Entscheidungsunterstützung – Decision Support – bezeichnet Systeme, Methoden und Werkzeuge, die Menschen bei der Vorbereitung und Durchführung komplexer Entscheidungen unterstützen, ohne die Entscheidung selbst zu ersetzen. Ein Decision Support System (DSS) aggregiert relevante Daten, stellt Analysen bereit, modelliert Szenarien und präsentiert Handlungsoptionen mit ihren erwarteten Konsequenzen – der Mensch trifft die finale Entscheidung, aber auf einer deutlich besseren Informationsbasis.
Im Kontext der Prozessautomatisierung ist Entscheidungsunterstützung der konzeptuelle Raum zwischen vollständig manueller Entscheidung und vollständig automatisierter Entscheidung: Nicht alle Entscheidungen können oder sollten vollautomatisch getroffen werden – zu komplex, zu kontextabhängig, zu regulatorisch heikel. Aber auch manche manuelle Entscheidungen können massiv verbessert werden, wenn das System alle relevanten Daten aufbereitet und Optionen mit ihrer erwarteten Auswirkung zeigt.
Typen von Entscheidungsunterstützungssystemen
Datengetrieben (Data-Driven DSS)
Zeigt aggregierte Kennzahlen, Trends und Abweichungen – ermöglicht datenbasierte Entscheidungen statt Bauchgefühl. BI-Dashboards sind das häufigste Beispiel.
Modellgetrieben (Model-Driven DSS)
Simuliert verschiedene Szenarien durch mathematische Modelle – „Was passiert wenn wir Preis X auf Y setzen?“ Budgetplanungs- und Optimierungstools.
Wissensgetrieben (Knowledge-Based DSS)
Nutzt Expertenwissen als Regelwerk – „Wenn Symptom A und B, dann Empfehlung C“. Diagnose-Systeme in Medizin und Technik.
KI-gestützt (AI-Augmented DSS)
ML-Modelle analysieren komplexe Muster und generieren Empfehlungen – Credit Scoring, Risikobewertungen, Anomalie-Alerts mit Handlungsempfehlung.
Entscheidungsunterstützung und Automatisierung
Entscheidungsunterstützung ist oft der sinnvollste erste Schritt vor vollständiger Automatisierung: Statt einen komplexen Entscheidungsprozess sofort zu automatisieren, wird er zunächst durch ein DSS unterstützt. Das zeigt, welche Entscheidungen tatsächlich regel- und datenmäßig treffbar sind – und baut das Vertrauen auf, das für den nächsten Schritt zur vollständigen Automatisierung nötig ist.
Praxisbeispiel
Ein Versicherungsunternehmen will die Schadensregulierung automatisieren. Erste Stufe: DSS statt sofortiger Vollautomatisierung. Für jeden eingehenden Schaden bereitet das System auf: Schadenshistorie des Kunden, vergleichbare regulierte Schäden (mit Ergebnis), Risikobewertung, Empfehlung (regulieren / prüfen / ablehnen) mit Begründung und Konfidenzwert. Der Sachbearbeiter entscheidet – aber in 4 statt 18 Minuten, und mit einer Konsistenz von 94 statt 71 Prozent. Nach 12 Monaten: Welche Empfehlungsmuster werden immer bestätigt? → Diese werden vollautomatisiert. Welche brauchen noch menschliches Urteil? → Bleiben im DSS. Schrittweise Automation auf Basis von Vertrauensaufbau.
