Beschleunigte Produktlebenszyklen und ein verschärfter Wettbewerb bei Produkten wie Mikroprozessoren, Halbleitern und Automobilen machen kosteneffiziente Strategien erforderlich. Um dem entgegenzuwirken, verteilen die Unternehmen ihre Produktionsstätten global, was die Koordinierung der Auftragsallokation mit Entscheidungen über die mittel- bis langfristige Netzwerkplanung zu einer Herausforderung macht. Um die Planungssicherheit in diesem komplexen Umfeld zu erhöhen, werden zunehmend modell-basierte Entscheidungsunterstützungssysteme (DSS) eingesetzt. Die inhärente Unsicherheit der Nachfrage erschwert die Konfiguration globaler Produktionsnetzwerke (GPN) zusätzlich. Diese Thesis präsentiert einen innovativen Ansatz, um kritische Lücken in komplexen GPNs zu schließen. Durch die Einbeziehung und Quantifizierung der Ergebnisse durch mehrere Nachfrageszenarien und durch die Berücksichtigung der Flexibilität des Volumens und des Produktmixes soll es möglich sein, auf unerwartete Ereignisse in der Zukunft schnell zu reagieren. Die Thesis befasst sich dazu mit der Herausforderung, repräsentative Szenarien in stochastischen Modellen zu bestimmen, und schlägt eine Methodik zur Verbesserung der Robustheit der Lösung und zur Erkennung von Verschiebungen in der Kostenstruktur vor. Praktische Herausforderungen bei der Implementierung von DSS in GPNs werden untersucht, einschließlich Überlegungen zu Design, Benutzererfahrung, Schulung, Datenmanagement und organisatorischem Änderungsmanagement. Die Thesis befasst sich schließlich mit der Integration von Daten aus verschiedenen Quellen, um effektive digitale Zwillinge für GPNs zu entwickeln, die die Methoden der Datenerfassung verbessern und Vorteile wie Zeitersparnis, Skalierbarkeit und verbesserte Zuverlässigkeit bieten.