decision support system esimerkkejä ovat manuaalisia järjestelmiä, hybridi järjestelmät, kaikki tyypit analytics sekä hienostunut ohjelmisto, päätöksenteon tuki. Tekijä, joka erottaa uudempi tietokone-järjestelmien varhaisesta päätöksen tukevat järjestelmät on niiden kyky analysoida erittäin suuria tietomääriä, joka tarjoaa data-driven suosituksia, jotka ottavat arvailun päätöksentekoon.,

Käyttö DSS Ohjata Päätöksentekoa

Vaikka jotkut vastahakoisia ajatus luottavainen monimutkainen tietokoneohjelmistot ratkaisuja, jotka tekevät päätöksiä heidän, useimmat ovat mukava käyttää tietokoneella luotuja tilastoja ymmärtää keskeiset suuntaukset. Näitä ovat analytics kuten myynti tilastot, hinnat ja takuu kassavirta suuntauksia, jotka ovat tärkeitä indikaattoreita auttaa käyttäjiä määrittää terveyden heidän yritysten ja kehotukset korjaavien toimien tarve.,

vaikeutena on se, että tällä informaatiotasolla ei voida määrittää, mikä useista mahdollisuuksista maksimoi tuotot saavuttaen samalla halutun tuloksen. Eikä se voi ennakoida ulkoisia muutoksia, jotka voivat vaikuttaa kannattavuuteen, on tärkeä tekijä, koska useimmat yritykset toimivat epävarmassa ympäristössä säätelee kuluttajien mielipide, oikeudellista sääntelyä ja kilpailua. Lisäksi yritykset ovat alttiita ulkoisille vaikutteille, kuten poliittinen epävarmuus, merkittävät sääilmiöt ja kaupan riitoja.,

Nämä tekijät joskus yhdistää luoda täydellinen myrsky, jossa päätöksenteko on haitannut puute ennustettavuutta, sekä kyvyttömyys käsitellä tietoja tarpeeksi nopeasti tukemaan päätöksiä. Tämän vuoksi päätöksenteon tukijärjestelmät, jotka voivat analysoida tietoja nopeasti määrittää malleja ja arvioida useita vaihtoehtoja ovat osoittautumassa korvaamaton liiketoiminnan johtajat.

Periaatteet DSS

keskeiset periaatteet DSS kehittynyt teoreettista työtä tehnyt viime vuosisadalla, Carnegie Institute of Technology teorian organisaation päätöksentekoon., Tämä työ on tunnustettu, että vaikka ihmisen vaisto ja gut tunne johtivat usein hyviä päätöksiä, siellä oli lukuisia tapauksia, joissa gut-driven päätöksiä olivat väärässä.

sen Sijaan, tutkijat kehittivät käsitettä käytetään executive information systems analysoida organisaation tiedot ja tuottaa tiivis executive tietoa päätöksenteon tueksi. Yli aikaa, ja atk-valmiuksia parannetaan, tämä lähestymistapa laajennettiin käyttää hienostunut ohjelmisto, joka mallintaa liiketoimintaprosesseja, joiden avulla käyttäjät voivat arvioida tuloksia eri tilanteissa., Näin voitiin arvioida, mikä useista vaihtoehdoista tarjosi parasta liiketuottoa.,

kolme keskeistä elementtiä DSS sisältää:

  • Organisaation tiedot: tarvittavat tiedot ja tuntemus
  • malli: Matemaattisia ja tilastollisia kaavoja, jotka edustavat liiketoiminnan ja analysoida tietoja
  • käyttöliittymä: Mittaristot tai muita rajapintoja, jonka avulla käyttäjät voivat olla vuorovaikutuksessa ja tarkastella tuloksia

Yhteinen Päivä-to-Day päätöksenteon tukijärjestelmä Esimerkkejä

Päätöksen tukevat järjestelmät toimivat monilla tasoilla, ja on monia esimerkkejä, yhteinen päivä-to-day käyttöön., Esimerkiksi GPS-reittisuunnittelu määrittää nopeimman ja parhaan reitin kahden pisteen välillä analysoimalla ja vertaamalla useita mahdollisia vaihtoehtoja. Monet GPS-järjestelmät sisältävät myös liikenteen välttäminen ominaisuuksia, jotka seurata liikenneolosuhteet reaaliajassa, jolloin autoilijat voivat välttää ruuhkia. Viljelijät käyttävät sato-suunnittelun työkaluja määrittää paras aika istuttaa, lannoittaa ja niittää. Toinen esimerkki on lääketieteellinen diagnoosi-ohjelmisto, jonka avulla lääkintähenkilökunta voi diagnosoida sairauksia. Useimmilla järjestelmillä on yhteinen ominaisuus siinä, että päätökset ovat toistuvia ja perustuvat tunnettuihin tietoihin., Ne eivät kuitenkaan ole erehtymättömiä ja saattavat tehdä virheellisiä tai irrationaalisia päätöksiä, minkä monet varhaiset GPS-käyttäjät löysivät.

päätöksenteon Tukijärjestelmäesimerkit, joissa käytetään historiatietoja

Historiatietoanalyysi, jota käytetään liiketoiminnan ja elämän kaikilla osa-alueilla, ovat hyvin kehittyneitä ja kypsiä. Vaikka tällaisia tietoja ei ole aina suoraan käytännöllisiä, se on tärkeä osa DSS koska se raportoi viime suorituskyky ja korostaa alueita, jotka tarvitsevat huomiota. Esimerkkejä ovat:

  • deskriptiivinen analytiikka: mittarit, kuten myyntitulokset, varastoliikevaihto ja liikevaihdon kasvu.,
  • Diagnostiset analytics: Diagnostinen tietoa joka kaivaa hieman syvemmälle paljastaa tulokset ja selittää syyt menneisyyden suorituskykyä mitattuna kuvaileva analytiikka.
  • Business intelligence (BI): Vaikka suurelta osin perustuu historialliseen dataan, BI-ratkaisujen avulla käyttäjät voivat kehittää ja suorittaa kyselyitä, joita käytetään ohjaamaan ja tukemaan päätöksentekoa.
  • ERP-mittaristot: Käyttäjä-muokattavat mittaristot, joiden avulla vastuutahot voivat seurata erilaisia indikaattoreita.,

Manuaalinen ja Hybridi päätöksenteon tukijärjestelmä Esimerkkejä

Lukuisia manuaalisia tekniikoita olemassa, jotka tukevat päätöksentekoa. Nämä sisältävät toimintoja, kuten SWOT-analyysi, jossa joukkueet määrittää organisaation vahvuuksia ja heikkouksia sekä tunnistaa uhkia organisaation ja mahdollisten edelleen kasvumahdollisuuksia. SWOT-analyysin tulokset ovat ratkaisukelpoisia päätöksiä organisaation eteenpäin viemiseksi. Muita manuaalisia työkaluja ovat päätöksenteon matriisit, Pareto-analyysit ja kustannus-hyötyanalyysit.,

Hybrid DSS-ratkaisuihin kuuluu taulukkolaskenta-analyysien käyttö, jotka hyödyntävät Excelin kykyä laskea, analysoida, vertailla vaihtoehtoja ja arvioida mitä-if-skenaarioita.

Vaikka manuaalinen ja hybridi-DSS-ratkaisut ovat suhteellisen hidas ja kankea, oikeissa käsissä, ne ovat voimakkaita päätöksenteon tueksi työkaluja, ja monet organisaatiot ovat riippuvaisia heistä.,

DSS Ohjelmisto, Joka Auttaa Ennustamaan Tulevia Trendejä

Vaikka se on välttämätöntä ymmärtää, mitä on tapahtunut menneisyydessä, ja miksi se tapahtui, tämä tieto on vain vähän hyötyä, kun yrittää ennustaa tulevaisuutta, paitsi ehkä erittäin vakaa ja ennustettavissa ympäristöissä. Näin ei kuitenkaan juuri koskaan ole. Onneksi on olemassa tekniikoita, joiden avulla voidaan tietyllä varmuudella ennustaa tulevia suuntauksia ja muutoksia, jotka vaikuttavat yritykseen tai liiketoimintaan., Nämä välineet voivat esimerkiksi ennustaa aiemman suorituskyvyn, ulkoisen tiedon ja markkinapalautteen perusteella lukuja tulevasta tuotteiden kysynnästä, tuotteiden vanhentumisesta ja tuotoista.

Tätä kutsutaan ennakoivan analytiikan ja muodostaa perustan toinen tyyppi DSS-työkalu, joka auttaa ennustamaan, mitä tulee tapahtumaan lähitulevaisuudessa. Ennakoiva analytiikka käyttää tiedonlouhinnan, tilastollisten työkalujen ja koneoppimisalgoritmien yhdistelmää tiettyjen tapahtumien todennäköisyyden määrittämiseen., Pankit käyttävät näitä tekniikoita petosten havaitsemiseen, vakuutusyhtiöt käyttävät niitä riskien arvioimiseen ja kyytipalveluyritykset määrittelevät lippujen hinnat kysynnän perusteella.

DSS-Mallinnus-Tuki Data-Driven Päätöksentekoa

tehokkain päätöksenteon tukijärjestelmä esimerkkejä ovat ne, jotka määrittävät paras päätös, joka perustuu tiettyihin kriteereihin. Tällaiset järjestelmät poistavat päätöksentekoprosessista subjektiivisuuden ja puolueellisuuden. Lisäksi, he pystyvät arvioimaan lukuisia vaihtoehtoisia skenaarioita ja tunnistamaan parhaat.,

tavallinen lähestymistapa on kehittää matemaattinen malli, liiketoiminta, katso, miten se tekee päätöksiä ja käyttää optimointi ohjelmisto määrittää tuloksia eri tilanteissa. Tämä tekniikka perustuu ohjaavaan analytiikkaan ja on erittäin tehokas. Vaikka jotkut viittaavat siihen, että se on vain päätöksenteon prosessi, joka tulisi mallintaa, kehittää täyden malli organisaatio, lisää monipuolisuutta ja parantaa tarkkuutta taloudellisia tuloksia.

optimointimenetelmiä on kaksi, sääntöpohjaiset ja optimointimallit., Sääntöihin perustuva (heuristiikka) mallit toimivat hyvin, kun mahdolliset tulokset voidaan pitkälti ennalta määrätty, kuten esimerkiksi arvioitaessa vakuutus riski. Toisaalta optimointimallit ovat mukautuvampia, pystyvät käsittelemään monimutkaisempia asioita ja käsittelemään useita rajoitteita ja tradeoffeja.

Oikean DSS-Järjestelmä tarpeisiisi

sopivin DSS riippuu organisaation kypsyydestä, monimutkaisuus ja, jossain määrin, koko. Pienissä organisaatioissa hybridijärjestelmät voivat riittää., Jos organisaatio on uusi analytics, historiallinen DSS-järjestelmät olisi hyvä paikka aloittaa, kun ne osallistuvat toimintaan, kuten kaupankäynnin ja hyödykkeitä voi hyötyä enemmän ennakoivan päätöksenteon tukijärjestelmä esimerkki.

epäilemättä, suurin etu piilee valitsemalla ohjaileva analytiikka johdettu päätöksen management system, että mallit liiketoiminnan ja tarjoaa mahdollisuuden määrittää edullisin päätös tiettyjen kriteerien perusteella, kuten tulot ja kannattavuus., Vaikka tällainen ratkaisu edellyttää suurempia investointeja resursseihin ja rahaan, sillä on suurempi todennäköisyys ylittää odotukset ja saavuttaa suurempi tuotto. Lisäksi, se vie arvailun päätöksentekoon, ja koska malli jäljittelee liiketoimintaa, tämä tyyppi päätöksenteon tukijärjestelmä esimerkki on todennäköisesti tarjous toteutettavissa ja järkeviä ratkaisuja.