Der Artikel von Berend Markhorst auf Towards Data Science führt anhand eines Fashion-Unternehmens, das Winterkleidung in Bangladesh produziert und Nachfrageunsicherheit in Deutschland managen muss, in die stochastische Programmierung ein. Ausgangspunkt ist ein klassisches lineares Programm (LP), das scheitert, sobald die Nachfrage keine feste Zahl, sondern eine Zufallsvariable ξ ist. Der Beitrag stellt vier Lösungsansätze vor: (1) Robust Optimization plant für den Worst Case über ein Unsicherheitsset U, ist aber oft zu konservativ. (2) Chance Constraints lockern das auf ein Konfidenzniveau α (typisch 0,9–0,99) – jedoch sind diese Formulierungen im Allgemeinen nichtlinear und schwer lösbar. (3) und (4) werden als Two-Stage Stochastic Programming und Stochastic LP angedeutet, bei denen Entscheidungen in Erst- und Rekursentscheidungen aufgeteilt werden. Der Artikel basiert auf Vorlesungsmaterial von Dr. Ruben van Beesten und richtet sich an Praktiker, die bereits LP-Erfahrung mitbringen. Ein expliziter Sanity-Check soll abschließend zeigen, ob der Mehraufwand gegenüber einem deterministischen Modell tatsächlich lohnt.