决策支持系统发展现状与趋势分析精编
数据分析与决策支持系统发展趋势
数据分析与决策支持系统发展趋势随着科技的迅猛发展，数据分析和决策支持系统在各个行业中的重要性日益凸显。
数据分析可以帮助企业发现潜在的商机和问题，而决策支持系统则可以提供科学的决策依据。
本文将从多个方面探讨数据分析与决策支持系统的发展趋势。
一、人工智能技术驱动数据分析人工智能技术的快速发展对数据分析产生了巨大的影响。
首先，人工智能技术可以通过自动化和智能化的方式处理海量的数据，在时间和准确度上都有了显著的提升。
其次，人工智能技术可以识别和学习数据中的模式和规律，从而帮助企业发现更多的商机和问题。
未来，数据分析领域将更多地依赖人工智能技术，提升数据分析的效率和准确度。
二、数据可视化促进决策效果数据可视化是将数据以图表、图形等可视化方式展现出来，使得人们更加直观地理解数据。
数据可视化可以帮助决策者迅速捕捉到数据中的关键信息，从而更好地做出决策。
未来，数据可视化将越来越受到关注，并在决策支持系统中发挥更重要的作用。
三、大数据助力决策支持系统发展大数据是当前社会中最重要的资源之一，其对决策支持系统的发展有着不可忽视的作用。
大数据可以提供更加全面、准确的数据信息，为决策者提供更好的决策依据。
同时，大数据技术可以实时收集、处理和分析数据，帮助企业及时掌握市场动态，做出相应的决策调整。
四、云计算推动决策支持系统的普及云计算技术的普及和成熟，为决策支持系统的开发和应用提供了便利。
云计算能够将庞大的数据存储和处理工作放在云端，用户只需通过网络连接就能够方便地访问决策支持系统，并进行数据分析和决策制定。
云计算技术的应用将加速决策支持系统的普及和使用。
五、跨学科融合促进数据分析与决策支持系统的创新数据分析和决策支持系统的发展不仅依赖于计算机科学，还需要与其他学科进行深入融合。
数学、统计学、管理学等学科的知识和方法可以为数据分析和决策支持系统提供更好的理论基础和创新思路。
未来，我们需要加强不同学科间的交流与合作，推动数据分析与决策支持系统的跨学科发展。
数据驱动的智能决策支持系统研究
数据驱动的智能决策支持系统研究随着信息技术的快速发展和大数据时代的到来，数据驱动的智能决策支持系统成为各行各业不可或缺的重要工具。
这种系统依托于大数据分析的能力，能够对复杂的问题进行深入的挖掘和分析，从而帮助企业和组织做出更明智的决策。
一、数据驱动的智能决策支持系统的定义和特点数据驱动的智能决策支持系统是一种基于数据分析和挖掘的决策支持系统。
它通过采集和整理大量的数据，运用数据分析和挖掘技术，从中发现规律、发现问题，为决策者提供准确、可靠的数据分析结果和决策建议。
与传统的决策支持系统相比，数据驱动的智能决策支持系统有以下几个特点：1. 大数据分析能力：数据驱动的智能决策支持系统可以处理大规模、多种类、高维度的数据，能够深入挖掘数据背后的价值和规律，为决策提供更全面、更准确的支持。
2. 实时性和及时性：数据驱动的智能决策支持系统具备实时、及时的数据分析和决策支持能力，可以对最新的数据进行分析和挖掘，并及时向决策者提供决策支持。
3. 智能化的决策支持：数据驱动的智能决策支持系统不仅具备强大的数据分析能力，还能通过运用人工智能和机器学习等技术，对复杂的问题进行智能化的决策支持，从而帮助决策者做出更加理性、准确的决策。
二、数据驱动的智能决策支持系统的应用领域数据驱动的智能决策支持系统广泛应用于各行各业，帮助企业和组织提高工作效率、优化决策结果。
以下是几个典型的应用领域：1. 金融行业：数据驱动的智能决策支持系统在金融行业中应用广泛，可以用于风险评估、投资决策、信用评分等方面。
通过对大量的金融数据进行分析和挖掘，帮助金融机构预测市场趋势，降低风险，提高投资回报率。
2. 零售行业：数据驱动的智能决策支持系统在零售行业中可以应用于销售预测、库存管理、市场定位等方面。
通过对消费者行为数据的分析和挖掘，帮助零售商了解客户需求，优化产品组合，提高销售和客户满意度。
3. 医疗行业：在医疗行业中，数据驱动的智能决策支持系统可以应用于疾病诊断、药物研发、医疗资源分配等方面。
教育大数据分析与决策支持系统
教育大数据分析与决策支持系统近年来,随着计算机和数学技术的发展,大数据的概念已经成为人们谈论的热门话题。
而在教育领域,教育大数据已经逐渐成为大家关注的领域。
教育大数据分析是指基于大数据技术对教育数据进行系统分析、挖掘、应用和推理,以发现其中的规律和价值,进而提供有益的决策支持。
而教育大数据分析与决策支持系统,则是利用教育大数据进行教育决策支持和评估的一种系统化的手段。
在这篇文章中,我们将探讨教育大数据分析与决策支持系统的重要性,应用场景以及其未来发展趋势。
一、教育大数据分析与决策支持系统的重要性教育大数据分析与决策支持系统的重要性在于,其能够从海量、复杂、多样化的教育数据中挖掘出有价值的信息,为教育机构提供科学、便捷、真实、客观的数据分析依据,从而指导教育决策。
例如,可以通过数据分析来了解学生的学习状态,并根据学生的学习情况对教学策略进行优化。
通过数据分析可以了解学生所需要的课程内容,以便课程开发者设计更加符合学生需求的课程,从而提高学生的学习效果。
又例如,通过数据分析可以了解教师的授课质量及其教学效果,以便教育管理者可以针对性地对教师进行培训和素质提升。
因此,教育大数据分析与决策支持系统的重要性不可忽视。
二、教育大数据分析与决策支持系统的应用场景教育大数据分析与决策支持系统的应用场景非常广泛。
我们可以将其应用到以下几个方面:1. 学生成绩分析。
学生成绩是最常见的教育数据之一。
通过对成绩分析可以掌握学生的学习状态和成绩分布情况,并需要针对性地优化课程设计和教学策略。
2. 课程开发和优化。
通过收集学生在学习中的数据,可以分析学生学习曲线及相关数据,提高教育机构对教学质量的掌控,并为课程开发者提供有用的数据参考。
3. 教师培训和评估。
通过对教师授课的数据进行分析,可以评估教师授课的效果,从而为教师的培训和考核提供更科学的依据。
4. 教育决策支持。
教育大数据分析与决策支持系统还可以为教育管理者提供决策支持,进而减少教育资源的浪费,提高教育效果。
物流决策支持系统
物流决策支持系统物流决策支持系统是指利用信息技术和数学方法对物流全过程进行智能化管理和决策支持的系统。
它通过对物流过程中的各个环节进行数据采集、分析和处理，帮助企业管理者在制定物流策略、优化物流网络、提高物流效率等方面做出科学决策。
一、物流决策支持系统的基本功能1. 数据采集和分析：物流决策支持系统通过各种传感器和监测设备对物流信息进行实时采集，并利用数据挖掘和统计分析等方法对数据进行处理和分析，从而为决策提供准确的参考依据。
2. 优化物流网络：利用数学优化模型和算法，物流决策支持系统可以帮助企业管理者优化仓储、运输、配送等环节，降低物流成本，提高物流效率。
3. 实时调度和监控：物流决策支持系统可以实现对物流过程的实时监控和调度，及时发现和解决物流环节中的问题，确保货物按时安全送达目的地。
二、物流决策支持系统的应用案例1. 智能仓储管理：利用RFID技术和物联网技术，物流决策支持系统可以精确追踪货物的位置和状态，实现仓储库存的动态管理和智能化配送。
2. 运输路径规划：基于地理信息系统和交通网络数据，物流决策支持系统可以帮助运输公司选择最优的运输路线和方式，并实时监控交通状况，提前调整计划。
3. 供应链协同管理：物流决策支持系统可以与企业的供应链管理系统、客户关系管理系统等系统进行集成，实现供需信息的共享和协同管理，提高供应链运作的效率和灵活性。
三、物流决策支持系统的发展趋势与挑战随着物流业的不断发展，物流决策支持系统也面临着新的挑战和机遇。
未来，物流决策支持系统将更加智能化和个性化，结合人工智能、大数据分析等先进技术，实现更精准的决策支持和业务优化。
同时，信息安全、数据隐私保护等问题也是物流决策支持系统发展中需要重点关注的方向。
综上所述，物流决策支持系统作为现代物流管理的重要工具，将在未来的发展中发挥越来越重要的作用，帮助企业管理者更好地应对日益复杂的物流环境，提升企业竞争力和市场影响力。
数据驱动的决策支持系统
数据驱动的决策支持系统在当今信息爆炸的时代，企业、组织以及个人都面临着海量的数据。
如何从这些数据中获取有价值的信息，并做出正确的决策，成为了一项关键的能力。
为了帮助人们更好地利用数据，数据驱动的决策支持系统应运而生。
一、什么是数据驱动的决策支持系统是一种结合数据处理技术和决策分析方法的智能系统，旨在为用户提供决策过程中的准确信息和科学分析支持。
它通过收集、存储、处理和分析各种类型的数据，为用户提供决策时所需的有效信息和决策建议。
数据驱动的决策支持系统的出现，不仅提高了决策的科学性和准确性，还最大程度地降低了决策过程中的主观性和风险。
二、数据驱动的决策支持系统的优势1.准确的数据分析：数据驱动的决策支持系统可以对大量的数据进行快速、精确的分析。
它能够从海量数据中提取出有价值的信息，为用户提供准确的数据分析结果。
2.多维度的视角：决策支持系统可以从多个维度分析数据，帮助用户深入了解问题本质。
用户可以根据不同的角度对数据进行分析，从而更全面地了解数据的内在规律。
3.实时的决策支持：数据驱动的决策支持系统可以实时地获取最新的数据，并将其应用于决策过程中。
系统能够及时发现新的趋势和变化，并帮助用户做出相应的决策调整。
4.提高决策效率：决策支持系统能够自动化地处理和分析数据，大大提高了决策的效率。
用户无需手动提取和整理数据，系统可以自动生成相应的报告和分析结果。
三、数据驱动的决策支持系统的应用领域数据驱动的决策支持系统广泛应用于各个领域。
以下是几个典型的应用领域：1.金融行业：决策支持系统可以帮助银行、保险公司等金融机构进行风险评估、信用评级等决策。
通过数据分析，系统可以帮助金融机构更好地管理风险，提高业绩。
2.供应链管理：决策支持系统可以帮助企业优化供应链，提高物流效率。
系统可以根据实时数据进行供需匹配，帮助企业实现准时交付和成本最小化。
3.市场营销：决策支持系统可以帮助企业进行市场调研和推广策略的制定。
DSS论文
浅析决策支持系统发展趋势[摘要] 本文首先提出了决策支持系统(DSS)的基本概念,并结合现代新技术的发展趋势,提出了新一代DSS 的主要发展方向:群决策支持系统(GDSS);分布式决策支持系统(DDSS);智能决策支持系统(IDSS);决策支持中心(DSC)及行为导向的决策支持系统(BODSS)。
结合各种决策支持系统的具体内容,全面、系统地阐述了各决策支持系统的特点及应用方向。
DSS是当前信息系统研究的最新发展阶段，DSS的各类研究成果为各级各类决策提供了科学的方法和依据，因此DSS成为软科学中的一个重要分支。
本文简要评述了近20年来DSS 研究的理论成果与应用现状，分析了DSS研究存在的问题和不足，重点介绍了DSS研究发展趋势。
[关键词] 管理系统决策支持系统发展趋势决策质量决策支持系统/软科学/数据仓库/数据开采一、决策支持系统的兴起决策是时时处处存在的一种社会现象。
任何行动都是相关决策的一种结果。
正是这种普遍性，使人们一直致力于开发一种系统，来辅助或支持人们进行决策，以便促进提高决策的效率与质量。
尤其是随着现代信息技术和人工智能技术的发展和普及应用，更有力地推动了决策支持系统(Decision Support System)的发展。
DSS是决策支持系统(Decision Support System)的简称。
其概念最早由Scott Morton和Keen 于20世纪70年代中期提出,是20世纪70年代末期兴起的一种新的管理系统。
它是一种以计算机为工具,应用决策科学及有关学科的理论与方法,以人机交互方式辅助决策者解决半结构化或非结构化决策问题的信息系统,是以特定形式辅助决策的一种科学工具。
它通过人机对话等方式为决策者提供了一个将知识性、主动性、创造性和信息处理能力相结合,定性与定量相结合的工作环境,协助决策者分析问题、探索决策方法,进行评价、预测和选优。
广泛用于企业管理、系统开发、经济分析与规划、战略研究、资源管理、投资规划等方面。
57. 决策系统的未来发展趋势是什么？
57. 决策系统的未来发展趋势是什么？57、决策系统的未来发展趋势是什么？在当今快速发展的数字化时代，决策系统正经历着深刻的变革。
决策系统作为帮助人们在复杂环境中做出明智选择的重要工具，其未来的发展趋势备受关注。
随着数据量的爆炸式增长和信息技术的不断进步，决策系统将变得更加智能化和个性化。
未来的决策系统将能够更好地理解和处理大量的结构化和非结构化数据，通过先进的数据分析技术和算法，提取有价值的信息和知识，为决策者提供更加精准和个性化的建议。
实时决策将成为未来决策系统的一个重要特征。
在快节奏的商业环境和社会生活中，及时做出决策往往至关重要。
未来的决策系统将能够实时收集、分析和处理数据，迅速给出决策建议，帮助决策者抓住稍纵即逝的机会，应对突发的挑战。
跨领域融合也是决策系统发展的必然趋势。
不同领域的知识和数据相互交叉和融合，能够为决策提供更全面的视角。
例如，将经济、环境、社会等多方面的因素纳入决策系统的考量范围，能够制定出更具综合性和可持续性的决策方案。
决策系统的可视化和交互性将得到显著提升。
复杂的数据和决策过程通过直观、清晰的可视化方式呈现给决策者，能够帮助他们更好地理解和把握信息。
同时，更加友好和便捷的交互界面将使决策者能够更轻松地与决策系统进行沟通和交流，根据自己的需求和判断对决策过程进行干预和调整。
预测性分析在未来的决策系统中将发挥更重要的作用。
通过对历史数据和趋势的分析，预测未来可能出现的情况和结果，为决策提供前瞻性的指导。
这将帮助决策者提前做好准备，制定应对策略，降低风险。
决策系统的自学习和自适应能力也将不断增强。
随着新数据的不断输入和环境的变化，决策系统能够自动调整和优化自身的模型和算法，以适应新的情况和需求，保持决策的准确性和有效性。
此外，未来的决策系统将更加注重伦理和社会责任。
在利用数据和算法进行决策时，必须确保公平、公正、合法，避免歧视和不道德的决策。
同时，要充分考虑决策对社会和环境的影响，实现经济效益和社会效益的平衡。
决策系统的发展与前景
多源数据融合应用拓展
多模态数据融合
整合来自不同模态的数据，如文本、图像、音频和视频等，为决策 提供更全面的信息。
大数据技术应用
运用大数据技术，对海量数据进行实时分析和处理，发现数据间的 关联和趋势，为决策提供支持。
数据挖掘与知识发现
02 决策系统关键技术
数据采集与处理技术
01
02
03
数据采集
通过传感器、网络爬虫、 API接口等方式，从各种 数据源中收集数据。
数据清洗
对数据进行去重、去噪、 填充缺失值等处理，以保 证数据质量。
数据转换
将数据转换为适合后续分 析和挖掘的格式，如数据 归一化、离散化等。
数据分析与挖掘技术
描述性统计
不同参与方在决策过程中可能存在利益冲突，导致协同决策难以 实现。
信息不对称
各参与方掌握的信息可能不对称，影响协同决策的效果。
信任缺失
缺乏信任可能导致参与方不愿意共享信息和资源，从而阻碍协同 决策的进行。
新兴技术带来的机遇与挑战
01
人工智能技术
人工智能技术的发展为决策系统提供了更强大的数据处理和分析能力，
护提出了更高的要求。
05 决策系统未来展望
智能化水平提升
1 2
机器学习算法优化
通过改进现有算法和开发新算法，提高决策系统 的学习和推理能力，使其能够更准确地识别和解 决问题。
深度学习技术应用
利用深度学习技术，对大量数据进行高效处理和 分析，提取有用特征，为决策提供更准确的依据。
3
自然语言处理技术
遗传算法
模拟自然选择和遗传机制，寻找问题的最优 解。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
决策支持系统发展现状与趋势分析精编Document number：WTT-LKK-GBB-08921-EIGG-22986决策支持系统发展现状与趋势分析1吴新年2（中国科学院国家科学图书馆兰州分馆兰州730000）陈永平（北方民族大学图书馆银川750021）摘要：在简要回顾决策支持系统发展历史的基础上，系统归纳了决策支持系统的主要类型，分析总结了阻碍决策支持系统发展的关键技术问题和决策支持系统未来的发展取向。
关键词：决策支持系统；现状；趋势；关键技术1 决策支持系统的兴起与发展决策是人类社会发展中时时处处存在的一种社会现象。
任何行动都是相关决策的一种结果。
正是这种需求的普遍性，人们一直致力于要开发一种系统，来辅助或支持人们进行决策，以便促进提高决策的效率与质量。
尤其是随着现代信息技术和人工智能技术的发展和普及应用，更有力地推动了决策支持系统（Decision Support System，简称DSS)的发展。
简要说来，DSS大致经历了这样几个发展历程：20世纪60年代后期，面向模型的DSS诞生，标志着决策支持系统这门学科的开端；20世纪70年代，DSS的理论得到长足发展，80年代前期和中期，实现了金融规划系统以及群体决策支持系统（Group DSS）；20世纪80年代中期，通过将DSS与知识系统相结合，提出发展了智能决策支持系统（IDSS）的设想[1]；此后，开始出现了主管信息系统( executive information system，简称EIS)3、联机分析处理（OLAP）等。
到了20世纪90年代中期，人们开始关注和开发基于Web的DSS，随着Internet的革命性发展和深入应用，基于分布式的、支持群体网络化和远程化协同1本研究受“西部之光”项目“甘肃省科技文献信息共享平台建设研究与示范”资助。
2作者简介：吴新年，男，1968年11月出生，在职博士，研究员，硕士研究生导师。
迄今公开发表论文60多篇，合作出版着作3部。
主要研究方向：信息资源管理；情报研究与决策咨询。
陈永平，男，1969年出生，1991年毕业于兰州大学图书情报学系，副研究馆员，现任北方民族大学图书馆副馆长，公开发表论文10余篇。
主要研究方向：信息组织与服务。
3主管信息系统（Executive Information System），指为了满足无法专注于计算机技术的领导人员的信息查询需求，而特意制定的以简单的图形界面访问数据仓库的一种应用。
的情报分析与综合决策支持系统逐步浮出水面并开始走向应用；随着人工智能技术的不断发展，DSS的智能化程度越来越高，对人们决策的支持能力也越来越强大。
2 决策支持系统的主要类型自20世纪70年代提出决策支持系统（DSS)以来，DSS 已经得到了很大发展。
从目前发展情况看，主要有如下几种决策支持系统：（1）数据驱动的决策支持系统（Data-Driven DSS）[2]。
这种DSS强调以时间序列访问和操纵组织的内部数据，也有时是外部数据。
它通过查询和检索访问相关文件系统，提供了最基本的功能。
后来发展了数据仓库系统，又提供了另外一些功能。
数据仓库系统允许采用应用于特定任务或设置的特制的计算工具或者较为通用的工具和算子来对数据进行操纵。
再后发展的结合了联机分析处理（OLAP）的数据驱动型DSS则提供更高级的功能和决策支持，并且此类决策支持是基于大规模历史数据分析的。
主管信息系统（EIS）以及地理信息系统（GIS）属于专用的数据驱动型DSS。
（2）模型驱动的决策支持系统（Model-Driven DSS）[2]。
模型驱动的DSS强调对于模型的访问和操纵，比如：统计模型、金融模型、优化模型和/或仿真模型。
简单的统计和分析工具提供最基本的功能。
一些允许复杂的数据分析的联机分析处理系统（OLAP）可以分类为混合DSS系统，并且提供模型和数据的检索，以及数据摘要功能。
一般来说，模型驱动的DSS综合运用金融模型、仿真模型、优化模型或者多规格模型来提供决策支持。
模型驱动的DSS利用决策者提供的数据和参数来辅助决策者对于某种状况进行分析。
模型驱动的DSS通常不是数据密集型的，也就是说，模型驱动的DSS通常不需要很大规模的数据库。
模型驱动的DSS的早期版本被称作面向计算的DSS[3]。
这类系统有时也称为面向模型或基于模型的决策支持系统。
(3)知识驱动的决策支持系统（Knowledge-Driven DSS）。
知识驱动的DSS可以就采取何种行动向管理者提出建议或推荐。
这类DSS是具有解决问题的专门知识的人—机系统。
“专门知识”包括理解特定领域问题的“知识”，以及解决这些问题的“技能”。
与之相关的一个概念是数据挖掘工具——一类在数据库中搜寻隐藏模式的用于分析的应用程序。
数据挖掘通过对大量数据进行筛选，以产生数据内容之间的关联。
构建知识驱动的DSS的工具有时也称为智能决策支持方法[4，5]。
（4）基于Web的决策支持系统（Web-Based DSS）[6]。
基于Web的DSS通过“瘦客户端”Web浏览器（诸如Netscape Navigator 或者Internet Explorer）向管理者或商情分析者提供决策支持信息或者决策支持工具。
运行DSS应用程序的服务器通过TCP/IP协议与用户计算机建立网络连接。
基于Web的DSS可以是通讯驱动、数据驱动、文件驱动、知识驱动、模型驱动，或者混合类型。
Web技术可用以实现任何种类和类型的DSS。
“基于Web”意味着全部的应用均采用Web技术实现。
“Web启动”意味着应用程序的关键部分，比如数据库，保存在遗留系统中，而应用程序可以通过基于Web的组件进行访问，并通过浏览器显示。
（5）基于仿真的决策支持系统（Simulation-Based DSS）。
基于仿真的DSS可以提供决策支持信息和决策支持工具，以帮助管理者分析通过仿真形成的半结构化问题。
这些种类的系统全部称为决策支持系统。
DSS可以支持行动、金融管理，以及战略决策。
包括优化以及仿真等许多种类的模型均可应用于DSS。
（6）基于GIS的决策支持系统（GIS-Based DSS）。
基于GIS（地理信息系统）的DSS通过GIS向管理者或商情分析者提供决策支持信息或决策支持工具。
通用目标GIS 工具，如ARC/INFO、MAPInfo 以及 ArcView等是一些有特定功能的程序，可以完成许多有用的操作，但对于那些不熟悉GIS以及地图概念的用户来说，比较难于掌握。
特殊目标GIS工具是由GIS程序设计者编写的程序，以易用程序包的形式向用户组提供特殊功能。
以前，特殊目标GIS 工具主要采用宏语言编写。
这种提供特殊目标GIS工具的方法要求每个用户都拥有一份主程序（如ARC/INFO或者ArcView）的拷贝用以运行宏语言应用程序。
现在，GIS程序设计者拥有较从前丰富得多的工具集来进行应用程序开发。
程序设计库拥有交互映射以及空间分析功能的类，从而使得采用工业标准程序设计语言来开发特殊目标GIS工具成为可能，这类程序设计语言可以独立于主程序进行编译和运行（单机）。
同时，Internet开发工具已经走向成熟，能够开发出相当复杂的基于GIS的程序让用户通过World Wide Web进行使用。
（7）通信驱动的决策支持系统（Communication-Driven DSS）。
通信驱动型DSS强调通信、协作以及共享决策支持。
简单的公告板或者电子邮件就是最基本的功能。
组件比较FAQ （常见问题解答）定义诸如“构建共享交互式环境的软、硬件”，目的是支撑和扩大群体的行为。
组件是一个更广泛的概念——协作计算的子集。
通信驱动型DSS能够使两个或者更多的人互相通讯，共享信息，以及协调他们的行为。
（8）基于数据仓库的决策支持系统（DataWare-Based DSS）[7]。
数据仓库是支持管理决策过程的、面向主题的、集成的、动态的、持久的数据集合。
它可将来自各个数据库的信息进行集成,从事物的历史和发展的角度来组织和存储数据，供用户进行数据分析，并辅助决策，为决策者提供有用的决策支持信息与知识。
基于数据仓库理论与技术的DSS的主要研究课题包括：①数据仓库（DW）技术在DSS 系统开发中的应用以及基于DW的DSS的结构框架；②采用何种数据挖掘技术或知识发现方法来增强DSS的知识源；③DSS中的DW的数据组织与设计及DW管理系统的设计。
总的说来，基于DW的DSS的研究重点是如何利用DW及相关技术来发现知识并向用户解释和表达，为决策支持提供更有力的数据支持，有效地解决了传统DSS数据管理的诸多问题。
（9）群体决策支持系统（Group Decision Supporting System，简称GDSS)[8]。
群体决策支持系统是指在系统环境中,多个决策参与者共同进行思想和信息的交流以寻找一个令人满意和可行的方案，但在决策过程中只由某个特定的人做出最终决策，并对决策结果负责。
它能够支持具有共同目标的决策群体求解半结构化的决策问题，有利于决策群体成员思维和能力的发挥，也可以阻止消极群体行为的产生，限制了小团体对群体决策活动的控制，有效地避免了个体决策的片面性和可能出现的独断专行等弊端。
群体决策支持系统是一种混合型的DSS，允许多个用户使用不同的软件工具在工作组内协调工作。
群体支持工具的例子有：音频会议、公告板和网络会议、文件共享、电子邮件、计算机支持的面对面会议软件，以及交互电视等。
GDSS主要有四种类型:决策室、局域决策网、传真会议和远程决策。
（10）分布式决策支持系统（Distributing Decision Supporting System，简称DDSS)。
这类DSS是随着计算机技术、网络技术以及分布式数据库技术的发展与应用而发展起来的。
从架构上来说，DDSS是由地域上分布在不同地区或城市的若干个计算机系统所组成,其终端机与大型主机进行联网，利用大型机的语言和生成软件，而系统中的每台计算机上都有DSS，整个系统实行功能分布，决策者在个人终端机上利用人机交互，通过系统共同完成分析、判断，从而得到正确的决策。
DDSS 的系统目标是把每个独立的决策者或决策组织看作一个独立的、物理上分离的信息处理节点, 为这些节点提供个体支持、群体支持和组织支持。
它应能保证节点之间顺畅的交流, 协调各个节点的操作, 为节点及时传递所需的信息以及其它节点的决策结果, 从而最终实现多个独立节点共同制定决策。
（11）智能决策支持系统(Intelligence Decision Supporting System，简称IDSS)[9]。
智能决策支持系统(IDSS)是人工智能(Artificial Intelligence)和DSS相结合, 应用专家系统（Expert System）技术，使DSS能够更充分地应用人类的知识或智慧型知识，如关于决策问题的描述性知识、决策过程中的过程性知识、求解问题的推理性知识等，并通过逻辑推理来帮助解决复杂的决策问题的辅助决策系统。