exempel på beslutsstödssystem är manuella system, hybridsystem, alla typer av analyser samt sofistikerad beslutsstödprogramvara. En faktor som skiljer nyare datorbaserade system från tidiga beslutsstödssystem är deras förmåga att analysera extremt stora datamängder, vilket ger datadrivna rekommendationer som tar gissningen ur beslutsfattandet.,
användningen av DSS för att styra beslutsfattandet
medan vissa balk på tanken på att lita på komplexa datorprogramvarulösningar för att fatta beslut för dem, är de flesta bekväma att använda datorgenererad statistik för att förstå viktiga trender. Dessa inkluderar analyser som Försäljningsstatistik, garantiräntor och kassaflödestrender som är viktiga indikatorer som hjälper användarna att bestämma deras företags hälsa och leda till behovet av korrigerande åtgärder.,
svårigheten är att denna informationsnivå inte kan avgöra vilken av flera möjligheter som maximerar avkastningen samtidigt som det önskade resultatet uppnås. Det kan inte heller förutse externa förändringar som kan påverka lönsamheten, en viktig faktor eftersom de flesta företag verkar i en osäker miljö som styrs av konsumenternas känslor, rättsliga bestämmelser och intensiv konkurrens. Dessutom är företagen sårbara för yttre påverkan, såsom politisk osäkerhet, stora väderhändelser och handelstvister.,
dessa faktorer kombineras ibland för att skapa en perfekt storm där beslutsfattandet hindras av brist på förutsägbarhet, liksom av en oförmåga att bearbeta data tillräckligt snabbt för att stödja beslut. Det är därför beslutsstödssystem som kan analysera data snabbt, bestämma mönster och utvärdera flera alternativ har visat sig ovärderliga för företagsledare.
principerna bakom DSS
DSS: s kärnprinciper utvecklades från teoretiskt arbete som gjordes under förra seklet vid Carnegie Institute of Technology om teorin om organisatoriskt beslutsfattande., Detta arbete erkände att medan mänsklig instinkt och tarmkänsla ofta resulterade i bra beslut, fanns det många fall där gut-driven beslut var fel.
istället utvecklade forskare konceptet att använda verkställande informationssystem för att analysera organisationsdata och producera koncis verkställande information för att stödja beslutsfattandet. Med tiden, och som datorfunktioner förbättrats, utvidgades detta tillvägagångssätt till att omfatta användningen av sofistikerad programvara som modellerade affärsprocesser, så att användarna kan utvärdera resultaten av olika scenarier., På så sätt var det möjligt att bedöma vilken av flera alternativ som erbjöd den bästa affärsreturen.,
de tre huvudelementen i DSS inkluderar:
- organisationsdata: Relevant information och kunskap
- en modell: matematiska och statistiska formler som representerar verksamheten och analyserar data
- ett användargränssnitt: instrumentpaneler eller andra gränssnitt som gör det möjligt för användare att interagera med och visa resultat
vanliga dagliga beslutsstödsystem exempel
beslutsstödsystem fungerar på många nivåer, och det finns många exempel på vanliga dag-till dags användning., GPS-ruttplanering bestämmer till exempel den snabbaste och bästa vägen mellan två punkter genom att analysera och jämföra flera möjliga alternativ. Många GPS-system inkluderar också trafikundvikande funktioner som övervakar trafikförhållandena i realtid, vilket gör det möjligt för bilister att undvika trängsel. Bönder använder planeringsverktyg för att bestämma den bästa tiden att plantera, befrukta och skörda. Medicinsk diagnos programvara som tillåter medicinsk personal att diagnostisera sjukdomar är ett annat exempel. De flesta system delar ett gemensamt attribut genom att besluten är repetitiva och bygger på kända data., Men de är inte ofelbara och kan göra felaktiga eller irrationella beslut, något många tidiga GPS-användare upptäckte.
exempel på beslutsstödssystem som använder historiska Data
historisk dataanalys, som används i alla aspekter av affärer och liv, är välutvecklad och mogen. Även om sådan information inte alltid är direkt angripbar, är det en viktig del av DSS eftersom den rapporterar tidigare resultat och belyser områden som behöver uppmärksamhet. Några exempel är:
- beskrivande analys: mätvärden som försäljningsresultat, lageromsättning och intäktstillväxt.,
- diagnostisk analys: diagnostisk information som gräver lite djupare för att avslöja resultat och förklarar orsaker till tidigare prestanda mätt genom beskrivande analys.
- Business intelligence (BI): även om det till stor del bygger på historiska data, BI-lösningar tillåter användare att utveckla och köra frågor som används för att styra och stödja beslutsfattandet.
- ERP instrumentpaneler: användarkonfigurerbara instrumentpaneler som tillåter chefer att övervaka en mängd olika prestandaindikatorer.,
manuell och Hybrid beslutsstöd system exempel
det finns många manuella tekniker som stöder beslutsfattandet. Dessa inkluderar aktiviteter som SWOT-analysen där lag bestämmer organisationens styrkor och svagheter samt identifierar hot mot organisationen och potentiella möjligheter till ytterligare tillväxt. Resultaten av en SWOT-analys är angripbara beslut för att flytta organisationen framåt. Andra manuella verktyg inkluderar beslutsmatriser, Pareto-analyser och kostnads-nyttoanalyser.,
Hybrid DSS lösningar inkluderar användningen av kalkylblad analyser som utnyttja möjligheten att Excel för att beräkna, analysera, jämföra alternativ och utvärdera what-if scenarier.
även om manuella och hybrid DSS-lösningar är relativt långsamma och otympliga, är de i rätt händer kraftfulla beslutsstödsverktyg och många organisationer är beroende av dem.,
DSS-programvara som hjälper till att förutsäga framtida trender
Även om det är viktigt att förstå vad som hände tidigare, och varför det hände, är denna kunskap av begränsad användning när man försöker förutsäga framtiden, utom möjligen i mycket stabila och förutsägbara miljöer. Detta är dock knappast någonsin fallet. Lyckligtvis finns tekniker som gör det möjligt att förutsäga, med visshet, framtida trender och förändringar som kommer att påverka ett företag eller företag., Till exempel kan dessa verktyg förutsäga, baserat på tidigare prestanda, externa data och marknadsåterkoppling, siffror för framtida efterfrågan på produkter, produktföryngring och avkastning.
detta kallas predictive analytics och utgör grunden för en annan typ av DSS-verktyg, en som hjälper till att förutsäga vad som kommer att hända inom en snar framtid. Prediktiv analys använder en kombination av datautvinning, statistiska verktyg och maskininlärningsalgoritmer för att bestämma sannolikheten för att vissa händelser äger rum., Banker använder dessa tekniker för att upptäcka bedrägerier, försäkringsbolag använder dem för att utvärdera risker och Åkeriföretag för att bestämma biljettpriser baserat på efterfrågan.
DSS-modellering för att stödja datastyrt beslutsfattande
de mest effektiva beslutsstödsystemexempel är de som bestämmer det bästa beslutet, baserat på vissa kriterier. Sådana system tar bort subjektivitet och bias från beslutsprocessen. Dessutom kan de utvärdera många alternativa scenarier och identifiera det bästa.,
det vanliga tillvägagångssättet är att utveckla en matematisk modell av verksamheten, se hur det fattar beslut och använda optimeringsprogram för att bestämma resultaten av olika scenarier. Denna teknik är baserad på prescriptive analytics och är extremt kraftfull. Medan vissa föreslår att det bara är beslutsprocessen som ska modelleras, ökar utvecklingen av en fullständig modell av organisationen mångsidighet och förbättrar noggrannheten när det gäller ekonomiska resultat.
det finns två optimeringsmetoder, regler baserade och optimeringsmodeller., Regler baserade (heuristik) modeller fungerar bra när möjliga resultat kan vara i stort sett förutbestämda, till exempel med bedömning av försäkringsrisk. Å andra sidan är optimeringsmodeller mer anpassningsbara, kan hantera mer komplexa problem och hantera flera begränsningar och kompromisser.
att välja rätt DSS-System för dina behov
det lämpligaste DSS beror på organisatorisk mognad, komplexitet och, i viss utsträckning, storlek. I små organisationer kan hybridsystem räcka., Om organisationen är ny i analytics skulle historiska DSS-system vara ett bra ställe att börja, medan de som är involverade i aktiviteter som handel och råvaror kan dra mer nytta av ett prediktivt beslutsstödssystemsexempel.
utan tvekan ligger den största fördelen med att välja ett föreskrivande analytiskt härlett beslutshanteringssystem som modellerar verksamheten och ger möjlighet att bestämma det mest fördelaktiga beslutet baserat på vissa kriterier, såsom intäkter och lönsamhet., Samtidigt som en större investering i resurser och pengar medför, har en sådan lösning en större sannolikhet att överskrida förväntningarna och uppnå en större avkastning. Dessutom tar det gissningar ur beslutsfattandet, och eftersom modellen replikerar verksamheten, är denna typ av beslutsstödssystem exempel mer sannolikt att erbjuda genomförbara och rationella lösningar.