Advertisement

Zielsetzung und alternative Ansätze

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

Zusammenfassung

Zunächst werden zusammenfassend die Defizite von MIS und EIS sowie wissensbasierten Systeme bei der Unterstützung der Informationsverarbeitung in komplexen Problemlösungsprozessen dargestellt. Hierauf Bezug nehmend wird die konkrete Zielsetzung der vorliegenden Arbeit formuliert und die zu deren Umsetzung erforderliche Funktionalität zur Unterstützung der einzelnen Prozeßphasen des im zweiten Kapitel vorgestellten Modells von Simon beschrieben. Neben der Sicherung der Effektivität einzelner Entscheidungsprozesse kommt es hierbei zu einer Begünstigung organisationalen Lernens auch auf der Ebene der Unternehmensführung. Sodann wird der Frage nachgegangen, inwieweit eine Gestaltung des Entscheidungsprozesses durch das System vorgenommen wird. Schließlich wird gezeigt, daß das System der Klasse der MIS zugerechnet werden sollte.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 224.
    Die Darstellung der Ordnungssysteme auf Seiten der EIS und der Rechensysteme auf Seiten der MIS bildet eine idealisierende Vereinfachung. So lassen sich Kennzahlenhierarchien auch in EIS implementieren und einzelne Kennzahlen (als hierarchische Kennzahlensysteme mit nur einer einzigen (Spitzen-)Kennzahl) in MIS darstellen (Schinzer et al., 1997, S.71ff).Google Scholar
  2. 227.
    So ist denkbar, die definitionslogischen Zusammenhänge des ROI-Kennzahlensystems durch eine unscharfe Regelbasis zu approximieren.Google Scholar
  3. 228.
    Bspw. kann dem als linguistische Variable definierten Marktwachstum einer Periode die unscharfe Menge hoch zugewiesen werden, die entsprechend über eine scharfe Basis definiert ist.Google Scholar
  4. 229.
    Die in den Rechensystemen darstellbaren Beziehungen bilden eine Teilmenge der mit dem objektorientierten MIS modellierbaren Zusammenhänge.Google Scholar
  5. 230.
    Schank, 1982) definiert sogenannte Memory Organization Packages, “… [that are] to represent knowledge about classes of events, especially complex events”, wodurch deren Ähnlichkeit zu den in Abschnitt 3.2 vorgestellten Frames erkennbar ist. (Kolonder, 1993, S.93) weist zudem auf die Analogien hinsichtlich klassischer wie auch unscharfer, regelbasierter Systeme hin: “At some level, we can think of case-based reasoning as a type of rule-based reasoning in which the rules are very large, the antecedent need to be only partial matches, and the consequences need to be adapted before they are applied.”. Nach allgemeinem Verständnis sind Regeln jedoch als aus einer Vielzahl von Fällen induktiv abgeleitete Generalisierungen zu interpretieren (Wess, 1995, S. 30 ).Google Scholar
  6. 231.
    Insofern integriert das fallbasierte Schließen die Diagnosis-, Search-und Transformation-Routine (Schiemann/Woltering, 1998, S.365).Google Scholar
  7. 232.
    Einen Überblick über die Einsatzmöglichkeiten des CBR liefern bspw. (Schiemann/Woltering, 1998, S.373), (Althoff/Bartsch-Spörl, 1996) und (Lenz et al., 1996, S.14Off). Diese reichen von relativ einfachen Help Desk-Anwendungen bis hin zur Fehlerdiagnose bei Flugzeugen.Google Scholar
  8. 233.
    Eine hinreichend große Basis ähnlicher Fälle bildet jedoch die Voraussetzung für den effektiven Einsatz der Methode des fallbasierten Schließens (Althoff /Bartsch-Spörl, 1996, S.9).Google Scholar
  9. 234.
    Zur Verknüpfung von Entscheidungsträgern und der von ihnen kontrollierten Größen des Modells vgl. Abschnitt 5.5.1.2.Google Scholar
  10. 235.
    Ein Verfahren der systemgestützten Altemativengenerierung wird in Abschnitt 7.2.3 vorgeschlagen.Google Scholar
  11. 236.
    Die zur Effizienzermittlung erforderliche Festlegung einer positiven Veränderung eines Zielwertes kann entscheidungsträger-und zielspezifisch festgelegt werden. Vgl. Abschnitt 5.5. 1. 3.Google Scholar
  12. 237.
    Im objektorientierten MIS werden für die relevanten Ausprägungen der Zielgrößen sowohl scharfe wie auch unscharfe Werte zugelassen. Zur Effizienzprüfung einer Alternative werden unscharfe Werte jedoch defuzzifiziert, so daß entsprechend kein direkter Vergleich unscharfer Mengen erforderlich ist. Zu unscharfen Ordnungsrelationen vgl. (Biewer, 1997, S.184ff), zu deren Bedeutung im Rahmen der Entscheidungsunterstützung vgl. (Rommelfanger, 1994, S.224ff).Google Scholar
  13. 238.
    Die Identifikation kritischer Werte bestimmter Entscheidungsvariablen oder Umweltparameter erfolgt gleichwohl zum jetzigen Zeitpunkt durch den Benutzer. Sofern die vorhandenen Daten für eine Schätzung ausreichen, ist hier aber auch eine Monte Carlo-Simulation auf der Basis gemeinsamer Verteilungsfunktionen (Oakshott, 1997, S.121) oder eine auf (Hertz, 1964) zurückgehende Risikoanalyse denkbar. Vgl. hierzu auch (Vetschera, 1993a ).Google Scholar
  14. 239.
    Vgl. Abschnitt 2.2.5.2.Google Scholar
  15. 240.
    Dieses läßt sich in eingeschränkter Weise durch konventionelle MIS im Rahmen einer Drill Down-basierten Ursachenforschung erreichen.Google Scholar
  16. 241.
    Gleichwohl weist (Silver, 1990, S.55) darauf hin, daß eine zu hohe Flexibilität potentielle Anwender verunsichern kann.Google Scholar
  17. 242.
    Vgl. Abschnitt 2.2.8.Google Scholar
  18. 243.
    Einen Überblick über Theorien des organisationalen Lernens findet sich in (Wahren, 1996).Google Scholar
  19. 244.
    Wobei hier der Lernprozeß nicht in der bloßen Akquisition von Wissen über das zu steuernde Unternehmen und seine Umwelt besteht, sondern auch in der Anwendung desselben zur Adaption der eigenen Ziele sowie der Wege zu deren Erreichung (Argyris/Schön, 1978; Reber, 1992).Google Scholar
  20. 245.
    Während Kennzahlensysteme lediglich (quantitative) Beschreibungsmodelle des betrachteten Entscheidungsfeldes darstellen (Reichmann, 1993a, 5.48) dient eine Informationsstruktur als Erklärungs-und Prognosemodell. Diesbezüglich betont (Blaming, 1993, 5.9) die zunehmende Bedeutung von Modellen innerhalb der Entscheidungsunterstützung: „… models, like stored data, are an important information resource…“.Google Scholar
  21. 246.
    Vgl. Abschnitt 2.5.3 und 2.5.4.Google Scholar
  22. 247.
    Wobei die diesbezüglichen Grenzen zwischen MIS und EIS zusehends verwischen (Schinzer et al., 1997).Google Scholar
  23. 248.
    Zur möglichen Integration heuristischer Optimierungsverfahren vgl. Abschnitt 7.2.3.Google Scholar
  24. 249.
    Einen ähnlichen, gleichwohl nicht objektorientierten Ansatz wählen (Yaverbaum/Reynolds, 1991), deren System statistische Kenngrößen aufeinanderfolgender Bilanzen berechnet und die Ergebnisse anschließend mittels einer regelbasierten Komponente bewertet.Google Scholar
  25. 250.
    Ähnlichen sehen (Turban/Watson, 1994, S.403) das Potential einer Integration von EIS und Exper- tensystemen in der Überwachung und intelligenten Interpretation der auftretenden Datenmuster.Google Scholar
  26. 251.
    Vgl. Abschnitt 5.2.1.2.Google Scholar
  27. 252.
    Ahnlich sieht (Kreitel, 1995, S.756) die transparente Darstellung komplexer Zusammenhänge als wesentliche Aufgabe der EIS: “Durch Baum-und Netzstrukturen […] lassen sich komplexe Zusammenhänge relativ anschaulich auflösen und die Dynamik des Geschäftsverlaufs im Unternehmen verdeutlichen.”. Diese Aussage wird jedoch weder anhand eines verfügbaren Systems belegt, noch wird eine konkrete Ausgestaltung der Modellierung einer Netzwerkstruktur geliefert.Google Scholar
  28. 253.
    Vgl. auch (Turban/Watson, 1994, S.405).Google Scholar
  29. 254.
    Nakhaeizadeh/Reinartz/Wirth, 1998, S.2), (Weiss/Indurkhya, 1998, 5.7) und (Klösgen, 1996, S.174) weisen neben den prozessualen Aspekten auf den interdisziplinären Charakter des KDD hin, der Ergebnisse des maschinellen Lernens und statistischer Methoden aber auch solche moderner Datenbanktechnologien integriert.Google Scholar
  30. 255.
    Vgl. Abschnitt 7.2.2.Google Scholar
  31. 256.
    Begünstigt wird das KDD durch den Einführung von Data Warehouses, die (Inmon, 1996, S.49) und (Pass, 1997) als Voraussetzung des Data Mining sehen. Die Transformation der Daten in eine weitgehend homogene Struktur vereinfacht entsprechend die nachfolgende Phase der Datenaufbereitung im KDD-Prozeß (Düsing, 1998, S.294), kann jedoch trotzdem eine weitergehende Aufbereitung nicht ersetzen (Höschel,1998, S.24; Weiss/Indurkhya, 1998, S.57ff).Google Scholar
  32. 257.
    Vgl. hierzu auch Fußnote 1.Google Scholar
  33. 258.
    Der Begriff der kognitiven Karten geht auf (Tolman, 1948) zurück.Google Scholar
  34. 259.
    Einen Überblick über weitere Verfahren der Visualisierung von Kausalzusammenhängen eines Entscheidungsfeldes gibt (Huff, 1990). Für den vorliegenden Kontext nicht geeignet sind Einfluß-diagramme (influence diagrams, decision networks), die zwar auch zur Modellierung der Kausalzusammenhänge eines Entscheidungsfeldes eingesetzt werden, aber keine Zyklenbildung erlauben (Eisenführ/ Weber, 1994, S.42ff; Russell/Norvig, 1995, S.484ff).Google Scholar
  35. 260.
    Axelrod, 1976, 5.232ff) weist darauf hin, daß Feed Back-Beziehungen beim Aufstellen kognitiver Karten häufig nicht beachtet werden. Diese Tatsache muß bei einer Modellierung entsprechend berücksichtigt werden.Google Scholar
  36. 261.
    Einen Überblick über mögliche Einsatzgebiete geben die Arbeiten in (Eden/Spender, 1998).Google Scholar
  37. 262.
    Zur Erzeugung kognitiver Karten existieren neben der Textanalyse und dem Führen von (semi-strukturierten) Interviews auch Ansätze der (teil-)automatisierten Generierung von Kausalhypothesen aus quantitativen Daten (Billman/Courtney, 1993 ). Die Darstellung des Prozesses findet sich in (Eden, 1990, S. 37 ).Google Scholar
  38. 263.
    Eden/Williams/Smithin, 1986, S.239) weisen auf Versuche einer Übertragung kognitiver Karten in die auf (Forrester, 1968) zurückgehenden System Dynamics-Modelle und die sich hierbei ergebenden Probleme einer künstlichen Quantifizierung qualitativer Konzepte hin.Google Scholar
  39. 264.
    Als Grundlage der Zusammenstellung eines Rechensystems ist dieser Ansatz aufgrund der in Abschnitt 2.3.4 genannten Defizite nicht geeignet.Google Scholar
  40. 265.
    Dieser wird nicht durch das vorliegende System unterstützt.Google Scholar

Copyright information

© Springer Fachmedien Wiesbaden 1999

Authors and Affiliations

  • Ingo Hofacker

There are no affiliations available

Personalised recommendations