przykłady systemów wspomagania decyzji obejmują systemy ręczne, systemy hybrydowe, wszelkiego rodzaju analizy, a także zaawansowane oprogramowanie wspomagające decyzje. Czynnikiem, który odróżnia nowsze systemy komputerowe od wczesnych systemów wspomagania decyzji, jest ich zdolność do analizowania bardzo dużych zbiorów danych, dostarczając rekomendacje oparte na danych, które biorą zgadywanie z podejmowania decyzji.,

wykorzystanie DSS do kierowania podejmowaniem decyzji

podczas gdy niektórzy balk na pomysł zaufania złożonych rozwiązań oprogramowania komputerowego do podejmowania decyzji dla nich, większość z nich są wygodne za pomocą generowanych komputerowo statystyk do zrozumienia kluczowych trendów. Obejmują one analizy, takie jak statystyki sprzedaży, wskaźniki gwarancji i trendy przepływów pieniężnych, które są ważnymi wskaźnikami pomagającymi użytkownikom określić kondycję ich firm i skłaniającymi do podjęcia działań naprawczych.,

trudność polega na tym, że ten poziom informacji nie może określić, która z kilku możliwości zmaksymalizuje zwroty przy osiągnięciu pożądanego rezultatu. Nie może też przewidywać zmian zewnętrznych, które mogą mieć wpływ na rentowność, co jest ważnym czynnikiem, ponieważ większość firm działa w niepewnym otoczeniu regulowanym przez nastroje konsumentów, regulacje prawne i silną konkurencję. Ponadto przedsiębiorstwa są podatne na wpływy zewnętrzne, takie jak niepewność polityczna, poważne wydarzenia pogodowe i spory handlowe.,

te czynniki czasami łączą się, tworząc idealną burzę, w której podejmowanie decyzji jest utrudnione przez brak przewidywalności, a także przez niezdolność do przetwarzania danych na tyle szybko, aby wspierać decyzje. Dlatego systemy wspomagania decyzji, które mogą szybko analizować dane, określać wzorce i oceniać wiele alternatyw, okazują się nieocenione dla liderów biznesu.

Zasady stojące za DSS

podstawowe zasady DSS wyewoluowały z teoretycznych prac wykonanych w ubiegłym wieku w Carnegie Institute of Technology nad teorią podejmowania decyzji organizacyjnych., Praca ta uznała, że podczas gdy ludzki instynkt i przeczucie często skutkowały dobrymi decyzjami, było wiele przypadków, w których decyzje napędzane jelitami były błędne.

zamiast tego naukowcy opracowali koncepcję wykorzystania systemów informacji wykonawczej do analizy danych organizacyjnych i tworzenia zwięzłych informacji wykonawczych w celu wsparcia procesu decyzyjnego. Z biegiem czasu, wraz z poprawą możliwości komputera, podejście to zostało rozszerzone o wykorzystanie zaawansowanego oprogramowania, które modeluje procesy biznesowe, umożliwiając użytkownikom ocenę wyników różnych scenariuszy., W ten sposób można było ocenić, która z kilku alternatyw oferowała najlepszy zwrot z działalności.,

trzy kluczowe elementy DSS obejmują:

  • dane organizacyjne: istotne informacje i wiedza
  • model: Wzory matematyczne i statystyczne, które reprezentują biznes i analizują dane
  • interfejs użytkownika: pulpity nawigacyjne lub inne interfejsy umożliwiające użytkownikom interakcję i przeglądanie wyników

typowe przykłady systemów wspomagania decyzji z dnia na dzień

Systemy Wspomagania Decyzji działają na wielu poziomach, a do codziennego użytku., Na przykład planowanie trasy GPS określa najszybszą i najlepszą trasę między dwoma punktami, analizując i porównując wiele możliwych opcji. Wiele systemów GPS zawiera również funkcje unikania ruchu, które monitorują warunki drogowe w czasie rzeczywistym, umożliwiając kierowcom unikanie zatorów. Rolnicy używają narzędzi do planowania upraw, aby określić najlepszy czas na sadzenie, nawożenie i żniwa. Innym przykładem jest oprogramowanie do diagnostyki medycznej, które umożliwia personelowi medycznemu diagnozowanie chorób. Większość systemów ma wspólny atrybut, że decyzje są powtarzalne i oparte na znanych danych., Jednak nie są nieomylni i mogą podejmować błędne lub irracjonalne decyzje, co odkryło wielu wczesnych użytkowników GPS.

przykłady systemów wspomagania decyzji wykorzystujących dane historyczne

Analiza danych historycznych, stosowana w każdym aspekcie biznesu i życia, jest dobrze rozwinięta i dojrzała. Chociaż takie informacje nie zawsze można bezpośrednio zaskarżyć, są one ważną częścią DSS, ponieważ raportują wyniki z przeszłości i podkreślają obszary, które wymagają uwagi. Niektóre przykłady obejmują:

  • Analiza opisowa: metryki, takie jak wyniki sprzedaży, obrót zapasami i wzrost przychodów.,
  • Analiza diagnostyczna: informacje diagnostyczne, które kopią nieco głębiej, aby ujawnić wyniki i wyjaśnić przyczyny wcześniejszych wyników mierzonych za pomocą analizy opisowej.
  • Business intelligence( BI): chociaż w dużej mierze oparte na danych historycznych, rozwiązania BI pozwalają użytkownikom na opracowywanie i uruchamianie zapytań, które są używane do kierowania i wspierania podejmowania decyzji.
  • pulpity nawigacyjne ERP: konfigurowalne przez użytkownika pulpity nawigacyjne, które umożliwiają menedżerom monitorowanie różnych wskaźników wydajności.,

przykłady ręcznego i hybrydowego systemu wspomagania decyzji

istnieją liczne techniki ręczne, które wspierają podejmowanie decyzji. Obejmują one takie działania, jak analiza SWOT, w której zespoły określają mocne i słabe strony swojej organizacji, a także identyfikują zagrożenia stojące przed organizacją i potencjalne możliwości dalszego rozwoju. Wyniki analizy SWOT są zaskarżalne decyzje do poruszania organizacji do przodu. Inne narzędzia ręczne obejmują matryce decyzyjne, analizy Pareto i analizy kosztów i korzyści.,

Hybrydowe rozwiązania DSS obejmują wykorzystanie analiz arkuszy kalkulacyjnych, które wykorzystują możliwości programu Excel do obliczania, analizowania, porównywania opcji i oceny scenariuszy „what-if”.

chociaż ręczne i hybrydowe rozwiązania DSS są stosunkowo powolne i nieporęczne, we właściwych rękach są potężnymi narzędziami wspomagającymi decyzje i wiele organizacji na nich polega.,

oprogramowanie DSS, które pomaga przewidywać przyszłe trendy

chociaż ważne jest zrozumienie tego, co wydarzyło się w przeszłości i dlaczego tak się stało, wiedza ta ma ograniczone zastosowanie podczas próby przewidywania przyszłości, z wyjątkiem bardzo stabilnych i przewidywalnych środowisk. Jednak rzadko tak się dzieje. Na szczęście istnieją techniki, które umożliwiają przewidywanie, z pewną dozą pewności, przyszłych trendów i zmian, które będą miały wpływ na firmę lub biznes., Na przykład narzędzia te mogą przewidywać, na podstawie wyników z przeszłości, danych zewnętrznych i informacji zwrotnych z rynku, dane dotyczące przyszłego popytu na produkty,starzenie się produktów i zwrotów.

nazywa się to analizą predykcyjną i stanowi podstawę innego rodzaju narzędzia DSS, które pomaga przewidzieć, co stanie się w najbliższej przyszłości. Analiza predykcyjna wykorzystuje kombinację eksploracji danych, narzędzi statystycznych i algorytmów uczenia maszynowego w celu określenia prawdopodobieństwa wystąpienia pewnych zdarzeń., Banki wykorzystują te techniki do wykrywania oszustw, firmy ubezpieczeniowe wykorzystują je do oceny ryzyka, a firmy wywołujące jazdę ustalają ceny biletów na podstawie popytu.

Modelowanie DSS wspomagające podejmowanie decyzji w oparciu o dane

najbardziej efektywnymi przykładami systemów wspomagających podejmowanie decyzji są te, które określają najlepszą decyzję w oparciu o określone kryteria. Takie systemy usuwają podmiotowość i stronniczość z procesu decyzyjnego. Ponadto są w stanie ocenić wiele alternatywnych scenariuszy i zidentyfikować najlepsze.,

zwyczajowym podejściem jest opracowanie matematycznego modelu firmy, zobacz, jak podejmuje decyzje i Wykorzystanie oprogramowania optymalizacyjnego do określania wyników różnych scenariuszy. Technika ta opiera się na analizie nakazowej i jest niezwykle wydajna. Podczas gdy niektórzy sugerują, że tylko proces decyzyjny powinien być modelowany, opracowanie pełnego modelu organizacji zwiększa wszechstronność i poprawia dokładność pod względem wyników finansowych.

istnieją dwa podejścia optymalizacyjne, oparte na regułach i modele optymalizacyjne., Modele oparte na zasadach (heurystyka) działają dobrze, gdy możliwe wyniki mogą być w dużej mierze z góry określone, na przykład przy ocenie ryzyka ubezpieczeniowego. Z drugiej strony, modele optymalizacyjne są bardziej elastyczne, mogą obsługiwać bardziej złożone problemy i radzić sobie z wieloma ograniczeniami i kompromisami.

wybór odpowiedniego systemu DSS do swoich potrzeb

najbardziej odpowiedni system DSS zależy od dojrzałości organizacyjnej, złożoności i, do pewnego stopnia, wielkości. W małych organizacjach mogą wystarczyć systemy hybrydowe., Jeśli organizacja jest nowa w zakresie analityki, historyczne systemy DSS byłyby dobrym miejscem do rozpoczęcia, podczas gdy osoby zaangażowane w działania takie jak handel i towary mogą odnieść większe korzyści z przykładowego systemu predykcyjnego wspomagania decyzji.

bez wątpienia największą korzyścią jest wybór systemu zarządzania decyzjami opartego na analizie nakazowej, który modeluje biznes i zapewnia możliwość określenia najkorzystniejszej decyzji w oparciu o określone kryteria, takie jak przychody i rentowność., Choć wiąże się to z większymi inwestycjami w zasoby i pieniądze, takie rozwiązanie ma większe prawdopodobieństwo przekroczenia oczekiwań i osiągnięcia większego zwrotu z inwestycji. Dodatkowo, bierze domysły z podejmowania decyzji, a ponieważ model replikuje biznes, tego typu system wsparcia decyzji przykład jest bardziej prawdopodobne, aby zaoferować wykonalne i racjonalne rozwiązania.