Klassische Prognosemodelle benötigen eindeutig bestimmte Daten und Relationen. Um eine Fehlmodellierung zu vermeiden ist daher in der Regel eine umfangreiche Informationsaufnahme und -verarbeitung notwendig. Oft wird man dennoch bei Realproblemen einige der Modellparameter nur größenordnungsmäßig angeben können und auch die Zusammenhänge zwischen den Variablen ist nicht immer kausal begründbar. Während in den klassischen Modellen nur der Weg bleibt, diese ungenauen Größen durch „Mittelwerte“ zu ersetzen und auf gut Glück funktionale Zusammenhänge auszuwählen, bieten Fuzzy-Modelle die Möglichkeit, die subjektiven Vorstellungen eines Entscheiders so präzise zu modellieren, wie dieser es ausdrücken will und kann. Das Risiko, mit einem falschen Bild der Realität zu arbeiten und Lösungen auszuwählen, die nicht dem Realproblem entsprechen, wird somit deutlich reduziert. Zunächst wird eine kurze Einführung in die Fuzzy-Mengentheorie gegeben. Dann wird an ausgewählten Beispielen aufgezeigt, wie klassische mathematische Prognosemodelle mittels Fuzzy-Daten und Fuzzy-Wahrscheinlichkeiten erweitert und so besser den realen Gegebenheiten angepasst werden können. Anschließend wird dargelegt, wie komplexe Fragestellungen, die sich nicht adäquat in Form klassischer mathematischer Modelle abbilden lassen, als Fuzzy-Expertensysteme modelliert und einer Lösung zugeführt werden können. Hier wird deutlich, dass sich neben exakten, metrisch skalierten Daten auch schwächer skalierte und sogar linguistische formulierte Informationen sachgerecht mittels Expertenregeln verarbeiten lassen.
