Entscheidungsunterstützungssysteme
Konzeption für Informationssysteme, die Daten, Modelle und Interaktivität kombinieren, um Entscheidungsprozesse zu verbessern.
Klassifikation
- KomplexitätMittel
- AuswirkungGeschäftlich
- EntscheidungstypDesign
- OrganisationsreifeFortgeschritten
Technischer Kontext
Prinzipien & Ziele
Use Cases & Szenarien
Kompromisse
- Falsche oder verzerrte Daten führen zu schlechten Empfehlungen
- Übermäßiges Vertrauen in automatisierte Empfehlungen
- Mangelnde Akzeptanz bei Endanwendern durch Intransparenz
- Frühe Einbindung der Anwender zur Sicherstellung der Akzeptanz
- Transparente Dokumentation von Modellen und Annahmen
- Kontinuierliche Überwachung der Datenqualität und Ergebnisse
I/O & Ressourcen
- Rohdaten aus operativen Systemen
- Domänenwissen und Richtlinien
- Bewertungs- und Kostenmodelle
- Empfehlungen mit Begründung
- Szenario-Analysen und Visualisierungen
- Auditierbare Entscheidungsprotokolle
Beschreibung
Decision Support Systems (DSS) sind Informationssysteme, die Daten, Modelle und Analysen kombinieren, um Entscheidungsprozesse zu unterstützen. Sie liefern strukturierte Informationen, Szenario-Analysen und Empfehlungen für Entscheidungsträger in Wirtschaft und Verwaltung und können sowohl regelbasierte als auch analytische Verfahren integrieren. Typischerweise fokussieren DSS auf Datenintegration, Interaktivität und nachvollziehbare Argumentationen.
✔Vorteile
- Schnellere und fundiertere Entscheidungen
- Bessere Konsistenz in Entscheidungsprozessen
- Ermöglicht Szenario-Analyse und Risikoabschätzung
✖Limitationen
- Qualität der Ergebnisse ist abhängig von der Datenqualität
- Kann komplexe menschliche Urteile nicht vollständig ersetzen
- Implementierung kann integrative Systemarbeit erfordern
Trade-offs
Metriken
- Entscheidungszeit
Durchschnittliche Zeit vom Dateninput bis zur Entscheidungsempfehlung.
- Trefferquote / Genauigkeit
Anteil korrekter oder nützlicher Empfehlungen im Vergleich zur tatsächlichen Entscheidung.
- Nutzerakzeptanz
Anteil der Zielanwender, die das System regelmäßig nutzen.
Beispiele & Implementierungen
Klinische Entscheidungsunterstützung
Assistenzsysteme für Ärzte, die patientenbezogene Daten und Leitlinien zusammenführen.
Finanzportfolio-Analyse
Tools zur Simulation von Portfolio-Szenarien und Risikoabschätzung.
Stadtplanung und Verkehrssteuerung
Modelle zur Bewertung von Infrastrukturentscheidungen und Verkehrsflüssen.
Implementierungsschritte
Anwendungsfälle priorisieren und Entscheidungsziele definieren
Datenquellen identifizieren, Qualität prüfen und integrieren
Modelle und Regeln auswählen; Interaktionsparadigmen entwerfen
Pilotbetrieb starten, Feedback sammeln und iterieren
⚠️ Technische Schulden & Engpässe
Tech Debt
- Nicht dokumentierte Modellannahmen
- Monolithische Datenpipelines ohne Versionierung
- Fehlende Tests für Daten- und Ergebnisqualität
Bekannte Engpässe
Beispiele für Missbrauch
- Einsatz für Fälle ohne ausreichende Datenbasis
- Vertrauen auf veraltete oder unvalidierte Modelle
- Implementierung als reines Dashboard ohne Entscheidungsprozess
Typische Fallen
- Unklare Verantwortlichkeiten für Entscheidungen
- Unterschätzung des Integrationsaufwands
- Ignorieren von Bias und Verzerrungen in Daten
Erforderliche Fähigkeiten
Drivers (Architectural Drivers)
Constraints
- • Beschränkter Zugriff auf sensible Daten
- • Technische Integrationsgrenzen vorhandener Systeme
- • Regulatorische Vorgaben und Datenschutz