Lingkungan bisnis (iklim) terus berubah. dan itu menjadi semakin kompleks.

Organisasi, baik swasta maupun publik, berada di bawah tekanan yang memaksa mereka untuk
merespon dengan cepat terhadap perubahan kondisi dan menjadi inovatif dalam cara mereka
beroperasi.

Kegiatan semacam itu menuntut organisasi untuk gesit dan membuat keputusan awal, taktis, dan
operasional yang sering dan cepat, beberapa di antaranya sangat kompleks.

membuat keputusan seperti itu mungkin memerlukan sejumlah besar data, informasi, dan
pengetahuan yang relevan .. mengolah ini, dalam kerangka keputusan yang diperlukan, harus
dilakukan dengan cepat, sering kali dalam waktu nyata, dan biasanya memerlukan beberapa
dukungan terkomputerisasi.

buku ini tentang analitik bis

nis sebagai dukungan terkomputerisasi untuk pengambilan keputusan manajerial. ia

berkonsentrasi pada fondasi teoretis dan konseptual dari pendukung keputusan, serta pada alat-
alat komersial dan tradisi yang tersedia.

SKETSA PEMBUKA: ANALITIK OLAHRAGA MERUPAKAN PELOPOR YANG

MENARIK UNTUK MEMPELAJARI DAN MEMAHAMI APLIKASI ANALITIK

aplikasi analitik untuk masalah bisnis adalah keterampilan utama, yang akan Anda pelajari dalam
buku ini.

banyak dari teknik ini sekarang sedang diterapkan untuk pengambilan keputusan yang lengkap
dalam semua aspek olahraga, area yang sangat panas yang disebut analitik olahraga.

analitik olahraga adalah seni dan ilmu untuk mengumpulkan data tentang atlet dan tim untuk
menciptakan wawasan yang meningkatkan keputusan olahraga, seperti memutuskan pemain
mana yang akan direkrut, berapa bayarannya, siapa yang bermain, bagaimana melatih mereka
sehat, dan kapan mencoba seharusnya diperdagangkan atau pensiun.

Untuk tim, ini melibatkan keputusan bisnis seperti penetapan harga tiket, serta keputusan roster,
analisis kekuatan dan kelemahan masing-masing pesaing, dan banyak keputusan di hari
pertandingan Memang, analitik olahraga menjadi spesialisasi dalam analitik.

Ini adalah bidang yang penting karena olahraga adalah bisnis besar, menghasilkan sekitar $ 145
miliar pendapatan per tahun, ditambah $ 100 miliar tambahan dalam hukum dan $ 300 miliar
dalam perjudian ilegal, menurut Price Waterhouse.

Pada tahun 2014, hanya $ 125 juta yang dihabiskan untuk analisis kurang dari 0,1% dari
pendapatan).
Ini diharapkan tumbuh pada tingkat yang sehat menjadi $ 4,7 miliar pada tahun 2021.

Penggunaan analitik untuk olahraga dipopulerkan oleh buku Moneyball oleh Michael Lewis
pada tahun 2003 dan film yang dibintangi Brad Pitt pada tahun 2011.

Ini memamerkan manajer umum Oakland A Billy Beane dan penggunaan data dan analitiknya
untuk mengubah tim yang kalah menjadi pemenang.

Secara khusus, ia mempekerjakan seorang analis yang menggunakan analitik untuk merekrut
pemain yang bisa mendapatkan pangkalan sebagai lawan dari pemain yang unggul dalam
langkah-langkah tradisional seperti lari yang dibajak atau dicuri pangkalan.

Wawasan ini memungkinkan mereka untuk menyusun prospek yang diabaikan oleh tim lain
dengan gaji awal yang wajar.

Ini berhasil - mereka berhasil ke babak playoff pada tahun 2002 dan 2003. Sekarang analitik
digunakan di semua bagian olahraga.

Analitik dapat dibagi antara front office dan back office. Deskripsi yang baik dengan 30 contoh
muncul di artikel survei Tom Davenport.

Analitik bisnis front-office termasuk menganalisis perilaku penggemar mulai dari model
prediktif untuk pembaruan tiket musiman dan penjualan tiket reguler, hingga skor tweet oleh
para penggemar mengenai tim, atlet, pelatih, dan pemilik.

Ini sangat mirip dengan manajemen hubungan pelanggan tradisional (CRM).

Analisis keuangan juga merupakan bidang utama, di mana batas gaji (untuk pro) atau batas
beasiswa (perguruan tinggi) adalah bagian dari persamaan.

Penggunaan di kantor meliputi analisis atlet individu maupun permainan tim.

Untuk pemain individu, ada fokus pada model rekrutmen dan analisis kepanduan, analisis untuk
kekuatan dan kebugaran serta pengembangan, dan PM untuk menghindari latihan berlebihan dan
cedera.

Penelitian gegar otak adalah bidang yang panas. Analisis tim meliputi strategi dan taktik,
penilaian kompetitif, dan pilihan daftar yang optimal di bawah berbagai lapangan atau
pengadilan
Contoh representatif berikut menggambarkan bagaimana tiga organisasi olahraga menggunakan
data dan analitik untuk meningkatkan operasi olahraga, dengan cara yang sama analitik telah
meningkatkan pengambilan keputusan industri tradisional.

Contoh l: Kantor Bisnis Dave Ward bekerja sebagai analis bisnis untuk tim bisbol pro besar,
dengan fokus pada pendapatan.

Dia menganalisis penjualan tiket, baik dari pemegang tiket musiman maupun pembeli tiket
tunggal.

Contoh pertanyaan dalam bidang tanggung jawabnya meliputi mengapa pemegang tiket
musiman memperbarui (atau tidak memperbarui) tiket mereka, serta faktor-faktor apa yang
menyebabkan pembelian tiket tiket individu.

Pertanyaan lain adalah bagaimana harga tiket. Beberapa teknik analitik yang digunakan Dave
mencakup statistik sederhana tentang perilaku penggemar seperti kehadiran secara keseluruhan
dan jawaban atas pertanyaan survei tentang kemungkinan saya membeli lagi.

Namun, apa yang dikatakan penggemar versus apa yang mereka lakukan bisa berbeda.

Dave menjalankan survei penggemar berdasarkan lokasi kursi tiket ("tier") dan bertanya tentang
kemungkinan mereka memperbarui tiket musim mereka.

Tetapi ketika dia membandingkan apa yang mereka katakan dengan apa yang mereka lakukan,
dia menemukan perbedaan besar, (Lihat Gambar 1.1). Dia menemukan bahwa 69% penggemar
di kursi Tier 1 yang mengatakan pada kampanye

survei bahwa mereka "mungkin tidak memperbaharui" sebenarnya.

Ini adalah wawasan bermanfaat yang mengarah ke tindakan pelanggan di sel hijau adalah yang
paling mungkin untuk memperbarui tiket, sehingga memerlukan lebih sedikit sentuhan
pemasaran dan dolar untuk mengkonversi, misalnya, dibandingkan dengan pelanggan di sel biru.
Namun, banyak faktor yang mempengaruhi perilaku pembelian tiket penggemar, terutama harga,
yang mendorong statistik dan analisis data yang lebih canggih. Untuk kedua area, tetapi terutama
tiket satu pertandingan, Dave menggerakkan penggunaan penetapan harga dinamis untuk
memindahkan bisnis dari penetapan harga statis sederhana dengan tingkat lokasi kursi ke harga
naik-turun harian kursi individu.

Ini adalah area penelitian yang kaya untuk banyak tim olahraga dan memiliki potensi kenaikan
besar untuk peningkatan pendapatan.

Misalnya, penetapan harganya memperhitungkan catatan tim, siapa yang mereka mainkan,
tanggal dan waktu pertandingan, yang dimainkan oleh atlet bintang untuk setiap tim, sejarah
setiap penggemar dalam memperbarui tiket musim atau membeli tiket tunggal, serta faktor-faktor
seperti lokasi tempat duduk, jumlah kursi, dan informasi waktu nyata seperti kemacetan lalu
lintas secara historis pada waktu permainan dan bahkan cuaca.

Lihat Gambar 1.2 Manakah dari faktor-faktor ini yang penting? Berapa banyak? Mengingat latar
belakang statistiknya yang luas, Dave membangun model regresi untuk memilih faktor-faktor
kunci yang mendorong perilaku bersejarah ini dan membuat PM untuk mengidentifikasi cara
membelanjakan sumber daya pemasaran untuk mendorong pendapatan.

Dia membangun model churn untuk pemegang tiket musiman untuk menciptakan segmen
pelanggan yang akan memperbarui, tidak akan memperbarui, atau pengasuh pagar, yang
kemudian mendorong kampanye pemasaran yang lebih halus

Selain itu, ia melakukan penilaian sentimen pada komentar penggemar seperti tweet yang
membantunya membuat segmen penggemar menjadi segmen loyalitas yang berbeda.

Studi lain tentang driver kehadiran gim tunggal membantu departemen pemasaran memahami
dampak hadiah seperti bobble-head atau T-shirt, atau saran tentang tempat membuat iklan TV
spot.

  Selain pendapatan, ada banyak bidang analitis lain yang digunakan tim Dave, termasuk
perdagangan.

Pendapatan siaran TV dan radio, masukan kepada manajer umum tentang negosiasi gaji,
rancangan analitik terutama yang diberikan batasan gaji, efektivitas promosi termasuk saluran
iklan, dan kesadaran merek, serta analitik mitra. Dia pria yang sangat sibuk!
Apa yang Bisa Kita Pelajari dari Vignet Ini? Di luar analis bisnis kantor depan, pelatih, pelatih,
dan pakar kinerja, ada banyak orang lain dalam olahraga yang menggunakan data, mulai dari
penjaga lapangan golf yang mengukur kondisi tanah dan rumput untuk turnamen PGA, hingga
wasit bascball dan bola basket yang dinilai berdasarkan panggilan yang benar dan salah yang
mereka buat.

Faktanya, sulit untuk menemukan area olahraga yang tidak terpengaruh oleh ketersediaan lebih
banyak data, terutama dari sensor.

Keterampilan yang akan Anda pelajari dalam buku ini karena analitik bisnis akan berlaku untuk
olahraga. Jika Anda ingin menggali lebih dalam tentang area ini, kami sarankan Anda untuk
melihat bagian Sports Analytics dari Teradata University Network (TUN): sumber daya gratis
untuk mahasiswa dan fakultas.

Di situs Web ini, Anda akan menemukan deskripsi tentang apa yang harus dibaca untuk
mengetahui lebih lanjut tentang analitik olahraga, kompilasi tempat-tempat di mana Anda dapat
menemukan set data yang tersedia untuk analisis, serta contoh proyek siswa dalam analisis
olahraga dan wawancara dengan profesional spart yang menggunakan data dan analitik untuk
melakukan pekerjaan mereka.
Selamat mencoba analitik

1.2

Mengubah Lingkungan Bisnis dan Kebutuhan yang Berkembang untuk Dukungan

Keputusan dan Analisis

Sketsa pembukaan menggambarkan bagaimana seluruh industri dapat menggunakan analitik

untuk mengembangkan laporan tentang apa yang terjadi, memprediksi apa yang mungkin terjadi,
dan kemudian juga membuat keputusan untuk memanfaatkan situasi dengan sebaik-baiknya.

Langkah-langkah ini membutuhkan organisasi untuk mengumpulkan dan menganalisis

penyimpanan data yang luas.

Dari penggunaan tradisional dalam fungsi penggajian dan pembukuan, sistem yang
terkomputerisasi sekarang telah menandai area manajerial yang kompleks mulai dari desain dan
manajemen pabrik otomatis hingga penerapan metode analitis untuk evaluasi proposal merger
dan akuisisi yang diusulkan.

Nealy semua eksekutif tahu bahwa teknologi informasi sangat penting untuk bisnis mereka dan
secara luas menggunakan teknologi informasi. Aplikasi komputer telah berubah dari proses
transaksi dan pemantauan aktivitas ke analisis masalah dan aplikasi solusi, dan sebagian besar
aktivitas dilakukan dengan teknologi berbasis cloud, di banyak kasus diakses melalui perangkat
seluler.

Alat Analytics dan BI seperti pergudangan data, penambangan data, pemrosesan analitik daring
(OLAP), dasbor, dan penggunaan sistem berbasis cloud untuk dukungan keputusan adalah pilar
utama manajemen modern saat ini.

Manajer harus memiliki sistem informasi jaringan berkecepatan tinggi (wirelne atau nirkabel)
untuk membantu mereka memperluas tugas penting mereka: membuat keputusan.

Dalam banyak kasus, keputusan seperti itu secara otomatis diotomatiskan, menghilangkan
perlunya intervensi manajerial. Selain pertumbuhan yang jelas dalam Iarclware, kapasitas
perangkat lunak dan jaringan, beberapa perkembangan jelas berkontribusi dalam memfasilitasi
pertumbuhan pendukung keputusan dan analisis dalam sejumlah cara, termasuk yang berikut ini

 Komunikasi dan kolaborasi kelompok.

Banyak keputusan dibuat hari ini oleh kelompok yang anggotanya mungkin berada di lokasi
yang berbeda. Grup dapat berkolaborasi dan berkomunikasi dengan mudah dengan
menggunakan alat kolaborasi serta smartphone di mana-mana. Kolaborasi sangat penting di
sepanjang rantai pasokan, di mana mitra dari vendor hingga pelanggan harus berbagi informasi.
Mengumpulkan sekelompok pembuat keputusan, terutama para ahli, di satu tempat bisa jadi
mahal. Sistem informasi dapat meningkatkan proses kolaborasi suatu kelompok dan
memungkinkan anggotanya berada di lokasi yang berbeda (menghemat biaya perjalanan). Lebih
penting lagi, kolaborasi rantai pasokan tersebut memungkinkan produsen untuk mengetahui
tentang perubahan pola permintaan dalam waktu dekat dan karenanya bereaksi terhadap
perubahan pasar lebih cepat.

 Manajemen data yang ditingkatkan.

banyak keputusan melibatkan perhitungan kompleks Daa untuk ini dapat disimpan dalam
database yang berbeda di mana saja Dalam organisasi dan bahkan mungkin di luar organisasi.
Data dapat mencakup teks, suara, grafik, dan video, dan ini bisa dalam bahasa yang berbeda.
Seringkali diperlukan pengiriman data dengan cepat dari lokasi yang jauh. Sistem saat ini
mencari, melempari, dan mentransmisikan data yang dibutuhkan dengan cepat, ekonomis, aman,
dan transparan.

 Mengelola gudang data raksasa dan Big Data.

Gudang data besar (DWs), seperti yang dioperasikan oleh Walmart, berisi sejumlah besar data.
Metode khusus , termasuk komputasi paralel, Hadoop / Spark, dan sebagainya, tersedia untuk
mengatur, mencari, dan menambang data. Biaya yang terkait dengan penyimpanan data dan
penambangan menurun dengan cepat. Teknologi yang termasuk dalam kategori Big Data telah
memungkinkan data besar datang dari berbagai sumber dan dalam berbagai bentuk, yang
memungkinkan pandangan yang sangat berbeda Ke dalam kinerja organisasi yang sebelumnya
tidak mungkin dilakukan.

 Dukungan analitis.

Dengan lebih banyak data dan teknologi analisis, lebih banyak alternatif dapat dievaluasi,
perkiraan dapat ditingkatkan, analisis risiko dapat dilakukan dengan cepat, dan pandangan para
ahli (beberapa di antaranya mungkin di lokasi terpencil) dapat dikumpulkan dengan cepat dan
pada pengurangan biaya. Keahlian bahkan dapat diturunkan langsung dari sistem analitis.
Dengan alat-alat seperti itu, para pembuat keputusan dapat melakukan simulasi yang rumit,
memeriksa banyak skenario yang mungkin, dan menilai berbagai dampak dengan cepat dan
ekonomis. Ini, tentu saja, adalah fokus dari beberapa bab dalam buku ini.

 Mengatasi batasan kognitif dalam memproses dan menyimpan informasi.

Menurut Simon (1977), pikiran manusia hanya memiliki kemampuan terbatas untuk
memproses dan menyimpan informasi. Orang kadang-kadang merasa sulit untuk mengingat
dan menggunakan informasi dengan cara yang bebas dari kesalahan karena batasan kognitif
mereka. Batas kognitif jangka menunjukkan bahwa kemampuan pemecahan masalah
individu terbatas ketika berbagai informasi dan pengetahuan yang beragam diperlukan.
Sistem yang terkomputerisasi memungkinkan orang untuk mengatasi batasan kognitif
mereka dengan dengan cepat mengakses dan memproses sejumlah besar informasi yang
tersimpan

 Manajemen pengetahuan.

Organisasi telah mengumpulkan banyak informasi tentang operasi mereka sendiri,

pelanggan, prosedur internal, interaksi karyawan, dan sebagainya, melalui komunikasi tidak
terstruktur dan terstruktur yang terjadi di antara berbagai pemangku kepentingan. Sistem
manajemen pengetahuan telah menjadi Sumber dukungan formal dan informal untuk
pengambilan keputusan kepada manajer, meskipun kadang-kadang mereka bahkan tidak
disebut KMS. Teknologi seperti analisis teks dan IBM Watson memungkinkan untuk
menghasilkan nilai dari penyimpanan pengetahuan tersebut.

 Di mana saja, kapan saja mendukung.

Menggunakan teknologi nirkabel, manajer dapat mengakses informasi kapan saja dan dari
mana saja, menganalisis dan menafsirkannya, dan berkomunikasi dengan mereka yang
terlibat. Ini mungkin adalah perubahan terbesar yang terjadi dalam beberapa tahun terakhir.
Kecepatan di mana informasi perlu diproses dan diubah menjadi keputusan telah benar-benar
mengubah harapan bagi konsumen dan bisnis. Kemampuan ini dan lainnya telah mendorong
penggunaan dukungan keputusan yang terkomputerisasi sejak akhir 1960-an, tetapi terutama
sejak pertengahan 1990-an. Pertumbuhan teknologi seluler, platform media sosial, dan alat
analitis telah memungkinkan dukungan sistem informasi (SI) tingkat yang berbeda untuk
para manajer. Pertumbuhan dalam memberikan dukungan berbasis data untuk keputusan apa
pun meluas tidak hanya bagi para manajer tetapi juga bagi konsumen. Kami pertama-tama
akan belajar secara luas disebut sebagai Bl. Dari sana kami akan memperluas cakrawala
kami untuk memperkenalkan berbagai jenis analisis suatu ikhtisar teknologi yang telah ada

1.3

Evolusi Dukungan Keputusan Terkomputerisasi ke Analytics / Ilmu Data

Timeline pada Gambar 1.8 menunjukkan terminologi yang digunakan untuk menggambarkan
analitik sejak tahun 1970-an. Selama tahun 1970-an, fokus utama dukungan sistem informasi
untuk pengambilan keputusan difokuskan pada penyediaan laporan berkala yang terstruktur
yang dapat digunakan manajer untuk pengambilan keputusan (atau abaikan). Bisnis mulai
membuat laporan rutin untuk memberi tahu para pembuat keputusan (manajer) tentang apa
yang telah terjadi pada periode sebelumnya (mis., Hari, minggu, bulan, kuartal). Meskipun
berguna untuk mengetahui apa yang terjadi di masa lalu, para manajer membutuhkan lebih
dari ini: Mereka membutuhkan berbagai laporan di berbagai tingkat granularitas untuk lebih
memahami dan menangani perubahan kebutuhan dan tantangan bisnis. Ini biasanya disebut
sistem informasi manajemen (SIM), Pada awal 1970-an, Scott-Morton pertama kali
mengartikulasikan konsep utama DSS. Dia mendefinisikan DSSS sebagai "sistem berbasis
komputer interaktif, yang membantu pengambilan keputusan memanfaatkan data dan model
untuk memecahkan masalah yang tidak terstruktur (Gorry dan Scott-Morton, 1971). Berikut
ini adalah definisi DSS klasik lain, yang disediakan oleh Keen dan Scott-Morton (1978)

Sistem pendukung keputusan menggabungkan sumber daya intelektual individu dengan

kemampuan komputer untuk meningkatkan kualitas keputusan. Ini adalah sistem pendukung
berbasis komputer untuk pengambil keputusan manajemen yang menangani masalah semi-
terstruktur. Perhatikan bahwa istilah sistem pendukung keputusan, seperti sistem informasi
manajemen dan beberapa istilah lain di bidang TI, adalah ekspresi bebas konten (mis., Itu
berarti berbeda untuk orang yang berbeda). Oleh karena itu, tidak ada definisi DSS yang
diterima secara universal. Selama hari-hari awal analitik, data sering diperoleh dari para ahli
domain menggunakan proses manual Ge, wawancara dan survei) untuk membangun model
berbasis matematika atau pengetahuan untuk memecahkan masalah optimisasi terbatas.
Idenya adalah untuk melakukan yang terbaik dengan sumber daya yang terbatas. Model
pendukung keputusan seperti itu biasanya disebut riset operasi (OR). Masalah-masalah yang
terlalu kompleks untuk diselesaikan secara optimal (menggunakan teknik program matematis
linier atau nonlinear) diatasi dengan menggunakan metode heuristik seperti model simulasi,
(Kami akan memperkenalkan ini sebagai analitik preskriptif nanti dalam bab ini dan sedikit
lebih detail dalam Bab 6. )

Pada akhir 1970-an dan awal 1980-an, di samping model OR matang yang digunakan di
banyak industri dan sistem pemerintahan, garis model baru dan menarik telah muncul: sistem
pakar berbasis aturan. sistem-sistem ini berjanji untuk menangkap pengetahuan para ahli
dalam format yang dapat diproses komputer (melalui koleksi if then else rules atau
heuristics) sehingga ini dapat digunakan untuk konsultasi seperti halnya

akan menggunakan pakar domain untuk mengidentifikasi masalah terstruktur dan

menentukan solusi yang paling mungkin. ES memungkinkan keahlian langka tersedia di
mana dan kapan pun dibutuhkan, menggunakan DSS "cerdas". 1980-an melihat perubahan
signifikan dalam cara organisasi menangkap data terkait bisnis. Praktik lama adalah
memiliki beberapa sistem informasi terputus-putus yang dirancang untuk menangkap data
transaksional dari berbagai unit atau fungsi organisasi (misalnya, akuntansi, pemasaran dan
penjualan, keuangan, manufaktur). Pada 1980-an, sistem ini diintegrasikan sebagai sistem
informasi tingkat perusahaan yang sekarang kita sebut sistem perencanaan sumber daya
enterprize (ERP). Skema representasi data yang sebagian besar berurutan dan tidak standar
digantikan oleh manajemen basis data relasional (sistem RDBMD. Sistem ini memungkinkan
untuk meningkatkan penangkapan dan penyimpanan data, serta hubungan antara bidang data
organisasi sambil secara signifikan mengurangi replikasi informasi. Kebutuhan akan RDBM
dan sistem ERP muncul ketika integritas data dan konsistensi menjadi masalah, yang secara
signifikan menghambat efektivitas praktik bisnis. Dengan ERP, semua data dari setiap sudut
perusahaan dikumpulkan dan diintegrasikan ke dalam skema yang konsisten sehingga setiap
bagian dari organisasi memiliki akses ke versi tunggal kebenaran kapan dan di mana
diperlukan.Selain munculnya sistem ERP, atau mungkin karena sistem ini, pelaporan bisnis
menjadi praktik bisnis sesuai permintaan, sesuai kebutuhan. Pembuat keputusan dapat
memutuskan ketika mereka perlu atau ingin membuat laporan khusus untuk menyelidiki
masalah organisasi dan peluang.

Pada 1990-an, kebutuhan akan pelaporan yang lebih fleksibel mengarah pada pengembangan
sistem informasi eksekutif (EIS; DSSS dirancang dan dikembangkan secara khusus untuk
eksekutif dan kebutuhan pengambilan keputusan mereka). Sistem ini dirancang sebagai
dasbor grafis dan kartu skor sehingga dapat berfungsi sebagai tampilan yang menarik secara
visual sambil berfokus pada faktor terpenting bagi pembuat keputusan untuk melacak
indikator kinerja utama. Untuk membuat pelaporan yang sangat fleksibel ini tetap menjaga
integritas transaksional dari sistem informasi bisnis, perlu untuk membuat tingkat data
menengah yang dikenal sebagai DW sebagai gudang untuk secara khusus mendukung
pelaporan bisnis dan pengambilan keputusan. Dalam waktu yang sangat singkat, sebagian
besar bisnis besar hingga menengah mengadopsi data warehousing sebagai platform mereka
untuk pengambilan keputusan di seluruh perusahaan. Dasbor dan kartu skor mendapatkan
data mereka dari DW, dan dengan melakukan itu, mereka tidak menghalangi efisiensi sistem
transaksi bisnis yang sebagian besar disebut sebagai sistem (ERP). Pada 2000-an, DSSS
yang digerakkan DW mulai disebut sistem intelegensi Bisnis. Ketika jumlah data
longitudinal yang terakumulasi dalam DW meningkat, demikian pula kemampuan perangkat
keras dan lunak untuk mengikuti kebutuhan yang berubah dan berkembang dengan cepat dari
para pembuat keputusan. Karena pasar persaingan global, pembuat keputusan membutuhkan
informasi terkini dalam format yang sangat mudah dicerna untuk mengatasi masalah bisnis
dan untuk mengambil keuntungan dari peluang pasar secara tepat waktu. bacause data dalam
DW diperbarui secara berkala, itu tidak mencerminkan informasi terbaru. Untuk
meningkatkan masalah latensi informasi ini, vendor DW mengembangkan sistem untuk
memperbarui data lebih sering, yang mengarah ke istilah waktu nyata penggunaan data dan,
lebih realistis, warebousing data waktu yang tepat, yang berbeda dari yang sebelumnya
dengan mengadopsi kebijakan penyegaran data berdasarkan pada kesegaran yang
dibutuhkan dari item data (mis., tidak semua item data perlu di-refresh secara real time). DW
sangat besar dan kaya fitur, dan menjadi penting untuk "menambang" data perusahaan untuk
"menemukan" nugget pengetahuan yang baru dan berguna untuk meningkatkan proses dan
praktik bisnis, karenanya istilah penambangan data dan penambangan teks. dengan
meningkatnya volume dan jenis data, kebutuhan akan lebih banyak penyimpanan dan lebih
banyak kekuatan pemrosesan muncul. meskipun perusahaan besar memiliki sarana untuk
mengatasi masalah ini, perusahaan kecil hingga menengah membutuhkan model bisnis yang
lebih mudah dikelola secara finansial. kebutuhan ini mengarah pada arsitektur dan perangkat
lunak yang berorientasi layanan dan infrastruktur model layanan analitik bisnis.

Oleh karena itu, perusahaan yang lebih kecil memperoleh akses ke kemampuan analitik
berdasarkan kebutuhan dan hanya membayar untuk apa yang mereka gunakan, sebagai lawan
berinvestasi dalam sumber daya perangkat keras dan perangkat lunak yang terlarang secara
finansial.

Pada tahun 2010-an, kita melihat pergeseran paradigma lain dalam cara data ditangkap dan
digunakan. Sebagian besar karena meluasnya penggunaan Internet, media generasi data baru
telah muncul. Dari semua sumber data baru (mis., Tag [RFID] identifikasi frekuensi radio,
meter energi digital, log web clickstream, perangkat rumah pintar, peralatan pemantauan
kesehatan yang dapat dipakai), mungkin yang paling menarik dan menantang adalah jejaring
sosial / media sosial. Data tidak terstruktur ini kaya akan konten informasi, tetapi analisis
sumber data seperti itu menimbulkan tantangan signifikan terhadap sistem komputasi, baik
dari perspektif perangkat lunak maupun perangkat keras, Baru-baru ini, istilah Big Data telah
diciptakan untuk menyoroti tantangan yang dibawa oleh aliran data baru ini. kami. Banyak
kemajuan di kedua perangkat keras (mis., Pemrosesan paralel besar-besaran dengan memori
komputasi yang sangat besar dan sistem komputasi multiprosesor yang sangat paralel) dan
perangkat lunak / algoritma (misalnya, Hadoop dengan MapReduce dan NosQL) telah
dikembangkan untuk mengatasi tantangan Big Data.

sulit untuk memprediksi apa yang akan terjadi pada dekade berikutnya dan akan seperti apa
istilah yang terkait dengan analitik baru. Waktu antara pergeseran paradigma baru dalam
sistem informasi dan khususnya dalam analitik telah menyusut, dan tren ini akan berlanjut
untuk masa yang akan datang. Meskipun analitik bukanlah hal baru, ledakan popularitasnya
sangat baru. Berkat ledakan baru-baru ini di Big Data, cara untuk mengumpulkan dan
menyimpan data ini, dan alat perangkat lunak intuitif, wawasan yang didorong data lebih
mudah diakses oleh para profesional bisnis daripada sebelumnya. Oleh karena itu, di tengah
persaingan global, ada peluang besar untuk membuat keputusan manajerial yang lebih baik
dengan menggunakan data dan analitik untuk meningkatkan pendapatan sambil mengurangi
biaya dengan membangun produk yang lebih baik, meningkatkan pengalaman pelanggan,
dan menangkap penipuan sebelum itu terjadi, meningkatkan keterlibatan pelanggan melalui
penargetan dan penyesuaian semua dengan kekuatan analitik dan data. Semakin banyak
perusahaan kini mempersiapkan karyawan mereka dengan pengetahuan analitik bisnis untuk
mendorong efektivitas dan efisiensi dalam proses pengambilan keputusan sehari-hari.

Bagian selanjutnya berfokus pada kerangka kerja untuk Intelegensi Bisnis. Meskipun
kebanyakan orang akan setuju bahwa BI telah berevolusi menjadi analitik dan ilmu data,
banyak vendor dan peneliti masih menggunakan istilah itu. Jadi Bagian 1.4 memberi
penghormatan kepada sejarah itu dengan secara khusus berfokus pada apa yang disebut BI.
Mengikuti bagian selanjutnya, kami memperkenalkan analitik dan akan menggunakannya
sebagai label untuk mengklasifikasikan semua konsep terkait
1.4Kerangka Untuk Bisnis Intelijen

Definisi BI

Business intelligence (BI) adalah istilah umum yang menggabungkan arsitektur, alat, basis
data, alat analisis, aplikasi, dan metodologi. Ini, seperti DSS, merupakan ekspresi bebas
konten, jadi itu berarti hal yang berbeda untuk orang yang berbeda. Bagian dari kebingungan
tentang BI terletak pada kesibukan akronim dan kata kunci yang terkait dengannya
(misalnya, manajemen kinerja bisnis (tujuan utama BPMD BI adalah untuk memungkinkan
akses interaktif (kadang-kadang dalam waktu nyata) ke data, untuk memungkinkan
manipulasi data, dan untuk memberikan manajer bisnis dan analis kemampuan untuk
melakukan analisis yang tepat. Dengan menganalisis data, situasi, dan kinerja saat ini dan
sejarah, pembuat keputusan mendapatkan wawasan berharga yang memungkinkan mereka
untuk membuat keputusan yang lebih terinformasi dan lebih baik. transformasi data menjadi
informasi, lalu ke keputusan, dan akhirnya ke tindakan

Sejarah Singkat BI

Istilah BI diciptakan oleh Gartner Group pada pertengahan 1990-an. Namun, seperti yang
ditunjukkan sejarah pada bagian sebelumnya, konsepnya jauh lebih tua; memiliki roos dalam
sistem pelaporan MIS tahun 1970-an. Selama periode itu, sistem pelaporan bersifat statis,
dua dimensi, dan tidak memiliki kemampuan analitis. Pada awal 1980-an, konsep EIS
muncul. Konsep ini memperluas dukungan komputer ke manajer dan eksekutif tingkat atas.
Beberapa kemampuan yang diperkenalkan adalah pelaporan multidimensi dinamis (ad hoc
atau sesuai permintaan), perkiraan dan prediksi, analisis tren, menelusuri detail, akses status,
dan faktor penentu keberhasilan kritis. Fitur-fitur ini muncul dalam lusinan produk
komersial hingga pertengahan 1990-an. Kemudian kemampuan yang sama dan beberapa
yang baru muncul dengan nama BI. Saat ini, sistem informasi perusahaan berbasis BI yang
baik mengandung semua kebutuhan informasi. Jadi, konsep asli EIS ditransformasikan
menjadi Bl. Pada tahun 2005, sistem BI mulai memasukkan kemampuan kecerdasan buatan
serta kemampuan analitis yang kuat. Gambar 1.9 mengilustrasikan berbagai alat dan teknik
yang dapat dimasukkan dalam sistem Hi. Ini menggambarkan evolusi Bl juga Alat-alat yang
ditunjukkan pada Gambar 1.9 memberikan kemampuan BI. Produk BI paling canggih
mencakup sebagian besar kemampuan ini; yang lain mengkhususkan diri hanya dalam
beberapa dari mereka.

Arsitektur BI

Sistem BI memiliki empat komponen utama: DW, dengan sumber data; analisis bisnis,
kumpulan alat untuk memanipulasi, menambang, dan menganalisis data dalam DW; BPM
untuk memantau dan menganalisis kinerja; dan antarmuka pengguna (mis., dasbor).
Hubungan antara komponen-komponen ini diilustrasikan pada Gambar 1.10
Asal dan Pendorong BI

Dari mana pendekatan modem untuk pergudangan data dan BI berasal? Apa akar mereka,
dan bagaimana akar itu mempengaruhi cara organisasi mengelola inisiatif ini hari ini?
Investasi saat ini dalam teknologi informasi sedang dalam peningkatan pengawasan dalam
hal dampak dan potensinya. Hal yang sama berlaku untuk DW dan aplikasi BI yang
memungkinkan inisiatif ini menjadi mungkin. b Organisasi dipaksa untuk menangkap,
memahami, dan memanfaatkan data mereka untuk mendukung pengambilan keputusan untuk
meningkatkan operasi bisnis. Undang-undang dan peraturan (misalnya, Sarbanes-Oxley Act
2002) sekarang mengharuskan para pemimpin bisnis untuk mendokumentasikan proses
bisnis mereka dan untuk menandatangani keabsahan informasi yang mereka andalkan dan
laporkan kepada pemangku kepentingan. Selain itu, waktu siklus bisnis sekarang sangat
terkompresi, lebih cepat, lebih banyak informasi, dan pengambilan keputusan yang lebih
baik, karena itu, merupakan keharusan kompetitif. Manajer memerlukan informasi yang
tepat pada waktu dan tempat yang tepat. Ini adalah mantra untuk pendekatan modern ke
Intelegensi Bisnis
Organisasi harus bekerja dengan cerdas. Memperhatikan manajemen inisiatif BI adalah
aspek penting dalam melakukan bisnis. Maka, tidak mengherankan bahwa organisasi
semakin memperjuangkan BI dan di bawah inkamasi baru sebagai analitik. Aplikasi Kasus
1.1 menggambarkan salah satu aplikasi BI yang telah membantu banyak maskapai serta,
Coure, perusahaan yang menawarkan layanan tersebut kepada maskapai

Latihan Multimedia dalam Kecerdasan Bisnis

TUN mencakup video (mirip dengan CSD acara televisi) untuk mengilustrasikan konsep
analitik di berbagai industri. Ini disebut "Video BSI (Investigasi Skenario Bisnis). Tidak
hanya menghibur, tetapi mereka juga memberikan kelas dengan beberapa pertanyaan untuk
diskusi. Sebagai permulaan, silakan kunjungi torihttp:
//www.teradatauniversitynetwork.com / Library / Items / BSI -The-Case-of-the-
Misconnecting-Penumpang / atau www.youtube.com / tonton? Y NXEL5F4 aKA Tonton
video yang muncul di YouTube. Pada dasarnya, Anda harus mengambil peran sebagai
profesional pusat layanan pelanggan. penerbangan berjalan terlambat, dan beberapa
penumpang kemungkinan akan ketinggalan penerbangan yang menghubungkan mereka. Ada
kursi pada satu penerbangan keluar yang dapat menampung dua dari empat penumpang. Dua
penumpang mana yang harus diprioritaskan? Anda diberi informasi tentang profil pelanggan
dan hubungan dengan maskapai Anda. Keputusan Anda mungkin berubah saat Anda
mempelajari lebih lanjut tentang profil pelanggan tersebu

Tonton videonya, berhentilah sesering mungkin, dan jawab pertanyaan yang menjadi
prioritas pengguna. Kemudian lanjutkan video untuk mendapatkan informasi lebih lanjut.
Setelah video selesai, Anda dapat melihat slide yang terkait dengan video ini dan bagaimana
analisisnya disiapkan -case-of-the-misconnect-penumpang-pesiar

multimedia ini memberikan contoh bagaimana informasi tambahan yang tersedia melalui
suatu perusahaan DW dapat membantu dalam pengambilan keputusan.
Meskipun beberapa orang menyamakan DSS dengan BI, sistem ini, pada saat ini, tidak sama.
Menarik untuk dicatat bahwa beberapa orang percaya bahwa DSS adalah bagian dari BI,
salah satu alat analitisnya. Yang lain berpikir bahwa BI adalah kasus khusus DSS yang
sebagian besar berkaitan dengan pelaporan, komunikasi, dan kolaborasi (suatu bentuk DSS
yang berorientasi data). Penjelasan lain (Watson, 2005) adalah bahwa BI adalah hasil dari
revolusi berkelanjutan, dan karenanya, DSS adalah salah satu elemen asli BI. Lebih lanjut,
seperti yang disebutkan pada bagian selanjutnya dan seterusnya, di banyak kalangan BI telah
dimasukkan oleh istilah baru analytics atau Dat science.

Pemrosesan Transaksi versus Pemrosesan Analitik.

Untuk menggambarkan karakteristik utama BI, pertama-tama kita akan menunjukkan apa
yang bukan BI, yaitu pemrosesan transaksi. Kami terbiasa dengan sistem informasi yang
mendukung transaksi kami, seperti penarikan ATM, setoran bank, pemindaian cash register
di toko bahan makanan, dan sebagainya. Sistem pemrosesan transaksi ini secara konstan
terlibat dalam menangani pembaruan untuk apa yang kita sebut dataltses operasional.
Sebagai contoh, dalam transaksi penarikan ATM, kami perlu mengurangi keseimbangan
bank kami, setoran bank menambah acount: dan pembelian toko kelontong kemungkinan
tercermin dalam perhitungan toko dari total penjualan untuk hari itu, dan harus
mencerminkan pengurangan yang tepat dalam perhitungan toko dari total penjualan untuk
hari itu, dan itu harus mencerminkan pengurangan persediaan toko yang tepat untuk barang
yang kami beli, dan seterusnya.

personil lini dapat membuat keputusan lebih cepat dan / atau lebih banyak informasi. Kami
akan memberikan definisi DW yang lebih teknis dalam Bab 2, tetapi cukup untuk
mengatakan bahwa DW dimaksudkan untuk bekerja dengan data informasi yang digunakan
untuk sistem pemrosesan analitik online (OLAP) online. Sebagian besar data operasional
dalam sistem perencanaan sumber daya perusahaan (ERP) - dan saudara kandungnya yang
saling melengkapi seperti manajemen rantai pasokan (SCM) atau CRM - disimpan dalam
sistem OLTP, yang merupakan jenis pemrosesan komputer di mana komputer merespons
dengan segera permintaan pengguna, Setiap permintaan dianggap sebagai transaksi, yang
merupakan catatan terkomputerisasi dari peristiwa tersendiri, seperti penerimaan inventaris
atau pesanan pelanggan. Dengan kata lain, transaksi memerlukan satu set dua atau lebih
pembaruan basis data yang harus diselesaikan dengan cara semua atau tidak sama sekali.
Desain yang membuat sistem OLTP efisien untuk pemrosesan transaksi membuatnya tidak
efisien untuk laporan, pertanyaan, dan analisis ad hoc pengguna akhir. Pada 1980-an, banyak
pengguna bisnis menyebut mainframe mereka sebagai "lubang hitam karena semua informasi
masuk ke dalamnya, tetapi tidak pernah kembali. Semua permintaan untuk laporan harus
diprogram oleh staf TI, sedangkan hanya laporan" yang diprediksi "yang dapat dibuat
berdasarkan skema, dan permintaan waktu nyata ad hoc sebenarnya tidak mungkin
dilakukan. Meskipun sistem ERP berbasis klien / server pada 1990-an agak jauh lebih jauh
dari kegunaan yang diinginkan oleh pengguna akhir reguler, nonteknis, untuk hal-hal seperti
sebagai pelaporan operasional, analisis interaktif, dan sebagainya. Untuk mengatasi masalah
ini, konsep DW dan BI dibuat

Perencanaan dan Penyelarasan yang Tepat dengan Strategi Bisnis

Pertama dan terutama, alasan mendasar untuk berinvestasi di BI harus diselaraskan dengan
strategi bisnis perusahaan. BI tidak bisa sekadar menjadi latihan teknis untuk departemen
sistem informasi. Itu harus berfungsi sebagai cara untuk mengubah cara perusahaan
melakukan bisnis dengan meningkatkan proses bisnisnya dan mengubah proses pengambilan
keputusan menjadi lebih banyak data didorong. Banyak konsultan dan praktisi BI yang
terlibat dalam inisiatif BI yang sukses menyarankan bahwa kerangka kerja untuk
perencanaan merupakan prasyarat yang diperlukan. Satu kerangka kerja, yang
dikembangkan oleh Gartner, Inc. (2004), menguraikan perencanaan dan pelaksanaan ke
dalam komponen bisnis, organisasi, fungsi, dan infrastruktur. Pada tingkat bisnis dan
organisasi, tujuan strategis dan operasional harus ditentukan sambil mempertimbangkan
keterampilan organisasi yang tersedia untuk mencapai tujuan tersebut. Masalah budaya
organisasi seputar inisiatif BI dan membangun antusiasme untuk inisiatif dan prosedur
tersebut untuk berbagi praktik terbaik BI dalam organisasi harus dipertimbangkan oleh
manajemen tingkat atas - dengan rencana yang disiapkan untuk mempersiapkan organisasi
untuk perubahan. Salah satu langkah pertama dalam proses itu adalah untuk menilai
organisasi SI, keterampilan set kelas potensial pengguna, dan apakah budaya setuju untuk
berubah. Dari penilaian ini, dan dengan asumsi ada justifikasi dan kebutuhan untuk bergerak
maju, perusahaan dapat menyiapkan rencana tindakan yang terperinci. Masalah kritis lain
untuk keberhasilan implementasi BI adalah integrasi beberapa proyek BI (sebagian besar
perusahaan menggunakan beberapa proyek BI) di antara mereka dan dengan sistem TI lain
dalam organisasi dan mitra bisnisnya. Jika strategi perusahaan selaras dengan alasan DW dan
Inisiatif BI, dan jika organisasi SI perusahaan dibuat atau dapat dibuat mampu memainkan
perannya dalam proyek seperti itu, dan jika komunitas pengguna yang diperlukan ada dan
memiliki motivasi yang tepat, adalah bijaksana untuk memulai BI dan mendirikan Pusat
Kompetensi BI di dalam perusahaan. Pusat tersebut dapat melayani beberapa atau semua
fungsi berikut (Gartner, 2004)

 Pusat dapat menunjukkan bagaimana BI secara jelas terkait dengan strategi dan
pelaksanaan strategi.
 Pusat dapat berfungsi untuk mendorong interaksi antara komunitas pengguna bisnis
potensial dan organisasi SI.
 Pusat ini dapat berfungsi sebagai tempat penyimpanan dan penyebar praktik BI
terbaik di antara dan di antara berbagai lini bisnis. Standar keunggulan dalam praktik
BI dapat diadvokasi dan didorong di seluruh perusahaan.
 Organisasi SI dapat belajar banyak melalui interaksi dengan komunitas pengguna,
seperti pengetahuan tentang berbagai jenis alat analisis yang diperlukan.
 Komunitas pengguna bisnis dan organisasi SI dapat lebih memahami mengapa
platform DW harus cukup fleksibel untuk memenuhi kebutuhan bisnis yang berubah.
 Dapat membantu pemangku kepentingan penting seperti eksekutif tingkat tinggi
melihat bagaimana BI dapat memainkan peran penting

Faktor kesuksesan penting lain dari Bl adalah kemampuan untuk memfasilitasi real-time,
sesuai permintaan lingkungan tangkas, diperkenalkan berikutnya

Waktu Nyata, Sesuai Permintaan,

BI Dapat Dicapai Permintaan untuk Instan, atas permintaan, akses ke informasi yang
tersebar telah berkembang karena kebutuhan untuk menutup kesenjangan antara data
operasional dan tujuan strategis menjadi lebih mendesak. Akibatnya, kategori produk
yang disebut aplikasi BI real time telah muncul. Pengenalan teknologi penghasil data
baru, seperti RFID dan sensor lainnya hanya mempercepat pertumbuhan ini dan
kebutuhan selanjutnya untuk BI waktu nyata. Sistem BI tradisional menggunakan
volume besar data statis yang telah diekstraksi, dibersihkan, dan dimuat ke dalam DW
untuk menghasilkan laporan dan analisis. Namun, kebutuhannya bukan hanya pelaporan
karena pengguna memerlukan pemantauan bisnis, analisis kinerja, dan pemahaman
tentang mengapa hal-hal terjadi. Ini dapat membantu pengguna, yang perlu tahu (secara
real time) tentang perubahan data atau ketersediaan laporan, peringatan, dan
pemberitahuan terkait peristiwa dan tren yang muncul dalam aplikasi media sosial.
Selain itu, aplikasi bisnis dapat diprogram untuk bertindak berdasarkan apa yang
ditemukan oleh sistem BI saat ini. Misalnya, aplikasi SCM mungkin secara otomatis
memesan lebih banyak "widget" ketika persediaan real-time turun di bawah ambang batas
tertentu atau ketika aplikasi CRM secara otomatis memicu perwakilan layanan pelanggan
dan petugas kontrol kredit untuk memeriksa pelanggan yang telah menempatkan online
memesan lebih besar dari 10.000. satu pendekatan ke BI real time menggunakan model
DW dari sistem Bl tradisional. Dalam hal ini, produk-produk dari penyedia plarform BI
yang inovatif memberikan solusi yang berorientasi layanan, mendekati waktu nyata yang
mengisi DW jauh lebih cepat daripada ekstrak upcate / transfer / load batch upcate pada
malam hari (lihat Bab 3). Pendekatan kedua, yang biasa disebut business activity
management (BAM), diadopsi oleh BAM play murni dan / atau penyedia BAM-
middleware hybrid (seperti Savvion, Iteration Software, Vitria, Metode web, Metode,
Quantive, Tihco, atau Vineyard Vineyard). Itu sepenuhnya menghasut DW dan
menggunakan layanan Web atau sarana pemantauan lainnya untuk menemukan peristiwa
bisnis utama. Monitor perangkat lunak ini (atau agen intelijen) dapat ditempatkan pada
server terpisah dalam jaringan atau pada basis data aplikasi transaksional sendiri, dan
mereka dapat menggunakan pendekatan berbasis peristiwa dan proses untuk secara
proaktif dan tidak cerdas mengukur dan memantau proses operasional
Memperoleh Pengembangan Sistem BI Saat ini,

banyak vendor menawarkan alat yang beragam, beberapa di antaranya sudah diprogram
sepenuhnya, yang harus Anda lakukan adalah memasukkan nomor Anda. alat dapat
dibeli atau disewa. Untuk daftar produk, demo, kertas putih, dan lebih banyak produk
saat ini informasi, lihat direktori produk di tdwi.org. Diperlukan pendaftaran pengguna
gratis. Hampir semua aplikasi BI dibuat dengan cangkang yang disediakan oleh vendor
yang dapat membuat sendiri solusi kustom untuk klien atau bekerja dengan penyedia
outsourcing lainnya. Masalah yang dihadapi perusahaan adalah alternatif mana untuk
dipilih: membeli, menyewakan, atau membangun. Masing-masing altematif ini memiliki
beberapa opsi. Salah satu crieria utama untuk mengambil keputusan adalah pembenaran
dan analisis manfaat biaya.

Pembenaran dan Analisis Biaya-Manfaat

Ketika jumlah aplikasi BI potensial meningkat, kebutuhan untuk membenarkan dan

memprioritaskan mereka muncul. Ini bukan tugas yang mudah karena sejumlah besar manfaat
tidak berwujud. Manfaat drect dan tidak berwujud perlu diidentifikasi. Tentu saja, di sinilah
pengetahuan aplikasi serupa di organisasi lain dan studi kasus sangat berguna. Sebagai contoh,
The Data Warehousing Institute (tcdwi.org) menyediakan banyak informasi tentang produk dan
aplikasi inovatif dan implementasi. Informasi tersebut dapat berguna dalam memperkirakan
manfaat langsung dan tidak langsung.

Keamanan dan Perlindungan Privasi

Ini adalah masalah yang sangat penting dalam pengembangan sistem komputer manapun,
terutama BI yang berisi data yang mungkin memiliki nilai strategis. Selain itu, privasi karyawan
dan pelanggan perlu dilindungi.

Integrasi Sistem dan Aplikasi

Dengan pengecualian beberapa aplikasi kecil, semua aplikasi BI harus diintegrasikan dengan
sistem lain seperti database, sistem lama, sistem perusahaan (terutama ERP dan CRM), e -
commcrce (sisi penjualan, sisi pembelian) dan banyak lagi. Selain itu, aplikasi Bi biasanya
terhubung ke Internet dan berkali-kali ke sistem informasi mitra bisnis. Selain itu, alat BI
terkadang perlu diintegrasikan di antara mereka sendiri, menciptakan sinergi. Kebutuhan akan
integrasi mendorong vendor perangkat lunak untuk terus menambah kemampuan pada produk
mereka. Pelanggan yang membeli paket perangkat lunak all-in-one hanya berurusan dengan
satu vendor dan tidak harus berurusan dengan konektivitas sistem. Tetapi, mereka mungkin
kehilangan keuntungan dari menciptakan sistem yang terdiri dari komponen "terbaik
berkembang biak"