决策支持系统发展现状与趋势分析
数据分析和决策支持系统
数据分析和决策支持系统随着信息技术的飞速发展，数据已成为现代社会中最具价值的资源之一。
以数据为基础的分析和决策支持系统，不仅可以帮助企业分析市场趋势、预测市场需求，还可以帮助政府制定公共政策，支持科学研究等。
本文将从数据分析和决策支持系统的定义、应用场景、重要性以及未来发展方向等方面进行探讨。
什么是数据分析和决策支持系统？数据分析和决策支持系统（Decision Support System，DSS）是一种基于计算机技术和数学模型的支持决策的工具，可以帮助用户根据大量数据的分析结果，结合个人判断力和经验，做出更加精准、科学的决策。
它通常包括数据收集、预处理、分析、可视化等多个环节，可以为各种决策提供强有力的支持。
数据分析和决策支持系统的应用场景数据分析和决策支持系统的应用领域非常广泛，本文主要介绍以下几个方面：1.商业领域。
如市场营销、销售预测、客户关系管理等。
通过对客户行为和市场趋势等数据的分析，可以帮助企业制定更加精准的市场战略和销售计划，提高经济效益。
2.政府机构领域。
如公共安全、医疗卫生、城市规划等。
通过对人口统计数据和社会经济情况等数据的分析，可以为政府机构提供科学决策，制定更加合理、有效的政策。
3.科学研究领域。
如医学、化学、生物学等。
通过对实验数据的分析，可以帮助科学家找到规律和变化，辅助研究结果的预测和验证。
数据分析和决策支持系统的重要性数据分析和决策支持系统在现代社会中有着极其重要的作用，具体体现在以下几个方面：1.提升决策的精准度和科学性。
数据分析和决策支持系统可以通过数据模型和算法的优化，处理大量的无序数据，提供客观、准确的分析结果，给企业和政府机构的决策提供科学依据。
2.加速决策的速度和效率。
数据分析和决策支持系统可以尽快地处理数据，提高决策的速度和效率，让决策者更快地做出决策。
3.增强组织和企业的竞争力。
数据分析和决策支持系统可以帮助企业发现市场的机会和问题，制定稳健的发展战略，提高企业的竞争力。
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。
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。
智能物流决策支持系统
智能物流决策支持系统随着信息技术的不断发展和智能化水平的提升，物流行业也迎来了一系列的变革。
传统的物流管理方式面临着效率低下、成本高昂、服务质量无法保障等问题，而智能物流决策支持系统的引入，为解决这些问题提供了一条可行的途径。
一、智能物流决策支持系统的概念智能物流决策支持系统，简称IWLDSS（Intelligent Logistics Decision Support System），是一种基于信息技术和人工智能的物流管理系统。
它通过对物流数据的采集、分析和处理，借助于智能算法和模型，为物流管理者提供决策支持，助力优化物流运作。
二、智能物流决策支持系统的功能1. 数据采集和分析：智能物流决策支持系统能够实时采集并分析物流过程中的各种数据，如订单信息、运输成本、货物跟踪信息等。
通过对这些数据的挖掘和分析，系统能够提供准确的物流信息和运营指标。
2. 运输路线规划：系统能够根据收集到的数据和预设的条件，利用智能算法进行运输路线规划，确保货物的最优运输路径和时间，并能够根据实际情况进行动态调整。
3. 货物跟踪和监控：系统能够通过物联网技术实时监控货物的位置和状态，提供货物追踪功能，确保物流过程的可追溯性和透明度。
4. 库存管理：系统能够根据销售预测和货物运输情况，进行库存管理，确保最佳的库存水平和货物的及时供应，从而节约成本并提高客户满意度。
三、智能物流决策支持系统的优势1. 提高物流效率：智能物流决策支持系统能够以更快的速度、更高的准确度进行数据分析和运输路线规划，有效提高物流管理效率和运输速度。
2. 降低物流成本：通过优化运输路线、合理分配资源和减少人力投入，智能物流决策支持系统能够降低物流成本，提高企业盈利能力。
3. 提升客户满意度：通过实时货物跟踪和透明的物流过程信息，智能物流决策支持系统能够提供更好的客户服务和沟通，提升客户满意度和忠诚度。
4. 降低风险和提高安全性：智能物流决策支持系统能够提供数据分析和预测功能，及时发现和应对潜在的风险，确保货物的安全运输和仓储。
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。
决策支持系统应用
DSS在企业管理中的应用
DSS在企业管理中可以用于销售预测、人力资源管理、供应链管理等方面，可 以帮助企业高效决策，提高企业运营效率。
DSS在金融风险管理中的应用
DSS在金融风险管理中可以用于风险评估、投资分析、交易监控等方面，可以 有效预测和控制金融风险，保证金融系统的稳定和安全。
DSS在环保领域中的应用
DSS的价值和作用
提高决策质量
DSS能够提供准确、实时和全面的信息，帮助决策者做出更好的决策。
节约时间成本
DSS能够减少人力和物力资源的浪费，帮助企业节约时间和成本。
提高工作效率
DSS可以帮助员工更好地理解和分析数据，提高工作效率。
DSS的分类及特点
• DSS可以分为模型驱动的DSS、规则驱动的DSS、人工智能驱动的DSS和 数据驱动的DSS。
DSS的发展历程和现状分析
1
1960s-1970s
早期决策支持系统主要使用桌面计算机和传统数据存储技术。
2
1980s-1990s
DSS开始广泛应用于商业和工业领域，并形成了自己的理论体系和方法。
3
2 0 0 0 s - P res en t
随着互联网和云计算技术的发展，DSS的应用领域不断扩展，包括金融、医疗、 环保等领域。
对开发完成的DSS进行测试和优化， 确保系统稳定可靠。
DSS的应用案例分析
农业决策
DSS用于农业管理，可以提高 收成、降低成本，为农业决 策提供有效支持。
城市规划
DSS用于城市规划，可以进行 土地评估、环境评估、市场 分析等，帮助城市规划者做 出更明智的决策。
医疗诊断
DSS用于医疗诊断，可以根据 患者的病情提供有效的诊断 和治疗建议。
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。
基于知识发现的决策支持系统研究的现状与发展趋势探讨
基于知识发现的决策支持系统研究的现状与发展趋势探讨在当今信息化时代，决策支持系统（DSS）已成为企业、政府和个人进行决策的重要工具。
基于知识发现的决策支持系统，通过整合数据挖掘、机器学习、人工智能等技术，能够从大量数据中提取有价值的信息，为决策者提供更加精准的决策依据。
本文将探讨这一领域的研究现状与发展趋势。
首先，基于知识发现的决策支持系统的核心在于知识发现过程，即从数据中挖掘出模式、趋势和关联规则。
这一过程通常涉及数据预处理、特征选择、模型构建和知识解释等多个步骤。
随着大数据技术的发展，决策支持系统能够处理的数据量和类型日益增多，包括结构化数据、半结构化数据和非结构化数据。
其次，机器学习算法在基于知识发现的决策支持系统中扮演着重要角色。
从传统的决策树、支持向量机到深度学习中的神经网络，这些算法在不断优化中提高了系统的预测准确性和泛化能力。
特别是深度学习技术，通过模拟人脑的神经网络结构，能够自动提取特征并进行复杂的模式识别。
再者，随着人工智能技术的快速发展，自然语言处理（NLP）和计算机视觉等技术也被广泛应用于决策支持系统中。
通过NLP技术，系统能够理解和处理自然语言文本，从而分析社交媒体、新闻报道等非结构化数据。
计算机视觉技术则使得系统能够识别图像和视频中的信息，为决策提供更丰富的数据来源。
此外，决策支持系统的研究也关注于系统的可解释性和透明度。
随着算法的复杂性增加，如何让决策者理解模型的决策过程和结果变得尤为重要。
研究者们正在探索如何设计更加透明和可解释的模型，以便用户能够信任并接受系统的建议。
最后，未来的发展趋势将集中在以下几个方面：一是集成更多类型的数据源，实现跨领域的知识融合；二是提高系统的自适应性和灵活性，以应对不断变化的决策环境；三是加强人机交互设计，提升用户体验；四是强化系统的伦理和法律约束，确保决策的公正性和合理性。
综上所述，基于知识发现的决策支持系统正朝着更加智能化、个性化和人性化的方向发展，其在帮助人类做出更加科学和合理的决策方面具有巨大的潜力。
经济发展中的决策分析和决策支持系统
经济发展中的决策分析和决策支持系统在当今快速发展的社会中，经济的快速发展是每个国家都追求的目标。
然而，随着市场的复杂性和不确定性不断增加，经济决策变得越来越困难。
为了更好地指导经济决策，决策分析和决策支持系统逐渐应运而生。
一、决策分析的重要性及其方法决策分析是指通过采用科学的方法和技术，对问题进行系统性的分析和评估，进而提供有知识依据的决策。
决策分析的重要性体现在以下几个方面：1. 提供全面信息：决策分析可以从大量的数据和信息中提取有价值的信息，全面了解问题的背景和特征，为决策者提供全面的参考。
2. 评估决策效果：通过建立模型和进行模拟，决策分析可以预测各种决策的效果，并进行评估。
这有助于决策者选择最优方案，并降低决策的风险。
3. 解决复杂问题：在现代经济中，问题往往是复杂多变的，决策分析通过将问题分解为更小的子问题，并进行系统分析，帮助决策者更好地理清头绪，找到解决问题的方向。
决策分析可以采用多种方法，如决策树、模型模拟、统计分析等。
不同的方法适用于不同的问题，并且往往需要结合实际情况和决策者的经验进行选择。
二、决策支持系统的功能和应用决策支持系统是利用计算机技术和信息科学方法，为决策者提供辅助决策的软件系统。
它的主要功能包括以下几个方面：1. 数据收集与整理：决策支持系统可以帮助决策者从各个渠道收集和整理各类数据，确保决策的基础数据准确全面。
2. 模型建立与计算：决策支持系统可以使用各种模型，进行决策的模拟和计算。
这些模型可以是经济模型、决策树模型等，通过对模型的建立和计算，帮助决策者更好地评估各种决策的效果。
3. 可视化和报告：决策支持系统可以将决策的结果以图表或报告的形式展现给决策者。
这种可视化的展示方式可以使决策者更直观地了解决策的情况，有助于决策的理解和沟通。
4. 决策协同与共享：决策支持系统可以实现多人同时参与决策的协同工作，并实现决策信息的共享。
这样可以增加决策的合理性和准确性，提高决策效率。
智能决策支持系统研究与应用
智能决策支持系统研究与应用随着人工智能技术的不断发展，智能决策支持系统也成为了越来越多企业的重要工具。
智能决策支持系统可以帮助人们更快、更准确地进行决策，提高工作效率，改善决策结果。
本文将介绍智能决策支持系统的基本概念与分类、应用场景以及发展趋势。
一、智能决策支持系统的基本概念与分类智能决策支持系统是一种集计算机科学、人工智能、数学、管理等多学科知识于一体的辅助决策系统，通过数据挖掘、管理学、系统理论等方法，分析和处理大量数据，使得企业的决策更具科学性与准确性，降低企业的风险。
智能决策支持系统根据不同的决策形式和场景可分为以下几类：1. 商业智能系统（Business Intelligence System，简称BI）：BI是指通过大量的数据分析和挖掘，在企业内部绘制出一个完整的业务模型，从而更好地帮助管理层制定战略规划。
2. 决策支持系统（Decision Support System，简称DSS）：DSS是一种基于数据的决策支持系统，可以帮助企业更快、更准确地预测未来变化，立即响应外界变化并优化企业整体经营决策。
3. 专家系统（Expert System，简称ES）：ES是一种基于人工智能的决策支持系统，主要采用类似专家的知识处理技术（Knowledge Processing Technology），将专业知识转换成计算机可以利用的知识，从而帮助人们更好地做出决策。
二、智能决策支持系统的应用场景智能决策支持系统广泛应用于各个行业的决策制定中，以下是几个典型的应用场景。
1. 市场营销决策在市场营销过程中，随着客户数据的不断积累，需要更好地利用数据进行市场分析，及时调整市场营销策略。
智能决策支持系统可以帮助营销人员更好地分析客户需求、行为数据等，制定更好的营销计划。
2. 生产运营决策在生产运营过程中，需要对生产数据、供应链数据、物流数据等大量数据进行及时分析。
智能决策支持系统可以帮助企业进行生产计划优化，提高生产效率，降低成本，进而为企业增加利润。
- 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，合作出版著作3部。
主要研究方向：信息资源管理；情报研究与决策咨询。
***********.cn 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。
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。