Benutzerspezifische Werkzeuge
Sie sind hier: Startseite Lexikon Informations-, Daten- und Wissensmanagement Business Intelligence Decision Engineering

Decision Engineering

Decision Engineering verfolgt das Ziel einer durchgängigen IT-Unterstützung des Entscheidungsmanagements, um seine Effektivität zu erhöhen, die in Business Intelligence-Systemen gewonnenen Erkenntnisse zu nutzen und organisationsweit konsistente Entscheidungen herbeizuführen. Folgende Ausführungen konzentrieren sich auf Enterprise Decision Mananagement-Systeme und Decision Marts.

 

Grundlagen

Die Speicherung umfangreicher Datenbestände in Data Warehouse / Data Marts sowie der Einsatz von Business Intelligence-Systemen und Business Analytics werfen folgende Fragen auf:

  1. Wie lassen sich die umfangreichen Datenbestände des Berichtswesens für Entscheidungen nutzen?

  2. Erfordert dies ein Re-Engineering des Entscheidungsmanagements?

  3. Lassen sich Entscheidungen durch BI-Systeme automatisieren und intelligenter gestalten?

Frage (2) ist zu bejahen: „The link between analytics and decision making needs to be relearned. … The tie to actual decision making has been lost“ (Hopkins 2010):

  1. Wie die Einführung von CRM- und ERP-Systemen i.d.R. ein Re-Engineering der Geschäftsprozesse erfordert, verlangt die Kopplung von Business Intelligence- und Decision Support-Systemen ein Re-Engineering von Entscheidungsprozessen.

  2. Die operativen Systeme müssen realtime mit Business Intelligence- und Decision Support-Systemen gekoppelt werden.

Eine Untersuchung von 57 Unternehmen zeigt: Pro Entscheidung werden durchschnittlich 5,3 DSS-Tools eingesetzt.

Intelligente Entscheidungen

Entscheidungsprozesse sind individuelle und soziale Phänomene. Sie lassen sich nicht alleine durch Anforderungen an ihre Rationalität bewerten. Vertreter rational begründeter Entscheidungen (Simon 1979) mögen die Intelligenz betonen, die ihnen aufgrund von Modellberechnungen und Analysen inhärent ist. Verfechter regelbasierter Entscheidungen weisen auf das sich dahinter verbergende Erfahrungswissen hin.

Die Qualität von Entscheidungen lässt sich prozessorientiert oder ergebnisbezogen beurteilen; eine hohe Korrelation von Prozessgüte und Ergebnisqualität ist zu verneinen. Zur Beurteilung der Prozessgüte wurden Reifegradmodelle entwickelt; die Ergebnisbewertung dürfte häufig subjektiven Kriterien unterliegen. Entscheidungsprozesse lassen sich ferner danach beurteilen, inwieweit sie die Organisationale Intelligenz erhöht und zu einem organisationalen Lernen beigetragen haben.

Anforderungen an ein Decision Engineering

Organisationen agieren in einer komplexen, vernetzten Welt. In ihnen ist rasch eine Vielzahl von Entscheidungen zu treffen; dabei ist eine konsistente Entscheidungsfindung sicherzustellen. Das Decision Design erfordert „Systems Thinking and Modeling for a Complex World“ (Sterman 2000). So lassen sich Struktur und Verhalten komplexer Dynamischer Systeme durch Einflussgrößen-Diagramme, Input-Output-Transformationen, Prozess-Regeln und analytische Modelle beschreiben. Das visuelle Design schließt Techniken wie Mind Mapping, semantische Netze und graphenbasierte Techniken der Wissensrepräsentation ein (Chein, Mugnier 2009). Decision Engineering bringt eine Vielzahl von ingenieurmäßigen Techniken in die Gestaltung von Entscheidungsprozessen ein. Dies erleichtert das Business IT Alignment. Aus der Vielzahl möglicher Implementierungsformen seien folgende ausgewählt.

Enterprise Decision Management

Ziel des Enterprise Decision Management (EDM) ist, operative transaktionsbedingte Entscheidungen zu automatisieren. EDM-Systeme werden im Customer Relationship-Management (CRM), Supply Chain Management (SCM) und bei internen Verwaltungsabläufen eingesetzt. Decision Services beziehen ihre Eingangsdaten aus Data Warehouse / Data Marts und leiten Handlungsempfehlungen durch Kombination von prediktiven Analysen (Business Intelligence), Geschäftsregeln und Scoring ab. So werden die Informationssysteme „smart enough“, um bei dem zu verarbeitenden Datenvolumens adäquate Antwortzeiten für Realtime Scores zu erzielen (Taylor, Raden 2007). Die prediktiven Analysemethoden und Geschäftsregeln unterliegen einem adaptiven Kontrollprozess. Business-Experten und Analysten überprüfen die Qualität der Entscheidungen gemäß OODA LOOP (Business Intelligence), um bei Änderungsbedarf mit Optimierungsverfahren oder What If-Simulationen eine Revision zu erwirken.

Decision Marts

Decision Marts erweitern Business Intelligence-Systeme im Hinblick auf den Einsatz der Szenariotechnik und modellgestützter Decision Support-Systeme. Hierzu verwenden sie Spreadsheets (MWIsolutions 2012) oder Simulation. Die Analyseergebnisse werden in einem multidimensionalen Datenmodell abgelegt, um sie BI-Methoden zu analysieren. Decision Marts erlauben ein „Action-based Ad hoc Reporting“ und BI-Analysen hinsichtlich der untersuchten Szenarien, bei Einsatz von PowerPivot (ETL) ein 2- oder 3-dimensionales „Pivot“-Reporting. Ad hoc Reporting und Ex post-Analysen sollen den Anwender in den Stand versetzen, die Konsequenzen der untersuchten Szenarien und Aktionen zu beurteilen, Abnormalitäten festzustellen, Korrelationen zwischen den Aktionen zu analysieren, Chancen und Risiken zu erkennen und zu entscheiden, was als nächstes zu tun ist.

Literatur

Chain, M.; Mugnier, M.-L.: Graph-based Knowledge Representation: Computational Foundations of Conceptual Graphs. London 2009.

Hopkins, Michael S.: Are you ready to re-engineer your decision making? MIT Sloan Management Review, October 8, 2010.

IBM (Hrsg.): SPSS Decision Management. http://www-142.ibm.com/software/products/de/de/spss-decision-management (Abruf 14.9.2012).

MWIsolutions (Ed.): Decision Mart. http://www.mwisolutions.com/decision_mart.htm, 2012).

Simon, H.A.: Rational Decision Making in Business Organizations. The American Economic Review 69(1979)4, 493.513.

Sterman, John D.: Business Dynamics - Systems Thinking and Modeling for a Complex World. Boston, 2000.

Taylor, J.; Raden, N.: Smart (Enough) Systems - How to deliver Competitive Advantage by Automating Hidden Decisions. Upper Saddle River NJ, 2007.

Autor


 

Prof. Dr. Wilhelm Hummeltenberg, Universität Hamburg, Fakultät Wirtschafts- und Sozialwissenschaften, Department Wirtschaftswissenschaften, Max-Brauer-Allee 60, 22765 Hamburg

Autoreninfo


Zuletzt bearbeitet: 01.11.2012 09:14
Letzter Abruf: 24.03.2017 18:55
Artikelaktionen