletmesinden rassal örnekleme yoluyla elde edilen 2150 gözlemden oluşan veri seti üzerinden gerçekleştirilen analizde, trafik yoğunluğu, araç durumu, operasyonel planlama eksiklikleri, güzergâh zorlukları, çevresel koşullar ve bilgi akışındaki sorunlar olmak üzere altı temel faktör tanımlanmıştır. Teslimat süresi sapmaları kalite vektörlerine dönüştürülmüş ve hata desen katsayıları En Küçük Kareler yöntemiyle hesaplanarak X̄ kontrol grafikleri ile izlenmiştir.
Bulgular: POBREP yöntemi ile oluşturulan model varyansın yaklaşık %50’sini açıklamış, Random Forest (R² = 0.86) ve diğer regresyon modelleriyle benzer öngörü gücü sergilemiştir. Belirli faktörlerin sapmalar üzerinde anlamlı etkileri istatistiksel olarak doğrulanmıştır.
Sonuç: Elde edilen bulgular doğrultusunda, rota optimizasyonu, CBS tabanlı güzergâh planlaması ve bilgi akışı süreçlerinin iyileştirilmesine yönelik öneriler sunulmuştur.
Özgünlük: Bu çalışma, POBREP yönteminin lojistik süreç analizi bağlamında sistematik bir hata analizi aracı olarak uygulanabilirliğini ortaya koyarak literatüre özgün bir katkı sunmaktadır.

Keywords

Teslimat Süresi Sapmaları , Lojistik Yönetimi , POBREP Yöntemi

References

• Acar, A.Z. (2020). “Lojistik Yönetimi”, Anadolu Üniversitesi Yayınları, Eskişehir.
• Acar, A.Z. ve Köseoğlu, A. M. (2014). “Lojistik Yaklaşımıyla Tedarik Zinciri Yönetimi”, Nobel Akademik Yayıncılık, Ankara.
• Atalay, M. ve Çelik, E. (2017). Büyük Veri Analizinde Yapay Zekâ ve makine Öğrenmesi Uygulamalar”, Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(22), 155-172.
• Barton, R.R. ve Gonzalez-Barreto, D.R. (1996). “Process Oriented Basis Representations for Multivariate Process Diagnostics”, Quality Engineering, 9, 107-118.
• Barton, R.R. ve Gonzalez-Barreto, D.R. (1999). “Process-Oriented Basis Representations: Linking Manufacturing Process Design and Diagnosis”, Proceedings of the European Conference on Concurrent Engineering, 9, 109–114.
• Bayraktutan, Y. ve Özbilgin, M. (2015). “Uluslararası ve Yurtiçi Ticarette Taşıma Türlerinin Payı: Bir Analitik Hiyerarşi Prosesi (AHP) Uygulaması”, Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 6(2), 405-436.
• Bayram, M., Şahin, H. ve Topal, B. (2023), “Tedarik Esnekliği, Teslimat Esnekliği, Planlama Süreci ve Tedarik Süreci Arasındaki Doğrudan ve Dolaylı İlişkilerin İncelenmesi”, Mühendislik Bilimleri ve Araştırmaları Dergisi, 5(2), 338-348. https://doi.org/10.46387/bjesr.1335992
• Birgören, B. (1998). “Multivariate Statistical Process Control for Quality Diagnostics and Applications to Process Oriented Basis Representations”, Doktora Tezi, PennState University, Pennsylvania.
• Birgören, B. (2009). "Diagnosing Quality Problems on A Complex CNC Machine via Process-Oriented Basis Representations", International Journal of Engineering, Research and Development, 12, 34-47.
• Buran, A.Ç. ve Ağca, A. (2018). “Tedarik Zinciri Risklerinin Tedarik Zinciri Performansı Üzerinde Etkisi: Üretim İşletmelerinde Bir Araştırma”, Paradoks Ekonomi Sosyoloji ve Politika Dergisi, 14(2), 1-18.
• Christopher, M. (2016). “Logistics & Supply Chain Management”, Pearson, London.
• Colón, E. (1997). “Component Registration Diagnosis for Printed Circuit Boards Using Process-Oriented Basis Elements”, Computers & Industrial Engineering, 33, 389-392. https://doi.org/10.1016/S0360-8352(97)00119-8
• Çakaloz, B. (2008). “Lojistik Yönetiminde Simülasyon Temelli Eğitim Yaklaşımları”, Yayımlanmamış Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü , İzmir
• Çolakoğlu, A. A. (2020). “Makine Öğrenmesi Algoritmaları ile Avrupa Havalimanları Analizi, Yayımlanmamış Yüksek Lisans Tezi, Pamukkale Üniversitesi Sosyal Bilimleri Enstitüsü, Denizli.
• Çotur, Ö.K. (2017). “İnşaat Tedarik Zincirleri ve İnşaat Lojistiği Üzerine Nitel Bir Araştırma”, Business & Management Studies: An International Journal, 5(2), 423-447.
• Devkas (2023). https://www.devkas.com/ , (Erişim Tarihi:12.10.2024)
• Dilek, Ş. ve İncaz, S. (2021), “Küreselleşme Sürecinde Teknolojik Dönüşümün Lojistik Sektörüne Etkileri”, Beykoz Akademi Dergisi, 9(2), 30-49. https://doi.org/10.14514/BYK.m.26515393.2021.9/2.30-49
• Emirkadı, Ö. ve Balcı, H. (2018). “Lojistik Sektörü ve Türkiye Dış Ticaretine Etkileri”, Journal of Institute of Economic Development and Social Researches, 4(8), 123-132.
• Foster, E.J., Barton, R.R., Gautam, N, Truss, L.T. ve Tew, J.D. (2005). "The Process Oriented Multivariate Capability Index", International Journal of Production Research, 43, 2135–2148.
• Gedikli, T. ve Çayır Ervural, B. (2022). “En Uygun Tersine Lojistik Hizmet Sağlayıcısının Bulanık Grup Karar Verme Yaklaşımı Altında Belirlenmesi”, International Journal of Advances in Engineering and Pure Sciences, 34(1), 50-64. https://doi.org/10.7240/jeps.929885
• Hiper Lojistik (2024). https://www.hiperlojistik.com/, (Erişim Tarihi:15.10.2024) Kayabaşı, A. (2010). “Elektronik (Online) Alişverişte Lojistik Faaliyetlere Yönelik Müşteri Şikayetlerinin Analizi ve Bir Alan Araştırması”, İşletme Araştırmaları Dergisi, 2(2), 21-42.
• Matek Çevre (2024). https://matekcevre.com.tr/, (Erişim Tarihi: 25.08.2024)
• Orçanlı, K. (2017). “Çok Değişkenli Kalite Kontrol Grafikleri ve Yapay Sinir Ağları Yöntemiyle Döküm Sanayinde Bir İstatistiksel Süreç Kontrolü Uygulaması”, Yayımlanmamış Doktora Tezi, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü, Erzurum.
• Orçanlı, K. (2021). “A Statistical Process Control with Process Oriented Basis Representation in Casting Industry”, Academic Platform Journal of Engineering and Science, 9(1), 134-158.
• Orçanlı, K., Oktay, E. ve Birgören, B. (2017). “The Effects of Covariance Over the Residuals of Process Oriented Basis Representation in Mulivariate Quality Control”, Social Sciences Research Journal, 6(2), 20-40.
• Özcan, S. (2014). “Küçük ve Orta Büyüklükteki İşletmelerde Lojistik Yönetiminin Önemi”, Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 5(10), 275-300.
• Öztürk, Z.K., Güngör, K. ve Lepki, B. (2016). “Lojistik Sektöründe Çok Amaçlı Kapı Atama Problemleri İçin Bir Karar Destek Sistemi”, Mühendislik Bilimleri ve Tasarım Dergisi, 4(1), 21-29.
• Padilla, V.O. (2005), “Process Oriented Basis Estimation in Presence of Non-Orthogonal Basis Elements”, Yüksek Lisans Tezi, University of Puerto Rico, Puerto Rıco.
• Pusat Lojistik (2024). https://pusatlojistik.com/, (Erişim Tarihi: 15.10.2024)
• Runger, G.C., Barton, R.R., del Castillo, E. ve Woodall, W.H. (2007). "Optimal Monitoring of Multivariate Data for Fault Patterns", Journal of Quality Technology, 39(2), 159-172.
• Schmitt, A.J., Marcus, A. ve Barton, R. (2002). "Benefit Analysis of Process-Oriented Basis Representation As A Method Of Multivariate Statistical Process Control". IIE 2002 Conference Proceedings.
• Sevinç, H.K., Karakaş, İ.R. ve İbrahim, H. (2022). “Konumsal Büyük Veri: Özellikleri ve Avantajları”, VIII. Uzaktan Algılama-CBS Sempozyumu (UZAL-CBS 2022), 17-19 Kasım 2022, Ankara.
• Tang, O. ve Musa, S.N. (2011). “Identifying Risk Issues and Research Advancements in Supply Chain Risk Management”, International Journal oof Production Economics, 133(1), 25-34.
• Yaprak, H. (2024). “Lojistik Performans Ölçütleri ve 2007-2023 Yılları Arasında Türkiye’nin Performansı”, Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(2), 19-35. https://doi.org/10.47147/ksuiibf.1539599