Universität Leipzig Wirtschaftswissenschaftliche Fakultät Institut für Wirtschaftsinformatik Professur Anwendungssysteme Hauptseminararbeit zum Thema Bewertungsmodelle für die Einführung von Anwendungssystemen Betreuender Hochschullehrer: Prof. Dr. R. Alt Betreuender Assistent: Dipl.-Wirtsch.-Inf. B. Treuer Bearbeiter: Ngoc, Quang Straße d. 18. Okt. 29 04103 Leipzig Matr.-Nr.: 9355224 7. Semester Eingereicht am: dd.11.2007 Vortrag am: dd.12.2007 Straube, Christian Crottendorfer Str. 10 04317 Leipzig Matr.-Nr.: 9519999 7. Semester Kurzzusammenfassung Autor Ngoc, Quang Straube, Christian Inhalt TEXT Literatur O’Reilly, T. (2005): What is Web 2.0? Garrett, J. (2005): Ajax: A New Approach to Web Applications Laffra, C. (2006): Considering Ajax Schlüsselwörter DSL, ERP Gliederung 1 Datum 14.05.2016 Einleitung Gliederung I Gliederung Gliederung .............................................................................................................................I Abbildungsverzeichnis ..................................................................................................... III Tabellenverzeichnis ........................................................................................................... IV Abkürzungsverzeichnis ...................................................................................................... V 1 Motivation .................................................................................................................... 1 2 Entscheidungstheorie (MDCA) .................................................................................. 2 2.1 Einführung in die Prozesse der Entscheidung ........................................................... 3 2.1.1 Entscheidungsprozess ................................................................................................................ 3 2.1.2 Entscheidungsfolgen .................................................................................................................. 4 2.1.3 Entscheidungsverfahren ............................................................................................................. 4 2.2 Eindimensionale und multidimensionale Auswahlverfahren .................................... 4 2.3 Methoden zur Entscheidungsfindung ........................................................................ 6 2.3.1 Qualitative Methoden ................................................................................................................ 6 2.3.2 Quantitative Methoden .............................................................................................................. 6 2.3.3 Mischformen.............................................................................................................................. 6 2.4 Auswahl von Software .............................................................................................. 7 3 Modellteil ...................................................................................................................... 8 3.1 Nutzwertanaylse ........................................................................................................ 8 3.1.1 Voraussetzungen ........................................................................................................................ 9 3.1.2 Vorgehensweise ......................................................................................................................... 9 3.1.3 Bewertung des Verfahrens ....................................................................................................... 11 3.1.4 Preis-Leistungsmethode ........................................................................................................... 12 3.2 Analytic Hierarchy Process ..................................................................................... 13 3.2.1 Vorgehensweise ....................................................................................................................... 14 3.2.2 Bewertung des Verfahrens ....................................................................................................... 17 3.3 Technique for Order Preference by Similarity to Ideal Solution ............................ 20 3.4 Quality Function Deployment ................................................................................. 22 3.4.1 Vorgehensweise ....................................................................................................................... 22 3.4.2 Quality Function Deployment nach Akao ............................................................................... 23 3.4.3 Bewertung des Verfahrens ....................................................................................................... 24 Gliederung II 3.5 Data Envelopment Analysis .................................................................................... 25 3.6 ELECTRE ................................................................................................................ 26 3.6.1 Vorgehensweise ....................................................................................................................... 26 3.6.2 Bewertung des Verfahrens ....................................................................................................... 27 3.7 PROMETHEE ......................................................................................................... 29 3.7.1 Vorgehensweise ....................................................................................................................... 30 3.7.2 Bewertung des Verfahrens ....................................................................................................... 31 3.8 ORESTE .................................................................................................................. 33 3.9 Goalgetter-Methode ................................................................................................. 36 4 Anwendungsteil.......................................................................................................... 37 4.1 Vergleich der Methoden .......................................................................................... 37 4.2 Einsatz in der Praxis ................................................................................................ 38 4.2.1 PC-WARE Information Technologies AG .............................................................................. 38 4.2.2 perdata GmbH ......................................................................................................................... 38 Literaturverzeichnis ........................................................................................................ VII Abbildungsverzeichnis III Abbildungsverzeichnis Abbildung 1: AHP - Problem -> Kriterien und Alternativen - Quelle http://www.boku.ac.at/mi/ahp/ahp.pdf ........................................................................ 14 Abbildung 2: Darstellung der Kriterien und der Alternativen ............................................. 17 Abbildung 4: Exemplarische Präferenz in Prothemee ......................................................... 29 Abbildung 5: Verallgemeinerte Kriterien mit zugehörigen Präferenzfunktionen ............... 30 Tabellenverzeichnis IV Tabellenverzeichnis Tabelle 1: AHP - (Quelle http://www.orcacomputer.com/eeHelp/Analytic_Hierarchy_Process.htm) ................ 15 Tabelle 2: AHP - Entscheidung und Kriterium ................................................................... 15 Tabelle 3: TOPSIS - Ausgangsmatrix ................................................................................. 20 Abkürzungsverzeichnis Abkürzungsverzeichnis AHP Analytic Hierarchy Process AS Anwendungssystem DEA Data Envelopment Analysis DMU Decision Making Units GGM Goalgetter-Methode HoQ house of quality NWA Nutzwertanalyse PLM Preis-Leistungsmethode QFD Quality Function Deployment TOPSIS Technique for Order Preference by Similarity to Ideal Solution V Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 1 Motivation 1 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 2 2 Entscheidungstheorie (MDCA) Um den Auswahlprozess zur Bestimmung des optimalen AS durchzuführen, bedarf es eine grundlegenden Menge an Entscheidungen vor, während und nach der Durchführung. Aus diesem Grund wollen wir zunächst einen Überblick über die wichtigsten Grundlagen der Entscheidungsfindung referieren. Dabei beginnen wir bei der Grundlage einer jeden Entscheidung. Im Anschluss werden die Entscheidungsgegenstände sowie -kriterien analysiert. Abschließend werden wir uns dem Entscheidungsprozess und den –folgen widmen. Für die Entscheidungsfindung sind die „antizipierten erwünschten und unerwünschten Folgen des Entscheids“1 von Wichtigkeit. Im Vergleich zu einer Gedankensimulation folgt bei einem Entscheid die direkte Umsetzung bzw. der Versuch, den gewählten Entscheid umzusetzen. Der Erfolg einer Entscheidung hingegen kann erst nach der Umsetzung gemessen werden. Im Falle der Einführung von Anwendungssystemen, einschließ der Auswahl und Bewertung, ist stets die optimale Entscheidung zu finden, um den betriebswirtschaftlichen Nutzen effektiv steigern zu können. Eine suboptimale Entscheidung kann sich unter Umständen negativ auf die zukünftigen Geschäftsprozesse auswirken oder gar die Optimierung und den damit verbundenen Fortschritt stilllegen. Auf der obersten Ebene der Entscheidungshierarchie befindet sich der Entscheidungsträger. Dieser trifft die Entscheidungen und ist in vollem Umfang für die Konsequenzen verantwortlich. Die Entscheidung des Entscheidungsträgers ist sowohl objektiv als auch durch subjektive Eindrücke geprägt. Unter den objektiven Eindrücken zählen feste Größen wie Funktionalität, Schnittstellen oder andere AS-Bereiche, welche auch zu den verschiedenen Entscheidungskriterien zählen. Zu den Subjektiven zählen jedoch Gefühle, Vorlieben und Abneigungen (von Firmen, Produkten, …), Bereichen des Wertvorstellungen sowie Erfahrung aus bisherigen Projekten. Je nach Art der Entscheidung kann man nach mehreren Entscheidungsgegenstandes kategorisieren. In Bezug auf diese Hausarbeit wird in Handlungsentscheid und Zielentscheid differenziert. Der Handlungsentscheid beschreibt die Wahl zwischen zwei bis n Alternativen. Der Zielentscheid hingegen ausschlaggebend sind. 1 Vgl. Wikipedia - Entscheidung beschreibt Ziele, die für den Entscheidungsprozess Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 3 Alle in dieser Arbeit dargestellten Methoden sind sowohl als Handlungsentscheid als auch als Zielentscheid zu betrachten, da es Ziele und Alternativen zu definieren bzw. herauszufiltern gilt. Wie bereits erwähnt, gibt es verschiedene Entscheidungskriterien. Um den Bezug zu der Auswahl und Einführung von AS nicht zu verlieren, beschränken wir uns auf die Mikroökonomie, die Theorie der rationalen Entscheidungen. Der rationale Entscheider, wie von der Mikroökonomie entworfen, versucht mit jeder Entscheidung seinen Nutzen zu maximieren. Damit wird sichergestellt, dass man stets versucht das Optimum zu finden und somit das „perfekte“ AS für die gestellten Präferenzen zu finden. Die Mikroökonomie unterstellt dabei, das man sich über alle Attribute und Wahlverfahren einer Entscheidung bedenkt und in den Entscheidungsprozess mit einbezieht. Die Theorie der rationalen Entscheider wird jeder angezweifelt, da ein Wirtschaftssubjekt in den meisten Fällen nur über einen Teil der potentiell entscheidungsrelevanten Informationen kennt bzw. bestimmen kann. Somit erfolgt die Entscheidung stets unter partieller Ungewissheit. Die Theorie der beschränkt rationalen Entscheider hingegen bezieht den Faktor Ungewissheit in ihre Entscheidungen und der damit verbundenen Informationsverarbeitung mit ein. 2.1 Einführung in die Prozesse der Entscheidung 2.1.1 Entscheidungsprozess Um eine allgemeine Entscheidung zu treffen, differenziert man bei komplexen Entscheidungen wie der Einführung von Anwendungssystemen (AS) in mehrere Schritte, die etappenweise durchlaufen werden müssen. Dabei beginnt man mit dem Feststellen eines Entscheidungsbedarfs. Damit wird der erste Schritt eingeleitet, da das Unternehmen z.B. den Vorteil neuerer AS oder auch als den Einstieg in der Verwendung von AS zur Ablösung nicht-computerisierter Handlungsweisen nutzen möchte. In einem weiteren Schritt wird das Entscheidungsumfeld analysiert, in das man später die neuen AS einbetten möchte. Nachdem in der zweiten Phase einige Präferenzen gesetzt und gewichtet gesetzt wurden, werden Alternativen gesucht und analysiert. Anschließend werden durch unterschiedliche Vorgehensweisen Methoden zur Bewertung oder Auswahl von Alternativen durchgeführt, um die für die Unternehmung optimale Alternative finden zu können. Anschließend wird diese durchgeführt. Wenn das neue AS in Betrieb ist und somit alle Informationen durch Analysen der Software vorliegen, ist es möglich, die Alternative genau zu bewerten und Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 4 falls möglich Änderungen zur Anpassung vorzunehmen. Möglich ist jedoch auch, dass man auf Grund schlecht gewählter oder bewerteter Präferenzen zu einem erneuten Durchlauf des Entscheidungsprozesses gezwungen wird. 2.1.2 Entscheidungsfolgen Eine Entscheidung und ihre Auswirkung können von unterschiedlicher zeitlicher Dauer sein. Man spricht von den drei Stufen: „kurz-“, „mittel-“ und „langfristig“. Dabei ist es schwerlich möglich vorauszusehen, wie lange die Auswirkungen und Folgen der Entscheidung anhalten. Es ist wie bereits erwähnt auch möglich, die Entscheidung rückgängig machen zu müssen oder abzuwandeln, wenn zum Beispiel unerwartete Konsequenzen wie Schnittstelleninkompatibilität oder andere Probleme aufkommen. Schwer wird es bei Entscheidungen, die unwiderruflich sind, weil z.B. bestimmte Software an bestimmte Hardware vertraglich gebunden ist oder keine neuen Budgets für eine Wiederholung des Entscheidungsprozesses zur Verfügung stehen. Besonders schwierig wird es dabei, wenn eine langfristige Entscheidung getroffen werden sollte und somit evtl. die Unternehmung jahrelang an bestimmte Faktoren bindet. 2.1.3 Entscheidungsverfahren Bevor ein Entscheidungsverfahren beginnt, sollte die Unternehmung versuchen, die vorhandenen oder herausgearbeiteten Informationen über die Unsicherheit zu minimieren, um so den Nutzen und auch die Bewertung der Alternativen zu optimieren. Im Rahmen der Entscheidungstheorie gibt es verschiedene Verfahren, die Entscheidungen auszuwählen. Dabei werden Kriterien als Gesichtspunkte und Alternativen als Lösungsvorschläge betrachtet, verglichen und bewertet. 2.2 Eindimensionale und multidimensionale Auswahlverfahren Eindimensionale und multidimensionale Auswahlverfahren werden zur Gewichtung von Attributen oder Auswahlkriterien eingesetzt. Wie der Begriff eindimensional sprachlich verdeutlicht, werden die Alternativen und dessen Kriterien nur nach einer einzigen Dimension hinterfragt. Dies stellt in den meisten Fällen einen Kosten-Nutzen bzw. Kosten-Leistungs-Vergleich dar. Nach [Alt, 2007] kann man dabei in zwei verschiedene Methoden unterscheiden. Zum einen in die Methode der Software-Evaluation, welches z.B. Benchmarking oder Monitoring vorsieht und auf der anderen Seite die Methode der Investitionsrechnung, die z.B. durch die Kapitalwertmethode oder vollständiger Finanzplanung durchzuführen ist. Eindimensionale Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 5 Verfahren richten sich dabei häufig auf quantitative Methoden, da die benötigten Informationen eindeutig sein müssen, um entsprechend ausgewertet zu werden.2 Auf der Grundlage der multidimensionalen Verfahren3 gibt es mindestens 2 oder n Dimensionen, welche analysiert und miteinander verglichen werden. Grundlegend unterscheidet man bei multidimensionalen Verfahren in zwei verschiedene Gruppen. Eine Gruppe bilden die allgemeinen Matrixmodelle, zu denen z.B. die Nutzwertanalyse zählt. Die allgemeinen Matrixmodelle unterscheiden dabei nach verschiedenen Alternativen unter Berücksichtigung verschiedener Kriterien. Die zweite Gruppe bilden die Matrixmodelle mit Kriterienkombination. Dies bedeutet, dass die verschiedenen vorliegenden Kriterien rechnerisch miteinander verknüpft werden. Als bedeutendste Beurteilung werden dabei Kosten-Kriterien herangezogen und im Weiteren die übrigen Beurteilungskriterien. Als ausgewählte Verfahren werden z.B. die Kosten-Wert-Verfahren oder Kosten-Effektivitäts-Verfahren durchgeführt. 2 Vgl. [Stoffer, 2003/2004], Seite 24 3 Nach [Alt, 2007] Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 6 2.3 Methoden zur Entscheidungsfindung Wissenschaftlich unterscheidet man in der empirischen Forschung zwischen qualitativen und quantitativen Verfahren. Folgend wollen wir uns mit mathematischen Methoden wie der eindimensionalen und multidimensionalen Auswertung beschäftigen. 2.3.1 Qualitative Methoden Qualitative (nicht standardisierte) Methoden werden meist eingesetzt, um den Befragten die Möglichkeit zu geben, frei auf Fragen einzugehen und diese zu beantworten. Dabei stehen in der Regel keine Antwortfelder im Sinne eines Multiple-Choice-Test zur Verfügung. „Die Erhebungsmethoden beziehen sich dabei auf z.B. teilnehmende Beobachtungen, Interviews oder Gruppendiskussionen.“4 Die gewonnenen Informationen/Daten können nach Inhalten analysiert und interpretiert werden. Die Total Cost of Ownership-Methode ist ein Beispiel für eine qualitative Methode. 2.3.2 Quantitative Methoden Quantitative (also standardisierte) Methoden hingegen führen den Befrager dazu, lediglich zwischen verschiedenen vorgefertigten Informationsgehalten auszuwählen. Man benutzt häufig standardisierte Fragebögen um gleichzeitig eine entsprechend große Erhebung mit einer Vielzahl von Befragten durchführen zu können. Diese Methode liefert daher feste Kennwerte und Zahlen, die anschließend einfach ausgewertet werden können – „die Resultate sind also quantifizierbar (Anzahl, Ausmaß) und statistisch auswertbar“5. Als ein gutes Beispiel für eine quantitative Methode sei hier die Nutzwertanalyse erwähnt. 2.3.3 Mischformen 4 Vgl. [WWW Uni Bielefeld, 2007] 5 Vgl. [WWW InnoBau, 2007] Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 2.4 Auswahl von Software Dasd Diesen Teil solltet ihr den Besonderheiten von Software widmen. Ihr habt als Ziel eine Software einzuführen. Das Entscheidungsproblem besteht darin, die richtige/passendste Alternative zu wählen. Was ist bei diesem Entscheidungsproblem ggü. anderen besonders zu beachten? (Einführungsdauer, hohe Kosten, lange Nutzungsdauer, hohes Risiko usw. ...) 7 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 8 3 Modellteil Auf den nun folgenden Seiten wollen wir verschiedene Modelle näher betrachten. Es handelt sich dabei um die „Nutzwertanaylse“ (NWA) sowie deren Weiterentwicklung, die „PreisLeistungsmethode“ (PLM), der „Analytic Hierarchy Process“ (AHP), das „Quality Function Deployment“ (QFD) sowie die „Technique for Order Preference by Similarity to Ideal Solution“ (TOPSIS). Diese verschiedenen Methoden werden kategorisiert, deren Vorgehen analysiert sowie Vor- und Nachteile diskutiert. 3.1 Nutzwertanaylse Nutzwertanalyse (NWA) ist eine Analyse einer Menge komplexer Handlungsalternativen mit dem Zweck, die Elemente dieser Menge entsprechend den Präferenzen des Entscheidungsträgers bezüglich eines multidimensionalen Zielsystems zu ordnen. Die Abbildung der Ordnung erfolgt durch die Angabe der Nutzwerte (Gesamtwerte) der Alternativen6. Die Nutzwertanalyse wurde unter der Bezeichnung "utility analysis" in den USA entwickelt. In Deutschland wurde sie in den 1970er Jahren durch Christof Zangemeister, Professor am Institut für Psychologie und Arbeitswissenschaft der TU Berlin, bekannt. Es handelt sich dabei um eine Methode, die den Nutzwert verschiedener Entscheidungsalternativen im Vergleich zueinander liefert. Das Ergebnis der – anfangs vielleicht etwas technisch anmutenden – Analyse ist für jede der Alternativen eine Zahl, die den Nutzwert darstellt. Die „beste“ Lösung erhält dabei den höchsten Nutzwert im Vergleich zu den anderen Alternativen. Man kann auch sagen, dass das Ziel der Nutzwertanalyse eine Nutzenfunktion u über die Menge von Alternativen auf eine geordnete Menge U zu finden ist, sodass gilt u ( x) u ( y ) P( x, y ) 7 . Sie ist besonders gut geeignet, wenn „weiche“ – also in Geldwert oder Zahlen nicht darstellbare – Kriterien vorliegen, anhand derer zwischen verschiedenen Alternativen eine Entscheidung gefällt werden muss. 6 7 Vgl. [Zangemeister, 1976] P ( x, y ) ist Präferenz von x und y. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 9 3.1.1 Voraussetzungen Der Entscheidungsträger (Unternehmen) muss sich über Ziele und Motive im Klaren sein, um das Zielsystem aufstellen zu können. Der Anwender benötigt aufgrund des einfachen theoretischen Hintergrunds kein spezielles Trainings, sollte jedoch in der Konzipierung unabhängiger Kriterien, deren Gewichtung und der Aufstellung von Entscheidungsregeln erfahren sein. Aus mathematischer Sicht können wir die Voraussetzungen exakt wie folgt8 formulieren: Die Menge der Alternativen A kann vom Entscheidungsträger durch eine zweistellige Relation P (Präferenzordnung) auf der Menge A geordnet werden. Der Entscheidungsträger ist in der Lage, die Frage: "Gilt für x, y aus A P ( x, y ) ?" zu beantworten. Der Entscheidungsträger verhält sich während der Befragung in folgendem Sinne konsistent: Die Präferenzordnung P ist vollständig und transitiv. Die Präferenzordnung ist vollständig, wenn der Entscheidungsträger zwischen zwei beliebigen Alternativen seine Präferenz in der Form ≤ oder ≥ (oder beides) angeben kann. Formel: x, y A : P( x, y ) P( y, x) Die Transitivität ist also gegeben, wenn ein Entscheidungsträger, der die Alternative x gegenüber y vorzieht und y gegenüber z vorzieht, auch x gegenüber z vorzieht. Formel: x, y, z A : ( P( x, y ) P( y, z )) P( x, z ) 3.1.2 Vorgehensweise Die Durchführung einer Nutzwertanalyse umfasst folgende vier Arbeitsschritte9: a) Zielbestimmung und Zielgewichtung Formulierung der Ziele: Wir müssen zuerst feststellen, welche Kriterien für unsere Projekten wichtig und relevant sein sollen. In den meisten Fällen können im schon ersten Schritt die KO-Kriterien, die zwingend erfüllt werden müssen, formuliert werden. Alternativen, die diese Bedingungen nicht erfüllen, scheiden sofort aus. Diese Muss-Kriterien können auch durch Soll-Kriterien, deren Erfüllung erwünscht aber nicht notwendig ist, ergänzt werden. 8 siehe Wikipedia, http://de.wikipedia.org/wiki/Nutzwertanalyse, Abruf am 22. August 2007 9 vgl. [BAI, 1997], S. 106ff Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 10 Gewichtung der Ziele: die einzelnen Soll-Kriterien in diesem zweiten Schritt in eine Ordnung gebracht werden. Eine Systematisierung in Form von Oberzielen und dazugehörigen Unterzielen ist hier auch notwendig. b) Beschreibung der Alternativen Im zweiten Schritt werden die vorhandenen Alternativen im Bezug auf Zielkriterien bewertet. Die Kriterien lassen sich mit ihren Ausprägungsmöglichkeiten in einer Checkliste festhalten. Gefragt ist also, wie gut oder schlecht die jeweilige Alternative das Zielkriterium erfüllt, der Erfüllungsgrad. Diese Bewertung kann mit unterschiedlichen Bewertungssystemen durchgeführt werden. Damit später eine einheitliche Punktvergabe möglich ist, ist es sinnvoll, für alle Eigenschaften die gleiche Anzahl an Ausprägungen zu wählen, z.B.: Punktwerte: 10 (Sehr gut) bis 1 (Sehr schlecht), Ranking: Platz 1 bis Platz n, oder Schulnoten: 1 (Sehr gut) bis 6 (Ungenügend). Können die Alternativen durch mehrere Kriterien Ki hinsichtlich des Nutzens vollständig beschrieben werden, so gilt: n N ; n 2; A K1 .. K n (wobei n ist Anzahl von Kriterien) c) Bewertung der Alternativen Die Kriterien werden in dritten Schritt zunächst gewichtet, d.h. entsprechend ihrem Einfluss auf den Gewichtungsfaktoren Gesamtnutzen bestimmt. eines Nun Produktes ordnet man werden den für die einzelnen Merkmale Stufen der Bewertungsskala Punkte (Teilnutzwert) zu. Bei messbaren Eigenschaftsausprägungen kann dies durch eine Teilnutzfunktion und bei qualitativen Kriterien mittels einer Wertetabelle geschehen. Die Gewichtungsfaktoren können beispielsweise in der Form von Multiplikatoren von 1 (wenig wichtig) bis 5 (sehr wichtig) oder als Prozentangaben repräsentiert werden. In meisten Fällen werden die Gewichte so gewählt, dass ihre Summe 1 oder 100% ergibt. Also ein Kriterium mit einem Gewichtfaktor 0,2 ist zweimal wichtiger als ein Kriterium mit 0,1. Allgemeine Formel: n i 1 gi 1 . Jedes Alternativ zur Wahl von Projekt ist jetzt anhand der festgelegten Zielkriterien zu bewerten. Diese Bewertung ist aber nicht ganz einfach, weil es jeweils eine pessimistische, eine bestmöglich mittlere, oder eine optimistische Bewertung vorgenommen werden kann Auf diese Weise ist es möglich, den Bereich, in dem die Nutzwerte liegen können, abzugrenzen und darüber hinaus können wir einen Einblick in das Entscheidungsrisiko zu erhalten. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 11 d) Wertsynthese und Rangfolgenbildung Jetzt müssen wir die Punkte einzelner Kriterien additiv oder multiplikativ miteinander verknüpfen, um den Gesamtnutzwert, also u : K1 .. Kn R; u(k1,.., kn ) , der einzelnen Kandidaten zu rechnen Additiv: Aus Multiplikation der Gewichtungsfaktoren der Ziele mit dem entsprechenden Erfüllungsgrad der jeweiligen Alternative ergeben sich einzelne Teilnutzwerte. Und diese gewichtete Teilnutzwerte werden über alle Merkmale zum Nutzwert des jeweiligen Produktvorschlages summiert. Diese Weise wird angewendet, wenn die Kriterien stark unterschiedliches Gewicht aufweisen. Allgemeine Formel: u (k1 ,.., kn ) n g i 1 i ui (ki ) Multiplikativ: Hier werden auch die Punkte mit den Gewichtungsfaktoren der jeweiligen Merkmale multipliziert. Die gewichteten Teilnutzwerte werden zum Gesamtnutzwert des jeweiligen Produktvorschlages multipliziert. Diese Weise wird bevorzugt, wenn Produkte mit ausgewogenem Profil erwünscht sind. Allgemeine n Formel: u (k1 ,.., kn ) g i ui (ki ) i 1 Bemerkung: ui (ki ) ist hier die Teilnutzenfunktion entsprechend jeweiliger Kriterien (hinsichtlich ihrer Sub-Kriterien) Mit dem vierten Schritt ist die Entscheidung gefallen. Die Alternative mit dem höchsten Gesamtnutzwert wird ausgewählt. 3.1.3 Bewertung des Verfahrens Die NWA bietet verschiedene Vor- und Nachteile. Ein großer Vorteil liegt in der Flexibilität des Zielsystems, was jedoch auch gleichzeitig bedeutet, das die Methode einen hohen Zeitaufwand beansprucht. Mit der Flexibilität ist es jedoch möglich, die Methode an eine große Zahl spezieller Erfordernisse anzupassen. Zudem bietet diese Methode die Eigenschaft, die einzelnen Alternativen direkt vergleichbar auswerten zu können. Allerdings ist es auch fraglich, ob verschiedene Alternativen mit verschiedenen markanten Ausprägungen überhaupt verglichen werden dürfen/können. Wie auch bei vielen anderen Verfahren liegen Probleme bereits im Vorfeld der Methode, wenn mehrere Entscheidungsträger unterschiedliche Präferenzen bilden und sich auf gewisse geeinigt werden müssen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 12 3.1.4 Preis-Leistungsmethode Wie bereits eingangs erwähnt, ist die Preisleistungsmethode (PLM) eine Weiterentwicklung der PLM, welche grundlegend versucht, ein angemessenes PreisLeistungsverhältnis wiederspiegeln soll.10 Das Primärziel dieser Methode ist die Beibehaltung der Bedürfnisse während der gesamten Bewertung. Als sekundäres Ziel versucht man, die Zielwerte (Kriterien zu minimieren bzw. maximieren. Dieses Verfahren gliedert sich in zwei Bereiche. Zum einen die Preisplanung, dessen Aufgabe in der Ermittlung des leistungsgerechten Preises besteht. „Unter dem Preis ist die monetäre Entscheidungskonsequenz einer Alternative zu verstehen. Dabei ist von sämtlichen einem Entscheidungsobjekt zurechenbaren Auszahlungen und ggf. Einzahlungen auszugehen“.11 Im Ergebnis der Berechnung lässt sich der Preis zwischen Geldeinheiten oder aber in Geldeinheiten pro Periode angeben. „Der Leistungsplanung liegt das Prinzip zugrunde, dass jedes für relevant gehaltene Item seine Originaldimension behält. (Kardinales bleibt kardinal, Nominelles bleibt nominell, Qualitatives bleibt qualitativ.) Hierdurch erlangt jedes Item den Rang eines Kriteriums, sodass die Kriterienhierarchie beim Preis-Leistungsmodell stets einstufig ist.“12 Diese Methode zeichnet sich durch ein qualifizierbares Verfahren aus, das laut [Grob, 2003] keine Quantifizierung nötig sei. Aufgrund der geringen Verbreitung der Methode in Bezug auf die Bewertung von Anwendungssystemen sei an dieser Stelle darauf hingewiesen, das diese Methode auf die Anwendung in der Produktion und Entwicklung von Systemen ausgelegt ist. Zur Berechnung von einer Einführung von Software i.S.v. AS ist zwar möglich, wird aber praktisch in den meisten Fällen weder berücksichtigt noch durchgeführt, da sich bei den meisten Unternehmen die NWA durchgesetzt hat. Es sei jedoch darauf hingewiesen, das im [Grob, 2003] genaue mathematische Grundlagen, die Durchführbarkeit sowie eine Softwareumsetzung der PLM zu finden sind. 10 Vgl. [Grob, 2003] 11 Siehe [Grob, 2003], Seite 4 12 Siehe [Grob, 2003], Seite 4 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 13 3.2 Analytic Hierarchy Process Der AHP ist „hierarchisch“, da Kriterien, die zur Lösung eines Problems herangezogen werden, stets in eine hierarchische Struktur gebracht werden. Die Bezeichnungen für diese Kriterien lauten je nach Bedarf Merkmale, Attribute, Alternativen oder ähnlich. Elemente einer Hierarchie können in Gruppen eingeteilt werden, wobei jede Gruppe nur jeweils eine andere („höhere“) Gruppe von Hierarchieelementen beeinflusst und nur von einer anderen („niedrigeren“) beeinflusst wird. Als „analytisch“ wird der AHP wegen seines Vermögens bezeichnet, eine Problemkonstellation in all ihren Abhängigkeiten umfassend zu analysieren. Er wird „Prozess“ genannt, weil er einen prozessualen Ablauf vorgibt, wie Entscheidungen strukturiert und analysiert werden. Dieser Ablauf ist im Prinzip immer gleich bleibend, wodurch der AHP bei mehrfachem Einsatz zu einem leicht einsetzbaren, einer Routinehandlung gleichkommenden Entscheidungstool wird. Der AHP ist eine Methode zur Unterstützung von Entscheidungsprozessen, die von amerikanischem Mathematiker Thomas Saaty entwickelt wurde. Thomas Saaty hatte die Methode bereits 1980 theoretisch entwickelt und veröffentlicht. Er hat auch auf diesem Thema viele Bücher geschrieben, die bekanntesten davon sind „Multicriteria decision making - the analytic hierarchy process. Planning, priority setting, resource allocation”, “ Decision Making for Leaders – The Analytic Hierarchy Process for Decisions in a Complex World” und „Online-Marktforschung: Eine Positionsbestimmung im Methodenkanon der Marktforschung unter Einsatz eines webbasierten Analytic Hierarchy Process (webAHP)“. Mit Hilfe von AHP können komplex Entscheidungen vereinfacht und rationaler getroffen werden. Der AHP bietet ein systematisches Verfahren, um Entscheidungsprozesse zu strukturieren und zu lösen. Die Einsatzbereiche sind vielfältig. Beispiele sind Auswahl eines Telekom-Anbieters, Strategien in der Drogenpolitik, Auswahl einer Marketingstrategie, oder auch Auswahl eines Anwendungssystems, usw. Der AHP erzielt vor allem die Unterstützung für Entscheidung in Teams, sowie die gemeinsam tragbare Lösung und die Minimierung von erforderlichem Zeitaufwand. Entscheidungsfindung und das Ergebnis sollen nachvollziehbar sein und Inkonsistenzen können eventuelle in der Entscheidungsfindung aufgedeckt werden. Der AHP dient zur Überprüfung und Ergänzung von subjektiven „Bauchentscheidungen“. Die qualitativen Gewichtungsentscheidungen werden basierend auf vergleichenden Entscheidungen herausgearbeitet. Problemstellung wird zerlegt in eine Hierarchie von Kriterien und Alternativen. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 14 Die Methode kam zum praktischen Einsatz erst in 1990er Jahren. Der AHP wurde populär in Nordamerika, in Skandinavien und in den östlichen Ländern. Im deutschen Sprachraum benutzt man AHP bisher vor allem in Österreich und in der Schweiz.13 3.2.1 Vorgehensweise a) Schritt 1 – Sammeln der Daten, Aufstellen der Zielhierarchie In diesem Schritt sammelt der Entscheidungsträger alle Daten, die für seine Entscheidung erheblich sind. Er muss zuerst eine konkrete Frage zu Problemstellung formulieren. Ziel ist es, die beste Lösung beziehungsweise Antwort zum Problem zu finden. Weitere Anforderung ist die Benennung aller Kriterien, die ihm zu Lösung der Fragestellung als wichtig erscheinen. Hier kann man beispielsweise auch vorstellen, dass für Anwendungssystem zwei große Kriterien A und B gibt, unter A und B muss man noch detaillierter Sub-Kriterien zerlegen, um die Kriterien leichter bewerten zu können. Der Zerlegungsvorgang wird solange durchgeführt, bis man sich „füllt“, dass genug zu analysieren ist. Nach der Bearbeitung lassen sich diese Kriterien als Graph mit verschiedenen Stufen darstellen. Problem Kriterium 1 Kriterium 2 Kriterium n Kriterium 1.1 Alternative 1 Alternative 2 Alternative m Abbildung 1: AHP - Problem -> Kriterien und Alternativen - Quelle http://www.boku.ac.at/mi/ahp/ahp.pdf 13 Quelle: Wikipedia Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 15 Die Ordnung der Kriterien nach ihrer Wichtigkeit erfolgt erst in einem späteren Schritt. Anschließen muss er noch alle Alternativen, die Lösungsvorschläge, die für ihn in die engere, realistische Wahl kommen, benennen. Mit einer dieser Alternativen kann er sein Problem lösen. Damit ist der erste Schritt abgeschlossen. b) Vergleichen und gewichten – Bestimmung der Prioritäten Nun muss man die Kriterien beziehungsweise die Alternativen gegenüberstellen, vergleichen, und bewerten. Jedes Kriterium muss jedem anderen gegenübergestellt und verglichen. In diesem Schritt kann man temporär das Ziel ignorieren. Man muss nur entscheiden, welches Kriterium der beiden für ihn wichtiger, indem er jedes Paar von Kriterien vergleicht. Durch diese Methode der paarweisen Vergleiche kann der Entscheidungsträger eine sehr genaue Bewertung aus der Vielzahl konkurrierender Kriterien bekommen. Dies ergibt sich eine Rangfolge, in der die Kriterien nach ihrer Wichtigkeit geordnet sind. Zu Bewertungen wird eine Skala mit einer Bandbreite von 1 bis 9 Punkten in herangezogen. Die Skala wird nach Saaty in folgender Tabelle definiert: Tabelle 1: AHP - (Quelle http://www.orcacomputer.com/eeHelp/Analytic_Hierarchy_Process.htm) Komparative Wichtigkeit Definition Erklärung 1 Gleichmäßig wichtig Zwei Kind-Entscheidungselemente beeinflussen gleichmäßig das Eltern-Entscheidungselement. 3 Schwach wichtiger Ein Entscheidungselement ist wenig wichtiger als eines anderes 5 Stark wichtiger Ein Entscheidungselement ist stark wichtiger als eines anderes. 9 Extreme wichtiger Ein Entscheidungselement ist extrem wichtiger als eines anderes. 2,4,6,8 Zwischenwerte Die Werte zwischen gleichmäßig, schwach, stark, und extrem. Kehrwert Wenn xij gewählter Wert bei dem Vergleich von Element i zu Element j ist, dann ist xji = 1/xij der Wert bei dem Vergleich von Element j zu Element i. Bei diesem Ablauf wird das eine Kriterium dem anderen Kriterium in einer Matrix gegenübergestellt, verglichen und mit einer Punktzahl bewertet. Tabelle 2: AHP - Entscheidung und Kriterium Entscheidung Kriterium1 Kriterium 2 Kriterium 3 Kriterium 1 1 x12 x13 Kriterium 2 x21 = 1/x12 1 x23 Kriterium 3 x31 = 1/x13 x32 = 1/x23 1 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 16 Man muss danach auch mit gleichem Art und Weise alle Alternativen paarweise hinsichtlich jeweiligen Kriteriums miteinander vergleichen. Das führt zu auch die Matrizen (jeweils im Bezug auf einem bestimmten Kriterium) wie bei den Kriterien. c) Berechnung der Gewichtungsvektoren Wir können jetzt aus der Matrix den Eigenvektor und den maximale Eigenwert nach vereinfachten Verfahren berechnen. Saaty könnte auch mathematisch beweisen, dass der Eigenvektore der beste Zugang zur Ableitung von Prioritäten darstellt. Berechnungsregeln: Die Matrix wird sukzessiv quadriert 1 R1 x 21 x 31 x12 1 x 32 2 x13 r11 x 23 r21 r31 1 r12 r22 r32 r13 r23 wobei rij xi1 x1 j xi 2 x2 j x13 x3 j und xii 1 r33 Die Reihensumme wird berechnet und normalisiert. r11 r12 Reihensumme: r21 r22 r31 r32 r13 r11 r12 r13 s1 r23 r21 r22 r23 s2 r33 r31 r32 r33 s3 Reihengesamtsumme: s1 s2 s3 Normalisierung: die Reihensumme wird durch Reihengesamtsumme dividiert. v1 s3 s1 s2 , v2 , v3 s1 s 2 s 3 s1 s 2 s3 s1 s 2 s3 v1 dann erhalten wir den Vektor V1 v 2 . v 3 Die Berechnung stoppt dann, wenn der Unterschied zwischen zwei Rechenschritten minimal ausfällt. Das heißt, wir müssen noch die Matrix R1 weiter quadrieren und normalisieren. Somit erhalten wir weitere Matrix R1, R2, R3, … sowie Eigenvektoren V1, V2, V3, …. Die Berechnung stoppt wenn wir so einen Vektor Vn, dass u1 Vn Vn 1 u2 mit (ui ≤ einer minimaler) Wert ist. Ein minimaler Wert kann hier u3 beispielsweise 0,00001 oder 0,000001 sein. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 17 Somit haben wir den Eigenvektor Vn-1, der das Ranking der Kriterien (auch ähnlich mit Alternativen) wieder gibt. Die oben geführte Berechnungsweise wird auch für die Prioritäten der Alternativen in Bezug auf jeweilige Kriterien angewendet. Dann setzen wir alle Eigenvektoren wieder in die Hierarchie. Angenommen, wir sind beim einfachen Fall, dass wir nur Hierarchie mit zwei Ebene, erste ist das Problem, und zweite sind die Kriterien von 1 bis 3. Es ist auch angenommen, dass wir haben insgesamt zwei Alternativen A, B. Problem Kriterium 1 A B Kriterium 2 Kriterium 3 a1 a2 a3 b1 b2 b3 Abbildung 2: Darstellung der Kriterien und der Alternativen ai b ist entsprechender Eigenvektor von Alternativen in Bezug auf Kriterium i i Anschließend müssen wir alle Vektoren ai , bi in eine Matrix setzen und mit dem a a Eigenvektoren von Kriterien multiplizieren 1 2 b1 b2 v1 a3 p A v2 b3 pB v3 Aus der Ergebnismatrix können wir jetzt bestimmen, welche Alternativ für uns am besten ist, indem wir p1, p2, p3 vergleichen und das Alternativ mit dem größten Wert p max p A , p B als Lösung rausnehmen. Bei beliebig n Kriterien, z Ebene und m Alternativen sollen wir auch ähnlich der Hierarchie die Berechnung von unten bis oben durchführen. Somit können wir am Ende eine passende Lösung finden. 3.2.2 Bewertung des Verfahrens Der Analytic Hierarchy Process (AHP) ist ein Verfahren der präskriptiven Entscheidungstheorie, das in der Praxis in vielen Anwendungsgebieten zum Einsatz kommt. Die Methode des AHP basiert mathematisch auf einer Kette von MatrizenMultiplikationen. Diese benötigten natürlich Rechenpower, die dem AHP in der Praxis eigentlich erst ab 1990 erfolgreich zur Verfügung stand. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 18 Die Stärke der klassischen AHP-Methode ist zugleich aber auch ihre Schwäche. Denn man benötigt mehr Zeit für die Bewertung wirklich aller Vergleiche. Es sei denn man wendet alternativ eine verkürzte Bewertungsmethode des AHP an („ein Kriterium mit jedem anderen Kriterium“), sobald der Entscheidungsträger z. B. aus einer Vielzahl von Alternativen die „Spreu vom Weizen“ trennen muss. Aber dann lassen sich mangels Überbestimmung natürlich Inkonsistenz und Stabilität nicht mehr ermitteln. Neuere Anwendungen versuchen die Problematik der Vielzahl von zu bewertenden Paarvergleiche durch unterschiedliche Verfahren zu reduzieren. Der Adaptive-AHP bemüht sich, die Zahl der Paarvergleiche deutlich zu reduzieren, ohne die Güte des Ergebnisses zu tangieren. Eine weitere Schwäche des AHP ist das sogenannte Rank Reversal. Ist nach der vollständigen Bewertung die Reihenfolge der Alternativen beispielsweise A B C , so kann durch das Hinzufügen einer weiteren Alternative die Reihenfolge gedreht werden, und als Ergebnis D B A C herauskommen. Diese Veränderung der Reihenfolge ist von den meisten Kritikern als nicht logisch bezeichnet. Wenn zuvor die Alternative B besser war als A, warum sollte sie durch hinzufügen einer weiteren Alternative D jetzt schlechter als A sein? Dies hat im Allgemeinen mit der Bandbreite zu tun, der Effekt tritt auf, wenn die neue Alternative in bestimmten Kriterien extrem gut, in anderen extrem schlecht ist. Vermeiden lässt sich das Rank Reversal, wenn man von Anfang an zwei fiktive „Extrem-Alternativen“" mit betrachtet, die in allen Kriterien jeweils sehr gut und sehr schlecht abschneiden. Die Gegner dieser Kritik erklären das Phänomen oft mit folgendem Beispiel: „Eine Frau geht in das einzige Hutgeschäft in einem Ort. Der Verkäufer zeigt ihr Hut A und Hut B. Der Frau gefällt zunächst Hut A am besten, doch der Verkäufer zeigt ihr nach kurzer Zeit noch einen Hut C, der so aussieht wie Hut A. Darauf hin entscheidet sich die Frau doch für Hut B, da sie nicht möchte, dass eine Frau mit dem gleichen Hut in dem Ort herumläuft.“ Dieses Beispiel ist insofern jedoch schlecht gewählt, da durch zum Beispiel nicht gewährleistet werden kann, dass die Einzigartigkeit des Hutes schon eine Rolle gespielt hatte, als die Frau nur A oder B zur Auswahl hatte. Der Analytic Hierarchy Process ist im Vergleich zur Nutzwertanalyse (NWA) zwar mathematisch anspruchsvoller, aber dafür auch präziser. Man braucht zum Berechnen bei NWA nur Stift und Papier, und nur mit Grundrechenarten. Deshalb wurde die NWA schon zu Zeiten eingesetzt, als es noch keine EDV gab. Bei der NWA wird im Gegensatz zum AHP bereits das Kriterien-Ranking meist nicht durch paarweisen Vergleich ermittelt (nicht „jedes Kriterium mit jedem anderen Kriterium“). Stattdessen trägt der Entscheidungsträger seinen prozentualen Schätzwert direkt in die Ranking-Tabelle manuell ein. Die „Methodik“ der NWA reduziert sich also darauf, dass die Summe aller Gewichtsfaktoren Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 19 nicht mehr als 100 Prozent ergeben darf. Der AHP dagegen „zwingt“ zum paarweisen Vergleich auch bei den Alternativen. Das Verfahren kann prinzipiell auch in der Praxis der Wirtschaftsinformatik zur Unterstützung der Entscheidungsfindung bei den auch dort häufig auftretenden komplexen Entscheidungsproblemen herangezogen werden. Anhand der Beispiele zur Auswahl eines Anwendungssystems wird gezeigt, welche Arbeitsschritte beim AHP abzuarbeiten sind. Daraus werden Stärken und Schwächen abgeleitet, die Aufschluss über die Praxistauglichkeit des Verfahrens geben. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 20 3.3 Technique for Order Preference by Similarity to Ideal Solution Zur Lösung von multidimensionalen Entscheidungsproblemen unter Sicherheit kann auch die 2.3 Technique for Order Preference by Similarity to Ideal Solution (TOPSIS) herangezogen werden. Dieses Verfahren wurde im Jahre 1981 von C.-L. Hwang14 und K. P. Yoon15 entwickelt. Man versucht dabei, die relative Vorteilhaftigkeit der verschiedenen Alternativen in Bezug auf das derzeit ausgewählte Produkt zu messen und somit die Produkte in einer entsprechenden Hierarchie zu bewerten. Das Verfahren wird wie auch Andere nicht nur in der IT-Industrie angewendet sondern auch in anderen Einführungsbereichen wie z.B. der Automobilindustrie. Bei diesem Verfahren bestimmt man die Vorteilhaftigkeit einer Alternative. „The choosen alternative should have the shortest distance from the positive-ideal solution and the longest distance from the negative-ideal solution.“ [Yoon und Hwang]. Die bestmögliche Alternative ist im Anschluss an die Bewertung des Abstandes die, die den besten (größten) Wert aller Attribute und aller Wahlmöglichkeiten besitzt. Zunächst bildet man eine Matrix, in der alle wichtigen Attribute, der Gewichtung sowie Maximierungs- bzw. Minimierungsgegenstand zu jeder Alternativen erfasst werden. Dies könnte wie folgt aussehen: Tabelle 3: TOPSIS - Ausgangsmatrix Funktionalität SAP CRM 7 MS Dynamic Nav 4 Open Source 3 Support 9 8 2 Schnittstellen 6 4 9 GUI 3 8 6 Kosten 8 7 2 Gewichtung 0.2 0.2 0.2 0.1 0.3 Max/Min 1 1 1 1 0 Die Summe der Gewichtung über alle Attribute muss stets eins ergeben. Eine 1 in der Zeile Max/Min steht für eine Maximierungsfunktion, das heißt, je höher der Wert, desto größer der Nutzen des Systems. Bei einer 0 sollte der Wert so klein wie möglich sein, um den Nutzen zu maximieren. 14 Ching-Lai Hwang wurde 19.. in … geboren. Derzeit ist er an der Universität … als Professor im Bereich … tätig. 15 Kwangsun Paul Yoon wurde 19.. in … geboren. Als Professor an der Universität … ist er für den Lehrstuhl … tätig. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 21 Rechnerisch untergliedert sich diese Methode in fünf Schritte. Zunächst berechnet man mit der Formel rij xij i die Korrelation eines jeden einzelnen Wertes in der aufgestellten x j 1 2 ij Matrix. Dabei sind die ist die Variable i die Anzahl der Attribute und j die Anzahl der Alternativen. In einem weiteren Schritt werden mittels Matrix gewichtet. wi vij wi rij jeder Wert in der ist dabei die Gewichtung für die i-te Spalte. Im dritten Schritt werden die bisherigen Ergebnisse nach positiven und negativen Werten getrennt, so das man (A jeweils einen eigene {v1 , v2 ,.., vi .., vn } sowie Lösungsmenge für die A {v1 , v2 ,.., vi .., vn } . Werte ermittelt Im vorletzten Schritt berechnet man die positiven und negativen Abstände des entsprechenden Produktes zu den Alternativen, man mittels n (vij vi )² sowie s j s j c j i 1 s j s s j j mit 0 c j 1 n (v v )² . i 1 ij i Am Ende ermittel ein Ranking aller Alternativen und erhält somit die bestmögliche Alternative bzw. Wahlentscheidung. Die Vorteile des Verfahrens sind unter anderem, das man dieses in einem Tabellenkalkulationsprogramm schnell durchführen und entsprechend schnell Ergebnisse vermittelt bekommen kann. Dies liegt daran, dass es mathematisch weniger elaboriert ist. Nachteilig kann sich bei dieser Alternativevaluation die evtl. eingeschränkten, selbsterstellten Bewertungsfaktoren auswirken, da es so zu Verfälschungen kommen kann. Wie bereits bei anderen Alternativen erwähnt, müssen auch bei diesem Verfahren die Bewertungskriterien entsprechend sorgfältig ausgewählt werden und analysiert werden. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 22 3.4 Quality Function Deployment Der Name entstammt ursprünglich aus dem Japanischen16 (Hin Shitsu (Merkmale, Attribute, Features), Ki No (Funktion), Ten Kai (Darstellung, Aufstellung, Entwicklung)). Verwendet wird jedoch der englische Begriff QFD, da dieser sich dieser als eigenständiger Name etabliert hat. Die QFD wurde von Yoji Akao17 im Jahre 1966 entwickelt. Die erste praktische Anwendungen fand diese Methode sechs Jahre später im Jahre 1972 bei der KobeSchiffswerft der Mitsubishi Heavy Industries. Bob King18 erweiterte Jahre nach Akao die QFD, um die Methode nicht isoliert stehen zu lassen. Diese Erweiterung ist jedoch kein Bestandteil dieser Ausarbeitung, da diese eine Integration des Konstruktionsplanungsprozesses sowie in den Produktionsplanungsprozess vorsieht, welche für die Auswahl und Einführung von Anwendungssystemen eine unbedeutende Rolle spielt. Genauere Informationen zu dieser Ausweitung sind in [King, 1988] nachzulesen. Ziel dieser Methode ist Konzeption, die Erstellung sowie der Verkauf von Produkten oder Dienstleistungen und ferner die Qualitätssicherung dieser Maßnahmen. Im Rahmen dieser Hausarbeit wird jedoch nur auf die Konzeption und Erstellung eingegangen, die auf die Einführung von Anwendungssystemen übertragen werden können. 3.4.1 Vorgehensweise Die allgemeine Vorgehensweise beginnt mit einer erfolgreichen Strukturierung und Gewichtung von Eingangsdaten in die Matrizen des QFD. Um die Inhalte der Matrizen optisch darzustellen, verwendet man Baumdiagramme oder andere Managementwerkzeuge, um somit existentielle Verknüpfungen zwischen Zeilen und Spalten aufzuzeigen. Bei der Gewichtung der Verknüpfungen wird in der Regel in drei verschiedenen Stufen unterschieden: schwach, mittel und stark, wobei mathematisch schwach = 1, mittel = 3 sowie stark = 9 ist. Die Anordnung der empfangenen Daten wird nach einer WAS-WIE-Fragestellung angeordnet. Das WAS bildet dabei die Zeilen ab und das WIE die Spalten. 16 Sinngemäße Übersetzung ins Deutsche: „Aufmarsch der Qualitätsmerkmale“ 17 Der Japaner Yoji Akao wurde 1928 geboren. Er ist Professor der Tamagawa University’s Department of Industrial Engineering. 18 Bob King war ein Schüler und Student von Yoji Akao. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 23 In einem weiteren Schritt versucht man die Abhängigkeiten der einzelnen Werte stärker herauszuarbeiten, indem man zwei verschiedene Fragestellungen verfolgt. Zum einen werden unter anderem die folgenden Fragen für Forderungen auf der Zeilenebene gestellt: „WAS braucht der Kunde? WAS will er haben? WAS wird benötigt? WAS ist für alle sinnvoll? WAS soll erreicht werden …?“ Auf deren Seite werden Qualitätssicherungsmerkmale hinterfragt „WIE bekommt man es? WIE stellt man es her? WIE setzt man es ein? WIE soll das erreicht werden? …“. Die Gewichtungen der einzelnen Werte lassen sich in weiterführenden Tabellen außerhalb der Korrelation gut darstellen und bieten entsprechend leichte Interpretationsmöglichkeiten an. Die Gewichtungen stammen entweder aus alten bewährten Anwendungen oder müssen komplett neuentwickelt werden, um den späteren Nutzen des Anwendungssystems maximieren zu können. 3.4.2 Quality Function Deployment nach Akao Yoji Akao entwickelte die ursprüngliche QFD und prägte in Zusammenhang mit dem QFD den folgenden Satz: „Copy the spirit, not the form.“ Damit bringt er zum Ausdruck, das nicht jedes einzelne Matrize kopiert werden müsste, sondern das ganze Verfahren flexibel bleiben soll und bei Bedarf neue Funktionalitäten adaptiert werden können. Akao setzte bei der QFD auf verschiedene wichtige Merkmale die bei jeder QFD beachtet werden müssen. Somit wird sichergestellt, dass neben der reinen Qualitätssicherung auch die Technologie-, die Zuverlässigkeits- und Kostenentwicklungen bedacht werden müssen. Bei diesem fortschrittlichen Verfahren wird zudem auch darauf geachtet, dass die anfänglichen, teilweise geschätzten Eingabedaten im Laufe des Verfahrens zu konkreten Faktoren ausgeprägt werden. Um dies automatisiert zu gewährleisten, implementierte dieser sogenannte Informationspfade, die einfach ausgedrückt den steigenden Konkretisierungsgrad beinhalten und Informationen von Matrize zu Matrize oder Tabellen weiterleitet. Diese Informationspfade stellen zudem sicher, dass sich Änderungen der Daten z.B. im Falle von Konkretisierungen auf verknüpfte Matrizen oder Tabellen sofort auswirken. Akao unterscheidet bei der QFD nach horizontaler und vertikaler Ebene, dabei beinhaltet die Horizontale folgende vier Kriterien: die Kundenforderungen, die Funktionen, die Qualitätsmerkmale und die Teile. In vertikaler Richtung lassen sich hingegen in die folgenden Elemente unterscheiden: die Qualität, die Technologie, die Kosten und die Zuverlässigkeit. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 24 Aktuellere Literatur greift bei der Arbeitsweise des QFD nach Akao immer öfter das Modewort „house of quality“19 (HoQ) auf. Dies bezieht sich auf die erste Matrix, in welcher Kundenforderungen mit Qualitätsmerkmalen korreliert werden. Das „Dach“ des HoQ bilden die Korrelationen der Kundenforderungen und Qualitätsmerkmale mit sich selbst. Diese Matrix wird auch oft Konfliktmatrix genannt, da Sie die Konflikte der Lösungsmerkmale untereinander aufzeigt, die dann im Einzelnen (meist durch Kompromisse) gelöst werden müssen.20 3.4.3 Bewertung des Verfahrens21 Durch die Darstellung der Daten in Listen sowie Korrelationen und durch die gleichzeitige Gewichtung der Daten ist es möglich, die Daten in den Feldern aufzubereiten und klar darzustellen. Durch die Korrelation können Abhängigkeiten und Verbindungen zwischen den einzelnen Elementen gut aufgezeigt werden. Daher ist es auch möglich, Konflikte durch die Korrelation und den weiterführenden Tabellen darzustellen und somit einfach wahrzunehmen. Positiv zeichnet sich dieses Verfahren jedoch aus, da man verschiedene, nicht vorgeschriebene Hilfsmittel nutzen kann. So ist es unter anderem Möglich, die vorhandenen Daten z.B. mit der Wertanalyse genauer zu spezifizieren und im späteren Verlauf des QFD diese gewonnenen Erkenntnisse wieder nahtlos integrieren kann. Zudem sind auch verschiedene Verfahren zum Bewerten möglich. Auch bei der Wahl der Überwachung und Identifikation von Produktmerkmalen kann man verschiedene Methoden implementieren z.B. auch nicht Matrixorientierte wie die Failure Tree Analysis (FTA) und die Failure Mode and Effect Analysis (FMEA), auf welche an dieser Stelle nicht weiter eingegangen wird. Beachten sollte man jedoch, dass diese Methode dann eingesetzt werden sollte, wenn es bereits bestehende Systeme zum Ablösen gibt bzw. man das Wissen über vorhandene Alternativ-Systeme bei anderen Firmen hat, um so den Wissensvorsprung besser im QFD nutzbar zu machen. 19 Englisch, zu deutsch „Qualitätshaus“. 20 Vgl. [QFD Institute, 2007] 21 Siehe Wikipedia - Quality Function Deployment, http://de.wikipedia.org/wiki/Quality_Function_Deployment, Abruf am 20. August 2007 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 25 3.5 Data Envelopment Analysis Die Data Envelopment Analysis (DEA)22 wurde im Jahre 1978 von A. Charnes, W. Cooper und E. Rhodes erfunden23. Die Methode wird dem Bereich Operations Research zugeordnet, genauer gesagt der Effizienz-Analyse. Gemessen wird dabei die relative Effizienz jeder einzelnen Entscheidungseinheit. Eine Entscheidungseinheit (Decision Making Units (DMU)) ist durch Inputs wie Kosten, Arbeitsaufwand und durch Outputs wie Qualitätsniveau charakterisiert. Um die DEA erfolgreich durchführen zu können ist es von großen Wichtigkeit, das die DMU sind ähneln, da es sonst zu nicht messbaren Ergebnissen/Vergleichen kommen kann. Auf Grund der Tatsache, das sich nicht alle Inputs mit Outputs vergleichen lassen, oft lässt dies schon die Einheit der zu betrachteten Inputs/Outputs nicht zu, werden diese einzeln mit Bedeutungsgewichten multipliziert. Diese Gewichte werden jedoch nicht wie bei vielen anderen Methoden vorher von Anwendern oder Entscheidungsträgern bestimmt, sondern entstehen während der DEA-Methode. Dadurch ist es möglich, genauere Daten abzuleiten und Fehlkalkulationen vorzubeugen. Allgemein kann man bei der DEA von folgender Effizienz-Funktion: Die Effizienz ist der Quotient aus der Summe der gewichteten Outputs und der Summe der gewichteten Inputs. Außerdem ist zu beachten, das der Effizienz-Wert stets kleiner gleich eins ist. Wie [Reucher, 2007] zu entnehmen ist, werden die verschiedenen Effizienz-Werte in eine zweidimensionales Koordinatensystem24 eingetragen und der Abstand zum Expansionspfad gemessen. Der Expansionspfad stellt dabei die optimale Möglichkeit dar und ist zeitgleich die Referenz für das Entscheidungsproblem. Dank der genauen Ausprägung der einzelnen DMUs ist es möglich, deren Verbesserungspotentiale zu erkennen und die effizienteste Lösung nachträglich zu verbessern. Bei der DEA kann man grundsätzlich von zwei verschiedenen Varianten herangehen: konstanten und variablen Skalenerträgen. In der ersten Auflage der DEA wurden nur konstate Skalenerträge berücksichtigt und in einem späteren abgewandelten Modell wurden die variablen Skalenerträge berücksichtigt. Dieses Modell wurde 1984 von Banker, Charnes und Cooper erfunden. 22 Zu deutsch Dateneinhüllanalyse, Vgl. Wikipedia - Data Envelopment Analysis 23 Vgl. [Charnes, 1978] 24 Eine Achse beschreibt die Summer der Inputs, die andere die der Outputs. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 26 3.6 ELECTRE Die Methode stammt von Roy Bernard, einem Emeritus Professor an der Universität ParisDauphine. Er ist der Gründer und, seit 1999, der Ehrendirektor von LAMSADE, eine Forschungsgruppe, die auf dem Thema Entscheidungsunterstützung zentriert wird. Seit 1980 ist er wissenschaftlicher Berater von RATP (die Paris Stadt-Transport Behörde). Bernard Roy ist Absolvent des Instituts von Statistiken von Paris University (1957) und Doktor Èswissenschaft Mathématiques der Wissenschaft Fakultät von Paris (1961). Er gründete in 1975 die EURO Arbeitsgruppe „die mehrfache helfende Kriterien Entscheidung“. Er ist ehrenhalber Doktor von einigen prestigevollen Universitäten. Er empfing die EURO Goldmedaille (die höchste Ehrung von EURO, die europäischen funktionsfähigen Forschung Gesellschaften)im Jahr 1992 und die MCDM Goldmedaille, die von der internationalen MCDM Gesellschaft 1995 gegeben wurde. Er ist der Autor einiger Bücher und Hunderte Forschung Papiere. Bernard Roy ist der Berater des zahlreichen Absolvent und der Doktorkursteilnehmer gewesen. Die Hauptbeiträge von Bernard Roy werden auf zwei ausgedehnte Themen gerichtet: Graphentheorie mit den Weg brechenden Kontributionen auf der Theorie von Flüssen in Netze und in der Projektterminplanung. Mehrfache Kriterien Entscheidung Unterstützung, die mit der Erfindung der Familie der ELECTRE Methoden und der methodologischen Kontributionen von Entscheidungsunterstützung, die zu die Kreation der sogenannten „europäischen Schule von MCDA“ führen. 3.6.1 Vorgehensweise Der Name ELECTRE ist ursprünglich aus „Elimination et choix traduisant la r´ealit´e“ verkürzt. Später ergänzte er den Namen ELECTRE mit einer I, um sie von den Methoden zu unterscheiden, die ihr folgten, also ELECTRE II, III, IV und A. Im Kern sind sie aber alle gleich: Entscheider bilden Präferenzrelationen (englisch: outranking relationships) zwischen Alternativen, um zwischen präferierten und nicht-präferierten zu unterscheiden. Nun betrachten wir die ELECTRE Methode, sie besteht aus fünf Schritten: 1. Schritt: Normalisierte Werte für die Ausmaße der Attribute berechnen: a ij aij j 1 aij2 n , wobei i ist Index von Alternativ, j ist Index von Attribute (bzw. Kriterien) und aij ist gegebener Wert von Attribut j des Alternatives i Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 27 2. Schritt: Gewichten der normalisierten Werte: vij g j * aij , wobei gj ist Gewicht von Attribut j 3. Schritt: Bilden der Konkordanz Mengen und der Diskordanz Mengen: Alle Alternativen werden paarweise verglichen. Für jedes Alternativenpaar Ah und Ai mit h i wird eine Konkordanz-Menge und eine Diskordanz-Menge gebildet. Konkordanz-Menge ist die Menge von Attribute, die bei Ah im Vergleich zu Ai besser oder gleich sind. Und die Diskordanz-Menge ist die Menge von Attribute, die bei Ah schlechter sind. Konkordanz-Menge: K h , i j vhj vij Diskordanz-Menge: Dh,i j vhj vij 4. Schritt: Berechnen der Konkordanz- und Diskordanz- Indizes: Die relative Stärke jeder Konkordanz-Menge repräsentiert ein Konkordanz-Index. Die relative Starke jeder Diskordanz-Menge repräsentiert ein Diskordanz-Index. Der Konkordanz-Index einer Konkordanz-Menge ist die Summer der Gewichte aller Attribute in dieser Menge, also K h' , i kn g j k1 j . Der Diskordanz-Index ist wie folgt definiert: dn Dh' ,i vij vhj j d1 Ai / vij vhj j 1 5. Schritt: Bilden von Präferenzrelationen: Die Präferenzrelation zwischen zwei Alternativen ist umso stärker, je größer der Konkordanz-Index und je kleiner der Diskordanz-Index ist. ELECTRE sieht vor, dass eine Alternative einer anderen vorzuziehen ist (Ah → Ai), wenn der Konkordanz-Index größer oder gleich dem mittleren Konkordanz-Index ( K ) und Der Diskordanz-Index kleiner als der mittleren DiskordanzIndex ( V ) ist. Nach dem 5. Schritt ergibt sich zwei Mengen, eine mit präferierten Alternativen und eine mit nicht präferierten Alternativen. Die präferierten Alternativen sind auch Ergebnis von ELECTRE Methode. 3.6.2 Bewertung des Verfahrens a)Vorteile: Ordinale und kardinale Daten können miteinander verglichen werden. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 28 Man kann sich lange im Mengengerüst bewegen, weil Punkte und Gewichte erst im letzten Moment ins Spiel kommen. b) Nachteile: Auch ELECTRE gehört zu den Entscheidungsunterstützungsmethoden, bei denen Entscheider ihre Ziele nicht explizit berücksichtigen. ELECTRE führt zu keiner eindeutigen Lösung, eine Reihung der Alternativen A1> A2> A1 möglich. Deswegen bei manchen Problemen kann man nicht diese Methode anwenden, weil das Ergebnis einfach nicht klar genug ist (zum Bsp. aus mehreren präferierten Alternativen ist es schwer, eine beste aufzufinden.) Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 29 3.7 PROMETHEE PROMETHEE wurde von Brans und Vincke 1985 beschrieben, aber von Mareschal (1986, 1988), Mareschal und Brans (1988, 1991), D´Avignon und Mareschal (1989), Dubois und Al (1989) und Mladineo et al. (1987) angewendet und weiter entwickelt. Der Name PROMETHEE ist die Abkürzung für Preference Ranking Organization Methode for Enrichment Evaluations. Diese Methode erweitert den Begriff der Pröferenz Funktion und erlaubt die Bearbeitung anderer Arten von Präferenz als der Zutreffend-, Quasi-, und Pseudo- Kriterien bei ELECTRE Verfahren. Bei PROMETHEE muss man wie bei der anderen Outrankingverfahren auch mit dem paarweisen Vergleich der Alternativen hinsichtlich der einzelnen Kriterien beschäftigen. Die Präferenz pj einer Alternative ai gegenüber einer anderen Alternative ai* hinsichtlich eines Kriteriums kj kommt hier in Betrachtung und wird als Funktion der Differenz der Kriterienausprägungen ausgedrückt. Je größer der Unterschied hinsichtlich einer Kriterienausprägung ist, desto stärker wird eine Alternative einer anderen vorgezogen p j (ai ) p j (k j (ai ) k j (ai* )) p j (d ) 0;1 Es ist oftmals passiert, dass nur eine Alternative vorgezogen wird, wenn die Differenz über einen bestimmten Schwellenwert übersteigt. Das ist auch in PROMETHEE vorgesehen. Ein solches Entscheidungsverhalten wird in PROMETHEE mit (partiell) Präferenzfunktionen modelliert, welche den Grad der Präferenz auf das Intervall [0;1] festlegen. Abbildung 3: Exemplarische Präferenz in Prothemee Wie wir in Grafik sehen, es sind zwei Schwellenwerte p und q vorgesehen, die vom Entscheidungsträger definiert werden. Wenn die Differenz zweier Kriterienausprägungen unterhalb des Wertes q, bleibt der Entscheidungsträger indifferent. Wenn die Differenz dagegen den Wert q überschreitet, steigt der Grad der Differenz linear an. Dieser Bereich wird als schwache Präferenz bezeichnet. Der Grad der Differenz steigt bis auf einen Punkt, bei dem eine Alternative strikt vorgezogen wird, dann der Grad der Präferenz ist 1. Dieser Punkt wird durch den Schwellenwert p definiert. Auch aus der Grafik sehen wir die Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 30 Funktion P(d), und es ist leicht zu erkennen, dass P(d) eine nicht abnehmende Funktion ist. Bei der negativen Werten von d = kj(ai) – kj(ai*) den Wert 0 annimmt. Zur Erleichterung der Modellierung sind so genannte „verallgemeinerte Kriterien“ vorgesehen, die durch eine zugehörige Präferenzfunktion definiert sind. Brans et al. (1986) schlagen hierzu sechs Präferenzfunktionen vor, die jeweils unterschiedliche Präferenzvorstellungen des Entscheidungsträgers repräsentieren. Abbildung 4: Verallgemeinerte Kriterien mit zugehörigen Präferenzfunktionen Hier müssen wir darauf merken, dass die Präferenzfunktion des verallgemeinerten Gaußschen Kriteriums keine stochastische Bedeutung hat, sondern nur auf Grund des Kurvenverlaufs und der einfachen Definition durch den Parameter σ vorgeschlagen wurde (Zimmermann und Gutsche, 1991). Bei Bedarf können weitere Präferenzfunktionen durch den Entscheidungsträger definiert werden. 3.7.1 Vorgehensweise Das PROMETHEE Verfahren sieht folgende Schritte vor (nach Brans et al. 1986; Zimmermann und Gutsche 1991) 1. Schritt: Zuordnung einer geeigneten Präferenzfunktion zu jedem Kriterium und Festlegung der Parameter p, q oder σ 2. Schritt: Festlegen, welche Kriterien zu maximieren, und welche zu minimieren sind 3. Schritt: Festlegung der Gewichtungsfaktoren wj für alle Kriterien kj 4. Schritt: Berechnung des Präferenzindex ai , ai* für alle Alternativen ai , ai* A A A 0;1 : (a , a ) n w p(k (a ) k (a )) i i* j j i j i* j 1 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 31 Der Präferenzindex ist ein Maß für die Stärke der Präferenz einer Alternative ai gegenüber einer Alternative ai*, wobei gleichzeitig alle Kriterien berücksichtigt werden. 5. Schritt: Berechnung des Ausgangsflusses (Phi+), welcher ein Maß für die Stärke einer Alternative ai gegenüber allen weiteren Alternativen darstellt: (ai ) m 1 (ai , ai* ) m 1 i*1,i* i Wobei m ist die Anzahl von Alternativen 6. Schritt Berechnung des Eingangsflusses ( Phi-), welcher ein Maß für die Swache einer Alternative ai gegenüber allen weiteren Alternativen darstellt: (ai ) m 1 (ai* , ai ) m 1 i*1,i* i 7. Schritt: Nur für PROMETHEE II erforderlich: Berechnung des Nettoflusses (Phi netto, net flow) (ai ) (ai ) (ai ) 8. Schritt: Berechnung der Rangfolge der Alternative PROMETHEE I ermittelt eine partielle Ordnung, d.h. eine unvollständige Ordnung der Alternativen: ai Pai* [ (ai ) (ai* )) ( (ai ) (ai* )] [ (ai ) (ai* )) ( (ai ) (ai* )] [ (ai ) (ai* )) ( (ai ) (ai* )] a | a (ai ) (ai* )) ( (ai ) (ai* ) i i* ai* Pai (ai Pai* ) (ai | ai* ) PROMETHEE II ermittelt über den Nettofluss eine vollständige Ordnung: ai Pai* (ai ) (ai* ) ai | ai* (ai ) (ai* ) Bemerkung: In den Fällen, in denen die Präferenz des Entscheidungsträgers hinsichtlich eines Kriteriums nicht monoton mit den Kriterienausprägungen steigt oder fällt, müssen die Kriterien über Transformationsfunktionen umgeformt werden (Geldermann, 1999). Eine Transformationsfunktion bildet somit den Grad der Zufriedenheit des Entscheidungsträgers in Abhängigkeit von der Kriterienausprägung auf einer Skala zwischen [0;1] ab. 3.7.2 Bewertung des Verfahrens a) Vorteile: Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 32 Unsicherheiten bei der Einschätzung von Vor- und Nachteilen in einzelnen Kriterien können über Indifferenzschwellenwerte modelliert werden. Die zur Definition der Präferenzfunktionen erforderlichen Parameter sind verständlich und haben einen direkten Bezug zum Kriterium. Das Präferenzmaß eines Kriterium kann variabel modelliert werden. Vordefinierte Präferenzfunktionen verringern den Arbeitsaufwand. Das Ausmaß der aggregierten relativen Stärken und Schwächen der Alternativen wird getrennt ermittelt und kann grafisch ausgewertet werden. Die Möglichkeit, schwache Präferenzen zu modellieren. b) Nachteile: Das Präferenzmaß wird in Abhängigkeit von den Kriterienausprägungen aller vorhandenen Alternativen berechnet. Das für zu erheblichen Arbeitsaufwand, wenn eine zusätzliche Alternative hinzugefügt werden. Die Zulässigkeit von Unvergleichbarkeit und Indifferenz kann zu einer Verletzung der Forderung nach Transitivität führen. Die vordefinierten Präferenzfunktionen dürfen nur genutzt werden, wenn die Differenz zwischen zwei Kriterienausprägungen eine sinnvolle Größe ist. Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 33 3.8 ORESTE Zur Lösung von endlichem Mehralternativenproblem, bei denen die Präferenzinformation nur auf rein ordinalen Stufen gegeben ist, wurde ORESTE von Roubens entwickelt, und von Pastijn verbessert und erweitert25. Das Verfahren hat zwei Phasen: - Phase 1: Konstruktion einer schwachen Ordnung auf den Alternativen. - Phase 2: Auflösen der schwachen Ordnung anhand einer Konfliktanlyse Bei der Phase 1 wir zur Aggregation der kriterienspezifischen Alternativenränge und er Attributsränge eine lp-Norm verwendet, die zu unerwünschten Ergebnissen in der globalen Präferenzrelation führen kann. Es werden daher Modifikationen des Verfahrens vorgeschlagen. Hierunter ist die Vorgehensweise nach Pastijn. 3.9.1 Vorgehensweise des Verfahren26 Menge A ai : i 1..m von Alternativen ist bezüglich K Attributen zu bewerten. Die Alternativen werden für jedes Attribut gemäß den Präferenzen des Entscheiders schwach angeordnet. Diese Ordnungen „>k“ werden durch Ränge rk in der folgenden Weise repräsentiert: rk(ai) < rk(ai) ai >k aj. Im Fälle von Indifferenzen „~k“ werden Mittelränge vergeben. Die Kriterien (bsp. Xk und Xk’) werden auch gemäß ihrer Wichtigkeit durch einer schwachen Ordnung „>>“ miteinander verglichen und zugeordnet: r(Xk)<r(Xk’) ↔ Xk>>Xk’. Für globalen Vergleich sind Alternativen- und Attributsränge zu aggregieren. Nach dem ORESTE Verfahren wird jeder Alternative ai bezüglich jeden Attributs Xk anhand einer Rangrelativierung ein Wert dk(ai) zugeordnet. dk(ai) = (αrk(ai)R + (1-α)r(Xk)R)1/R mit α [0,1], R≠0. Die Parameter α und R sind von dem Entscheider festzulegen27. Der wert dk(ai) kann als eine gewichtete lp-Distanz des Punktes (rk(ai), r(Xk)) vom Idealpunkt (0,0) interpretiert werden. In der weiteren Rechnung werden nur die relative Position der Distanz dk(ai) und nicht deren exakter Wert analysiert. Jetzt vergleichen wir alle Distanzen miteinander, und finden den Rang von jeder Distanz heraus. Somit werden den dk(ai) mittlere Ränge der Form Rk(ai)<Rl(aj) dk(ai)< dl(aj) zugeordnet. Die globale Bewertung der Alternative ai ergibt sicht als additiver Gesamtindex durch 25 Roubens (1982), Pastijn/Leysen (1989) 26 Nutzwertverfahren, Lothar Lillich, 1991, Seite 90 ff. 27 Pastijn setzt in seiner Software-Implementierung α als 0,5 fest. Pastijn/Leysen (1989) Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 34 K ORE (ai ) Rk (ai ) . Die globale schwache Ordnung „≥“ der Alternativen ist als k 1 ai a j ORE (ai ) ORE (a j ) . Diese globale Anordnung kann in vielen Anwendungsfällen ausreichend sein. Aber es gibt auch solche Fälle, bei denen der Entscheider nicht gewillt oder nicht in der Lage ist, sämtliche Alternativen zu vergleichen. Deswegen wird bei ORESTE Verfahren mit einer weiteren Analyse eine Prävalenzrelation konstruiert. Die Alternativen werden paarweise miteinander verglichen, wobei jedem Paar (ai,aj) ein Prävalenzgrad p(ai,aj) zugeordnet wird. Also p(ai , a j ) max Rk (ai ) Rk (a j );0 Der Prävalenzgrad p(ai,aj) repräsentiert die Vorteile K k 1 von ai gegenüber aj und gibt eine Aussage über di Vorziehenswürdigkeit von Alternative ai über aj. Vergleicht man paarweise p(ai,aj) mit p(aj,ai), erhält man die folgenden globalen Präferenzurteile: (P) - ai wird aj vorgezogen, falls p(ai,aj) sehr viel größer als p(aj,ai) ist. (I) - ai aj sind indifferent, falls p(ai,aj) und p(aj,ai) sich fast nicht unterscheiden und beide Werte klein sind. (R) - ai wird aj sind unvergleichbar, falls p(ai,aj) sich fast nicht unterscheiden und beide Werte groß sind. Präferenz (P), Indiffferenz (I) und Unvergleichbarkeit (R) werden durch drei Parameter β, C* und γ mit γ>1 abgegrenzt. Man muss weiter eine Normierung von Prävalenzgrad führen. Man kann zeigen, das der maximale Prävalenzgrad pmax(a,b) = (m-1)K2 ist. Dann bekommt man normierten Prävalenzgrad p ORE (ai , a j ) 1 p(ai , a j ) . Wobei m (m 1) K 2 und K sind Anzahl von Alternativen und Attribute. Dann die Abgrenzung von der Relationen geschieht wie folgt: 1. Indifferenzrelation I: ai I aj p ORE (ai , a j ) p ORE (a j , ai ) p ORE (ai , a j ) C * p ORE (a j , ai ) C * 2. Präferenzrelation P: ai P aj p ORE (ai , a j ) p ORE (a j , ai ) p ORE (ai , a j ) . p ORE (a j , ai ) 3. Unvergleichbarkeitsrelation R: ai R aj nicht (ai P aj) Λ nicht (ai I aj) Λ nicht (aj P ai) Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 35 Die drei Relationen P,I und R teilen das „Prävalenzgebiet“ in vier Zonen ein: - die Präferenzzone 1 (ai P aj) - Präferenzzone 2 (aj P ai) - Konfliktzone (aj R ai) - Indifferenzzone (aj I ai). (in Grafik wurde ai als b und aj als a dargestellt.) 3.8.2 Bewertung des Verfahren28 Vorteile : - ORESTE ist ein Verfahren für Entscheidungssituationen, bei denen nicht vorausgesetzt werden kann, dass zu mindest eine schwache Ordnung zwischen den Alternativen existiert. - Unterstützung der Auswahl bei den Alternativen, die von ihrem Charakter her sehr unterschiedlich sind und alle Alternativen haben Vorteile der Art, dass sie sich gut ergänzen würde. Nachteile: - Mit ORESTE kann man nicht stets vollständige Ordnungen der Alternativen ermitteln, sondern man kann nur eine Einteilung in indifferente, konfliktäre bzw. unvergleichnbare und präferenzgeordnete Alternativenpaare vornehmen. 28 Jens Wiese, Uni Münster, „Ein Entscheidungsmodell für die Auswahl von Standardanwendungssoftware am Beispiel von Warenwirtschaftssystemen“, Arbeitsberichte des Instituts für Wirtschaftsinformatik Nr. 62 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 36 3.9 Goalgetter-Methode Die Goalgetter-Methode (GGM) ist nach [Stallkamp, 2006] ebenfalls eine MCDM/MCDA-Methode. Als grundlegende Annahme gilt bei der GGM, dass dem Entscheider keine Vollständigkeit der Daten vorliegt. So werden nach [Stallkamp, 2006] weder alle Möglichkeiten bedacht noch angewendet. Auch die Art der Ausprägungen einzelner Faktoren der Analyse wird geschätzt oder aber ungenau bewertet. Jedoch sollte das Augenmerk des Entscheidungsträgers darauf liegen, die Größen und Ziele so exakt wie möglich zu bestimmen. Bei der GGM durchläuft man fünf oder bei acht Schritte, um eine optimale Entscheidung treffen zu können. Die ersten fünf Schritte lauten in Reihenfolge: Umwelt beschreiben (z.B. Fristen, Zusammenhang zur Entscheidung), Ziele beschreiben (eindeutige(s) Entscheidungsziel(e) nennen), Alternativen beschreiben, Alternativen vergleichen (Attributwerte der Alternativen mit den Zielwerten vergleichen) sowie die Alternativen nach dem Vergleich zu modifizieren (Attribute verfeinern bzw. ändern, da sie evtl. die Zielvorgaben nicht erfüllen können). Einzelheiten zu den verschiedenen Schritten sind in [Stallkamp, 006] nachzulesen. Wird nach diesen fünf Schritten keine Alternative gewählt, so bricht der Vorgang ab und man kann keine Entscheidung treffen. Bleiben mehr als eine mögliche Alternative zur Auswahl, so folgen zusätzlich drei weitere Schritte: Alternativen bewerten (Berechnung von Alternativwerten), Alternativen ordnen (Absteigend nach Alternativwerten ordnen) und Sensitivität bestimmen. Würde de Entscheider optimal entscheiden, so bräuchte man keine Sensitivität bestimmen, da man die beste Alternative auf den ersten Platz im Ranking zu finden ist. Ist man sich jedoch nicht sicher, so kann man primär zwischen den Alternativwerten und sekundär zwischen den Aktions- und Mehrwerten entscheiden. Im Vergleich zu vielen anderen Methoden wie bspw. TOPSIS führt die GGM zu genauen Ergebnissen. Der Hauptgrund dieses Ergebnisses liegt in einem kleinen Schritt, nämlich dem modifizieren von Alternativen: Dies führt dazu, das z.B. subjektive Ziele angepasst oder ganze Alternativen überdacht werden müssen, um eine erfolgreichen oder optimale Entscheidung unter den Alternativen wählen zu können. Durch diese nachträgliche Modifikation wird der Entscheidungsträger dazu geführt, das Ziel an das Mögliche anzupassen oder aber ganze Alternativen auszuschlagen.29 29 Vgl. [Stallkamp, 2006] Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 4 Anwendungsteil sadds 4.1 Vergleich der Methoden dsa 37 Error! Use the Home tab to apply Überschrift 1 to the text that you want to appear here. 4.2 Einsatz in der Praxis asdsa 4.2.1 PC-WARE Information Technologies AG dsadsa 4.2.2 perdata GmbH dsads 38 Literaturverzeichnis VII Literaturverzeichnis [Akao, 1992] Yoji Akao: QFD-Quality Function Deployment. Verlag Moderne Industrie, Landsberg/Lech 1992. [Alt, 2007] Prof. Dr. Rainer Alt: Anwendungssystembausteine – Auswahl und Einführung von Anwendungssystemen. Vorlesung SS 2007, 2007. [Bai, 1997] Bai, 1997. [Charnes, 1978] A. Charnes, W. Cooper, E. Rhodes (1978): Measuring the efficiency of decision making units. European Journal of Operational Research, Vol. 2, No. 6. [Grob, 2003] Prof. Dr. Heinz Lothar Grob: Arbeitsberichte Nr. 13 – Das Preis-Leistungsmodell. Westfälische WilhelmsUniversität Münster. 2003. [Herzwurm, 2000] Georg Herzwurm, u. A.: Joint Requirements Engineering: QFD for Rapid Customer Focused Software and Internet-Development. First Edition 2000 [Lothar Lillich, 1991] Schritten zur Quantitativen Betriebswirtschaftslehre Nutzwertverfahren [King, 1988] Bob King: Better design in half the time. GOAL/QPC, Methuen/Ma 1988. [Pastijn H, Leysen J 1989] Constructing an Outranking Relation with ORESTE [Reucher, 2007] Elmar Reucher: Standardmodelle im OR – Vorlesung WS 2006/2007 an der Universität Leipzig. 2007. [Roubens M 1982] Preference relations on actions and criteria in multiteria decision making. [QFD Institute, 2007] QFD Institut Deutschland e.V.: Was ist QFD. http://www.qfd-id.de/wasistqfd/index.html. Abruf am 20. August 2007. [Stallkamp, 2006] Markus Stallkamp: Ziele und Entscheiden – Die Goalgetter-Methode und die Goalgetter-Software. Universität Duisburg-Essen, Campus Essen. 2006. [Stoffer, 2003/2004] Prof. Dr. Stoffer: Forschungsmethoden, Teil 2: Quantitative Methoden. Vorlesung Universität München. WS 2003/2004. Literaturverzeichnis [WWW InnoBau, 2007] VIII InnoBau: Qualitative und quantitative Verfahren, http://www.innobauverbund.de/infobox/glossar/glossar_quant_qual_verfahre n.htm, Abruf am 28.08.2007. [WWW Uni Bielefeld, 2007] Dr. Nadia Kutscher: quantitative Was sind Forschungsmethoden?, qualitative und http://www.uni- bielefeld.de/Universitaet/Einrichtungen/Zentrale%20Insti tute/IWT/FWG/Jugend%20online/qualitativ.html, Abruf am 28.08.2007. [WWW Uni Münster, 1998] Jens Wiese, Arbeitsbericht 62, http://www.wi.unimuenster.de/inst/arbber/ab62.pdf [Yoon/Hwang, 1981] Kwangsun Paul Yoon, Ching-Lai Hwang: Multiple Attribute Decision Making – Methods and Applications. A State-of-the-Art Survey, Springer-Verlag, Berlin – Heidelberg – New York 1981. [Zangemeister, 1976] Christof Zangemeister (1976): Nutzwertanalyse in der Systemtechnik – Eine Methodik zur multidimensionalen Bewertung und Auswahl von Projektalternativen. Diss. Techn. Univ. Wittemann. Berlin 1970, 4. Aufl., München: