Chapter 2

Business Intelligence

Sistem kecerdasan bisnis (BI) adalah DSS yang digerakkan oleh data, dengan
fokus pada manipulasi data perusahaan dalam jumlah besar di gudang data
(data warehouses). Seperti jenis DSS lainnya, seperti DSS yang digerakkan
oleh model, DSS yang digerakkan oleh komunikasi, dan DSS yang digerakkan
oleh pengetahuan (Bagian 1.5.3), sistem BI mengalami kekurangan dukungan
keputusan kognitif, meskipun fungsi analisis datanya kuat. Bab ini akan
membahas konsep dasar BI, arsitektur dan beberapa produk BI vendor.
Kekurangan BI saat ini juga dianalisis secara detail.

2.1 Apa Itu Business Intelligence?

Istilah kecerdasan bisnis memiliki arti yang berbeda dalam domain yang
berbeda. Dari segi teknis, BI mengacu pada proses penggalian, transformasi,
pengelolaan dan analisis data bisnis, untuk mendukung pengambilan
keputusan. Proses ini terutama didasarkan pada kumpulan data yang besar,
khususnya gudang data, dengan misi menyebarkan intelijen atau
pengetahuan ke seluruh organisasi, dari tingkat strategis hingga tingkat
taktis dan operasional. Proses BI tipikal terdiri dari lima tahapan utama
(CSIRO 2003):
(1) Sumber Data
Sistem BI mampu mengekstrak data dari berbagai sumber data,
mewakili unit bisnis yang berbeda, seperti pemasaran, produksi,
sumber daya manusia, dan keuangan. Data yang diekstraksi harus
dibersihkan, diubah dan diintegrasikan untuk dianalisis.
(2) Analisis Data
Dalam tahap ini, data diubah menjadi informasi atau pengetahuan
melalui berbagai teknik analisis data, seperti pelaporan, pemodelan,
visualisasi, dan penggalian data (data mining). Hasil analisis data
 membantu manajer untuk memiliki pemahaman yang lebih baik
tentang lingkungan dan membuat keputusan yang lebih baik.
(3) Kesadaran Situasi (Situation awareness)
Situation awareness (SA) adalah pemahaman mendalam tentang
situasi keputusan saat ini berdasarkan hasil analisis data. SA adalah
prasyarat utama untuk pengambilan keputusan. Sistem BI harus
dapat membantu pengambil keputusan untuk mengembangkan SA
yang kaya tentang situasi keputusan mereka.
(4) Risk Assessment
SA yang lebih kaya dapat membantu manajer untuk membuat prediksi
tentang masa depan, mengidentifikasi ancaman dan peluang, dan
dengan demikian merespons sesuai. Bisnis saat ini dioperasikan
dalam lingkungan yang semakin kompleks. Pengambilan keputusan
bisnis lebih cenderung menanggung risiko dari lingkungan eksternal
dan internal. Dengan demikian, penilaian risiko merupakan fungsi
penting dari sistem BI.
(5) Pendukung keputusan (Decision Support)
Tujuan akhir BI adalah membantu para manajer membuat keputusan
dengan bijak, berdasarkan data bisnis terkini.

2.2 Arsitektur Sistem Business Intelligence

Sistem BI tipikal terdiri dari empat level komponen dan modul manajemen
metadata (Codd et al. 1993; Inmon 2002). Arsitektur generik dari sistem BI
tradisional ditunjukkan pada Gambar 2.1. Komponen yang berbeda ini
bekerja sama satu sama lain untuk memfasilitasi fungsi BI dasar:
mengekstrak data dari sistem operasional perusahaan, menyimpan data yang
diekstrak di gudang data pusat, dan mengambil data yang disimpan untuk
berbagai aplikasi analisis bisnis.
 Tingkat Sistem Operasional
Sebagai sumber data sistem BI, sistem operasional bisnis utamanya
adalah sistem Online Transaction Processing (OLTP) yang mendukung
operasi bisnis sehari-hari. Sistem OLTP yang khas adalah sistem
pemrosesan pesanan pelanggan, sistem keuangan, dan sistem
manajemen sumber daya manusia.

 Tingkat Akuisisi Data

Level ini merupakan komponen pra-proses data yang meliputi tiga
fase: extracting, transforming, and loading (ETL). Sebuah perusahaan
biasanya memiliki sistem OLTP berbeda yang menghasilkan data
dalam jumlah besar. Data ini pertama-tama diekstrak dari sistem
OLTP dengan proses ETL dan kemudian ditransformasikan sesuai
dengan seperangkat aturan transformasi. Data yang diubah bersih,
terpadu, dan teragregasi dan akhirnya dimuat ke data warehouse
pusat. ETL adalah komponen paling mendasar dari sistem BI karena
kualitas data dari semua komponen lainnya terutama bergantung
pada proses ETL. Dalam desain dan pengembangan ETL, kualitas data,
fleksibilitas sistem, dan kecepatan pemrosesan menjadi perhatian
utama.
 Gambar 2.1 Arsitektur Umum Sistem Intelijen Bisnis Saat Ini
 Tingkat Penyimpanan Data
Data yang diproses oleh komponen ETL disimpan di data warehouse
yang terutama diimplementasikan menggunakan Traditional
Relational Database Management Systems (RDBMS). RDBMS dirancang
untuk mendukung pemrosesan transaksi. Sebaliknya, data warehouse
adalah penyimpanan data yang berorientasi pada subjek, varian
waktu, non-volatile dan terintegrasi (Inmon 1993) 1. Data dari sistem
OLTP perusahaan diekstraksi, diubah, dan dimuat ke dalam data
warehouse berdasarkan skema yang telah ditentukan sebelumnya.
Skema star dan skema snowflake adalah skema data warehouse yang
paling populer. Apa pun skema yang digunakan untuk mendesain data
warehouse, data warehouse selalu menyertakan dua tipe dasar tabel:
tabel fakta dan tabel dimensi.

 Tingkat Analytics
Berdasarkan data warehouse, berbagai jenis aplikasi analitik
dikembangkan, yang mewakili level terakhir: Analisis. Sistem BI
mendukung dua tipe dasar fungsi analitik: pelaporan dan online
analytical processing (OLAP). Fungsi pelaporan memberi manajer
berbagai laporan bisnis, seperti laporan penjualan, laporan produk,
dan laporan sumber daya manusia. Laporan dibuat dengan
menjalankan kueri ke dalam data warehouse (DW). Kueri DW
sebagian besar adalah kalimat kueri yang telah ditentukan
sebelumnya yang diprogram oleh pengembang DW. Dengan demikian,
laporan yang dihasilkan oleh sistem BI biasanya memiliki format
statis dan berisi tipe data tetap.
Analitik BI yang paling menjanjikan adalah OLAP. OLAP
memungkinkan manajer untuk secara efisien menelusuri data bisnis
mereka dari dimensi analisis yang berbeda melalui operasi
 pemotongan, pemotongan dan pengeboran sesuka hati (Codd et al.
1993). Dimensi analisis adalah perspektif melalui mana data disajikan,
misalnya jenis produk, lokasi penjualan, waktu dan pelanggan.
Dibandingkan dengan fungsi pelaporan, OLAP mendukung analisis
data ad hoc, yaitu manajer memiliki kendali penuh atas data dengan
memilih berbagai dimensi analisis yang menarik bagi mereka. OLAP
didasarkan pada model data multidimensi (dikenal sebagai snowflake
dan skema star).
Selain pelaporan dan OLAP, ada banyak jenis aplikasi analitik
lainnya yang dapat dibangun berdasarkan sistem DW, seperti data
mining, executive dashboards, customer relationship management,
dan business performance management. Secara teknis, aplikasi ini
tidak selalu dibangun di atas data warehouse. Namun
mengintegrasikannya dengan sistem DW telah menjadi praktik umum
di banyak sistem BI praktis.
 Manajemen Metadata
Metadata adalah data khusus tentang data lain seperti sumber data,
penyimpanan data warehouse, aturan bisnis, otorisasi akses, dan
bagaimana berbagai data diekstraksi dan diubah. Metadata sangat
penting untuk menghasilkan informasi yang akurat dan konsisten
serta pemeliharaan sistem. Ini mempengaruhi seluruh proses
perancangan, pengembangan, pengujian, penerapan dan penggunaan
sistem BI (Caserta 2004; Inmon 2002).

2.3 Analisis Business Intelligence

Analisis adalah bagian inti dari sistem BI. Evelson dan rekan (2008)
meringkas analisis BI ke dalam delapan kategori berdasarkan evaluasi
berbasis laboratorium dari alat BI populer di pasar.
(1) Produksi / pelaporan operasional untuk distribusi laporan massa
pixel-perfect
Tidak peduli berapa banyak permintaan end users layanan mandiri
BI, alat pengembangan laporan kuno yang baik, terutama digunakan
oleh pemrogram profesional, tetap menjadi inti dari lini produk BI.
Meskipun alat ini juga dapat digunakan untuk menganalisis data dan
menghasilkan dasbor visual, alat ini terutama digunakan untuk
distribusi massal laporan yang sangat canggih seperti pernyataan
pelanggan. Persyaratan untuk produk ini sering kali mencakup
pemosisian data dan grafik dengan piksel sempurna, bahasa skrip
yang memiliki kekuatan yang setara dengan bahasa pemrograman
lengkap, dan kemampuan untuk menangani header, footer, subtotal
yang rumit, dan beberapa pita laporan dalam satu halaman.

(2) Alat kueri ad hoc memberikan jawaban cepat untuk pertanyaan bisnis
Ketika pemformatan atau distribusi laporan tidak diwajibkan, dan
seorang profesional manajemen informasi hanya membutuhkan
jawaban cepat untuk pertanyaan bisnis seperti, "Berapa banyak unit
produk yang terjual kemarin di semua toko dan outlet?" atau, "Berapa
total penjualan saya pada tahun 2007 di Amerika Utara?" Alat kueri
ad hoc sederhana dengan antarmuka pengguna (UI) tunjuk dan klik
yang intuitif adalah cara yang tepat.

(3) Alat OLAP, ketika pertanyaan bisnis lebih banyak tentang "mengapa"
daripada "apa"
Sementara alat pelaporan dan kueri ad hoc biasanya digunakan untuk
menjawab pertanyaan seperti "Apa yang terjadi?" dan "Kapan dan di
mana hal itu terjadi?", alat pemrosesan analitik online (OLAP)
digunakan untuk menjawab pertanyaan seperti "Mengapa hal itu
terjadi?" dan juga untuk melakukan "Bagaimana jika?" analisis. Jika
 tidak dikenal dan analisis "mengiris dan memotong" (pada dasarnya
tabel pivot spreadsheet pada steroid), alat OLAP memungkinkan
pengguna yang kuat untuk melihat fakta apa pun (numerik, biasanya
angka aditif, seperti jumlah transaksi dan saldo akun) hampir secara
instan dikelompokkan kembali, digabungkan kembali dan
menggunakan dimensi apa pun (elemen deskriptif seperti waktu,
wilayah, unit organisasi, atau lini produk).

(4) Dasbor sebagai UI visual dan interaktif - bukan alat pelaporan atau
analitis itu sendiri
Dasbor harus digunakan sebagai UI untuk informasi operasional atau
analitis. Dirancang untuk memberikan informasi historis, terkini, dan
prediktif yang biasanya diwakili oleh key performance indicators
(KPI), dasbor menggunakan isyarat visual untuk memfokuskan
perhatian pengguna pada kondisi, tren, dan pengecualian penting.
Istilah dasbor sering digunakan secara sinonim dengan kartu skor,
tetapi Forrester mendefinisikan kartu skor hanya sebagai satu jenis
dasbor yang menghubungkan KPI ke goals, objectives, dan strategies.
Banyak scorecard mengikuti metodologi tertentu, seperti Balanced
Scorecard, Six Sigma, Capability Maturity Model, dan lain-lain.
Varietas dasbor lainnya termasuk dasbor business activity monitoring
(BAM) dan visualisasi operasi data / teks mining.

(5) BAM akan melaporkan data real-time dan memproses aliran

informasi
Meskipun dasbor dapat digunakan sebagai komponen antarmuka
pengguna grafis (GUI), BAM juga menangkap data dan peristiwa
proses (misalnya, jumlah aplikasi kredit yang diproses hari ini dan
jumlah yang masih menunggu dalam antrian), menghubungkan dan
menggabungkannya ke dalam metrik bisnis (misalnya , rasio aplikasi
 yang diproses, disetujui, dan ditolak per jam), dan menampilkan
status waktu nyata dari metrik dan pola jejak.

(6) Pemodelan prediktif menjawab pertanyaan tentang apa yang

mungkin terjadi selanjutnya
Dengan menggunakan berbagai model statistik, alat ini mencoba
memprediksi kemungkinan pencapaian metrik tertentu di masa
mendatang, mengingat berbagai kemungkinan kondisi yang ada dan
yang akan datang. Salah satu kelas pemodelan prediktif yang khas
disebut market basket analysis, yang mencoba memprediksi
kemungkinan pelanggan membeli produk tertentu jika dan ketika dia
membeli produk lain di toko tertentu pada musim, tanggal, dan waktu
tertentu, dengan pertimbangan ekonomi tertentu. kondisi seperti
suku bunga dan harga gas.

(7) Ruang kerja BI memungkinkan layanan mandiri end user yang

sebenarnya
Meskipun sebagian besar lingkungan BI berupaya untuk memenuhi
persyaratan layanan mandiri pengguna akhir, lingkungan tersebut
masih memberlakukan banyak batasan, seperti model data tetap,
ketidakmampuan untuk menambahkan dimensi baru dengan cepat,
dan terkadang membatasi akses ke data produksi. Forrester
mendefinisikan ruang kerja BI sebagai lingkungan eksplorasi data di
mana pengguna daya dapat menganalisis produksi, membersihkan
data dengan kebebasan hampir penuh untuk memodifikasi model
data, memperkaya kumpulan data, dan menjalankan analisis kapan
pun diperlukan, tanpa banyak ketergantungan pada TI dan batasan
lingkungan produksi. Beberapa contoh dari ruang kerja tersebut
adalah desktop-based multidimensional OLAP (MOLAP) cubes, in-
memory data models, atau BI software-as-aservice (SaaS).
 (8) Alat penelusuran BI yang dipandu mendukung kueri dan analisis ad
hoc bentuk bebas
Saat pelaporan, kueri ad hoc, dan alat OLAP bekerja paling baik ketika
seseorang mengetahui pertanyaan bisnis yang tepat, mereka gagal
saat pengguna mencari sesuatu yang dia tidak yakin. Seorang staf
penjualan yang bersiap untuk rapat klien yang penting mungkin tidak
mengetahui semua informasi yang diperlukan untuk mempersiapkan
rapat dan mungkin tidak dapat secara efektif menyusun kueri yang
sesuai untuk menarik informasi yang mungkin dia butuhkan. Apa
yang bekerja jauh lebih baik adalah memungkinkan penjual ini untuk
memasukkan beberapa kata kunci untuk menemukan dimensi
pelanggan yang relevan dalam database, kemudian menggunakan
antarmuka grafis untuk menelusuri informasi yang dia inginkan dari
daftar kemungkinan. Ini secara efektif memecahkan salah satu dilema
tertua di BI: harus tahu persis pertanyaan mana yang harus
ditanyakan untuk mendapatkan jawaban yang bermakna.

2.4 Alat Komersial

2.4.1 SAS Business Intelligence

Situs web: http://www.sas.com/technologies/bi/

SAS BI menawarkan kemampuan SAS Analytics yang luas, termasuk statistik,
analitik prediktif, penambangan data dan teks, peramalan, dan
pengoptimalan. Fungsi-fungsi ini terintegrasi dalam konteks bisnis untuk
pengambilan keputusan yang lebih baik dan lebih cepat. SAS BI memiliki dua
komponen: Enterprise Business Intelligence dan Business Visualization.
Fungsi khas SAS BI adalah sebagai berikut.
 Pelaporan web dan desktop
SAS BI mendukung berbagai macam antarmuka yang ditargetkan dan
sesuai untuk tugas untuk pembuatan laporan, tampilan dan distribusi
untuk semua tingkat pengguna di seluruh organisasi.
 Portal dan dasbor yang dapat disesuaikan
SAS BI memberi pengguna portal Web berbasis peran yang mudah
digunakan, di mana pengguna dapat mengakses informasi yang
dikumpulkan. Ini juga mencakup lingkungan pengembangan dasbor,
memungkinkan pengguna membuat dasbor mereka sendiri dengan
gaya yang berbeda dari hampir semua sumber data.
 Integrasi Microsoft Office

Gambar 2.2 Tampilan Layar SAS BI

 Query dan Analisis
SAS BI memiliki antarmuka yang ramah pengguna untuk
memungkinkan pengguna mengakses dan meminta data dengan
mudah tanpa bantuan staf TI.
 Visualisasi bisnis interaktif
SAS BI menyajikan data dalam bagan, grafik, dan peta geografis dalam
berbagai aplikasi BI.
 Penyimpanan OLAP dan antarmuka eksplorasi data OLAP
Pengguna dapat bekerja di browser Web mereka untuk membuat
kubus OLAP dan berinteraksi dengan SAS BI untuk melihat data
multidimensi dari dimensi bisnis yang berbeda.
 Analitik terintegrasi
Pengguna dapat mengakses analisis canggih langsung dari antarmuka
BI mereka untuk pengambilan keputusan.
 Analisis terpandu
Antarmuka Windows yang dinamis dapat memandu pengguna selama
pengembangan model. Fungsi ini memungkinkan analis bisnis, ahli
statistik, dan pemrogram memanfaatkan analitik SAS dan pemrosesan
yang efisien di semua platform perusahaan.
Screenshot SAS BI ditunjukkan pada Gambar 2.2.
 Gambar 2.3 IBM Cognos BI

2.4.2 IBM Cognos Business Intelligence

Situs web: www.ibm.com

IBM Cognos BI menyediakan analisis BI penuh, seperti berbagai gaya
pelaporan, analisis, kartu skor, dan dasbor. Ini memiliki empat komponen
utama:
 Studio Analisis
Di Analysis Studio, pengguna dapat menjelajahi data bisnis mereka
untuk menemukan tren dan perbandingan yang menjawab
pertanyaan bisnis mereka. Analisis di Cognos tidak lagi secara ketat
terhadap Cognos Power Cubes tetapi juga terhadap sumber data
relasional.
 Report Studio
 Report Studio adalah platform untuk power user dan developer
profesional untuk membuat laporan berformat yang berisi beberapa
diagram atau kumpulan data tabular dari beberapa area subjek. Jenis
bagan tambahan, seperti pengukur dan peta, yang tidak tersedia di
Query Studio atau Analysis Studio, juga didukung di Report Studio.
Tangkapan layar dari Report Studio ditunjukkan pada Gambar 2.3.
 Query Studio
Query Studio digunakan untuk pembuatan laporan ad hoc. Pengguna
dapat dengan mudah menanyakan sumber data apa pun (sumber data
relasional, multidimensi, atau perencanaan) untuk membuat tab
silang, bagan sederhana, atau laporan terperinci. Query Studio juga
menyediakan template berformat untuk memberikan laporan apa pun
tata letak atau logo perusahaan standar.
 Metrics Studio
Metrics Studio digunakan untuk scorecarding. Pengguna dapat
memantau kinerja bisnis melalui berbagai parameter. Ide di baliknya
adalah untuk meletakkan indikator kinerja di sebelah ukuran kinerja
utama organisasi (merah, oranye, notasi status hijau).

2.4.3 SAP BusinessObjects Business Intelligence

Situs web: www.sap.com

SAP BusinessObjects menyediakan spektrum penuh fungsionalitas BI, mulai
dari pelaporan, kueri, analisis, dasbor dan visualisasi, hingga penemuan
intuitif dan kemampuan analitik prediktif tingkat lanjut, serta kualitas data
dan mengekstrak, mengubah, dan memuat fungsionalitas. Komponen dan
fungsi SAP BusinessObjects dikategorikan sebagai berikut.
 Information Infrastructure
Infrastruktur informasi SAP BusinessObjects memungkinkan
departemen TI untuk memperluas BI ke aplikasi atau proses apa pun
di lingkungan apa pun. Ini menyediakan fungsi-fungsi berikut: Audit,
 pencarian konten BI, widget BI Konsol manajemen pusat,
Ensiklopedia, InfoView, kit integrasi portal Java, Manajemen siklus
hidup, Penerbitan, Pelacak proses, Kueri sebagai layanan Web, Kit
integrasi portal Microsoft Office SharePoint, Perangkat Lunak kit
pengembangan, dan desainer Universe.
 Reporting
SAP BusinessObjects berisi alat pelaporan: Crystal Reports
menyediakan pengguna antarmuka untuk terhubung ke hampir
semua sumber data, desain dan format laporan interaktif, dan
membagikannya secara internal dan eksternal. Laporan akhir dapat
dikirimkan melalui SAP BusinessObjects Enterprise, Crystal Reports
Viewer, dan dokumen Microsoft Office.
 Query, Reporting, dan Analysis
Ada dua alat dalam SAP BusinessObjects, Desktop Intelligence dan
Web Intelligence, yang memungkinkan pengguna untuk melakukan
kueri, pelaporan, dan analisis ad hoc, tanpa harus memahami bahasa
database yang kompleks dan struktur yang mendasarinya. Gambar 2.4
adalah tangkapan layar dari SAP BusinessObjects Web Intelligence.
 Dasbor dan Visualisasi
SAP BusinessObjects memiliki sembilan perangkat lunak untuk
mendukung visualisasi informasi, seperti Xcelsius Enterprise,
Dashboard Builder, dan VizServer. Rangkaian alat ini juga memberi
pengembang profesional kit pengembangan perangkat lunak untuk
menyesuaikan antarmuka visualisasi lanjutan.
 Analisis Tingkat Lanjut
SAP BusinessObjects Voyager adalah antarmuka OLAP di mana
pengguna dapat menjelajahi data multidimensi. SAP BusinessObjects
Predictive Workbench adalah perangkat lunak yang memungkinkan
pengguna melakukan analisis prediktif. SAP BusinessObjects Set
 Analysis adalah alat perangkat lunak yang memungkinkan pengguna
untuk melakukan analisis clustering.

 Pencarian dan Navigasi

Dengan SAP BusinessObjects, pengguna bisnis dapat mencari konten
BI dari sumber daya internal dan eksternal, seperti database
terstruktur, sistem intelijen bisnis (BI), perusahaan dan konten teks
tidak terstruktur, mesin pencari, dan Web.

2.5 Batasan

Business intelligence menjanjikan untuk mengubah 'data' menjadi

'pengetahuan' dan membantu manajer bertahan dari tsunami data dan pada
akhirnya berhasil dalam pengambilan keputusan. Namun, sistem BI pada
dasarnya adalah DSS yang digerakkan oleh data. Sistem BI saat ini hanya
dapat mendukung sebagian pekerjaan manajer (Singh et al. 2002).
Penekanan analitik BI adalah manipulasi volume besar data bisnis, daripada
mendukung pengambilan keputusan manajer dari perspektif kognitif.

Gambar 2.4 SAP BusinessObjects Web Intelligence

Sistem BI mampu menyediakan manajer dengan sejumlah besar data bisnis
internal dan eksternal, tetapi lebih banyak data tidak sama dengan informasi
yang lebih berharga (Endsley et al. 2003). Di satu sisi, fungsi pelaporan
terutama merupakan representasi informasi yang telah ditentukan
sebelumnya. Artinya, laporan bisnis dibuat dalam jenis dan format tetap
dengan menjalankan kueri yang telah ditentukan sebelumnya ke dalam data
warehouse. Laporan yang telah ditentukan sebelumnya efisien dan efektif
dalam melaporkan peristiwa bisnis yang berulang dan terstruktur, misalnya
penjualan produk berkala (harian, mingguan, bulanan, triwulanan, dan
tahunan). Namun, laporan yang ditentukan sebelumnya tidak sefleksibel
seperti yang dibutuhkan oleh banyak peristiwa tidak terstruktur lainnya,
misalnya, kampanye pemasaran yang tidak dapat diprediksi. Di sisi lain,
analisis ad hoc berbasis OLAP memberi manajer kendali penuh atas data
mereka. Manajer dapat dengan mudah memperoleh data apa pun yang
mereka minati dengan memilih objek analisis dan menyesuaikan dimensi
analisis. Namun demikian, manajer sering merasa tersesat ketika dihadapkan
pada data bisnis yang sangat banyak mengenai masalah keputusan (Resnick
2003).

Sebuah survei baru-baru ini oleh Economist Intelligence Unit (2006)

menunjukkan bahwa 73 persen manajer senior setuju bahwa penting untuk
memiliki data yang lebih sedikit tetapi lebih tepat waktu untuk
meningkatkan kualitas dan kecepatan pengambilan keputusan. Hasil ini
sesuai dengan hasil penelitian Sutcliffe dan Weber (2003) tentang akurasi
pengetahuan. Penelitian mereka menyiratkan bahwa memiliki banyak fakta
tentang situasi keputusan kurang penting daripada memiliki gambaran yang
jelas dan konsisten. Resnick (2003) mengkritik desain dasbor eksekutif saat
ini (sejenis aplikasi BI) untuk menekankan peningkatan pada fungsionalitas
analisis data sementara tidak mempertimbangkan pertimbangan rekayasa
kognitif. Baru-baru ini, sebuah laporan industri dari InfoWorld Media Group
menunjukkan bahwa 'BI memiliki reputasi sebagai penyerap sumber daya
yang memberikan laporan hampir tidak ada yang membaca. Tidak harus
seperti itu. Dan Anda tidak bisa lagi membiarkannya '(Gruman 2007, hlm.
22).
2.6 Ringkasan

Identifikasi keuntungan dan kerugian sistem BI tradisional memotivasi kami

dalam penelitian ini untuk mencari cara baru untuk lebih mendukung
pekerjaan manajer, terutama untuk menangani masalah keputusan yang
tidak terstruktur. Buku ini bertujuan untuk memberikan model dan teknik
untuk memfasilitasi dukungan keputusan kognitif berdasarkan platform BI.
Oleh karena itu, perlu dilihat sifat pendukung keputusan kognitif dari
perspektif psikologi kognitif. Pada bab berikutnya, konsep dan model
keputusan yang relevan dalam psikologi kognitif akan ditinjau.