Anda di halaman 1dari 17

DAFTAR ISI

JUDUL……………………………………………………………………………………………………………i

DAFTAR ISI…………………………………………………………………………………………………….ii

IMPLEMENTASI DATA WAREHOUSE

1. Istilah istilah yang berkaitan dengan data warehouse…………………………… 1

1.1 Data Mart…………………………………………………………………………………………… 2

1.2 On-line Analytical Processing (OLAP)………………………………………………….. 3

1.3 On-line Transaction Processing (OLTP)………………………………………………. 4

1.4 Dimension Table…………………………………………………………………………………. 5

1.5 Fact Table…………………………………………………………………………………………… 6

1.6 DSS…………………………………………………………………………………………………….. 7

2. Extraction, Transformation dan Loading……………………………………………….. 8

3. Karakteristik data warehouse………………………………………………………………. 10

4. Meta-Data……………………………………………………………………………………………. 12

5 Manfaat Data Warehouse…………………………………………………………………….. 12

5.1 Perlunya Data warehouse………………………………………………………………….. 12

5.2 Tugas-tugas Data warehouse…………………………………………………………….. 13

5.3 Keuntungan Data warehouse…………………………………………………………….. 16

Kesimpulan …………………………………………………………………………………………….. 17

ii
IMPLEMENTASI DATA WAREHOUSE

Sebelum mengimplementasikan warehouse kedalam berbagai bisnis, alangkah


baiknya kita mengetahui apa itu warehouse dan apa saja istilah-istilah yang
terdapat didalamnya untuk mendukung pengimplementasian.

Data warehouse adalah data-data yang beorientasi subjek, terintegrasi, memiliki


dimensi waktu, serta merupakan koleksi tetap (non-volatile), yang digunakan
dalam mendukung proses pengambilan keputusan.

1. Istilah – istilah yang berkaitan dengan data warehouse


1.1. Data Mart

Data mart adalah suatu bagian dari data warehouse yang mendukung
pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada
suatu perusahaan.

Data Mart adalah fasiltas penyimpan data yang berorentasi pada Subject
tertentu atau berorentasi pada Departemen tertentu dari suatu organisasi, fokus
pada kebutuhan Departemen tertentu seperti Sales, Marketing, Operation atau
Collection. Sehingga suatu Organisasi bisa mempunyai lebih dari satu Data Mart.

Data Mart pada umumnya di organisasikan sebagai suatu Dimensional Model,


sperti Star-Schema (OLAP Cube) yang tersusun dari sebuah tabel Fact dan
beberapa tabel Dimension.

arsitektur Data Mart bisa dibedakan menjadi dua, yaitu :

Dependent Data Mart dan Independent Data Mart. Perbedaan dari kedua
arsitektur tersebut hanya terletak pada ketergantungan sumber datanya terhadap
data warehouse.

1
 Dependent Data Mart (Inmon advocated) berlaku sebagai komponen atau
suatu bagian dari enterprise Data Warehouse, Data Mart dibangun dengan
cara extract data dari Data Warehouse.

 Independent Data Mart (Kimball advocated) dibangun dengan cara extract


langsung data dari berbagai Source System.
Independent Data Mart tidak tergantung pada pusat penyimpan data
seperti Data Warehouse arsitektur ini biasa juga disebut sebagai “Data
Warehouse Bus structure”.

2
1.2. On-Line Analytical Proccesing

Menurut Hoffer et al (2009:431), Online Analytical Processing (OLAP)


merupakan seperangkat alat grafis yang menyajikan pengguna dengan tampilan
multidimensional dari data dan memungkinkan pengguna untuk menganalisis
data menggunakan teknik windowing sederhana.

Menurut Connolly dan Begg (2010:1250), Online Analytical Processing (OLAP)


adalah perpaduan dinamis analisis dan gabungan dari data multidimensional
dalam jumlah besar.

Berdasarkan definisi-definisi yang dijabarkan oleh para ahli di atas, maka dapat
disimpulkan Online Analytical Processing (OLAP) adalah perpaduan dinamis
analisis dan gabungan dari data multidimensional dalam jumlah besar yang
memungkinkan pengguna untuk menganalisis data menggunakan teknik
windowing sederhana.

Karakteristik OLAP

 Mengizinkan para pelaku bisnis memiliki pandangan logical dan


multidimensional terhadap data didalam data warehouse.
 Memfasilitasi analisis query yang interaktif dan kompleks untuk pengguna.
 Mengizinkan user untuk melakukan drilld own sehingga mendapatkan
rincian yang lebih jelas atau roll up untuk agregasi metric selama satu
dimensi bisnis atau melintasi multidimensi.
 Menyediakan kemampuan untuk menampilkan kalkulasi yang rumit dan
perbandingan.
 Menyajikan hasil dalam sejumlah cara yang memiliki arti termasuk kedalam
bentuk gambar dan diagram.

3
Keuntungan OLAP

 Meningkatkan produktifitas pemakai akhir bisnis, pengembang IT, dan


keseluruhan organisasi. Pengawasan yang lebih dan akses tepat waktu
terhadap informasi strategis dapat membuat pengambilan keputusan lebih
efektif.
 Mengurangi “backlog” pengembangan aplikasi bagi staf IT dengan
membuat pemakai akhir dapat merubah schema dan membangun model
sendiri.
 Penyimpanan pengawasan organisasi melalui integritas data koorporasi
sebagai aplikasi OLAP tergantung pada data warehouse dan system OLTP
untuk memperbaharui sumber tingkatan data mereka.
 Mengurangi aktifitas query dan lalu lintas jaringan pada system OLTP atau
pada data warehouse.
 Meningkatkan hasil dan keuntungan secara potensial dengan mengizinkan
organisasi untuk merespon permintaan pasar lebih cepat.

1.3. On-Line Transaction Proccesing (OLTP)

Menurut Hoffer et al (2009:431), OLTP atau Online Transaction Processing


adalah sebuah sistem yang digunakan dalam aplikasi berorientasi transaksi yang
melibatkan pemrosesan transaksi SQL secara real-time. Hal ini memiliki
karakteristik berupa entri dan pemanggilan kembali data secara cepat dalam
lingkungan multiuser.

Menurut Connolly dan Begg (2005:1149), sistem ini telah didesain untuk
menangani aliran data transaksi yang tinggi, dimana transaksi biasanya membuat
perubahan kecil pada data operasional organisasi, dimana data yang harus
ditangani oleh perusahaan adalah data operasional sehari-hari. Sistem seperti ini
disebut Online Transaction Processing (OLTP).

4
Berdasarkan definisi-definisi yang dijabarkan oleh para ahli di atas, maka dapat
disimpulkan Online Transaction Processing (OLTP) adalah sebuah sistem yang
digunakan dalam aplikasi berorientasi transaksi dimana dapat menangani aliran
data transaksi yang tinggi dimana data yang ditangani adalah data operasional
sehari - hari.

1.4. Dimension Table

Tabel dimensi adalah tempat dimana data-data yang tidak berhubungan yang
berelasi dengan table fakta di tempatkan di dalam table multidimensional (inmon,
2002). Dimensional table merupakan table yang berisikan kategori dengan
ringkasan data detail yang dapat dilaporkan. Seperti laporan laba pada table fakta
dapat dilaporkan sebagai dimensi waktu (yang berupa perbulan, perkwartal dan
pertahun).

Tabel dimensi (dimension table) adalah tabel yang berisi detail yang
menjelaskan foreign key yang terdapat pada tabel fakta. Atribut yang terdapat
pada tabel dimensi dibuat secara berjenjang (hirarki) untuk memudahkan proses
query (Lisangan & Saptadi, 2010).

Tabel dimensi biasanya diperoleh dari tabel master pada database operasional.
Tabel dimensi dapat digunakan untuk melakukan roll up ataupun drill down pada
dashboard.

Tabel dimensi adalah salah satu dari istilah yang terdapat dalam pemodelan
dimensi (Dimensional modeling). Dua yang lainnya adalah table fakta dan
Conformed Dimension

5
1.5 Fact Table (table fakta).

Fact Tabel merupakan table yang umumnya mengandung angka dan data
history dimana key (kunci) yang dihasilkan sangat unik, karena key tersebut tediri
dari foreign key(kunci asing) yang merupakan primary key (kunci utama) dari
beberapa dimension table yang berhubungan.

Tabel fakta (fact table) adalah tabel yang umumnya mengandung sesuatu yang
dapat diukur (measure) seperti harga, jumlah barang, dan sebagainya. Tabel fakta
juga merupakan kumpulan foreign key dari primary key yang terdapat pada
masing-masing tabel dimensi. Tabel fakta juga mengandung data yang bersifat
historis (Lisangan & Saptadi, 2010).

Tabel fakta biasanya diperoleh dari tabel transaksi pada database operasional.
Misalnya pada tabel penjualan, pemesanan, dan lain sebagainya.

Contoh gambar :

6
1.6. DDS (SISTEM PENDUKUNG KEPUTUSAN / DECISION SUPPORT SYSTEM).

Istilah SPK/DSS pertama kali dikemukakan oleh G. Anthony Gorry dan Michael S.
Scoot Morton pada tahun 1971, keduanya merupakan profesor MIT, USA . Saat
itu mereka merasakan perlunya suatu pemikiran untuk mengarahkan penggunaan
aplikasi komputer untuk membantu pengambilan keputusan yang dilakukan oleh
manajemen berdasarkan kepada konsep Simon mengenai keputusan yang
terstruktur dan tidak terstruktur juga berdasarkan kepada konsep Robert N.
Anthony tentang tingkat-tingkatan manajemen.

DSS : suatu sistem berbasis komputer inter-aktif yang membantu pengambil


keputusan memanfaatkan data dan model untuk menyelesaikan masalah
unstructured. (Scott Morton, 1971)

DSS menggabungkan sumber daya intelektual manusia dengan kemampuan


komputer, untuk meningkatkan kualitas keputusan. Ia merupakan sistem
pendukung berbasis komputer bagi pengambil keputusan manajemen untuk
menyelesaikan masalah semi-structured (Keen and Scott Morton, 1978).

Manfaat yang didapat :

• Keputusan yang berkualitas

• Peningkatan komunikasi

• cost reduction

• Peningkatan produktivitas

• Penghematan waktu

• Peningkatan kepuasan karyawan dan pelanggan

7
ALASAN MENGAPA DSS DIBUTUHKAN

 Ekonomi tidak stabil


 Kesulitan untuk mendeteksi sasaran bisnis yang beragam
 Meningkatnya kompetisi
 Electronic commerce
 Sistem yang ada tidak mendukung pengambilan keputusan
 Kebutuhan akan analisis khusus
 Kebutuhan informasi yang akurat
 Kebutuhan informasi yang baru dan tepat waktu
 Penghematan biaya

2. Extraction, Transformation, dan Loading


Menurut Miranda dan Elfreida (2010, p346). Setiap data warehouse memiliki
data yang berbeda persyaratannya, oleh karena itu, ETL tool yang sesuai adalah
solusi lebih baik untuk memenuhi persyaratan.

Menurut Miranda dalam jurnalnya (2011:1-12), membuat data warehouse tidak


sekedar memindahkan data operasional ke dalam data warehouse, memindahkan
data dari beberapa sumber berpotensi menimbulkan masalah besar terutama
terkait dengan isu tidak konsistennya data. Data warehouse tidak hanya
digunakan dalam melakukan loading, integrasi, dan menyimpan data dalam
jumlah besar, namun juga berpotensi untuk mendapatkan sudut pandang baru
dari sebaran data, dan memungkinkan untuk memberikan pelaporan dan jawaban
dari pertanyaan pengguna yang bersifat ad hoc secara cepat dan lebih baik.

 Ekstraksi

Menurut Kimball dan Ross (2002:8), extraction adalah langkah pertama dalam
proses memasukkan data ke dalam lingkungan data warehouse. Extracting berarti
membaca dan memahami sumber data dan menyalin data yang dibutuhkan untuk
data warehouse ke dalam staging area untuk manipulasi lebih jauh.

8
Perlu menentukan system database yang akan digunakan dan juga mencari tahu
data apa yang diperlukan sebelum mendapatkannya. Penurunan biaya perangkat
keras dan penyimpanan telah mengatasi masalah dan menghindari duplikasi data
sehingga kekhawatiran pada kurangnya ruangan penyimpanan sebagai tempat
penyimpanan data yang berlebihan atau yang tidak diperlukan. Namun, mungkin
tidak ada alasan untuk menyimpan data yang tidak diperlukan dan telah
diidentifikasi tidak berguna dalam proses pengambilan keputusan. Oleh karena
itu, diperlukan untuk mendapatkan hanya ekstrak data yang relevan sebelum
membawa ke data warehouse.

 Transformasi

Setelah penggalian data dari berbagai sumber, transformasi dibutuhkan untuk


menjamin konsistensi data. Agar mengubah data kedalam data warehouse
dengan benar, perlu mengetahui cara pemetaan bidang sumber data eksternal ke
data warehouse. Integrasi ini bisa menjadi masalah yang kompleks ketika jumlah
sumber data menjadi lebih besar.

Menurut Kimball dan Ross (2002:8), setelah data di–ekstrak ke staging area, ada
banyak perubahan yang mungkin dilakukan, seperti cleansing data (memperbaiki
kesalahan ejaan, mengatasi konflik domain, menangani bagian yang hilang, atau
parsing ke dalam format standar), menggabungkan data dari berbagai sumber,
menghilangkan data berulang, dan memberikan warehouse keys.

Menurut Connolly dan Begg (2010, 1208), langkah transformasi menerapkan


serangkaian aturan atau fungsi pada data yang telah diekstrak, yang menentukan
bagaimana data akan digunakan untuk analisis dan dapat melibatkan perubahan
seperti merangkum, encoding, penggabungan data, pemisahan data, kalkulasi
data, dan penciptaan surrogate key.

9
 Loading

Menurut Miranda dalam jurnalnya (2011:1-12), setelah proses penggalian,


mengubah dan pembersihan telah dilakukan, data diambil ke dalam data
warehouse. Pemuatan data dapat dikategorikan ke dalam dua jenis; pemuatan
data yang saat ini ada dalam database operasional dan pemuatan pembaruan
data warehouse dari perubahan yang telah terjadi dalam database operasional
untuk menjamin kesegaran data, data warehouse perlu untuk terus
memperbaharui datanya.

Banyak persoalan yang perlu untuk dipertimbangkan terutama saat memuat


data yang sudah diperbaharui ke data warehouse. Sementara pemutakhiran data
warehouse, perlu memastikan bahwa tidak ada data yang dilepaskan dan juga
untuk memastikan overhead minimum selama proses scanning file yang ada.

3. Karakteristik Data Warehouse


Menurut Connolly dan Begg (2010, p1147), data warehouse memiliki beberapa
karakteristik, diantaranya yaitu :

• Subject-oriented, yaitu data warehouse diorganisasi berdasarkan subjek utama


dari perusahaan (seperti pelanggan, produk, penjualan, dan pembelian)
berdasarkan pada area aplikasi utama (seperti pembuatan faktur pelanggan,
pengendalian persediaan dan penjualan produk). Hal ini menggambarkan data
yang ada didalam data warehouse merupakan data untuk pengambilan
keputusan, bukan data yang berorientasi aplikasi.

• Integrated, data didalam data warehouse berasal dari sumber data yang
berbeda dan dari sistem aplikasi yang berbeda diseluruh perusahaan. Sumber
data biasanya digunakan secara tidak konsisten, contohnya format yang berbeda.
Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan
pandangan terintegrasi dari data kepada user.

10
• Time- variant, data yang masuk didalam data warehouse hanya data yang
akurat dan valid dalam suatu waktu tertentu atau dalam interval waktu tertentu.

• Non-Volatile, data dalam data warehouse tidak diupdate secara real time tetapi
diperbaharui dari sistem operasional secara berkala. Data baru selalu
ditambahkan sebagai tambahan kedalam database bukan sebagai penggantian.

Menurut Subhan (2003-2007,p2), pembahasan dari ke-empat karakteristik data


warehouse adalah :

 Kenapa Subject Oriented?

Data warehouse diorganisasikan pada subjek – subjek utama, seperti pelanggan,


barang/produk, dan penjualan. Berfokus pada model dan analisis pada data untuk
membuat keputusan, jadi bukan pada setiap proses transaksi atau bukan pada
OLTP. Menghindari data yang tidak berguna dalam mengambil suatu keputusan.

 Kenapa Integrated?

Dibangun dengan menggabungkan/menyatukan data yang berbeda


relationaldatabase, flat file, dan on-line transaction record. Menjamin konsistensi
dalam penamaan, struktur pengkodean, dan struktur atribut diantara data satu
sama lain.

 Data Warehouse Time Variant?

Data disimpan untuk menyediakan informasi dari perspektif historical, data yang
tahun – tahun lalu / 4-5 tahun. Waktu adalah elemen kunci dari suatu data
warehouse / pada saat pengcapture-an.

 Kenapa Non Volatile?

Setiap kali proses perubahan, data akan di tamping dalam tiap – tiap waktu. Jadi
tidak di perbaharui terus menerus. Data warehouse tidak memerlukan
pemrosesan transaksi dan recovery. Hanya ada dua operasi initial loading of data
dan access of data.

11
4. Meta-data
Menurut Connolly dan Begg (2005:1165), metadata adalah penjelasan isi data
dalam data warehouse, apa yang ada di dalamnya, darimana asalnya, dan apa
yang telah dilakukan dalam proses cleansing, integrating, dan summarizing.

Menurut Adir (2009), metadata merupakan hal yang penting untuk mengelola
kompleksitas lingkungan dan mengelola kualitas data dalam lingkungannya.

Berdasarkan definisi-definisi yang dijabarkan oleh para ahli di atas, maka dapat
disimpulkan metadata merupakan hal yang penting dalam mengelola
kompleksitas lingkungan dan penjelasan data dalam data warehouse yang simpan
dalam data warehouse.

Area dari data warehouse yang menyimpan semua definisi meta-data yang
digunakan oleh semua proses didalam data warehouse. Meta-data digunakan
untuk beberapa tujuan di antaranya:

 Dalam proses ekstraksi dan loading, meta-data digunakan untuk


memetakan sumber data ke view dari data di dalam data warehouse.
 Dalam proses manajemen warehouse, meta-data digunakan untuk table
ringkas secara otomatis.
 Sebagai bagian dari proses manajemen query, meta-data digunakan untuk
melakukan query langsung ke sumber data yang sesuai.

5. Manfaat Data Warehouse


5.1 Perlunya data warehouse

Data warehouse diperlukan bagi para pengambil keputusan manajemen dari


suatu organisasi/perusahaan. Dengan adanya data warehouse, akan
mempermudah pembuatan aplikasi-aplikasi DSS dan EIS karena memang
kegunaan dari data warehouse adalah khusus untuk membuat suatu database
yang dapat digunakan untuk mendukung proses analisa bagi para pengambil
keputusan.
5.2 Tugas Tugas data Warehouse

Ada empat tugas yang bias dilakukan dengan adanya data warehouse. Menurut
Williams, keempat tugas tersebut yaitu :

 Pembuatan Laporan

Pembuatan laporan merupakan salah satu kegunaan data warehouse yang


paling umum dilakukan. Dengan menggunakan query sederhana didapatkan
laporan perhari,perbulan,pertahun atau jangka waktu kapanpun yang diinginkan.

 On-Line Analytical Proccesing (OLAP)

Dengan Adanya data warehouse, semua informasi baik detail maupun


hasilsummary yang dibutuhkan dalam proses analisa mudah didapat. OLAP
mendayagunakan konsep data multi dimensi dan memungkinkan para pemakai
menganalisa data sampai mendetail, tanpa mengetikan satupun perintah SQL. Hal
ini dimungkinkan karenapad konsep multi dimensi, maka data yang berupa fakta
yang sama bias dilihat dengan menggunakan fungsi yang berbeda. Fasilitas lain
yang ada pada software OLAP adalah fasilitas rool-up dan drill-down. Drill-down
adalah kemampuan untuk melihat detail dari suatu informasi dan roll-up adalah
kebalikannya.

 Data Mining

Data Mining merupakan proses untuk menggali (minning) pengetahuan dan


informasi baru dari data yang berjumlah banyak pada data warehouse, dengan
menggunakan kecerdasan buatan (Artificial Intelegence), statistic dan
matematika.

Kehadiran data mining dilatar belakangi oleh berlimpahnya data (overload data)
yang dialami oleh berbagai institusi, perusahaan atau organisasi. Berlimpahnya
data ini merupakan akumulasi data transaksi yang terekam bertahun-tahun.
Data–data tersebut merupakan data transaksi yang umumnya diproses
menggunakan aplikasi komputer yang biasa disebut dengan OLTP (On Line
Transaction Processing).
pemanfaatan data mining dapat dilihat dari dua sudut pandang, yaitu sudut
pandang komersial dan sudut pandang keilmuan. Dari sudut pandang komersial,
pemanfaatan data mining dapat digunakan dalam menangani meledaknya volume
data. Bagaimana mana menyimpannya, mengestraknya serta memanfaaatkannya.
Berbagai teknik komputasi dapat digunakan menghasilkan informasi yang
dibutuhkan. Informasi yang dihasilkan menjadi asset untuk meningkatkan daya
saing suatu institusi.

Data mining tidak hanya digunakan untuk menangani persoalan menumpuknya


data/informasi dan bagaimana menggudangkannya tanpa kehilangan informasi
yang penting (warehousing). Data mining juga diperlukan untuk menyelesaikan
permasalahan atau menjawab kebutuhan bisnis itu sendiri, misalnya:
• Bagaimana mengetahui hilangnya pelanggan karena pesaing
• Bagaimana mengetahui item produk atau konsumen yang memiliki kesamaan
karakteristik
• Bagaimana mengidentifikasi produk-produk yang terjual bersamaan dengan
produk lain.
• Bagaimana memprediski tingkat penjualan
• Bagaimana menilai tingkat resiko dalam menentukan jumlah produksi suatu
item.
• Bagaimana memprediksi prilaku bisnis di masa yang akan datang

Data mining merupakan teknologi yang diharapkan dapat menjembatani


komnikasi antara data dan pemakainya. Beberapa solusi yang diberikan data
mining antar lain :ƒ

 Menembak target pasar


Data mining dapat melakukan pengelompokan (clustering) dari model-
model pembeli dan melakukan klasifikasi terhadap setiap pembeli sesuai
dengan karakteristik yang diinginkan seperti kesukaan yang sama, tingkat
penghasilan yang sama, kebiasaan membeli dan karakteristik lainnya.

 Melihat pola beli pemakai dari waktu ke waktu


Data mining dapat digunakan untuk melihat pola beli seseorang dari waktu
ke waktu. Sebagai contoh, ketika seseorang menikah bisa saja dia kemudian
memutuskan pindah dari single account ke joint account (rekening
bersama) dan kemudian setelah itu pola beli-nya berbeda dengan ketika dia
masih bujangan.
 Cross-Market Analysis
Kita dapat memanfaatkan data mining untuk melihat hubungan antara
penjualan satu produk dengan produk lainnya.
 Profil Customer
Data mining dapat membantu Anda untuk melihat profil
customer/pembeli/nasabah sehingga kita dapat mengetahui kelompok
customer tertentu suka membeli produk apa saja.
 Identifikasi Kebutuhan Customer
Anda dapat mengidentifikasi produk-produk apa saja yang terbaik untuk
tiap kelompok customer dan menyusun faktor-faktor apa saja yang kira-kira
dapat menarik customer baru untuk bergabung/membeli
 Informasi Summary
Anda juga dapat memanfaatkan data mining untuk membuat laporan
summary yang bersifat multi-dimensi dan dilengkapi dengan informasi
statistik lainnya.

 Proses informasi executive

Data warehouse dapat membuat ringkasan informasi yang penting dengan


tujuan membuat keputusan bisnis, tanpa harus menjelajahi keseluruhan data.
Dengan menggunakan data warehouse segala laporan telah diringkas dan dapat
pula mengetahui segala rinciannya secara lengkap, sehingga mempermudah
proses pengambilan keputusan. Informasi dan data pada laporan data warehouse
menjadi target informative bagi user.
5.3 Keuntungan Data Warehouse

Data warehouse merupakan pendekatan untuk menyimpan data dimana sumber-


sumber data yang heterogen (yang biasanya tersebar pada beberapa database
OLTP) dimigrasikan untuk penyimpanan data yang homogen dan terpisah.
Keuntungan yang didapatkan dengan menggunakan data warehouse tersebut
dibawah ini (Ramelho).

 Data diorganisir dengan baik untuk query analisis dan sebagai bahan untuk
pemrosesan transaksi.
 Perbedaan antara struktur data yang heterogen pada beberapa sumber
yang terpisah dapat diatasi.
 Aturan untuk transformasi data diterapkan untuk memvalidasi dan
mengkosolidasi data apabila data dipindahkan dari data base OLTP ke data
warehouse.
 Masalah keamanan dan kinerja bias dipecahkan tanpa perlu mengubah
system produksi.

Membangun data warehouse tentu saja memberikan keuntungan lebih bagi suatu
perusahaan, Karena data warehouse dapat memberikan keuntungan strategis
pada perusahaan tersebut melebihi pesaing-pesaing mereka. Keuntungan
tersebut diperoleh dari beberapa sumber (Sean Nolan,Tom Huguelet):

 Kemampuan untuk mengakses data yang besar.


 Kemampuan untuk memliki data yang konsisten.
 Kemampuan kinerja analisa yang cepat
 Mengetahui adanya hasil yang berulang ulang.
 Menumukan adanya celah pada business knowledge atau business
process.
 Mengurangi biaya administrasi.
 Memberi wewenang pada semua anggota dari perusahaan dengan
menyediakan kepada mereka informasi yang dibutuhkan agar kinerja bisa
lebih efektif.
Kesimpulan