voorbeelden van beslissingsondersteunende systemen zijn handmatige systemen, hybride systemen, alle soorten analyses en geavanceerde beslissingsondersteunende software. Een factor die nieuwere computergebaseerde systemen onderscheidt van vroege beslissingsondersteunende systemen is hun vermogen om extreem grote datasets te analyseren, met data-gedreven aanbevelingen die het giswerk uit de besluitvorming halen.,

het gebruik van DSS als leidraad voor de besluitvorming

hoewel sommigen het niet eens zijn met het idee om op complexe computersoftwareoplossingen te vertrouwen om beslissingen voor hen te nemen, zijn de meeste comfortabel met behulp van computergegenereerde statistieken om de belangrijkste trends te begrijpen. Deze omvatten analyses zoals verkoopstatistieken, garantiepercentages en cashflowtrends die belangrijke indicatoren zijn die gebruikers helpen de gezondheid van hun bedrijf te bepalen en de behoefte aan corrigerende maatregelen stimuleren.,

de moeilijkheid is dat dit niveau van informatie niet kan bepalen welke van de verschillende mogelijkheden het rendement zal maximaliseren terwijl het bereiken van het gewenste resultaat. Zij kan evenmin anticiperen op externe veranderingen die van invloed kunnen zijn op de winstgevendheid, een belangrijke factor omdat de meeste bedrijven opereren in een onzekere omgeving die wordt beheerst door consumentenvertrouwen, wettelijke voorschriften en intense concurrentie. Daarnaast zijn bedrijven kwetsbaar voor invloeden van buitenaf, zoals politieke onzekerheid, grote weersomstandigheden en handelsgeschillen.,

deze factoren combineren soms om een perfecte storm te creëren waarbij besluitvorming wordt gehinderd door een gebrek aan voorspelbaarheid en door een onvermogen om gegevens snel genoeg te verwerken om beslissingen te ondersteunen. Daarom zijn beslissingsondersteunende systemen die gegevens snel kunnen analyseren, patronen kunnen bepalen en meerdere alternatieven kunnen evalueren van onschatbare waarde voor bedrijfsleiders.

de principes achter DSS

de kernprincipes van DSS zijn voortgekomen uit theoretisch werk dat in de vorige eeuw werd gedaan aan het Carnegie Institute of Technology over de theorie van organisatorische besluitvorming., Dit werk erkende dat terwijl menselijk instinct en buikgevoel vaak resulteerden in goede beslissingen, er tal van gevallen waren waar darmgestuurde beslissingen verkeerd waren.

in plaats daarvan ontwikkelden onderzoekers het concept van het gebruik van uitvoerende informatiesystemen om organisatorische gegevens te analyseren en beknopte uitvoerende informatie te produceren om de besluitvorming te ondersteunen. Na verloop van tijd, en naarmate de computer mogelijkheden verbeterd, werd deze aanpak uitgebreid met het gebruik van geavanceerde software die bedrijfsprocessen gemodelleerd, zodat gebruikers de resultaten van verschillende scenario ‘ s te evalueren., Op deze manier was het mogelijk om te beoordelen welke van de verschillende alternatieven het beste zakelijke rendement bood.,

De drie belangrijkste elementen van DSS zijn:

  • Organisatorische gegevens: Relevante informatie en kennis
  • model: Wiskundige en statistische formules die de business en analyseren van gegevens
  • Een user interface: Dashboards of andere interfaces, zodat gebruikers interactie met, en bekijk de resultaten

Common Dag-tot-Dag-Beslissing Ondersteuning Systeem Voorbeelden

Decision support systemen werken op vele niveaus, en er zijn vele voorbeelden in gemeenschappelijke dag-tot-dag te gebruiken., GPS-routeplanning bepaalt bijvoorbeeld de snelste en beste route tussen twee punten door meerdere mogelijke opties te analyseren en te vergelijken. Veel GPS-systemen bevatten ook verkeersvermijdingsmogelijkheden die de verkeersomstandigheden in real-time bewaken, waardoor automobilisten congestie kunnen vermijden. Boeren gebruiken gewasplanningsinstrumenten om de beste tijd te bepalen om te planten, te bemesten en te oogsten. Medische diagnosesoftware waarmee medisch personeel ziekten kan diagnosticeren is een ander voorbeeld. De meeste systemen delen een gemeenschappelijk kenmerk in die zin dat beslissingen repetitief zijn en gebaseerd zijn op bekende gegevens., Echter, ze zijn niet onfeilbaar en kunnen onjuiste of irrationele beslissingen te nemen, iets wat veel vroege GPS-gebruikers ontdekt.

voorbeelden van beslissingsondersteunende systemen die gebruik maken van Historische gegevens

analyse van Historische gegevens, gebruikt in elk facet van het bedrijfsleven en het leven, is goed ontwikkeld en volwassen. Hoewel dergelijke informatie is niet altijd direct actiebaar, het is een belangrijk onderdeel van DSS omdat het rapporteert prestaties uit het verleden en benadrukt gebieden die aandacht nodig hebben. Enkele voorbeelden zijn:

  • beschrijvende analytics: Metrics zoals verkoopresultaten, voorraadomzet en omzetgroei.,
  • diagnostische analytics: Diagnostische informatie die wat dieper graaft om resultaten te onthullen en redenen verklaart voor prestaties uit het verleden zoals gemeten door beschrijvende analytics.
  • Business intelligence (BI): hoewel deze grotendeels gebaseerd is op Historische gegevens, stellen BI-oplossingen gebruikers in staat om query ‘ s te ontwikkelen en uit te voeren die worden gebruikt om de besluitvorming te sturen en te ondersteunen.
  • ERP-dashboards: door de gebruiker configureerbare dashboards waarmee managers een verscheidenheid aan prestatie-indicatoren kunnen monitoren.,

voorbeelden van handmatige en hybride beslissingsondersteunende systemen

Er bestaan talrijke handmatige technieken die de besluitvorming ondersteunen. Deze omvatten activiteiten zoals de SWOT-analyse waarbij teams de sterke en zwakke punten van hun organisatie bepalen, evenals het identificeren van bedreigingen voor de organisatie en potentiële kansen voor verdere groei. De uitkomsten van een SWOT-analyse zijn bruikbare beslissingen om de organisatie vooruit te helpen. Andere Handmatige hulpmiddelen zijn beslissingsmatrixen, Pareto-analyses en kosten-batenanalyses.,

hybride DSS-oplossingen omvatten het gebruik van spreadsheetanalyses die gebruikmaken van de mogelijkheid van Excel om opties te berekenen, analyseren, vergelijken en what-if-scenario ‘ s te evalueren.

hoewel handmatige en hybride DSS-oplossingen relatief traag en log zijn, zijn ze in de juiste handen krachtige beslissingsondersteunende instrumenten en veel organisaties vertrouwen erop.,

DSS-Software die toekomstige Trends helpt voorspellen

hoewel het essentieel is om te begrijpen wat er in het verleden is gebeurd en waarom het is gebeurd, is deze kennis van beperkt nut bij het voorspellen van de toekomst, behalve mogelijk in zeer stabiele en voorspelbare omgevingen. Dit is echter zelden het geval. Gelukkig bestaan er technieken die het mogelijk maken om met een zekere mate van zekerheid toekomstige trends en veranderingen te voorspellen die van invloed zullen zijn op een bedrijf of bedrijf., Deze tools kunnen bijvoorbeeld, op basis van prestaties uit het verleden, externe gegevens en marktfeedback, cijfers voorspellen voor toekomstige productvraag, veroudering van producten en rendement.

Dit wordt predictive analytics genoemd en vormt de basis van een ander type DSS-tool, een die helpt voorspellen wat er in de nabije toekomst zal gebeuren. Predictive analytics maakt gebruik van een combinatie van data mining, statistische tools en machine learning algoritmen om de waarschijnlijkheid van bepaalde gebeurtenissen te bepalen., Banken gebruiken deze technieken om fraude op te sporen, verzekeringsmaatschappijen gebruiken ze om risico ‘ s te evalueren, en ride-hailing bedrijven om ticketprijzen te bepalen op basis van de vraag.

DSS-modellering ter ondersteuning van datagedreven besluitvorming

de meest effectieve voorbeelden van beslissingsondersteunende systemen zijn die welke de beste beslissing bepalen, op basis van bepaalde criteria. Dergelijke systemen verwijderen subjectiviteit en vooringenomenheid van het besluitvormingsproces. Daarnaast zijn ze in staat om tal van alternatieve scenario ‘ s te evalueren en de beste te identificeren.,

de gebruikelijke aanpak is het ontwikkelen van een wiskundig model van het bedrijf, kijken hoe het beslissingen neemt en optimalisatiesoftware gebruiken om de uitkomsten van verschillende scenario ‘ s te bepalen. Deze techniek is gebaseerd op prescriptive analytics en is uiterst krachtig. Terwijl sommigen suggereren dat het alleen het besluitvormingsproces dat moet worden gemodelleerd, het ontwikkelen van een volledig model van de organisatie verhoogt de veelzijdigheid en verbetert de nauwkeurigheid in termen van financiële resultaten.

Er zijn twee optimalisatiebenaderingen, op regels gebaseerde en optimalisatiemodellen., Op regels gebaseerde (heuristiek) modellen werken goed wanneer mogelijke resultaten grotendeels vooraf kunnen worden bepaald, zoals bij het beoordelen van verzekeringsrisico ‘ s. Aan de andere kant zijn optimalisatiemodellen meer aanpasbaar, kunnen meer complexe problemen aan en omgaan met meerdere beperkingen en afwegingen.

het kiezen van het juiste DSS-systeem voor uw behoeften

De meest geschikte DSS hangt af van organisatorische volwassenheid, complexiteit en, tot op zekere hoogte, grootte. In kleine organisaties kunnen hybride systemen volstaan., Als de organisatie nieuw is in analytics, zouden historische DSS-systemen een goede plek zijn om te beginnen, terwijl degenen die betrokken zijn bij activiteiten zoals handel en grondstoffen meer kunnen profiteren van een voorspellend beslissingsondersteunend systeem voorbeeld.

zonder twijfel ligt het grootste voordeel bij het selecteren van een voorschrijvend, van analytics afgeleid beslissingsbeheersysteem dat het bedrijf modelleert en de mogelijkheid biedt om de meest voordelige beslissing te bepalen op basis van bepaalde criteria, zoals omzet en winstgevendheid., Hoewel een dergelijke oplossing een grotere investering in middelen en geld met zich meebrengt, heeft het een grotere kans om de verwachtingen te overtreffen en een grotere ROI te bereiken. Bovendien, het neemt het giswerk uit de besluitvorming, en omdat het model repliceert het bedrijf,dit type van de besluitvorming ondersteunende systeem voorbeeld is meer kans om haalbare en rationele oplossingen te bieden.