příklady systému podpory rozhodování zahrnují manuální systémy, hybridní systémy, všechny typy analytiky a sofistikovaný software pro podporu rozhodování. Faktorem, který odlišuje novější počítač-založené systémy od začátku systémy pro podporu rozhodování, je jejich schopnost analyzovat velmi velkých datových sad, poskytující data-driven doporučení, které se dohady z rozhodování.,
Využití DSS pro vedení Rozhodování
Zatímco někteří odmítají na myšlenku věřit komplexní počítačový software řešení, rozhodovat se pro ně, většina jsou pohodlné pomocí počítačem generované statistiky pochopit klíčové trendy. Patří mezi ně analytics, jako jsou statistiky prodeje, záruční sazby a cash flow trendy, které jsou důležité ukazatele, které pomáhají uživatelům určit, zdraví svých podniků a pobízet potřeba nápravných opatření.,
potíž je v tom, že tato úroveň informací nemůže určit, která z několika možností maximalizuje návratnost při dosažení požadovaného výsledku. Ani nemůže předvídat vnější změny, které mohou mít dopad na ziskovost, důležitý faktor, protože většina firem působí v nejistém prostředí, které se řídí spotřebitelské důvěry, právní předpisy a intenzivní konkurenci. Společnosti jsou navíc zranitelné vůči vnějším vlivům, jako je politická nejistota, významné povětrnostní události a obchodní spory.,
Tyto faktory se někdy kombinují vytvořit dokonalou bouři, kde rozhodování je brání nedostatek předvídatelnosti, stejně jako neschopnost zpracovávat data dostatečně rychle, aby podpora rozhodnutí. To je důvod, proč systémy na podporu rozhodování, které mohou analyzovat data rychle určit vzory a vyhodnotit více alternativ jsou neocenitelná obchodních lídrů.
Principy DSS
základní principy DSS vyvinul z teoretické práce v minulém století na Carnegie Institute of Technology na teorii organizační rozhodování., Tato práce uznala, že zatímco lidský instinkt a pocit střeva často vedly k dobrým rozhodnutím, tam bylo mnoho případů, kdy gut-řízený rozhodnutí byla špatná.
místo toho vědci vyvinuli koncept používání výkonných informačních systémů k analýze organizačních dat a vytváření stručných výkonných informací na podporu rozhodování. V průběhu času, a jako počítačové schopnosti zlepšit, tento přístup byl rozšířen tak, aby zahrnoval použití sofistikovaných software, který modelovat obchodní procesy, což umožňuje uživatelům hodnotit výsledky různých scénářů., Tímto způsobem bylo možné posoudit, která z několika alternativ nabídla nejlepší obchodní návratnost.,
tři klíčové prvky DSS patří:
- Organizační údaje: Příslušné informace a znalosti
- model: Matematické a statistické vzorce, které představují obchodní a analyzovat data
- uživatelské rozhraní: Panely nebo jiné rozhraní, který umožňuje uživatelům komunikovat s a zobrazení výsledků
Běžné Den-to-Day Systém pro Podporu Rozhodování, Příklady
systémy pro podporu Rozhodování působí na mnoha úrovních, a existuje mnoho příkladů v běžné den-to-denní použití., Například plánování trasy GPS určuje nejrychlejší a nejlepší trasu mezi dvěma body analýzou a porovnáním více možných možností. Mnoho systémů GPS také zahrnuje možnosti vyhýbání se provozu, které monitorují dopravní podmínky v reálném čase a umožňují motoristům vyhnout se přetížení. Zemědělci používají nástroje pro plánování plodin k určení nejlepšího času na výsadbu, hnojení a sklizeň. Lékařský diagnostický software, který umožňuje lékařskému personálu diagnostikovat nemoci, je dalším příkladem. Většina systémů sdílí společný atribut v tom, že rozhodnutí jsou opakovaná a založená na známých datech., Nejsou však neomylní a mohou činit nesprávná nebo iracionální rozhodnutí, což objevili mnozí časní uživatelé GPS.
příklady systému podpory rozhodování, které používají Historická Data
historická analýza dat, používaná v každém aspektu podnikání a života, je dobře rozvinutá a zralá. Ačkoli takové informace nejsou vždy přímo žalovatelné, je to důležitá součást DSS, protože hlásí minulé výkony a zdůrazňuje oblasti, které potřebují pozornost. Některé příklady zahrnují:
- popisná analytika: metriky, jako jsou výsledky prodeje, obrat zásob a růst příjmů.,
- Diagnostické analytics: Diagnostické informace, které se zaboří hlouběji odhalit výsledky a vysvětluje důvody pro minulé výkonnosti měřené pomocí popisné analýzy.
- Business intelligence (BI): přestože jsou z velké části založeny na historických datech, řešení BI umožňují uživatelům vyvíjet a spouštět dotazy, které se používají k vedení a podpoře rozhodování.
- ERP dashboardy: uživatelsky konfigurovatelné dashboardy, které umožňují manažerům sledovat různé ukazatele výkonu.,
příklady manuálního a hybridního systému podpory rozhodování
existuje mnoho manuálních technik, které podporují rozhodování. Patří sem činnosti, jako je SWOT analýza, kde týmy určují silné a slabé stránky své organizace, jakož i identifikace hrozeb, kterým čelí organizace, a potenciální příležitosti pro další růst. Výsledky SWOT analýzy jsou žalovatelná rozhodnutí pro posun organizace vpřed. Mezi další ruční nástroje patří rozhodovací matice, analýzy Pareto a analýzy nákladů a přínosů.,
hybridní řešení DSS zahrnují použití tabulkových analýz, které využívají schopnost aplikace Excel pro výpočet, analýzu, porovnání možností a vyhodnocení scénářů what-if.
přestože ruční a hybridní řešení DSS jsou relativně pomalá a těžkopádná, ve správných rukou jsou výkonnými nástroji pro podporu rozhodování a mnoho organizací se na ně spoléhá.,
DSS Software, Který Pomáhá Předvídat Budoucí Trendy
i Když je důležité, aby pochopit, co se stalo v minulosti, a proč se to stalo, toto poznání je omezené použití, když se snaží předvídat budoucnost, snad kromě velmi stabilní a předvídatelné prostředí. To je však sotva případ. Naštěstí existují techniky, které umožňují s jistotou předvídat budoucí trendy a změny, které ovlivní společnost nebo podnikání., Například tyto nástroje mohou na základě minulého výkonu, externích dat a zpětné vazby na trhu předpovídat údaje o budoucí poptávce po produktech, zastaralosti produktů a výnosech.
toto se nazývá prediktivní analytika a tvoří základ jiného typu nástroje DSS, který pomáhá předvídat, co se stane v blízké budoucnosti. Prediktivní analytika používá kombinaci dolování dat, statistických nástrojů a algoritmů strojového učení k určení pravděpodobnosti určitých událostí., Banky tyto techniky používají k odhalování podvodů, pojišťovny je využívají k hodnocení rizik a k určování cen jízdenek na základě poptávky.
modelování DSS pro podporu rozhodování založeného na datech
nejúčinnější příklady systému podpory rozhodování jsou ty, které určují nejlepší rozhodnutí na základě určitých kritérií. Takové systémy odstraňují subjektivitu a zaujatost z rozhodovacího procesu. Navíc jsou schopni vyhodnotit řadu alternativních scénářů a identifikovat to nejlepší.,
obvyklým přístupem je vyvinout matematický model podnikání, zjistit, jak rozhoduje a používat optimalizační software k určení výsledků různých scénářů. Tato technika je založena na normativní analytice a je extrémně výkonná. Zatímco někteří naznačují, že je to jen rozhodovací proces, který by měl být modelován, vývoj plného modelu organizace zvyšuje všestrannost a zlepšuje přesnost z hlediska finančních výsledků.
existují dva optimalizační přístupy, založené na pravidlech a optimalizační modely., Modely založené na pravidlech (heuristika) fungují dobře, pokud možné výsledky mohou být do značné míry předurčeny, například při hodnocení pojistného rizika. Na druhé straně jsou optimalizační modely přizpůsobivější, zvládnou složitější problémy a vypořádají se s více omezeními a kompromisy.
výběr správného systému DSS pro vaše potřeby
nejvhodnější DSS závisí na organizační zralosti, složitosti a do jisté míry na velikosti. V malých organizacích mohou stačit hybridní systémy., Pokud je organizace nová v analytice, historické systémy DSS by byly dobrým místem pro začátek, zatímco ti, kteří se podílejí na činnostech, jako je obchodování a komodity, mohou těžit více z příkladu prediktivního systému podpory rozhodnutí.
Bez pochyb o tom, že největší přínos spočívá s výběrem normativní analytics odvozen systém řízení rozhodnutí, že modely podnikání a poskytuje schopnost určit nejvýhodnější rozhodnutí na základě určitých kritérií, jako jsou tržby a ziskovost., I když to znamená větší investice do zdrojů a peněz, takové řešení má větší pravděpodobnost překročení očekávání a dosažení větší návratnosti investic. Navíc, to trvá dohady z rozhodování, a protože model kopíruje podnikání, tento typ systému podpory rozhodování je pravděpodobnější, že nabízí proveditelné a racionální řešení.