Konzeption der Entscheidungsunterstützung

Zu den unterschiedlichen Entscheidungstypen vgl. S.13.Google Scholar

Für die Beschreibung des allgemeinen Ablaufs interaktiver Verfahren vgl. Zimmermann/Gutsche (1991) S.137ff.Google Scholar

In der englischsprachigen Literatur wird zwischen ‘calculation phases’ und ‘dialogue phases’ unterschieden, vgl. z.B. Vanderpooten (1992) S.441f.Google Scholar

Vgl. Steuer (1986) S.362.Google Scholar

Vgl. S.20.Google Scholar

Zu einer allgemeinen, entscheidungstheoretischen Beschreibung der Vorgehensweise in einer Vorauswahl bei voller Kenntnis des Aktionsfeldes vgl. Bitz (1977) S.124ff.Google Scholar

Zur Projektvorselektion als erster Phase der FuE-Programmplanung vgl. auch Kern/Schröder (1977) S.224f.Google Scholar

Ähnlich ist die Einteilung in ‘go’, ‘on’ und ‘no go’-Projekte, vgl. z.B. Wicher/Deubet (1991) S.174 bzw. ‘go’, ‘uncertain’ und ‘no-go’-Projekte, vgl. Liberatore/Stylianou (1993) S.961.Google Scholar

Vgl. Brockhoff (1994) S.258.Google Scholar

Diese Fragen wurden bei der Analyse von insgesamt 211 FuE-Projekten als wesentlich für den Projekterfolg ermittelt, vgl. Baker u.a. (1986a) S.30ff. Ein ausführlicher Fragebogen für die Identifizierung von abzubrechenden Projekten findet sich bei Green u.a. (1993) S.U. Eine Übersicht von Projektabbruchkriterien aus verschiedenen empirischen Untersuchungen erstellte Lange (1993) S.34.Google Scholar

Eine wesentlich umfangreichere kriterienorientierte Projektvorselektion schlägt z.B. Schiarmann vor, vgl. Schlarmann (1987) S.128ff. Die Projekte werden dabei in einer ersten Stufe auf Durchführbarkeit, in einer zweiten Stufe anhand einer qualitativen Prüfung und in einer dritten Stufe anhand einer quantitativen Prüfung auf ihre Vorteilhaftigkeit hin untersucht und gegebenenfalls eliminiert.Google Scholar

In der englischsprachigen Literatur findet sich dafür auch der Ausdruck ‘non-negotiable-project’, vgl. Stewart (1991) S.23. Für die Verwendung von Muß-Projekten vgl. auch Madey/Dean (1985) S.86.Google Scholar

Ein Beispiel dafür findet sich bei Brockhoff (1994) S.252f.Google Scholar

Vgl. zu diesem Begriff Rücksteiner (1989) S.136.Google Scholar

Somit erfolgt hier eine Entscheidung vom Typ ‘Partitionierung einer Alternativenmenge’, vgl. S.13.Google Scholar

Vgl. S.76.Google Scholar

Beispielsweise würde dies bei 15 Kann-Projekten, von denen zwischen 3 und 5 Projekte ausgewählt werden sollen, eine Einschränkung von 32.768 auf 4.368 Alternativen bedeuten.Google Scholar

Vgl. ursprünglich zum Quad-Baum die Arbeit von Finkel/Bentley (1974).Google Scholar

Zum Einfügen von Ergebnisvektoren im Quad-Baum vgl. Habenicht (1983) S.138. Die graphische Darstellung eines Quad-Baums im zweidimensionalen Ergebnisraum und die Zerlegung dieses Raums durch den Quad-Baum erfolgt bei Habenicht (1984) S.41 und (1991) S.3.Google Scholar

Detailliert beschrieben wird dieser Algorithmus bei Habenicht (1984) S.42ff.Google Scholar

Tests mit Zufallszahlen ergaben, daß von 1.000 Vektoren bei zwei Kriterien nur sechs, bei sieben Kriterien dagegen schon 392 Vektoren effizient waren, vgl. Habenicht (1984) S.54f. In der vorliegenden Anwendung liegen diese Werte vermutlich etwas höher, da durch die Vorselektion bereits eine Einschränkung auf effiziente Lösungen vorgenommen wurde.Google Scholar

Für andere Beispiele zur Ermittlung effizienter Ergebnismengen mit dem Quad-Baum vgl. Habenicht (1984) S.48 und (1991) S.4.Google Scholar

Die ersten zwei Kriterien sind bei der Berechnung zu berücksichtigen, da der neue Vektor bezüglich dieser Werte besser (kleiner) als die Wurzel ist (-37<-35 bzw. -50<-48), bezüglich des dritten Kriteriums dagegen einen schlechteren (größeren) Wert aufweist (23>18).Google Scholar

Vgl. zur ‘magic number seven’ die Arbeit von Miller (1956). Vgl. auch Broadbent (1975) insbes. S.5ff. für eine kritische Diskussion der Ergebnisse von Miller.Google Scholar

Die Durchführung von What-if-Simulationen zur FuE-Programmplanung wird auch von Stewart (1991) S.24 empfohlen.Google Scholar

Vgl. Wolfbauer (1981) S.193.Google Scholar

Vgl. z.B. Vincke (1992) S.31ff.Google Scholar

Vgl. Zimmermann/Gutsche (1991) S. 165.Google Scholar

Vgl. Habenicht (1992) S.211f.Google Scholar

Interaktive Methoden für Mehrzielentscheidungen können außerdem anhand des Zeitpunktes der Präferenzäußerung, der Suchrichtung im Alternativen- und Ergebnisraum sowie dem Umfang der benötigten Ergebnis- und Präferenzinformationen klassifiziert werden, vgl. Hwang/Masud (1979) S.8ff., Hwang/Yoon (1981) S.24ff., Habenicht (1984) S.89ff. und Vincke (1992) S.102f.Google Scholar

Vgl. Kapitel 5.2.1.Google Scholar

Vgl. Zimmermann/Gutsche (1991) S.47ff. Eine interessante Ergänzung dieses Ansatzes ist in einem ‘fuzzy set’ — Modell möglich. Dabei definiert der Entscheidungsträger einen ‘unscharfen’ Bereich zwischen Grenzen, die in jedem Fall erreicht werden sollen und Grenzen, ab denen das Ergebnis als sehr gut eingestuft wird, vgl. Engelke (1991) S.267ff.Google Scholar

Vgl. Eisenführ/Weber (1993) S.82f. und Zimmermann/Gutsche (1991) S.120f.Google Scholar

Vgl. Habenicht (1991) S.6f.Google Scholar

Vgl. Habenicht (1978) S.95 und Wierzbicki (1980) S.469ff.Google Scholar

Stewart schlägt eine vom Entscheidungsträger losgelöste Gewichtung vor, indem er die Kriterien um so höher gewichtet, je näher der Referenzwert zum Idealwert liegt, vgl. Stewart (1991) S.21f. und Kapitel 3.2.1.4.Google Scholar

Vgl. Stewart (1991) S.24.Google Scholar

Vgl. z.B. Morse (1980) S.55ff.Google Scholar

Vgl. Steuer (1986) S.311ff. Eine Anwendung dieses Verfahrens bei der FuE-Projektselektion erfolgt bei Ringuest/Graves (1990) S.145.Google Scholar

Vgl. Habenicht (1991) S.8f.Google Scholar

Vgl. Abbildung 5.6. auf S.136.Google Scholar

Als Standardwert ist im EUS eine Abweichung von +/-10% des Vergleichswertes vorgesehen.Google Scholar

Vgl. z.B. Steuer (1986) S.44f.Google Scholar

Vgl. Habenicht (1993) S.46.Google Scholar

Der Entscheidungsträger kann selbst bestimmen, bei welcher Anzahl von Programmen die Analysephase startet. Da die Eingrenzung innerhalb der Analyse mit einem wesentlich höheren Zeitaufwand verbunden ist, sollte diese Anzahl nicht zu groß sein. Sinnvoll erscheint eine Analysemenge mit bis zu 20 Programmen.Google Scholar

Für einen Überblick verschiedener Techniken zur Visualisierung multikriterieller Sachverhalte vgl. Chambers u.a. (1983) S.135ff., Geßler (1991) S.117ff., Buchner/Wolz (1995) S.633ff. und Vetschera (1993 und 1995) S.60ff. Eine empirische Übersicht der in EUS verwendeten Visualisierungen findet sich bei Vetschera/Walterscheid (1993) S.22.Google Scholar

Vgl. ursprünglich Chernoff (1973) S.361ff. und die Weiterentwicklung von Flury/Riedwyl (1981) S.758ff.Google Scholar

Vgl. Kleiner/Hartigan (1981) S.260ff.Google Scholar

Für zwei Beispiele möglicher Sterndarstellungen vgl. Abbildung 5.3 auf S.127 und Abbildung 5.23 auf S.164. Vgl. zur Anwendung dieser Darstellungsform für die FuE-Programmplanung auch Habenicht/ Gackstatter (1994) S.U.Google Scholar

Vgl. zu dieser Beschränkung S. 135.Google Scholar

Eine ähnliche Visualisierungsform zur Hervorhebung von kritischen Werten stellen rote Markierungen dar, vgl. Bürgel (1989a) S.9, Green u.a (1993) S.10 und Stevens (1993) S.7.Google Scholar

Die Visualisierung der Kriterienwerte von FuE-Programmen zwischen Nadir- und Idealwert findet sich auch bei Stewart (1991) S.24.Google Scholar

Einen paarweisen Vergleich von FuE-Programmen schlagen auch Lootsma u.a. (1990) vor. Sie verwenden dafür einen nutzenorientierten Gewichtungsansatz, der den Entscheidungsträger zu einer genauen Darlegung seiner Präferenzstruktur in Form von Substitutionsraten zwischen den einzelnen Kriterien zwingt.Google Scholar

Hodder/Riggs (1985) S.97, vgl. ähnlich auch Mechlin/Berg (1980) S.94ff. und Rücksteiner (1989) S.214ff.Google Scholar

Indirekt sind die Einflüsse der Projekte durch die einzelnen Elemente im Risikoprofil erkennbar, was in der Grafik durch die Verwendung der rechteckigen Formen ausgedrückt wird.Google Scholar

Die Visualisierung der Ist- und Sollwerte für die Ressourcenauslastung erfolgt auch bei Stewart (1991) S.24.Google Scholar

Vgl. S.83.Google Scholar

Vgl. Pfeiffer u.a. (1989) S.79ff.Google Scholar

Die Bestimmung der Technologieattraktivität erfolgt insbesondere durch technologische Vorhersagen. Vgl. hierzu einen Überblick bei Gerybadze (1996).Google Scholar

Pfeiffer u.a. (1986) S.115.Google Scholar

Eine Produktivitätskurve zur Beurteilung der Projekte mit einer Gegenüberstellung von kumuliertem Projektvolumen und erwartetem Kapitalwert schlägt Menke (1994) S.30 vor.Google Scholar

Teilweise wird diese Visualisierungsform zur Darstellung mehrerer Verflechtungsarten verwendet, vgl. Möhrle (1994) S.235ff. Der Entscheidungsträger selbst sollte im Einzelfall darüber entscheiden, wie das Dilemma zwischen zusätzlichen Informationen und zunehmender Unübersichtlichkeit zu lösen ist.Google Scholar

Vgl. S. 128.Google Scholar

Für eine Gegenüberstellung von technologischem und wirtschaftlichem Risiko jedes Projektes (uncertainty map) und der daraus resultierenden Strategieempfehlung vgl. Pearson (1990) S.186ff.Google Scholar

Beispiele für in der Literatur vorgeschlagene Möglichkeiten zur Gegenüberstellung von Chancen und Nutzen einzelner Projekte sind Chancen-(bzw. Kapitalwert-, Nutzen-, Zielrelevanz-)-Risiko-Portfolios, vgl. z.B. Menke (1994) S.30 und Popp (1989) S.221ff., mit Zeitrahmen der Projekte vgl. Popp (1988) S.742. Zu einer Risikopyramide mit den Dimensionen wirtschaftliches Risiko, technologisches Risiko, Technologie, Nutzen und Form vgl. Souder/Bethay (1993) S.186ff.Google Scholar

Für einen Überblick dieser Methoden vgl. Gackstatter/Schnelle-Zürn (1992) S.142.Google Scholar