Data-analyse og maskinlæring, i form av algoritmer som kan lære fra historiske data og eksempeldata, har gitt bedrifter og offentlige virksomheter muligheter til bedre å forstå ulike sammenhenger og predikere framtidige hendelser og oppførsel. Det neste naturlige steget er å benytte den lærdommen også til å forbedre planleggingen. Predikerte verdier kan selvsagt brukes direkte inn i en planleggingsmodell, men en vil da miste mye av den informasjonen som ligger i resultatet fra ulike maskinlæringsalgoritmer.
Denne informasjonen må utnyttes best mulig for å finne kostnadseffektive, robuste og fleksible løsninger. Til dette kreves det innsikt i både maskinlæring og hvordan vi håndterer ulike former for usikkerhet i en optimeringsmodell. Vår erfaring, både med dataanalyse og beslutningstaking ved usikkerhet, gjør oss i stand til å møte disse utfordringene på en god måte.
