Voorraadbeheer in tijden van globale onzekerheid

In het decennium na de kredietcrisis hebben bedrijven zich aangepast aan een nieuwe realiteit. De onzekerheid is toegenomen op gebieden die lange tijd als stabiel werden beschouwd. Tot voor kort waren bedrijven die zaken deden in Groot-Brittannië vooral bezig met het nemen van strategische beslissingen met weinig tot geen informatie over fundamentele kwesties zoals de toekomstige douaneregeling. Evenzo waren Amerikaanse bedrijven bezig met het bepalen van bedrijfsstrategieën tijdens een aanhoudende en onzekere handelsoorlog met China. In begin 2020 barstte de covid19-crisis los en veranderde de wereld van de ene dag op de andere. Brexit, handelsoorlogen en covid19 introduceerden verschillende schokken in de toeleveringsketens van de wereld. Vanuit een modelperspectief vertegenwoordigen deze schokken niet-stationaire onzekerheid. Hun impact is moeilijk te voorspellen (vandaar: onzeker) en zij veranderen de onderliggende structuur van het systeem (vandaar: niet-stationair). Deze nieuwe onzekerheid vereist een nieuw besluitvormingsparadigma. Statistische modellen, die gegevens uit het verleden gebruiken om toekomstig gedrag te voorspellen, zijn onder dergelijke omstandigheden machteloos. Dit doctoraatsproject richt zich op de vraag hoe voorraadbeslissingen kunnen worden aangepast aan deze nieuwe realiteit. Machine-learning technieken zullen worden geïmplementeerd in voorraadmodellen om besluitvorming onder niet-stationaire onzekerheid te ondersteunen.