本章開場案例。以 White Martins／Linde 的大量配送業務，說明產品配置、車輛路線、庫存平衡與需求不確定性如何進入處方性分析。
理解大型供應鏈模型中的目標、限制條件、不確定變數，以及 Analytic Solver 如何支援日常營運決策。
White Martins 在巴西管理低溫氣體產品的大量配送。物流主管 Marcos Guimaraes 必須同時處理客戶庫存、準時交貨、工廠生產、配送路線與服務成本。
| 原書指標 | 數值／內容 |
|---|---|
| 車隊 | 650 輛 |
| 駕駛 | 超過 1,000 人 |
| 每月配送產品 | 150,000 噸 |
| 客戶 | 遍布巴西的數千名客戶 |
| 每月配送趟次 | 18,000 趟 |
| 預測期間 | 3 個月 |
| 不確定性例子 | 原書指出，需求即使只有 1% 的變動，也可能增加供應失敗風險 |
以歷史資料建立大型最佳化模型，使用 Analytic Solver 同時處理配送路線、工廠到客戶的產品配置、庫存轉移，以及未來三個月的需求／耗用量不確定性；另評估工廠可靠度與設備故障風險。
原書提供營運規模與預測期間，但沒有提供完整投資報酬率、成本節省或目標函數數值，因此不自行生成。
模型的價值在於把原本分離的產品配置與路線決策放進同一系統，並讓管理者同時看見工廠運作、配送與庫存風險。這是「最佳化＋風險分析」的整合應用。
根據 650 輛車、1,000 多名駕駛、每月 150,000 噸、每月 18,000 趟配送與 3 個月預測期間，整理此供應鏈模型的決策變數、限制條件、不確定變數與輸出結果；不得生成原書未提供的節省金額。
問題： 若需求不確定性增加，模型最先需要重新檢查什麼？
參考解答： 應重新檢查需求／耗用量假設、庫存上下限、工廠間轉移與配送可行性；原書未提供可量化的新結果。