Advertisement

Informationsverarbeitung im Entscheidungsprozeß

  • Ingo Hofacker
Part of the Gabler Edition Wissenschaft book series (GEW)

Zusammenfassung

In Abschnitt 2.1 wird zunächst der Begriff der Information für die weitere Arbeit definiert. Ausgehend von der Bedeutung, die dem Produktionsfaktor Information zukommt, wird eine operationale Definition des Informationsbegriffs in Entscheidungssituationen vorgenommen. Die Grundlage bildet das Verständnis der Information als handlungsrelevantem Wissen. Bei den hier interessierenden Entscheidungsprozessen liegt dieses Wissen in unterschiedlichen Ausprägungen vor, die teils in einem komplementären, teils in einem substitutiven Verhältnis stehen. Für die Entwicklung des objektorientierten MIS ist an dieser Stelle Faktenwissen sowie die Kenntnis von Kausalzusammenhängen und die Klassifikationsfähigkeit von besonderer Bedeutung.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 3.
    Auch durch den Wandel der Industrie-zur Informationsgesellschaft ergeben sich für die Unternehmen neue Herausforderungen, für deren erfolgreiche Bewältigung die Informationsverarbeitung wesentlich ist (Osterle, 1995, S.1).Google Scholar
  2. 4.
    Hierzu zählen bspw. unternehmensinterne Zustände, die auf Entscheidungen der Vergangenheit zurückgehen oder von anderen Stellen bestimmt werden. Weiterhin gehören erwartete Umweltzustände wie etwa das Wirtschaftswachstum, Wechselkursentwicklungen aber auch staatliche Eingriffe in Form von Regulierungs-resp. Deregulienmgsaktivitäten in diesen Bereich.Google Scholar
  3. 5.
    Eine genaue Definition von Komplexität folgt in Abschnitt 2.2.1.1.Google Scholar
  4. 6.
    Problems are conceptual entities that do not physically exist in the world, but which relate external reality to subjective preferences. (Smith, 1990, S.626).Google Scholar
  5. 7.
    The complexity in planning derives from interrelatedness of decisions rather than from the decisions themselveschrw(133) (Ackhoff, 1970, S.2f).Google Scholar
  6. 8.
    Die Frage, ob die Information in einer Problemsituation für eine Entscheidungsträgerin neu ist, spielt somit in diesem Zusammenhang keine Rolle (Kosiol, 1966, S.162; Bode, 1993, S.11). Im Gegensatz hierzu hat nach der von (Shannon/Weaver, 1949) begründeten mathematischen Informationstheorie eine Nachricht, deren Inhalt dem Empfänger bereits bekannt ist, keinen Informationsgehalt. Auch im Rahmen der betriebswirtschaftlichen Entscheidungstheorie ergibt sich bei Entscheidungen unter Risiko (bei Risikoneutralität der Entscheidungsträgerin) nur dann ein positiver Informationswert, wenn der Gewinnerwartungswert bei Informationsbeschaffung nach Abzug der Informationskosten höher ist als der Gewinnerwartungswert bei gegebenem Informationsstand (Laux, 1993, S.78ff). Insofern würde die kostenverursachende Beschaffung bereits bekannter Informationen zu einem negativen Informationswert führen. Gleichwohl können Informationen auch ohne explizite Nachfrage mehrfach eintreffen.Google Scholar
  7. 9.
    Zum Begriff der Wissensbasis vgl. Kapitel 2.6.Google Scholar
  8. 10.
    Das Wissen darum, wie Alternativen von nachgeordneten Einheiten realisiert werden, ist in diesem Zusammenhang nachrangig, jedoch ist dessen Existenz für den Erfolg der Unternehmung essentiell. Diese Prämisse liegt letztendlich der Trennung der Aufgaben in koordinierende und ausführende Tätigkeiten zugrunde (Laux/Liermann, 1993, S.129ff).Google Scholar
  9. 11.
    Weitere Wissensformen bestehen etwa darin, durch welche Quellen das Wissen beschafft werden kann.Google Scholar
  10. 12.
    Zudem kann die Kenntnis der Kausalzusammenhänge genutzt werden, wenn Faktenwissen für den Entscheidungsträger (noch) nicht verfügbar ist.Google Scholar
  11. 13.
    Vgl. Abschnitt 2.2.4.Google Scholar
  12. 14.
    Im Rahmen einer detaillierten Abweichungsanalyse kann zum Nachweis suboptimalen Verhaltens einer Instanz die Gegenüberstellung des bestmöglichen und des tatsächlichen Optimierungsverhaltens sinnvoll sein. Aufgrund des schwer zu ermittelnden Istprozesses wird sich eine Analyse in der vorliegenden Arbeit auf die Feststellung einer Abweichung beschränken.Google Scholar
  13. 15.
    Bei der Kreditvergabe an Unternehmen muß eine Bank aufgrund beobachtbarer, quantitativer und qualitativer Zusammenhänge entscheiden, ob es sich beim Antragsteller um einen potentiell guten oder schlechten Kunden handelt.Google Scholar
  14. 16.
    Einen Sonderfall stellt die Beantwortung der Frage dar, ob ein bestimmter Zustand vorliegt. In diesem Fall handelt es sich um eine binäre Abbildung.Google Scholar
  15. 17.
    Smith, 1990, S.627) vertritt diesbezüglich die Ansicht, daß Klassifikationsverfahren nicht zur Lösung unstrukturierter Entscheidungsprobleme geeignet sind. Derartige Prozesse enthalten jedoch strukturierte Teilprobleme, die durch Einsatz von Klassifikationsverfahren gelöst werden können. Vgl. hierzu die Abschnitt 2.2.4ff.Google Scholar
  16. 18.
    Vgl. hierzu auch die Relativierung durch (Szyperski, 1980) entsprechend S.15 der vorliegenden Arbeit.Google Scholar
  17. 19.
    Zur Ermittlung des Informationsbedarfs operativer Aufgaben existieren Methoden wie bspw. das Business Systems Planning, das die Grundlage für die Entwicklung operativer Informationssysteme bildet (Heinrich, 1996, 5.341ff).Google Scholar
  18. 20.
    Die Annahme satisfiszierenden Verhaltens läßt grundsätzlich eine Vielfalt von Lösungsmöglichkeiten zu, die einen jeweils unterschiedlichen Informationsbedarf aufweisen können. Im Gegensatz hierzu hat ein optimierendes Verhalten einen eindeutigen Informationsbedarf.Google Scholar
  19. 21.
    Deshalb sollte ein System dem Benutzer die Entscheidung überlassen, ob bspw. bei einer Diagnose eine Tiefensuche durchgeführt werden soll (ein Ansatz, der in konventionellen MIS zur Anwendung kommt) oder ob der Benutzer sich im Rahmen einer Breitensuche zunächst einen groben Überblick über den Zustand des Gesamtsystems verschaffen will. Vgl. hierzu auch Abschnitt 3.2.4.Google Scholar
  20. 22.
    Ein weiterer Grund für das Abweichen der artikulierten Informationsnachfrage vom objektiv gegebenen Informationsbedarf kann darin bestehen, daß eine Entscheidungsträgerin in gewissen Grenzen eigene Interessen verfolgt, wie dies von der Principal Agent-Theorie postuliert wird (Laux, 1990 ). Dies bedingt die subjektiv empfundene Notwendigkeit, Attribute der Alternativen sowie mögliche Konsequenzen für die Erreichung eigener Ziele zu bewerten. Die Menge der benötigten Informationen, insbesondere bezüglich bestehender Kausalzusammenhänge wird somit auch durch das individuelle Zielsystem der jeweiligen Entscheidungsträgerin bestimmt. Schließlich kann auch in der Risikoeinstellung eine Ursache für unterschiedliche Informationsnachfrage liegen. Ein risikofreudiger oder -averser Entscheidungsträger wird Information bezüglich der Verteilung des Gewinns einer Alternative nachfragen, während die erforderliche Information aus der Sicht eines risikoneutralen Entscheidungsträgers sich auf den Erwartungswert der Alternativen beschränkt (Eeckhoudt/Gollier, 1995, S.6ff).Google Scholar
  21. 23.
    Diese treten insbesondere in Streßsituationen auf (Hussy, 1998, S.15).Google Scholar
  22. 24.
    Im Gegensatz hierzu betrachtet (Dörner, 1976, S.10) diese durch die Problemlösung zu überwindende Barriere zwischen den Zuständen als konstituierende Eigenschaft eines Problems, ohne die lediglich eine Aufgabe vorliegt. Somit ist ein Problem (in der Ausgangssituation) immer unstrukturiert.Google Scholar
  23. 25.
    Vgl. hierzu auch 2.6.1. Als (objektive) Ursachen der Unstrukturiertheit von Entscheidungsproblemen betrachtet (Stabell, 1994, S.49) den Umfang (letztendlich die Komplexität) sowie die Mehrdeutigkeit der Zusammenhänge und Zustandsbeschreibungen.Google Scholar
  24. 26.
    Die Wirkungszusammenhänge werden innerhalb dieser Arbeit ihrer Struktur nach als grundsätzlich statisch betrachtet. Die Variabilität resultiert einerseits aus den veränderlichen (beobachtbaren) Parametern dieser Zusammenhänge, andererseits aus den beobachteten Größen des Entscheidungsfeldes. Je nach deren Ausprägungen ergeben sich unterschiedliche Problemstellungen auch in einer statischen, vemetzten Struktur.Google Scholar
  25. 27.
    Eine ähnliche Strukturierung hat bereits (Dewey, 1933) vorgenommen, gleichwohl bildet jene von Simon die Ausgangsbasis der meisten Arbeiten auf diesem Gebiet.Google Scholar
  26. 28.
    Die Verknüpfung der Steuerungsebene mit der Nutzenebene mittels der dazwischen liegenden Zielebene kann als Mittel der Komplexitätsreduktion resp. erster Schritt einer Operationalisierung der Nutzenmaximierung interpretiert werden. Sie führt zu einer Trennung der Beurteilung relativ objektiver Sachverhalte einerseits und subjektiver Werturteile andererseits (Kleindorfer/Kunreuther/Schoemaker, 1993, S.225f).Google Scholar
  27. 29.
    Simon, 1960) geht selbst nicht auf das Zustandekommen des Zielsystems ein.Google Scholar
  28. 30.
    Diese Ziele müssen nicht von der Entscheidungsträgerin selbst bestimmt werden, sondern können durch die Delegation einer Entscheidung als Vorgabe festgelegt worden sein.Google Scholar
  29. 31.
    Die hier verwendete, weitere Untergliederung der einzelnen Phasen geht auf (Mintzberg/Raisinghani/Theoret, 1976) zurück. Mintzberg. bezeichnen die von ihnen identifizierten Teilphasen als Routinen (routines). In der vorliegenden Arbeit werden die beiden Ausdrücke synonym verwendet. Wenn der Kontext keine Verwechslung zuläßt, wird auch der Begriff der Phase verwendet.Google Scholar
  30. 32.
    Zu möglichen Zyklen innerhalb des Entscheidungsprozesses vgl. Kapitel 2.2.8Google Scholar
  31. 33.
    Dieser Zusammenhang wird deutlich, wenn dem optimierenden Verhalten des Homo Oeconomicus der auf (Simon, 1955) zurückgehende Satisfycing-Ansatz gegenübergestellt wird. Die Delegation einer Tätigkeit mit der Vorgabe der Maximierung oder Minimierung bestimmter Größen ist grundsätzlich ohne das Wissen um die tatsächlich zur Verfügung stehenden Ressourcen möglich. Wird ein Anspruchsniveau als Ziel formuliert, ist diese Vorgabe nur dann operational, wenn die zur Erreichung dieses Ziels erforderlichen Ressourcen bereitstehen (Faßnacht, 1989, Sp. 2300 ).Google Scholar
  32. 34.
    Vgl. hierzu auch den Ansatz von (Pounds, 1969), der neben vergangenheitsorientierten und auf Planung basierenden Vergleichsmaßstäben die Bewertung der Anspruchsgruppen der Unternehmung („Other Peoplé s Models” (Pounds, 1969, S.9)) als Indikator für das Vorliegen einer Problemsituation vorschlägt, der einen Handlungsbedarf für die Entscheidungsträger der Unternehmung anzeigt.Google Scholar
  33. 35.
    Darüber hinaus identifizieren sie die Unterstützung der Lemprozesse, die Beschleunigung der Informationsversorgungsprozesse sowie eine Verbreiterung der Informationsmenge als Mittel der Effektivitätssteigerung von Entscheidungsprozessen (Kiesler/Sproul, 1982, S.551).Google Scholar
  34. 36.
    Wie dies bspw. im Rahmen des Data Mining unter Verwendung operativer Daten geschieht. Vgl. Abschnitt 4. 2. 3.Google Scholar
  35. 37.
    Dieser auf (Noble, 1954) zurückgehende Ansatz wird bspw. bei der Problemerkennung und -analyse innerhalb hierarchischer Kennzahlensysteme verwendet. Vgl. Abschnitt 2. 3. 4.Google Scholar
  36. 38.
    Nach Ansicht von (Kiesler/Sproul, 1982, 5.548f) bringt die Höhe dieser Abweichungen das Anspruchsniveau (i.S.v. Abweichungstoleranz) der Entscheidungsträger zum Ausdruck.Google Scholar
  37. 39.
    Die Ermittlung der Ursache solcher Fehler verursacht zwar Kosten, ihre Kenntnis führt jedoch zu keinen zukünftigen Konsequenzen im Verhalten der Organisationsmitglieder und insofern auch nicht zu einer besseren Zielerreichung als ohne die Kenntnis der Abweichungsursache. Der Abweichungserfolg als Differenz zwischen Analyseertrag und -kosten wäre in diesem Fall negativ.Google Scholar
  38. 40.
    Auf diesen Annahmen basieren die Ansätze von (Schwab, 1991) und (Rieder, 1992), die in Abschnitt 4.2.1 vorgestellt werden.Google Scholar
  39. 41.
    Ein mehrperiodiges Modell mit expliziter Berücksichtigung von Analyseaufwand und -ertrag entwickelt u.a. (Kaplan, 1969).Google Scholar
  40. 42.
    Dies folgt aus einem (zu) hohen “signal to noise”-Verhältnis (Kiesler/Sproul, 1982, S.549).Google Scholar
  41. 43.
    Unter der Sensitivität eines Symptoms bezüglich einer Ursache versteht (Spies, 1993) die Wahrscheinlichkeit dafür, daß das Symptom zu beobachten ist, wenn die Ursache eintritt. Die Spezifität beschreibt hingegen,,,chrw(133) wie charakteristisch ein Symptom [chrw(133)1 für eine Diagnose [Ursache] ist. (Spies, 1993, S.37).Google Scholar
  42. 44.
    Vgl. Abschnitt 2.2.1.1 und 2.3.4.Google Scholar
  43. 45.
    So können die Ursachen einer negativen Abweichung der Absatzmenge etwa in der mangelnden Qualität der eigenen Produkte (worauf Konstanz von Marktvolumen und Absatzpreis hindeuten) oder in einem schrumpfenden Markt aufgrund der Einführung substitutiver Produkte liegen.Google Scholar
  44. 46.
    Vgl. Abschnitt 2.6.Google Scholar
  45. 47.
    Eine solche läßt sich bspw. in regelbasierten Systemen hinzufügen. Die Erklärung erläutert die vorgenommene Diagnose und kann vom Anwender über die Erklärungskomponente des Expertensystems aktiviert werden (Gabriel, 1990, S.74). Vgl. auch Abschnitt 2.6. 3.Google Scholar
  46. 48.
    Torasso/Console, 1989, S.16) weisen darauf hin, daß zwar die Begriffe “causal model” und “deep model” synonym verwendet werden, aber nicht jedes Kausalmodell grundsätzlich auch als grundlegend bezeichnet werden kann, da dies eine Frage des gewählten Abstraktionsniveaus des Modells ist.Google Scholar
  47. 49.
    Die beiden Ansätze korrespondieren mit den in Abschnitt 2.6.5 vorgestellten vorwärts- (heuristisch) resp. rückwärtsverkettenden (kausal) Inferenzverfahren.Google Scholar
  48. 50.
    Auch der auf (Pawlak, 1982) zurückgehende Ansatz der Rough Sets ist im Zusammenhang mit einer (heuristischen) Klassifikation in der Lage, zwischen notwendigen und hinreichenden Bedingungen zu unterscheiden. Zur Erfasssung der notwendigen Bedingungen für das Vorliegen eines Konzeptes (was in diesem Zusammenhang einer Diagnose entspricht) wird eine lower approximation und entsprechend für die hinreichende Bedingung eine upper approximation der Symptome definiert (Pawlak, 1991, S.10f). Vgl. Abschnitt 7. 2. 1.Google Scholar
  49. 51.
    Ansoff, hin, die sich bspw. in der Untemehmensberatung bewähren können.1971) weist in einem anderen Kontext auf die Möglichkeiten von ProgrammbibliothekenGoogle Scholar
  50. 52.
    Nach (Walterscheid, 1995) können Lösungen in der Search-Phase gefunden wie auch in der Development-Phase erfunden werden.Google Scholar
  51. 53.
    Vgl. hierzu auch (Vetschera/Walterscheid, 1995, S.201f) sowie (Walterscheid, 1995, S.114ff). 2. Informationsverarbeitung im EntscheidungsprozeßGoogle Scholar
  52. 54.
    Mintzberg. weisen allerdings darauf hin, daß diese Aktivität im Rahmen der Falluntersuchung nicht zu isolieren war und erklären dies damit, daß die Screening-Routine integraler Bestandteil der Search-Routine ist.Google Scholar
  53. 55.
    Da eine Dominanzbeziehung bei Vorliegen schwacher Präferenzunabhängigkeit anhand der Werte des Zielvektors z;i (vgl. Abschnitt 2.1.1) ermittelt werden kann und somit unabhängig von den Präferenzen des Entscheidungsträgers ist, läuft diese Teilphase ausschließlich auf der Zielebene ab (Schneeweiß, 1991, S.109).Google Scholar
  54. 56.
    Eine Überblick geben bspw. (Schneeweiß, 1991; Zimmermann/Gutsche, 1991; Dinkelbach/Kleine, 1996 ).Google Scholar
  55. 57.
    Zu potentiellen Fehlerquellen vgl. (Walterscheid, 1995, S.147f).Google Scholar
  56. 58.
    Das Wissen um eine spätere Aufdeckung möglicher Fehler bei der Ausführung bestimmter Aufgaben und die erwartete Sanktionierung kann beim einzelnen Mitarbeiter als Leistungsanreiz wirken.Google Scholar
  57. 59.
    Dies kann durch das erneute Schätzen der Parameter eines ökonometrischen Regressionsmodells geschehen.Google Scholar
  58. 60.
    Vgl. hierzu Abschnitt 7.2.2.Google Scholar
  59. 61.
    Hervorhebung entsprechend dem Originaltext.Google Scholar
  60. 62.
    Im Gegensatz zu dem von Witte verwendeten Begriff des Phasentheorems (Mag,1995, S.98).Google Scholar
  61. 63.
    In Zusammenhang mit den in Abschnitt 2.3.4 eingeführten hierarchischen Kennzahlensystemen findet hierbei häufig eine Beschränkung auf interne Größen statt.Google Scholar
  62. 64.
    Bei einer Verwendung der Kennzahlen im Zeit-resp. im Betriebsvergleich ist die Verwendung von Relativzahlen zur Eliminierung von Inflations-resp. Größeneffekten erforderlich.Google Scholar
  63. 65.
    So kann ein Unternehmen im Rahmen einer Benchmarking-Studie mit anderen Unternehmen der gleichen oder einer anderen Branche verglichen werden, um so einen möglichen Handlungsbedarf zu identifizieren. Hierin liegt bspw. die Zielsetzung des PIMS-Ansatzes (Buzzel/Gale, 1989 ).Google Scholar
  64. 66.
    Vgl. Abschnitt 2.2.4.1.Google Scholar
  65. 67.
    In einem Ordnungssystem kann bspw. festgelegt werden, daß der Absatz eines Produktes von der durchschnittlichen Lieferzeit, den Werbeausgaben etc. beeinflußt wird, ohne daß diese Zusammenhänge modelliert werden.Google Scholar
  66. 68.
    Das vom Zentralverband der Elektrotechnischen Industrie e.V. (ZVEI) entwickelten ZVEI-Kennzahlensystem weist im Rahmen des Subsystems zur Strukturanalyse sowohl isolierte Kennzahlen wie auch Rechensysteme auf (Horvath/Mayer, 1993, S.559ff). Die Elemente dieses Ordnungssystems setzen sich insofern aus einzelnen Kennzahlen wie auch aus (einfachen) Rechensystemen zusammen.Google Scholar
  67. 69.
    Die Elemente eines Ordnungssystems stellen nach dem hiesigen Verständnis immer eine Teilmenge des Informationsangebotes dar. Somit wird das Informationsangebot nicht mit einem Ordnungssystem gleichgesetzt.Google Scholar
  68. 70.
    Der Begriff des Rechensystems und jener des hierarchischen Kennzahlensystems wird bspw. von (Vetschera, 1993b, S.3) synonym verwendet, da ein Rechensystem grundsätzlich eine hierarchische Struktur aufweist. Wie in Abschnitt 2.3.2 erläutert, kann diese Struktur jedoch auch in Ordnungssystemen definiert werden.Google Scholar
  69. 71.
    Die ursprüngliche Motivation der Einführung des Kennzahlensystems bei DuPont lag in der vereinfachten dezentralen Steuerung der einzelnen Divisionen des nach einer umfassenden Diversifikation in unabhängigen Sparten organisierten Unternehmens (Kieser/Kubicek, 1992, S.238ff).Google Scholar
  70. 72.
    Hervorhebung entsprechend dem Originaltext.Google Scholar
  71. 73.
    Ab einer bestimmten Größenordnung sind betriebliche Problemstellungen zu segmentieren, um hiernach an autonom handelnde Entscheidungseinheiten der Organisation delegiert zu werden. Für die optimale Aufteilung und Koordination sowie die spätere Kontrolle ist gleichwohl die Kenntnis der Zusammenhänge, die zwischen den Entscheidungsbereichen bestehen, erforderlich resp. vorteilhaft.Google Scholar
  72. 74.
    Vgl. Abschnitt 2.2.4.Google Scholar
  73. 75.
    So wird in Abbildung 2.9 k durch die Größen x;, x1, s, sowie s, mittelbar beeinflußt. Die Kennzahlen k„ und k,„ aus denen der Wert von k„ berechnet wird, unterliegen ihrerseits dem direkten Einfluß von x, und xi resp. xi, st, und s,.Google Scholar
  74. 76.
    Dieser Punkt ist eigentlich Resultat der bewußt vorgenommen Informationsverdichtung. Der Mangel der Drill Down-Analyse liegt diesbezüglich darin, daß sie nicht in der Lage ist, diese Informationsverdichtung rückgängig zu machen, falls dies erforderlich wird.Google Scholar
  75. 77.
    Die Struktur des Kennzahlensystems legt eine eindeutige Abbildungsvorschrift fest. Zu welcher nachgeordneten Kennzahl die Drill Down-Analyse führt, wird (für eine gegebene Struktur und gegebene Signifikanzniveau) in einer konkreten Problemstellung durch die Ausprägungen aller Kennzahlen des Systems bestimmt.Google Scholar
  76. 78.
    Im Rahmen der in Abschnitt 2.5 vorgestellten Systeme wird diese Problematik mittels des (automatisierten) Exception Reporting umgangen.Google Scholar
  77. 79.
    Theil, 1969) leitet aus der von (Shannon/Weaver, 1949) begründeten mathematischen Informationstheorie einen Indikator ab, der in einer einzelnen Kennzahl Strukturabweichungen einer Vielzahl aggregierter Werte zusammenfaßt. Dieses Verfahren wird entsprechend Abschnitt 5.2.3 implementiert.Google Scholar
  78. 80.
    Vgl. Abschnitt 2.2.1.1.Google Scholar
  79. 81.
    Die Entwicklung des Online Analytical Processing, das die Nachteile mangelnder Flexibilität bei der Analyse ausgleicht, wird im folgenden Abschnitt untersucht.Google Scholar
  80. 82.
    Eine Ausnahme bildet bspw. der Fall, wenn die Absatzmenge als Produkt aus eigenem Marktanteil und Marktvolumen modelliert wird und so eine Verbindung zur Umwelt der Unternehmung hergestellt wird.Google Scholar
  81. 83.
    Die Arbeit von (Codd/Codd/Salley, 1993) ist nicht unumstritten, da sie im Auftrag der Arbor Software Corporation erstellt wurde, und die Anwendung der zwölf von Codd. definierten Bewertungsregeln auf deren Produkt Essbase ergibt, daß alle Regeln erfüllt sind (Jahnke/Groffmann/Kruppa, 1996, S.321). In der Folge wurden von (Pendse/Creeth, 1995) alternativ FASMI-Regeln aufgestellt, wobei das Akronym FASMI für Fast Analysis of Shared Multidimensional Information steht.Google Scholar
  82. 84.
    Auf der technischen Seite sind etwa Fragen der Verteilung der Anwendungslogik oder Datenspeicherung von Relevanz (Chamoni, 1998b, S.233ff).Google Scholar
  83. 85.
    Im Gegensatz zu den im Abschnitt 2.3 behandelten Kennzahlensystemen ist die multidimensionale Datenanalyse praktisch nur mit Hilfe eines Computers durchzuführen.Google Scholar
  84. 86.
    Vgl. Abschnitt 2.5.Google Scholar
  85. 87.
    Multidimensionale Ansätze der Datenaufbereitung zur Entscheidungsunterstützung existieren seit geraumer Zeit. So wurde von Computer Associates das multidimensionale Tabellenkalkulationsprogramm CA-Compete! entwickelt, das im wesentlichen dem OLAP-Ansatz entspricht (Computer Associates, 1991). Ähnliches gilt für die seit 1986 von der Firma Information Resources angebotene multidimensionale Datenbank pcEXPRESS (Werner, 1992 ). Eine Chronologie der Entwicklung multidimensionaler Datenbanken ist in (Chamoni/Gluchowski, 1997, S.416) zu finden.Google Scholar
  86. 88.
    Aufgrund der aus Effizienzgründen ohnehin erforderlichen Trennung zwischen operativen Systemen und Analysesystemen bietet sich grundsätzlich ein nichtrelationaler Ansatz für das Datenmanagement für Analysesysteme an (Chamoni/Gluchowski, 1997, S.406). Dies führte zur Entwicklung multidimensionaler Datenbanken, die hinsichtlich Antwortzeiten und Speichernutzung den relationalen System bei der Unterstützung von OLAP überlegen sind (Bauer/Tiemo, 1996, S. 52 ).Google Scholar
  87. 89.
    Über einzelne Dimensionen lassen sich mehrere Hierarchien definieren. So kann eine weitere Hierarchie über die Dimension Region etwa nach Absatzgebieten definiert werden. Auf diese Weise werden Inkonsistenzen vermieden, wenn verschiedene Teile eines Staates unterschiedlichen Verkaufsgebieten zugeordnet sind. Weitere Beispiele gibt (Holthuis, 1996, S. 154 ).Google Scholar
  88. 90.
    Zudem existieren Dimensionen (bspw. die Zeitdimension), bei denen auf jeder Hierarchieebene eine Ordnungsrelation über die möglichen Elementen der Indexmenge definiert ist.Google Scholar
  89. 91.
    Codd/Codd/Salley, 1993, S.25) fordern, daß OLAP-Systeme 15 bis 20 Dimensionen mit einer theoretisch unbegrenzten Anzahl von Hierarchieebene unterstützen sollen. (Engels, 1995, S.103) weist jedoch darauf hin, daß der Detaillierungsgrad der Rohdaten in der Regeln nicht ausreicht, um eine mehr als zehndimensionale Abbildung zu unterstützen.Google Scholar
  90. 92.
    Diese läßt sich teilweise automatisieren.Google Scholar
  91. 93.
    Dies muß sich nicht auf die Definition einer Hierarchie über die Dimensionen beschränken.Google Scholar
  92. 94.
    Mit dem automatischen Entdecken solcher Zusammenhänge befaßt sich die Forschungsrichtung des Data Mining (Chamoni/Gluchowski, 1998b, S.19ff). Diese sind jedoch nicht originärer Bestandteil des OLAP. Vgl. hierzu auch Abschnitt 4.2. 3.Google Scholar
  93. 95.
    In speziellen Fällen lassen sich auch Umweltdaten mehrdimensional modellieren.Google Scholar
  94. 96.
    Einen alternativen Klassifikationsrahmen entwickeln (Farbey/Land/Targett, 1994).Google Scholar
  95. 97.
    Durch die vorgenommene Transformation intemer Daten aus möglicherweise unterschiedlichen operativen Systemen in ein Data Warehouse läßt sich die Homogenität der Repräsentation auf der Ebene des Datenmanagements sicherstellen (Gill/Rao, 1996, S.5). Dies erleichtert die Integration der Systeme der darüberliegenden Schichten.Google Scholar
  96. 98.
    Die Bereitstellung von zuviel (irrelevanter) Information wird als Ursache des Scheitern der Management Informationssystemen der ersten Generation betrachtet (Vetschera, 1995, S.11ff). Diese wurden entsprechend von (Ackhoff, 1967) als Management MISInformation Systems karikiert.Google Scholar
  97. 99.
    Bullinger/Friedrich/Koll, 1992, S.10) weisen in diesem Zusammenhang darauf hin, daß die chrw(133)Kunst [chrw(133)] im Weglassen und Zusammenfassen der Informationen..:. liegt.Google Scholar
  98. 100.
    Bereits (Heinen, 1970, S.235) sieht die Kennzahlensysteme als „chrw(133) quantitativen Kern [chrw(133)] der Management-Information-Systemechrw(133)“.Google Scholar
  99. 101.
    OLAP wird an dieser Stelle entsprechend Abschnitt 2.4.1 der Verarbeitungsschicht zugeordnet. Im wesentlichen wird durch die MIS die Problemerkennung und -diagnose unterstützt. Jedoch sind die dort eingesetzten Methoden relativ einfach und (deshalb) zur Bewältigung unstrukturierter Entscheidungsprobleme nicht geeignet. Über die Intelligence-Phase hinaus erfolgt eine rudimentäre Unterstützung der Design-Phase durch die What if-und How to achieve-Analyse. Diese gestattet aber keine systematische Alternativengenerierung und berücksichtigt zudem keine empirischen Zusammenhänge zwischen den Entscheidungsvariablen und/oder externen Parametern.Google Scholar
  100. 102.
    1m deutschsprachigen Raum werden die Begriffe des Chef Informationssystems (CIS) (Bullinger/Koll, 1992) oder des Führungsinformationssystems (FIS) (Reichmann, 1993a, S.509ff) synonym verwendet.Google Scholar
  101. 103.
    Vetschera, 1995, S.83) weist darauf hin, daß die Sicht eines EIS als Softwaresystem zu eng ist, und es sich bei einem EIS vielmehr um „chrw(133) ein komplexes organisatorisches Gebilde [handelt], das neben der eingesetzten Software auch personelle und andere Ressourcen zu seiner Funktion erfordert“.Google Scholar
  102. 104.
    Ahnlich sehen (Volonino/Watson/Robinson, 1995, S.106) ein ) as a technology for information delivery to all business end users, one subset of which is the executive userchrw(133)“. Ahnlich vertritt (Turban, 1995, S.430) die Meinung, daß solche Informationssysteme nicht (mehr) als EIS bezeichnet werden sollten.Google Scholar
  103. 105.
    Zu einem ähnlichen Ergebnis kommen (Vogel/Wagner, 1993, S. 32 ). Mögliche Erklärungen dieser Resultate bestehen darin, daß die hochgesteckten Erwartungen hinsichtlich der Bereitstellung externer Informationen mangels Verfügbarkeit nicht erfüllt wurden. Weiterhin kann dem zunehmenden Wettbewerbsdruck (in gewissen Grenzen) auch durch einen besseren Informationsstand über den Status des eigenen Unternehmens begegnet werden.Google Scholar
  104. 106.
    Watson/Frolick, 1993) kommen als Ergebnis einer empirischen Untersuchung zu nicht weniger als 16 Methoden, wie dieser Informationsbedarf für EIS ermittelt werden kann. Erstaunlich ist hierbei, daß der Ansatz der Ermittlung kritischer Erfolgsfaktoren mit 38,7%, bei der Einführung nur an achter Stelle liegt und bei der späteren Weiterentwicklung nur noch in 28,0% der Fälle zum Einsatz kommt (Watson/Frolick, 1993, S.260). Eine wesentliche Rolle spielen bei der Einführung mit Unterstützung externer Unternehmensberater hingegen die Erfahrungen, die diese in anderen Unternehmen gemacht haben.Google Scholar
  105. 107.
    Zum Begriff des Decision Support SystemGoogle Scholar
  106. 108.
    Als weitere Unterscheidungsmerkmale bezüglich der MIS wird die Integration von Kommunikationskomponenten wie etwa E-Mail herangezogen (Vetschera, 1995, S.86; Gluchowski/ Gabriel/Chamoni, 1996, S.222). Diese sind jedoch für den Gegenstand der vorliegenden Arbeit von nachrangiger Bedeutung.Google Scholar
  107. 109.
    Alternative Architekturen untersucht (Vetschera, 1995, S.122).Google Scholar
  108. 110.
    Turban/ Walls, 1995) bezeichnet die ESS auch als EIS der zweiten Generation.Google Scholar
  109. 111.
    Vgl. Abschnitt 4.1.4.Google Scholar
  110. 112.
    Vgl. hierzu die Definition der Unstrukturiertheit in Abschnitt 2.2.1.2.Google Scholar
  111. 113.
    Im vorliegenden Abschnitt werden ausschließlich klassische, symbolverarbeitende Ansätze wissensbasierter Systeme betrachtet.Google Scholar
  112. 114.
    Während die Bezeichnungen Expertensystem und wissensbasiertes System häufig synonym verwendet werden (Gabriel, 1990; Werner, 1992; Durkin, 1994), betrachten andere Autoren ein Expertensystem als einen Spezialfall eines wissensbasierten Systems, das das Verhalten eines Fachexperten simuliert (Connell/Powell, 1990, S.432; Werner, 1992, S.144; Puppe, 1993, S. 3 ). Die vorliegende Arbeit folgt dem zweiten Ansatz und verwendet grundsätzlich den Begriff des wissensbasierten Systems, da so unter Vermeidung von Inkonsistenz auch Wissen, das in Ermangelung einer entsprechenden Expertise systemgestützt generiert wurde, mit in die Betrachtung eingebunden werden kann. Soweit Aussagen bezüglich der Expertensysteme in gleichem Maße für wissensbasierte Systeme zutreffen, wird jedoch der Begriff des Expertensystems synonym verwendet.Google Scholar
  113. 115.
    An dieser Stelle wird die Analogie zur Planung deutlich, die (Hahn, 1993, Sp.3185f) als „chrw(133) systematische gedankliche Vorwegnahme künftigen Geschehens durch problemorientierte Alternativensuchechrw(133)“ versteht (Hervorhebung durch I.H.).Google Scholar
  114. 116.
    Diese Einschränkung bezieht sich jedoch nicht auf die Eignung des Problemlösungsverfahrens der Means End-Analyse, sondern auf den Anspruch der inhaltlichen Abdeckung aller Realprobleme.Google Scholar
  115. 117.
    Die Ursache hierfür liegt darin, daß Controlling im anglo-amerikanischen Sprachraum nicht als eigenständige Disziplin existiert.Google Scholar
  116. 118.
    Vgl. Abschnitt 2.6.6.4.Google Scholar
  117. 119.
    Einen Überblick über die Anwendung von Expertensystemen zur Diagnose gibt bspw. (Puppe, 1993, S.115ff).Google Scholar
  118. 120.
    Eines der ersten und bekanntesten Expertensysteme zur Diagnose ist das in den siebziger Jahren an der Stanford University entwickelte System MYCIN (Shortliffe, 1976). Ziel des Systems ist die Diagnose bakterieller Bluterkrankungen (Davis/Buchanan/Shortliffe, 1977, S.16). Einen umfassenden Überblick über den Entstehungsprozeß und die dabei gemachten Erfahrungen findet sich in (Buchanan/Shortliffe, 1984 ).Google Scholar
  119. 125.
    In diesem Zusammenhang sehen (Harmon/King, 1989, S.36) einen Experten als eine Person, die,,chrw(133) als weithin fähig anerkannt ist, eine bestimmte Art von Problemen zu lösen, die die meisten anderen Menschen nicht annähernd effizient oder effektiv lösen können“. Nach (Mackay/Barr/Kletke, 1992, S.652) begründet sich diese Eigenschaft eines Experten durch die bessere Fähigkeit zur Integration neuer Informationen in eine Problemlösung sowie einer besseren Erfassung des relevanten Umweltkontextes.Google Scholar
  120. 126.
    Goul, 1987) sieht die Rolle des Wissensingenieurs als Mittler zwischen den Ansprüchen der späteren Benutzer und den Fachexperten.Google Scholar
  121. 127.
    Durch den Doppelpfeil zwischen Wissensakquisitionskomponente und Wissensbasis in Abbildung 2.18 wird angedeutet, daß die Wissensakquisitionskomponente über eine syntaktischen Überprüfung der Eingaben hinaus, u.U. auch die Konsistenz der Eingaben bezüglich des bereits vorhandenen Wissens überprüft.Google Scholar
  122. 128.
    Dieses Wissen läßt sich zudem aufgrund möglicher Beschränkungen in der Modellierungsform nicht immer unter Wahrung der semantischen Identität übertragen (Russell/Norvig, 1995, S.158).Google Scholar
  123. 129.
    Einen Überblick über Lernverfahren für unterschiedliche Wissensrepräsentationsformen finden sich bspw. in (Shavlik/Dietterich, 1990) oder (Herrmann, 1997).Google Scholar
  124. 130.
    Auch für die im Rahmen dieser Arbeit verfolgten Ansätze existieren derartige maschinelle Lernverfahren. Vgl. Abschnitt 7. 2. 2.Google Scholar
  125. 131.
    Gabriel, 1990, S.74) sieht die Erklärungskomponente als eigenständiges Subsystem eines wissensbasierten Systems.Google Scholar
  126. 132.
    Demgegenüber vertritt (Bibel, 1993, S.112) die Ansicht, daß die „„Inferenz [chrw(133)] eine Erweiterung unseres Wissens über die [modellierte, I.H.] Welt“ ermöglicht (Hervorhebung durch I.H.).Google Scholar
  127. 133.
    Die Wissensrepräsentation beeinflußt ebenfalls die Menge der grundsätzlich anwendbaren Lemresp. Wissensakquisitionsverfahren.Google Scholar
  128. 134.
    Eine detaillierte Beschreibung der für die Implementierung relevanten Formen erfolgt im dritten Kapitel, so daß an dieser Stelle nur grundsätzliche Überlegungen angestellt werden.Google Scholar
  129. 135.
    In der Wissensbasis liegt somit implizit ein Modell des relevanten Wirklichkeitsausschnitts. (Winston, 1989, S.265) weist darauf hin, daß „chrw(133) die Repräsentation [chrw(133)] in der Künstlichen Intelligenz das schwierigste Problemchrw(133)“ ist, aber gleichzeitig die Wahl der Repräsentation für die Fähigkeit zur Problemlösung essentiell ist.Google Scholar
  130. 136.
    Bibel, 1993, S.13) fordert, daß dieses Wissen auch für den Menschen verständlich sein sollte. Dies kann jedoch m.E. bezüglich vieler Repräsentationsformen bei den derzeitigen Systemen nur für Wissensingenieure gelten.Google Scholar
  131. 137.
    Gleichwohl betrachtet (Stoyan, 1991) diese Unterteilung in Wissensrepräsentation einerseits und Programmierung andererseits als willkürlich.Google Scholar
  132. 138.
    Bspw. ist die natürliche Sprache ausdrucksstark, wenn es um die Beschreibung von unstrukturierten Entscheidungsproblemen geht. Auch Wissen zu deren Lösung läßt sich (solange es überhaupt vorhanden ist) in natürlicher Sprache ausdrücken. Gleichwohl ist diese aufgrund ihre Kontextabhängigkeit (noch) nicht als maschinell zu verarbeitende Repräsentationsform geeignet.Google Scholar
  133. 139.
    Die unscharfe Logik als Verallgemeinerung der zweiwertigen Aussagenlogik wird in den Abschnitten 3.3f eingeführt. Sie bildet die Basis des im Rahmen dieser Arbeit verfolgten Ansatzes.Google Scholar
  134. 140.
    In der Folge wird sowohl die Aussage a wie auch ihr Wahrheitswertes 6(a) kurz mit a bezeichnet, soweit keine Verwechslung möglich ist (Bandler/Kohout, 1984, S.581).Google Scholar
  135. 141.
    Durch die Form der Abbildung wird sichergestellt, daß der Wahrheitswert eines zusammengesetzten Ausdrucks f stets entweder wahr oder falsch ist. Der Wahrheitswert eines beliebigen zulässigen Ausdrucks 8(f(a, b,cchrw(133))), der durch Verknüpfung der atomaren Aussagen unter Verwendung obiger Operatoren erzeugt wird, ergibt sich aus den Wahrheitswerten der beteiligten atomaren Ausdrücke 8(a), 8(b), 8(c) etc. (Böhme, 1993, S.183).Google Scholar
  136. 142.
    Weitere Schlußregeln untersuchen bspw. (Graham, 1989, S.62ff) sowie (Russell/Norvig, 1995, S.171ff).Google Scholar
  137. 143.
    Entsprechend wird diese Schlußregel auch als Implikationseliminierung (implication elimination) bezeichnet (Graham, 1989, S.63). Die Aussage a kann ein zusammengesetzter Ausdruck sein.Google Scholar
  138. 144.
    Mit Ansätzen, die es gestatten, die Aussage b in einem späteren Inferenzschritt aufgrund neuen Wissens zu widerrufen, beschäftigt sich des Forschungsgebiet des nichtmonotonen Schließens (Bibel, 1993, S.111ff).Google Scholar
  139. 145.
    Können mehrere Regeln zur Anwendung kommen, ist eine konkrete Regel durch eine Heuristik auszuwählen (Russell/Norvig, 1995, S.73ff).Google Scholar
  140. 146.
    Dies ist in jedem Fall erforderlich, wenn der Wahrheitswert einer Aussage a notwendig für den Inferenzprozeß ist und a weder Element von A, ist noch durch eine Implikation abgeleitet werden kann.Google Scholar
  141. 147.
    Unter Vernachlässigung der Frage der grundsätzlichen Eignung einer derartigen Repräsentationsform, kann aus einer durch die Aussage a (‚Die Werbeausgaben steigen um zehn Prozent‘) beschriebenen Alternative ableitet werden, daß b (‚Der Absatz steigt um mehr als 20 Prozent‘) zutrifft. Unter Berücksichtigung von c (‚Die maximale Kapazität beträgt x Stück’) läßt sich dann wiederum die Aussage d (‚Die Kapazität ist nicht ausreichend‘) ableiten.Google Scholar
  142. 148.
    Zudem kann es geschehen, daß dem Benutzer während des Inferenzprozesses Fragen gestellt werden, deren Motivation für diesen nicht nachvollziehbar ist, was die Akzeptanz des Ergebnisses u.U. einschränkt.Google Scholar
  143. 149.
    Eine Kombinationen aus vorwärts-und rückwärtsverkettender Inferenz wird bspw. im GPS eingesetzt (Kurbel, 1992, S.61).Google Scholar
  144. 150.
    Die Implementierung erfolgte mittels dem von (Allgeyer, 1987) entwickelten Werkzeugs HEXE (Hilfsmittel zur EXpertensystemErstellung).Google Scholar
  145. 151.
    Ein Übersehen nachgeordneter Abweichungen, weil diese sich gegenseitig aufheben, wird durch eine automatische Berücksichtigung durch das Expertensystem verhindert (Rauh, 1988, S.42). Diese Funktion entspricht der des Exception Reporting der MIS.Google Scholar
  146. 152.
    Die Hierarchien werden über mehrere Dimensionen der Untersuchungsobjekte modelliert. Die konzeptionellen Grundlagen dieses Ansatzes sind mit jenen der Multidimensionalität des in Abschitt 2.4 behandelten OLAP vergleichbar (Fiedler, 1990, S.118).Google Scholar
  147. 153.
    Zur objektorientierten Wissensrepräsentation vgl. Abschnitt 3.2.Google Scholar
  148. 154.
    An dieser Stelle sollen nur die wesentlichen Charakteristika zweier repräsentativer Systeme vorgestellt werden. Einen Überblick gibt (Schmidt, 1989). (Plattfaut, 1988) entwickelt das System STRATEX, das auf einem erweiterten Portfoliomodell beruht und gleichen Ursprungs ist wie die in Abschnitt 2.6.6.1 bis 2.6.6.3 vorgestellten Systeme.Google Scholar
  149. 155.
    Grundsätzlich wird der Begriff des Expertensystems von der Literatur zur strategischen Planung sehr weit gefaßt. So betrachten (Mockler/Dologite, 1992) die bereits in Abschnitt 2.4 erwähnte multidimensionale Tabellenkalkulation CA-Compete! als ein Expertensystem.Google Scholar
  150. 156.
    CASA ist das Ergebnis eines Kooperationsprojektes zwischen dem Lehrstuhl von Prof. H. Krallmann der TU Berlin und der Deutschen Gesellschaft für Mittelstandsberatung mbH, einer Tochter der Deutsche Bank AG (Müller-Wünsch, 1992, S.101). Der Autor hat selber als Praktikant und freier Mitarbeiter mehr als ein Jahr für deren Niederlassung in München gearbeitet und konnte hierbei praktische Erfahrungen beim Einsatz dieses Systems sammeln.Google Scholar
  151. 157.
    Hervorhebung entsprechend dem Originaltext.Google Scholar
  152. 158.
    Die Ergebnisse bedürfen in jedem Fall einer Evaluierung und Interpretation durch einen erfahrenen Berater, wodurch die ursprüngliche Zielsetzung einer mit geringen Kosten verbundenen Unterstützung der strategischen Planung des Mittelstandes grundsätzlich in Frage gestellt wird (Müller-Wünsch, 1992, S.94 und S.158).Google Scholar
  153. 159.
    Müller-Wünsch, 1992, S.163) weist diesbezüglich darauf hin, daß sich ’chrw(133) nicht alle Aufgaben des Top-Managements im Rechner abbilden lassen. Echrw(133) und es] vielmehr um die adäquate Strukturierung und das Ineinandergreifen von manuellen (menschlichen) Abläufen und rechnergestützten Abwicklungen [geht].".Google Scholar
  154. 160.
    Der ressourcenorientierte Ansatz der Strategieforschung sieht gerade in diesen kausalen Mehrdeutigkeiten eine Quelle nachhaltiger Wettbewerbsvorteile (Lippman/Rumelt, 1982; Knyphausen, 1993). Aus solchen Mehrdeutigkeiten folgt nach (Reed/DeFillippi, 1990, S.91ff) deren mangelnde Kommunizierbarkeit (tacitness), was grundsätzlich die Entwicklung von Expertensystemen aber auch deren späteren Einsatz im Zusammenhang mit strategischen Entscheidungsproblemen in Frage stellt.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 1999

Authors and Affiliations

  • Ingo Hofacker

There are no affiliations available

Personalised recommendations