Problemlösungen bei unvollständiger Information

Bisher wurde davon ausgegangen, dass alle Variablen des Entscheidungsmodells exakt bekannt sind. Hierzu zählt eine vollständige Kenntnis der multiattributiven Nutzenfunktion des Entscheiders inklusive Zielgewichten und zielspezifischen Nutzenfunktionen. Ebenso zählen dazu alle Zielausprägungen der Alternativen inklusive einer exakt angegebenen Wahrscheinlichkeitsverteilung, falls Unsicherheiten modelliert werden. Häufig sind aber nicht alle diese Variablen exakt gegeben und es liegt somit eine sogenannte unvollständige Information vor. In diesem Kapitel werden Methoden vorgestellt, wie bei unvollständiger Information eine sinnvolle Entscheidungsunterstützung durchgeführt werden kann. Zunächst wird hierbei das Vorgehen einer Sensitivitätsanalyse vorgestellt, bei einer oder bei mehreren unsicheren Variablen. Anschließend wird darauf eingegangen, wie durch Dominanzüberprüfungen möglicherweise Alternativen aus der Betrachtungsmenge gelöscht werden können, die offenbar unter den gegebenen Informationen immer schlechter sind als andere aus der Menge. Hierbei gibt es einen allgemeinen methodischen Ansatz, der zwar stets zur Anwendung kommen kann, allerdings die Lösung eines Optimierungsproblems erfordert. Daneben werden auch Konstellationen unvollständiger Information vorgestellt, bei denen die Dominanzüberprüfungen per Hand berechnet werden können. Eine besondere Form der unvollständigen Information liegt vor, wenn nur ein Ziel betrachtet wird, die Wahrscheinlichkeiten bekannt sind, aber von der Nutzenfunktion sehr wenig bekannt ist. Für diesen Fall wird das Konzept der stochastischen Dominanz erörtert. Abschließend geht dieses Kapitel auf den Robustheitstest ein, der im Entscheidungsnavi zur Behandlung von unvollständiger Information auf Basis einer Monte-Carlo-Simulation implementiert ist.