Beispiele für Entscheidungsunterstützungssysteme umfassen manuelle Systeme, hybride Systeme, alle Arten von Analysen sowie ausgefeilte Entscheidungsunterstützungssoftware. Ein Faktor, der neuere computerbasierte Systeme von frühen Entscheidungsunterstützungssystemen unterscheidet, ist ihre Fähigkeit, extrem große Datensätze zu analysieren und datengesteuerte Empfehlungen bereitzustellen, die das Rätselraten aus der Entscheidungsfindung nehmen.,

Die Verwendung von DSS zur Entscheidungsfindung

Während einige die Idee ablehnen, komplexen Computersoftwarelösungen zu vertrauen, um Entscheidungen für sie zu treffen, sind die meisten mit computergenerierten Statistiken vertraut, um wichtige Trends zu verstehen. Dazu gehören Analysen wie Verkaufsstatistiken, Garantiezinsen und Cashflow-Trends, die wichtige Indikatoren sind, die den Benutzern helfen, den Gesundheitszustand ihres Unternehmens zu bestimmen und die Notwendigkeit von Korrekturmaßnahmen aufzuzeigen.,

Die Schwierigkeit besteht darin, dass diese Informationsebene nicht bestimmen kann, welche von mehreren Möglichkeiten die Rendite maximiert und gleichzeitig das gewünschte Ergebnis erzielt. Sie kann auch keine externen Veränderungen antizipieren, die sich auf die Rentabilität auswirken können, ein wichtiger Faktor, da die meisten Unternehmen in einem unsicheren Umfeld tätig sind, das von der Verbraucherstimmung, den gesetzlichen Vorschriften und dem intensiven Wettbewerb bestimmt wird. Darüber hinaus sind Unternehmen anfällig für äußere Einflüsse wie politische Unsicherheit, große Wetterereignisse und Handelsstreitigkeiten.,

Diese Faktoren führen manchmal zu einem perfekten Sturm, bei dem die Entscheidungsfindung durch mangelnde Vorhersagbarkeit sowie durch die Unfähigkeit, Daten schnell genug zu verarbeiten, um Entscheidungen zu unterstützen, behindert wird. Aus diesem Grund erweisen sich Entscheidungsunterstützungssysteme, die Daten schnell analysieren, Muster ermitteln und mehrere Alternativen bewerten können, für Führungskräfte als von unschätzbarem Wert.

Die Prinzipien, die Hinter DSS

Die Grundprinzipien der DSS entwickelte sich aus der theoretischen Arbeit im letzten Jahrhundert am Carnegie Institute of Technology auf die Theorie der organisatorischen Entscheidungsfindung., Diese Arbeit erkannte, dass, während menschlicher Instinkt und Bauchgefühl oft zu guten Entscheidungen führten, Es gab zahlreiche Fälle, in denen darmgetriebene Entscheidungen falsch waren.

Stattdessen entwickelten die Forscher das Konzept der Verwendung von Executive Information Systems zur Analyse von Organisationsdaten und zur Erstellung prägnanter Executive Information zur Unterstützung der Entscheidungsfindung. Im Laufe der Zeit und mit der Verbesserung der Computerfähigkeiten wurde dieser Ansatz um die Verwendung ausgeklügelter Software erweitert, die Geschäftsprozesse modellierte und es Benutzern ermöglichte, die Ergebnisse verschiedener Szenarien zu bewerten., Auf diese Weise konnte beurteilt werden, welche von mehreren Alternativen die beste Geschäftsrendite bot.,

Zu den drei Schlüsselelementen von DSS gehören:

  • Organisationsdaten: Relevante Informationen und Wissen
  • Ein Modell: Mathematische und statistische Formeln, die das Geschäft darstellen und Daten analysieren
  • Eine Benutzeroberfläche: Dashboards oder andere Schnittstellen, über die Benutzer mit Ergebnissen interagieren und diese anzeigen können

Allgemeine Beispiele für alltägliche Entscheidungsunterstützungssysteme

Entscheidungsunterstützungssysteme arbeiten auf vielen Ebenen, und es gibt viele Beispiele für alltägliche-tagesgebrauch., Die GPS-Routenplanung bestimmt beispielsweise die schnellste und beste Route zwischen zwei Punkten, indem mehrere mögliche Optionen analysiert und verglichen werden. Viele GPS-Systeme enthalten auch Verkehrsvermeidungsfunktionen, die die Verkehrsbedingungen in Echtzeit überwachen und es Autofahrern ermöglichen, Staus zu vermeiden. Landwirte verwenden Pflanzwerkzeuge, um die beste Zeit zum Pflanzen, Düngen und Ernten zu bestimmen. Ein weiteres Beispiel ist eine medizinische Diagnosesoftware, mit der medizinisches Personal Krankheiten diagnostizieren kann. Die meisten Systeme haben ein gemeinsames Attribut, da sich Entscheidungen wiederholen und auf bekannten Daten basieren., Sie sind jedoch nicht unfehlbar und können falsche oder irrationale Entscheidungen treffen, was viele frühe GPS-Benutzer entdeckt haben.

Beispiele für Entscheidungsunterstützungssysteme, die historische Daten verwenden

Die historische Datenanalyse, die in jeder Facette von Geschäft und Leben verwendet wird, ist gut entwickelt und ausgereift. Obwohl solche Informationen nicht immer direkt umsetzbar sind, ist dies ein wichtiger Teil von DSS, da sie über vergangene Leistungen berichten und Bereiche hervorheben, die Aufmerksamkeit erfordern. Einige Beispiele sind:

  • Descriptive Analytics: Metriken wie Verkaufsergebnisse, Bestandsumsatz und Umsatzwachstum.,
  • Diagnostic analytics: Diagnoseinformationen, die etwas tiefer graben, um Ergebnisse zu enthüllen und Gründe für die vergangene Leistung zu erläutern, gemessen durch beschreibende Analysen.
  • Business Intelligence( BI): Obwohl die BI-Lösungen weitgehend auf historischen Daten basieren, ermöglichen sie es Benutzern, Abfragen zu entwickeln und auszuführen, die die Entscheidungsfindung leiten und unterstützen.
  • ERP-Dashboards: Vom Benutzer konfigurierbare Dashboards, mit denen Manager eine Vielzahl von Leistungsindikatoren überwachen können.,

Beispiele für manuelle und hybride Entscheidungsunterstützungssysteme

Es gibt zahlreiche manuelle Techniken, die die Entscheidungsfindung unterstützen. Dazu gehören Aktivitäten wie die SWOT-Analyse, bei der Teams die Stärken und Schwächen ihres Unternehmens ermitteln sowie Bedrohungen für das Unternehmen und potenzielle Wachstumschancen identifizieren. Die Ergebnisse einer SWOT-Analyse sind umsetzbare Entscheidungen, um die Organisation voranzubringen. Weitere manuelle Werkzeuge sind Entscheidungsmatrizen, Paretoanalysen und Kosten-Nutzen-Analysen.,

Hybride DSS-Lösungen umfassen die Verwendung von Tabellenkalkulationsanalysen, die die Fähigkeit von Excel nutzen, Optionen zu berechnen, zu analysieren, zu vergleichen und What-if-Szenarien zu bewerten.

Obwohl manuelle und hybride DSS-Lösungen relativ langsam und unhandlich sind, sind sie in den richtigen Händen leistungsstarke Tools zur Entscheidungsunterstützung, und viele Organisationen verlassen sich darauf.,

DSS-Software zur Vorhersage zukünftiger Trends

Obwohl es wichtig ist zu verstehen, was in der Vergangenheit passiert ist und warum es passiert ist, ist dieses Wissen nur von begrenztem Nutzen, wenn versucht wird, die Zukunft vorherzusagen, außer möglicherweise in sehr stabilen und vorhersehbaren Umgebungen. Dies ist jedoch kaum jemals der Fall. Glücklicherweise gibt es Techniken, die es ermöglichen, zukünftige Trends und Veränderungen, die sich auf ein Unternehmen oder Unternehmen auswirken, mit Gewissheit vorherzusagen., Diese Tools können beispielsweise basierend auf der Leistung der Vergangenheit externe Daten und Marktrückmeldungen, Zahlen für die zukünftige Produktnachfrage, Produktalsoleszenz und Renditen vorhersagen.

Dies wird als Predictive Analytics bezeichnet und bildet die Grundlage für eine andere Art von DSS-Tool, mit dem Sie vorhersagen können, was in naher Zukunft passieren wird. Predictive Analytics verwendet eine Kombination aus Data Mining, statistischen Tools und Algorithmen für maschinelles Lernen, um die Wahrscheinlichkeit bestimmter Ereignisse zu bestimmen., Banken verwenden diese Techniken, um Betrug zu erkennen, Versicherungsunternehmen nutzen sie, um Risiken zu bewerten, und Ride-Hailing-Unternehmen, um Ticketpreise basierend auf Nachfrage zu bestimmen.

DSS-Modellierung zur Unterstützung datengetriebener Entscheidungsfindung

Die effektivsten Beispiele für Entscheidungsunterstützungssysteme sind diejenigen, die anhand bestimmter Kriterien die beste Entscheidung treffen. Solche Systeme entfernen Subjektivität und Voreingenommenheit aus dem Entscheidungsprozess. Darüber hinaus sind sie in der Lage, zahlreiche alternative Szenarien zu bewerten und die besten zu identifizieren.,

Der übliche Ansatz besteht darin, ein mathematisches Modell des Unternehmens zu entwickeln, zu sehen, wie es Entscheidungen trifft, und Optimierungssoftware zu verwenden, um die Ergebnisse verschiedener Szenarien zu bestimmen. Diese Technik basiert auf Prescriptive Analytics und ist extrem leistungsfähig. Während einige vorschlagen, dass nur der Entscheidungsprozess modelliert werden sollte, erhöht die Entwicklung eines vollständigen Modells der Organisation die Vielseitigkeit und verbessert die Genauigkeit der finanziellen Ergebnisse.

Es gibt zwei Optimierungsansätze, regelbasierte und Optimierungsmodelle., Regelbasierte (Heuristik -) Modelle funktionieren gut, wenn mögliche Ergebnisse weitgehend vorgegeben werden können, beispielsweise bei der Beurteilung des Versicherungsrisikos. Andererseits sind Optimierungsmodelle anpassungsfähiger, können komplexere Probleme lösen und mehrere Einschränkungen und Kompromisse eingehen.

Auswahl des richtigen DSS-Systems für Ihre Bedürfnisse

Das am besten geeignete DSS hängt von der organisatorischen Reife, Komplexität und in gewissem Maße von der Größe ab. In kleinen Organisationen können hybride Systeme ausreichen., Wenn die Organisation neu in der Analytik ist, wären historische DSS-Systeme ein guter Anfang, während diejenigen, die an Aktivitäten wie Handel und Rohstoffen beteiligt sind, mehr von einem Beispiel für ein prädiktives Entscheidungsunterstützungssystem profitieren können.

Ohne Zweifel liegt der größte Vorteil bei der Auswahl eines von Prescriptive Analytics abgeleiteten Entscheidungsmanagementsystems, das das Geschäft modelliert und die Möglichkeit bietet, die vorteilhafteste Entscheidung anhand bestimmter Kriterien wie Umsatz und Rentabilität zu bestimmen., Eine solche Lösung erfordert zwar größere Investitionen in Ressourcen und Geld, hat jedoch eine größere Wahrscheinlichkeit, die Erwartungen zu übertreffen und einen höheren ROI zu erzielen. Darüber hinaus nimmt es das Rätselraten aus der Entscheidungsfindung, und weil das Modell das Geschäft repliziert, ist diese Art von Entscheidungsunterstützungssystem Beispiel eher machbar und rationale Lösungen zu bieten.