eksempler på beslutningsstøttesystemer inkluderer manuelle systemer, hybridsystemer, alle typer analyser samt sofistikeret beslutningsstøttesoft .are. En faktor, der adskiller nyere computerbaserede systemer fra tidlige beslutningsstøttesystemer, er deres evne til at analysere ekstremt store datasæt og give datadrevne anbefalinger, der tager gætteriet ud af beslutningsprocessen.,
Anvendelse af DSS til at Guide beslutningstagningen
Mens nogle vægrer sig ved tanken om at stole komplekse software løsninger til at træffe beslutninger for dem, de fleste er fortrolige med at bruge computer-genererede statistik til at forstå de vigtigste tendenser. Disse inkluderer analyser såsom salgsstatistikker, garantirater og pengestrømstendenser, der er vigtige indikatorer, der hjælper brugerne med at bestemme deres virksomheds helbred og beder om behovet for korrigerende handlinger.,
vanskeligheden er, at dette informationsniveau ikke kan bestemme, hvilken af flere muligheder der maksimerer afkastet, samtidig med at det ønskede resultat opnås. Det kan heller ikke forudse eksterne ændringer, der kan påvirke rentabiliteten, en vigtig faktor, da de fleste virksomheder opererer i et usikkert miljø er omfattet af forbrugertilliden, juridiske regler og intens konkurrence. Derudover er virksomheder sårbare over for eksterne påvirkninger, såsom politisk usikkerhed, større vejrbegivenheder og handelstvister.,
disse faktorer kombineres undertiden for at skabe en perfekt storm, hvor beslutningstagning hæmmes af manglende forudsigelighed såvel som af en manglende evne til at behandle data hurtigt nok til at understøtte beslutninger. Dette er grunden til beslutningsstøttesystemer, der hurtigt kan analysere data, bestemme mønstre og evaluere flere alternativer, viser sig uvurderlige for virksomhedsledere.
principperne bag DSS
kerneprincipperne for DSS udviklede sig fra teoretisk arbejde udført i det sidste århundrede ved Carnegie Institute of Technology om teorien om organisatorisk beslutningstagning., Dette arbejde erkendte, at mens menneskelige instinkt og tarm føler ofte resulterede i gode beslutninger, der var mange tilfælde, hvor gut-drevne beslutninger var forkert.
i stedet udviklede forskere konceptet om at bruge udøvende informationssystemer til at analysere organisatoriske data og producere koncise udøvende oplysninger til støtte for beslutningstagning. Over tid, og efterhånden som computerfunktionerne blev forbedret, blev denne tilgang udvidet til at omfatte brugen af sofistikeret soft .are, der modellerede forretningsprocesser, så brugerne kunne evaluere resultaterne af forskellige scenarier., På denne måde var det muligt at vurdere, hvilke af flere alternativer der tilbød det bedste forretningsafkast.,
De tre centrale elementer i DSS er:
- Organisatoriske data: Relevant information og viden
- model: Matematiske og statistiske formler, der repræsenterer erhvervslivet og analysere data
- En brugergrænseflade: Dashboards eller andre grænseflader, som tillader brugere at interagere med og se resultater
Fælles Dag-til-Dag decision Support System Eksempler
beslutningsstøtte systemer fungerer på mange niveauer, og der er mange eksempler i almindelige dag-til-dag brug., For eksempel bestemmer GPS-ruteplanlægning den hurtigste og bedste rute mellem to punkter ved at analysere og sammenligne flere mulige muligheder. Mange GPS-systemer omfatter også Trafik undgåelse kapaciteter, der overvåger trafikforholdene i realtid, så bilister til at undgå overbelastning. Landmænd bruger afgrødeplanlægningsværktøjer til at bestemme det bedste tidspunkt at plante, befrugte og høste. Medicinsk diagnosesoft .are, der gør det muligt for medicinsk personale at diagnosticere sygdomme, er et andet eksempel. De fleste systemer deler en fælles attribut, idet beslutninger er gentagne og baseret på kendte data., De er dog ikke ufejlbarlige og kan tage forkerte eller irrationelle beslutninger, noget mange tidlige GPS-brugere opdagede.
eksempler på beslutningsstøttesystemer, der bruger Historiske Data
Historisk dataanalyse, der bruges i alle aspekter af forretning og liv, er veludviklet og moden. Selv om sådanne oplysninger er ikke altid direkte Handlingsrettede, det er en vigtig del af DSS, fordi det rapporterer tidligere resultater og fremhæver områder, der har brug for opmærksomhed. Nogle eksempler inkluderer:
- beskrivende analyse: målinger såsom salgsresultater, lageromsætning og omsætningsvækst.,diagnostisk analyse: diagnostiske oplysninger, der graver lidt dybere for at afsløre resultater og forklarer årsagerne til tidligere præstationer målt ved beskrivende analyse.
- Business intelligence (BI): selvom det stort set er baseret på Historiske data, giver BI-løsninger brugere mulighed for at udvikle og køre forespørgsler, der bruges til at vejlede og understøtte beslutningstagning.
- ERP dashboards: brugerkonfigurerbare dashboards, der giver ledere mulighed for at overvåge en række præstationsindikatorer.,
eksempler på manuel og Hybrid beslutningsstøttesystem
Der findes adskillige manuelle teknikker, der understøtter beslutningstagning. Disse inkluderer aktiviteter såsom s .ot-analysen, hvor teams bestemmer deres organisations styrker og svagheder samt identificerer trusler, som organisationen står overfor, og potentielle muligheder for yderligere vækst. Resultaterne af en s .ot-analyse er Handlingsrettede beslutninger for at bevæge organisationen fremad. Andre manuelle værktøjer omfatter beslutning Matri .er, Pareto analyser og cost-benefit analyser.,hybride DSS-løsninger omfatter brug af regnearkanalyser, der udnytter e .cel ‘ s evne til at beregne, analysere, sammenligne muligheder og evaluere hvad-hvis-scenarier.
selvom manuelle og hybride DSS-løsninger er relativt langsomme og uhåndterlige, er de i de rigtige hænder kraftfulde beslutningsstøtteværktøjer, og mange organisationer er afhængige af dem.,
DSS Software, der Hjælper med At Forudsige Fremtidige Tendenser
selv om det er vigtigt at forstå, hvad der skete i fortiden, og hvorfor det skete, at denne viden er af begrænset nytte, når de forsøger at forudsige fremtiden, undtagen eventuelt i meget stabile og forudsigelige miljøer. Dette er dog næsten aldrig tilfældet. Heldigvis findes der teknikker, der gør det muligt med en vis sikkerhed at forudsige fremtidige tendenser og ændringer, der vil påvirke en virksomhed eller virksomhed., For eksempel kan disse værktøjer forudsige, baseret på tidligere resultater, eksterne data og feedback på markedet, tal for fremtidig produktefterspørgsel, produktforældelse og afkast.
dette kaldes forudsigelig analyse og danner grundlaget for en anden type DSS-værktøj, et, der hjælper med at forudsige, hvad der vil ske i den nærmeste fremtid. Predictive analytics bruger en kombination af data mining, statistiske værktøjer og maskinlæringsalgoritmer til at bestemme sandsynligheden for, at visse begivenheder finder sted., Banker bruger disse teknikker til at opdage svig, forsikringsselskaber bruger dem til at evaluere risiko, og ride-hailing virksomheder til at bestemme billetpriser baseret på efterspørgsel.
DSS-modellering til understøttelse af datadrevet beslutningstagning
de mest effektive eksempler på beslutningsstøttesystemer er dem, der bestemmer den bedste beslutning, baseret på visse kriterier. Sådanne systemer fjerner subjektivitet og bias fra beslutningsprocessen. Derudover er de i stand til at evaluere adskillige alternative scenarier og identificere det bedste.,
den sædvanlige tilgang er at udvikle en matematisk model af virksomheden, se, hvordan den træffer beslutninger og bruge optimeringssoft .are til at bestemme resultaterne af forskellige scenarier. Denne teknik er baseret på receptpligtig analyse og er ekstremt kraftfuld. Mens nogle antyder, at det kun er beslutningsprocessen, der skal modelleres, øger udviklingen af en fuld model af organisationen alsidigheden og forbedrer nøjagtigheden med hensyn til økonomiske resultater.
Der er to optimering tilgange, regler baseret og optimering modeller., Regelbaserede (heuristik) modeller fungerer godt, når mulige resultater i vid udstrækning kan forudbestemmes, såsom ved vurdering af forsikringsrisiko. På den anden side er optimeringsmodeller mere tilpasningsdygtige, kan håndtere mere komplekse problemer og håndtere flere begrænsninger og afvejninger.
valg af det rigtige DSS-System til dine behov
det mest hensigtsmæssige DSS afhænger af organisatorisk modenhed, kompleksitet og til en vis grad størrelse. I små organisationer kan hybridsystemer være tilstrækkelige., Hvis organisationen er ny inden for analyse, ville historiske DSS-systemer være et godt sted at starte, mens de, der er involveret i aktiviteter som handel og råvarer, kan drage fordel af et forudsigeligt beslutningsstøttesystemeksempel.
uden tvivl ligger den største fordel ved at vælge et præskriptivt analyseafledt beslutningsstyringssystem, der modellerer virksomheden og giver mulighed for at bestemme den mest fordelagtige beslutning baseret på visse kriterier, såsom indtægter og rentabilitet., Mens det medfører en større investering i ressourcer og penge, har en sådan løsning en større sandsynlighed for at overgå forventningerne og opnå en større ROI. Derudover, det tager gætteri ud af beslutningsprocessen, og fordi modellen replikerer virksomheden, denne type beslutningsstøttesystem eksempel er mere tilbøjelige til at tilbyde gennemførlige og rationelle løsninger.