FACTORFINDER-Software
Previous  Top  Next


Haben Sie sich jemals gefragt, ob eine Arbeitsgruppe erfolgreich ist, weil Fred der Gruppenleiter ist, oder ob sie erfolgreich ist, obwohl er der Gruppenleiter ist? Haben Sie sich jemals gefragt, ob ein Produkt erfolgreich ist, weil seine Farbe Rot ist, oder ob es erfolgreich ist, obwohl es rot ist?

Wenn mehrere, unterschiedlich wichtige Faktoren zusammen auf ein Ziel wirken, dann hilft die FACTORFINDER-Software bei der Analyse. Das Anwenden der FACTORFINDER-Software schafft Klarheit über die Bedeutung von Einflußgrößen, deren Zielbeitrag nicht einfach offensichtlich ist. Zu dem Adressatenkreis gehören beispielsweise Produktmanager, Referenten für Unternehmensentwicklung, Mitglieder der Unternehmensführung, Unternehmensberater und Wirtschaftspolitiker. Auch im Bereich der Wissenschaft ist sie einzusetzen. Das Ergebnis der Analyse ist eine Bewertung der Wichtigkeit aller berücksichtigten Faktoren sowie eine Klassifikation der aufgezeichneten Alternativen.

·Ideale Varianten werden erkannt. Bei idealen Varianten ist jedes Merkmal zielfördernd ausgeprägt. Es handelt sich um robuste Alternativen, da unerwartete Abweichungen von den angestrebten Merkmalen bei diesen Alternativen in hohem Maße toleriert werden.  
·Alternativen werden hervorgehoben, deren Erfolg aus der Kenntnis der anderen erfolgreichen Varianten nicht zu erwarten war. Diese Alternativen gilt es genauer zu untersuchen, weil ihre Sonderstellung auf bisher unberücksichtigten Faktoren beruhen kann.  
·Für den Erfolg der Alternativen wichtige und unwichtige Faktoren werden unterschieden.  

Die FACTORFINDER-Software hilft bei der Analyse komplexer Input-Output-Systeme, die durch zwei Output-Stufen charakterisiert sind: Die Funktion des Systems ist entweder akzeptabel oder inakzeptabel. Das kann eine Arbeitsgruppe sein, deren Gruppenleistung akzeptabel oder inakzeptabel ist, oder ein technisches System, das entweder arbeitet oder versagt. Auch verschiedene Produktgestaltungsalternativen können akzeptabel oder inakzeptabel ausfallen. Wichtig ist: Zwischenstufen in der Erfolgsmessung machen hier wenig Sinn.

Das Verfahren ist neu und greift auf keine bekannten statistischen Methoden zurück. Auch bestehen Unterschiede zu Neuronalen Netzen. Es ist den Verfahren der Künstlichen Intelligenz zuzuordnen und dort ein Hybrid aus symbolischer und sub-symbolischer Repräsentation mit evolutionärer Lernkomponente. Das Verfahren ist nicht statistisch, sondern aus evolutionären Verfahren abgeleitet. Innerhalb der statistischen Verfahren würde es als Dependenzanalyse klassifiziert, wobei die unabhängigen Variablen nominal skaliert sind und die abhängige Variable dichotom skaliert ist. Zwischen den unabhängigen Variablen besteht die Annahme der linear-additiven Verknüpfung. Das Ziel des Verfahrens ist es, aus den bekannten Datensätzen bestimmte hervorzuheben und zugleich Kennziffern für die Wichtigkeit der unabhängigen Variablen (indirekt über die Tolerierbarkeit beliebiger Werte) zu ermitteln.