In der vorliegenden Arbeit wird das Konzept eines zusammengesetzten Decision Support Systems (DSS), bestehend aus einer wissensgetriebenen und einer datengetriebenen Komponente vorgeschlagen, welches Entscheidungsträger der Kapazitätsplanung auf verschiedenen Ebenen eines hochschulinternen Planungssystems mit prognostizierten, den Kernprozess Lehre betreffenden Nachfragegrößen unterstützt. Den Kern des zusammengesetzten DSS stellt eine wissensgetriebene Komponente dar, die basierend auf dem Paradigma des Case-based Reasoning (CBR) die Prognose individueller Studienverläufe aller Studierender einer Hochschule ermöglicht. Dazu erfolgt die Wiederverwendung von Erfahrungen hinsichtlich der Modul- und Klausurbelegung von Alumni und im Studium fortgeschrittener Studierender, die in Form von Fällen repräsentiert werden. Die domänenspezifischen Anpassungen und Erweiterungen des Paradigmas des CBR umfassen erstens die Repräsentation von Erfahrungen mit heterogenem Zeitbezug durch Fälle. Diesbezüglich wird einerseits eine dynamische, vom zu lösenden Problem abhängige Zuordnung von Fallattributen zu den Komponenten Beschreibung und Lösung eines Falls konzipiert. Andererseits wird eine Möglichkeit zur Abbildung von zeitabhängigen Attributen sowohl in der Beschreibung als auch in der Lösung eines Falls geschaffen. Zweitens erfolgt eine Erweiterung des CBR-cycle, des Problemlösungsprozesses, der im erarbeiteten Konzept zur Erstellung von Prognosen verwendet wird. Die Erweiterungen umfassen insbesondere die automatisierte Erkennung von zu lösenden (Prognose-)Fällen, die Überprüfung und Anpassung erstellter Prognosen mithilfe eines regelbasierten Systems, das sich auf Domänenwissen aus einer Ontologie stützt, sowie die zeitasynchrone Einbeziehung einer Vielzahl von Studierenden als Domänenexperten zur Anpassung individuell prognostizierter Studienverläufe. Eine datengetriebene Komponente bildet den zweiten Teil des zusammengesetzten DSS. Diese dient der Bereitstellung der Ergebnisse der wissensgetriebenen Komponente in einer von Entscheidungsträgern der hochschulinternen Kapazitätsplanung verwertbaren Form. Die durch die wissensgetriebene Komponente erstellten Prognosen werden hierzu in einen multidimensional modellierten Data Mart geladen und mithilfe von analytischen und Standardberichten auf verschiedenen Aggregationsniveaus zur Auswertung bereitgestellt. Zur Evaluation des Konzepts erfolgt dessen prototypische Implementierung am Beispiel der Universität Osnabrück. Der Fokus der Bewertung liegt auf dem Kriterium der Prognosegenauigkeit, welches durch verschiedene, auf dem Prognosefehler basierende Gütemaße operationalisiert wird. Letztere werden anhand von Prognosesimulationen mittels des Prototyps ermittelt und auf Basis eines Interpretationsschemas sowie durch Gegenüberstellung mit den Ergebnissen eines Referenzverfahrens interpretiert und bewertet.

Die vorliegende Arbeit beschreibt ein wissensbasiertes Decision Support System (DSS) zur Analyse von Wirkungsbeziehungen in einem betriebswirtschaftlichen Umfeld, um die Ursachen von beobachteten Wirkungen zu verstehen und dadurch eine Unterstützung in Entscheidungssituationen zu ermöglichen. Die Umweltbedingungen einer Entscheidungssituation werden während der Analyse berücksichtigt, sodass die Unterstützung auf die jeweilige Situation angepasst ist. Den Kern des Konzeptes stellen eine Wissensbasis sowie eine Ablaufsteuerung zur situativen Auswertung der Wissensbasis dar. Die Wissensbasis speichert Wirkungsbeziehungen zwischen Elementen in Form eines semantischen Netzes. Ein Element besitzt zudem Metainformationen über interne und externe, beliebig strukturierte Daten zur situativen Validierung der Wirkungsbeziehungen. Ebenfalls können Zeitverzögerungen bei Wirkungsbeziehungen berücksichtigt werden. Die Ablaufsteuerung verarbeitet das gespeicherte Wissen aus der Wissensbasis zur situativen Entscheidungsunterstützung in drei aufeinander aufbauenden Phasen. Die Initialisierungsphase dient der Eingabe einer Entscheidungssituation ins System sowie dem Matching der Entscheidungssituation mit Elementen der Wissensbasis. Die Explorationsphase durchsucht die Wissensbasis anhand der Wirkungsbeziehungen nach potenziell relevanten Elementen für die Entscheidungssituation und validiert diese mit statistischen Methoden, indem die Daten der potenziell relevanten Elemente anhand der Metainformationen abgerufen und mit geeigneten Methoden ausgewertet werden. Die Evaluationsphase ermöglicht es dem Anwender, die Ergebnisse zu überprüfen und optional die Wissensbasis anzupassen. Zur Evaluation des Konzeptes erfolgt eine prototypische Implementierung sowie deren empirische Evaluation mit einem Laborexperiment. Auf Basis des Aufgabe-Technologie-Fit-Modells wird eine bessere Eignung des Prototyps im Vergleich zu einer am Markt etablierten DSS-Software ohne automatisierte Analysen von Wirkungsbeziehungen nachgewiesen.