Ik kan me helemaal vinden in de opmerkingen van Walther Ploos van Amstel. Als operations-research-wizz-kids weten wij alles van logistieke modellen én hun beperkingen. De kunst zit hem er altijd in om gegeven de te beantwoorden vraag en de kwaliteit van de aanwezige data het juiste model te kiezen; niet te ruim, maar ook niet te krap. Een te groot model waar alles in eens uit komt, daar geloof ik persoonlijk niet in. Dat wordt al snel veel te algemeen en vergroot sterk de risico’s als hierboven omschreven. Daarbij moeten oplossingen uit een model altijd op robuustheid worden getoetst, bijvoorbeeld door middel van diverse (gevoeligheids)scenario's. De kwaliteit/realisme van de gebruikte gegevens (data) speelt een belangrijke rol bij het verkrijgen van een opplossing. En daarnaast is er niets zo veranderlijk als de realiteit. Een gekozen netwerkoplossing moet in de praktijk dus tegen een stootje kunnen. En daar moet tijdens het modelleren, optimaliseren en simuleren al rekening mee worden gehouden. Een 'bijsluiter' is dus zeker op zijn plaats. Echter als de goede keuzes worden gemaakt dan is de meerwaarde
van een model erg groot. En expertise is daarbij onmisbaar.

Ik kan me nog de woorden van mijn docent herinneren: bij het definiëren van een model kun je geen rekening houden met het getijde in de haven van Bombay... Een model is nooit de werkelijkheid, en als het gaat zoals je hebt berekend of gepland, dan moet je je achter je oren krabben. "No single battle plan has ever survived first contact".

ik heb veel gerekend en laten rekenen in de DSS-omgeving en heb daar nooit spijt van gehad. Niet alleen bleken de rekenpartners zeer deskundig (ORTEC ea) Aan elke model uitkomst dient een risico-analyse te worden verbonden. Sterker nog je kunt de uitkomst immers nog een keer evalueren voor gevoeligheden voor kleine of grote variaties in de bedrijfsparameters.