Das Ziel der Optimierung bei Standortplanungsproblemen ist es, aus einer Menge von potenziellen Einrichtungen unter verschiedenen Nebenbedingungen, jene Einrichtungen auszuwählen, die die Gesamtkosten bestehend aus Fixkosten und Transportkosten minimieren. Obwohl solche Standortplanungsprobleme ein großes Anwendungsgebiet besitzen, welches beispielsweise von der optimalen Platzierung möglicher Impfzentren bis hin zur Positionierung von Warenhäusern von Unternehmen reicht, gibt es in der bisherigen Forschung wenige Probleminstanzen, welche sich an reale Daten orientieren. Sammlungen von gegenwärtigen Probleminstanzen zeigen auf, dass diese teilweise auf Zufälligkeit basieren. Das Ziel dieser Bachelorarbeit ist es eine allgemeine Vorgehensweise zur Beschreibung realer Standortplanungsprobleme aufzuzeigen und anhand des ausgewählten Beispiels von Amazon in Europa einen Blick in ein reales Standortplanunsgproblem zu ermöglichen. Da der Zugang zu realen Daten für diese Arbeit nur begrenzt ist, werden Referenzwerte erhoben und verfälscht, um aus den realen Daten ein mathematisch lösbares Entscheidungsproblem zu erhalten. Darauf aufbauend werden 32 Probleminstanzen mit unterschiedlichen Größen und räumlichen Verteilungen generiert und deren Laufzeit für das Finden einer optimalen Lösung mit IBM ILOG Cplex ermittelt. Daraus wurden Erkenntnisse abgeleitet, inwieweit unterschiedliche räumliche Verteilungen bei Standortplanungsproblemen einen Einfluss auf Laufzeitveränderungen haben. In der vorliegenden Arbeit konnte eine Tendenz festgestellt werden, dass bei einer zunehmend geclusterten räumlichen Verteilung der Kundenstandorte und einer zufälligen Verteilung der potenziellen Standorte eine Laufzeitreduktion bei größeren Probleminstanzen zu erkennen ist. Bei einer geclusterten Verteilung sowohl der Kundenstandorte als auch der potenziellen Einrichtungsstandorte ist aber keine zusätzliche Laufzeitreduktion zu bemerken, sondern es kommt teilweise sogar zu einem Anstieg der Laufzeit.