beslutningsstøtte system eksempler omfatter manuelle systemer, hybrid-systemer, kan alle typer analytics samt avanserte decision support programvare. En faktor som skiller nyere pc-baserte systemer fra tidlig beslutningsstøtte systemer er deres evne til å analysere svært store datasett, og gir data-drevet anbefalinger som tar gjetting ut av beslutningsprosessen.,

Bruk av DSS til å Veilede beslutninger

Mens noen reagere sterkt på ideen om å stole på komplekse programvare løsninger for å ta avgjørelser for dem, de fleste er komfortable med å bruke datamaskin-generert statistikk for å forstå viktige trender. Disse inkluderer analytics for eksempel salg statistikk, garanti priser og kontantstrøm trender som er viktige indikatorer for å hjelpe brukerne bestemme helsen deres bedrifter og spørre behov for korrigerende tiltak.,

problemet er at dette nivået av informasjon kan ikke bestemme hvilke av flere muligheter vil maksimere avkastning og samtidig oppnå ønsket resultat. Det kan heller ikke forutse eksterne endringer som kan påvirke lønnsomhet, en viktig faktor som de fleste selskapene opererer i et miljø preget av usikkerhet styres av forbrukernes sentiment, forskrifter og intens konkurranse. I tillegg bedrifter er sårbare for ytre påvirkninger, som for eksempel politisk usikkerhet, store værhendelser og handelstvister.,

Disse faktorene noen ganger kombineres for å skape en perfekt storm der beslutninger er hemmet av mangel på forutsigbarhet, samt ved en manglende evne til å behandle data raskt nok til å støtte beslutninger. Dette er grunnen til beslutningsstøtte systemer som kan analysere data raskt, finne mønstre og vurdere flere alternativer beviser uvurderlig for bedriftsledere.

Prinsippene Bak DSS

Den sentrale prinsipper i DSS utviklet seg fra teoretiske arbeidet som ble gjort i forrige århundre ved Carnegie Institute of Technology på teorien om organisatoriske beslutninger., Dette arbeidet anerkjent at mens menneskelig instinkt og gut føler ofte resultert i gode beslutninger, det var mange tilfeller hvor gut-drevet avgjørelser var galt.

i Stedet, forskere utviklet konseptet med å bruke executive informasjon systemer for å analysere organisatoriske data og produsere presis executive informasjon for å støtte beslutninger. Over tid, og som datamaskinen evner forbedret, denne tilnærmingen ble utvidet til å omfatte bruk av avansert programvare som modellert forretningsprosesser, slik at brukerne å vurdere konsekvenser av ulike scenarier., På denne måten var det mulig å vurdere hvilke av flere alternativer som tilbys den beste business tilbake.,

De tre viktigste elementene i DSS inkluderer:

  • organisasjonsdata: Relevant informasjon og kunnskap
  • modell: Matematiske og statistiske formler som representerer virksomheten og analysere data
  • Et brukergrensesnitt: Oversikter eller andre grensesnitt som tillater brukere å samhandle med og se resultater

Vanlig Dag-til-Dag beslutningsstøtte System Eksempler

beslutningsstøtte systemer opererer på mange nivåer, og det er mange eksempler i vanlig dag-til-dag bruk., For eksempel, GPS rute planlegging bestemmer den raskeste og beste veien mellom to punkter ved å analysere og sammenligne flere mulige alternativer. Mange GPS-systemer inkluderer også trafikk for å unngå evner som overvåker trafikken i sanntid, slik at bilistene til å unngå overbelastning. Bøndene bruker crop-planlegging verktøy for å finne den beste tid til å plante, gjødsle og høste. Medisinsk diagnose programvare som tillater medisinsk personell til å diagnostisere sykdommer er et annet eksempel. De fleste systemer har en felles egenskap i at beslutninger er repeterende og basert på kjente data., Men, de er ikke ufeilbarlig og kan gjøre feil eller irrasjonelle beslutninger, noe mange tidlige GPS-brukere oppdaget.

beslutningsstøtte System Eksempler Som Bruker Historiske Data

Historiske data analyse, som brukes i alle faser av virksomheten og livet er godt utviklet og moden. Selv om slik informasjon er ikke alltid direkte straffbart, det er en viktig del av DSS fordi det rapporter tidligere resultater, og fremhever områder som trenger oppmerksomhet. Noen eksempler er:

  • Beskrivende analytics: Beregninger som salgsresultater, varelager omsetning og omsetningsvekst.,
  • Diagnostiske analytics: Diagnostisk informasjon som graver litt dypere for å avsløre resultater og forklarer årsakene til tidligere resultater målt ved beskrivende analytics.
  • Business intelligence (BI): Selv om det i stor grad basert på historiske data, BI-løsninger tillater brukere å utvikle og kjøre spørringer som er brukt for å veilede og støtte beslutningsprosessen.
  • ERP oversikter: Brukeren kan selv angi oversikter som tillater ledere å overvåke en rekke nøkkeltall.,

Manuell og Hybrid beslutningsstøtte System Eksempler

Mange manuelle teknikker finnes som støtte for beslutninger. Disse inkluderer aktiviteter som for eksempel SWOT-analyse hvor lagene bestemme organisasjonens styrker og svakheter samt å identifisere trusler mot organisasjonen og potensielle muligheter for videre vekst. Utfallet av en SWOT-analyse er straffbart beslutninger for å flytte organisasjonen fremover. Andre manuelle verktøy inkluderer beslutning matriser, Pareto analyser og kost-nytte-analyser.,

Hybrid DSS løsninger inkluderer bruk av regneark analyser som trykk i evnen til Excel for å beregne, analysere, sammenligne alternativer og vurdere hva-hvis-scenarier.

Selv om manuell og hybrid DSS løsninger er relativt langsom og uhåndterlig, i de rette hender, de er kraftige beslutningsstøtte verktøy og mange organisasjoner ikke stole på dem.,

DSS Programvare Som Hjelper deg Forutsi Fremtidige Trender

Mens det er viktig å forstå hva som har skjedd tidligere, og hvorfor det skjedde, denne kunnskapen er av begrenset bruk når du prøver å forutsi fremtiden, bortsett fra muligens i svært stabile og forutsigbare omgivelser. Men, dette er nesten aldri tilfelle. Heldigvis, teknikker finnes som gjør det mulig å forutsi, med en grad av sikkerhet, fremtidige trender og endringer som vil påvirke et selskap eller en bedrift., For eksempel, disse verktøyene kan forutsi, basert på tidligere resultater, eksterne data og markedet tilbakemeldinger, er tallene for fremtiden produktet etterspørsel, produkt foreldelse og avkastning.

Dette kalles prediktiv analytics og danner grunnlag av annen type DSS verktøy, som bidrar til å forutsi hva som vil skje i nær fremtid. Prediktiv analytics bruker en kombinasjon av data mining, statistiske verktøy og algoritmer for maskinlæring for å fastslå sannsynligheten for visse hendelser som finner sted., Banker bruker disse teknikkene for å oppdage svindel, forsikringsselskaper bruke dem til å vurdere risiko, og tur-praie bedrifter til å finne ut billett-priser basert på etterspørsel.

DSS-Modellering for å Støtte datadrevne beslutninger

Den mest effektiv beslutningsstøtte system eksempler er de som bestemmer hva som er den beste beslutningen, basert på visse kriterier. Slike systemer fjerne subjektivitet og bias fra beslutningsprosessen. I tillegg til at de er i stand til å vurdere en rekke alternative scenarier og finne den beste.,

vanlig tilnærming er å utvikle en matematisk modell av virksomhet, se hvordan de gjør beslutninger og bruk optimalisering av programvare for å avgjøre utfallet av ulike scenarier. Denne teknikken er basert på normative analytics og er ekstremt kraftig. Mens noen foreslår at det er bare beslutningsprosessen som bør være modellert, å utvikle en full modell av organisasjonen øker allsidigheten og forbedrer nøyaktighet i form av finansielle resultater.

Det er to optimalisering tilnærminger, regler basert og optimalisering modeller., Regler-basert (heuristikk) modeller fungerer godt når det er mulig resultater kan i stor grad være forhåndsbestemt, for eksempel med å vurdere forsikring risiko. På den annen side, optimalisering modeller er mer tilpasningsdyktig, og kan håndtere mer komplekse problemstillinger og håndtere flere begrensninger og avveininger.

Velge Riktig DSS System for Dine Behov

Den mest hensiktsmessige DSS er avhengig av en organisasjons modenhet, kompleksitet og, til en viss grad, størrelse. I små organisasjoner, hybrid-systemer kan være nok., Hvis organisasjonen er ny til analytics, historiske DSS systemer ville være et godt sted å begynne, mens de som er involvert i aktiviteter som for eksempel handel og råvarer kan ha mer nytte av en logisk beslutningsstøtte system eksempel.

Uten tvil, den største fordelen ligger med å velge en preskriptiv analytics avledet beslutning management system som modeller virksomheten og gir deg muligheten til å bestemme den mest fordelaktige vedtak basert på visse kriterier, for eksempel omsetning og lønnsomhet., Mens innebærer en større investering i ressurser og penger, slik løsning har en større sannsynlighet for å overskride forventninger og oppnå en høyere AVKASTNING. I tillegg, det tar gjetting ut av beslutningsprosessen, og fordi modellen gjenspeiler virksomheten, denne typen av beslutningsstøtte system eksempel er det mer sannsynlig å tilby mulig og rasjonelle løsninger.