Preisschwankungen stellen sowohl für rohstoffverarbeitende als auch für rohstoffhandelnde Unternehmen eine große Herausforderung dar. Die vorliegende Arbeit untersucht die Auswirkungen von Preisunsicherheit auf optimale Beschaffungs- und Lagerhaltungsstrategien. Eine zentrale Erweiterung der existierenden Literatur sind der Fokus auf Preismodellunsicherheit, sprich unvollständige Information über den zugrundeliegenden stochastischen Preisprozess, sowie auf kostenoptimale Beschaffungsentscheidungen statt optimaler Preisprognosen. Die entwickelten stochastischen und datengetriebenen Analytics-Ansätze kombinieren hierbei mathematische Optimierungsverfahren des Operations Research mit Methoden aus dem Bereich des Maschinellen Lernens und liefern als Ergebnis effektive und interpretierbare Entscheidungsregeln. Das primäre Ziel dieser Arbeit ist es, Rohstoffeinkäufern im digitalen Zeitalter Entscheidungsunterstützungstools an die Hand zu geben, mit deren Hilfe Big Data für verbesserte Beschaffungs- und Lagerhaltungsentscheidungen genutzt werden kann. Die entwickelten Algorithmen wurden dabei auf der Basis von Echtdaten für verschiedene Rohstoffklassen (Metalle, Energie, Agrar) validiert.