Translate PDF Maybe Fix

28/2/2021 https://translate.googleusercontent.
com/translate_f
Sebuah Tinjauan dari Bisnis Intelligence,

Analytics, dan data Sains
CHAPTER
1
TUJUAN PEMBELAJARAN
■
Pahami kebutuhan akan dukungan terkomputerisasi untuk pengambilan keputusan manajerial
■
Mengakui evolusi dukungan terkomputerisasi tersebut ke keadaan saat ini — analitik / ilmu data
■
Menjelaskan metodologi dan konsep business intelligence (BI)
■
Memahami berbagai jenis analisis dan melihat aplikasi yang dipilih
■
Memahami ekosistem analitik untuk mengidentifikasi berbagai pemain kunci dan peluang karier
ingkungan bisnis (iklim) terus berubah, dan itu menjadi semakin kompleks. Organisasi, baik swasta dan publik, berada di bawah
langkah-Pres- yang memaksa mereka untuk merespon dengan cepat untuk mengubah kondisi dan untuk menjadi inno-
vatif dalam cara mereka beroperasi. Kegiatan semacam itu membutuhkan organisasi yang gesit dan membuat keputusan strategis, taktis,
dan operasional yang sering dan cepat, beberapa di antaranya sangat kompleks. Membuat keputusan seperti itu mungkin membutuhkan
data, informasi, dan pengetahuan yang relevan dalam jumlah yang cukup besar. Pemrosesan ini, dalam kerangka keputusan yang
diperlukan, harus dilakukan dengan cepat, sering kali dalam waktu nyata, dan biasanya memerlukan dukungan komputerisasi.
Buku ini membahas tentang menggunakan analisis bisnis sebagai dukungan terkomputerisasi untuk pengambilan keputusan
manajerial. Ini berkonsentrasi pada landasan teoritis dan konseptual dari dukungan keputusan, serta pada alat dan teknik komersial yang
tersedia. Buku ini menyajikan dasar-dasar teknik dan cara di mana sistem ini dibangun dan digunakan. Kami mengikuti pendekatan EEE
untuk memperkenalkan topik ini: Eksposur , Pengalaman , dan Eksplorasi . Buku ini terutama memberikan eksposur ke berbagai
teknik analitik dan aplikasinya. Idenya adalah bahwa seorang siswa akan terinspirasi untuk belajar dari bagaimana organisasi lain
menggunakan analitik untuk membuat keputusan atau untuk mendapatkan keunggulan kompetitif. Kami percaya bahwa eksposur
terhadap apa yang dilakukan dengan analitik dan bagaimana hal itu dapat dicapai adalah komponen kunci dari pembelajaran tentang
analitik. Dalam menggambarkan para teknik, kami juga memberikan contoh-contoh dari spesifik perangkat lunak alat yang dapat
menjadi
29
digunakan untuk mengembangkan aplikasi semacam itu. Buku ini tidak terbatas pada satu perangkat lunak saja , sehingga siswa dapat
merasakan teknik ini dengan menggunakan sejumlah perangkat perangkat lunak yang tersedia. Kami berharap eksposur dan pengalaman
ini memungkinkan dan memotivasi pembaca untuk mengeksplorasi potensi teknik-teknik ini di wilayah mereka sendiri. Untuk
memfasilitasi eksplorasi tersebut , kami menyertakan latihan yang mengarahkan pembaca ke Teradata University Network (TUN) dan
situs lain yang menyertakan latihan berorientasi tim jika sesuai.
Bab pengantar ini memberikan pengantar analitik serta ikhtisar buku. Bab ini memiliki bagian-bagian berikut:
1.1 Pembukaan Vignette: Olahraga Analytics-Sebuah Frontier Menyenangkan untuk Belajar dan Aplikasi Pemahaman dari
Analytics 30
1.2 Perubahan Lingkungan Bisnis dan Kebutuhan yang Berkembang untuk Dukungan Keputusan dan Analisis 37
1.3 Evolusi dari Pendukung Keputusan Komputerisasi ke Analytics / Data Ilmu 39
1.4 Sebuah Kerangka untuk Bisnis Intelligence 41
1.5 Ikhtisar Analytics 48
1.6 Contoh Analytics di Domain yang Dipilih 55
1.7 Sebuah Pengantar Singkat untuk Big data Analytics 61
1,8 Sebuah Tinjauan dari para Analytics Ekosistem 63
1,9 Rencana dari para Book 72
1.10 Sumber Daya, Tautan, dan Koneksi Jaringan Universitas Teradata 73
1.1 MEMBUKA VIGNETTE: Sports Analytics — Sebuah Perbatasan yang Menyenangkan

untuk Belajar dan Memahami Aplikasi Analitik
https://translate.googleusercontent.com/translate_f 1/27
28/2/2021 https://translate.googleusercontent.com/translate_f
Penerapan analitik pada masalah bisnis adalah keterampilan kunci, yang akan Anda pelajari dalam buku ini. Banyak dari teknik ini
sekarang diterapkan untuk meningkatkan pengambilan keputusan di semua aspek olahraga, area yang sangat panas yang disebut analisis
olahraga. Analitik olahraga adalah seni dan ilmu mengumpulkan data tentang atlet dan tim untuk menciptakan wawasan yang
meningkatkan keputusan olahraga, seperti memutuskan pemain mana yang akan direkrut, berapa banyak yang harus dibayar, siapa yang
akan bermain, bagaimana melatih mereka, bagaimana menjaga mereka tetap sehat , dan kapan mereka harus diperdagangkan atau
pensiun. Untuk tim, ini melibatkan keputusan bisnis seperti harga tiket, serta keputusan daftar nama, analisis kekuatan dan kelemahan
masing-masing pesaing, dan banyak keputusan hari pertandingan.
Memang, analisis olahraga menjadi spesialisasi dalam analitik. Ini adalah penting daerah karena olahraga adalah bisnis besar,
menghasilkan sekitar $ 145B pendapatan setiap tahun, ditambah sebuah $ 100B tambahan dalam hukum dan $ 300B dalam perjudian
1
ilegal, menurut Harga Waterhouse. Pada tahun 2014, hanya $ 125 juta yang dihabiskan untuk analitik (kurang dari 0,1% pendapatan).
2
Hal ini diharapkan untuk tumbuh di sebuah sehat tingkat ke $ 4.7B oleh 2021.
1
“Mengubah Game: Prospek untuk Pasar Olahraga Global hingga 2015,” Laporan Price Waterhouse Coopers, muncul di https://www.pwc.com/gx/en/hospitality-
leisure/pdf/changing-the-game-outlook -untuk-pasar-olahraga -global- hingga-2015.pdf. Data taruhan dari https://www.capcredit.com/how-much-americansspend-on-sports-
each-year/.
2
“ Pasar Analitik Olahraga Senilai $ 4,7 miliar sebelum 2021,” Siaran Pers Wintergreen Research, diliput oleh PR Newswire di http://www.prnewswire.com/news-
releases/sports-analytics-market-worth-47-billion-by- 2021-509869871.html, 25 Juni 2015.
Penggunaan analitik untuk olahraga dipopulerkan oleh buku Moneyball oleh Michael Lewis pada tahun 2003 dan film yang
dibintangi oleh Brad Pitt pada tahun 2011. Ini memamerkan manajer umum Oakland A Billy Beane dan penggunaan data dan analitiknya
untuk mengubah tim yang kalah menjadi kemenangan- ner. Secara khusus, dia mempekerjakan seorang analis yang menggunakan
analitik untuk menyusun pemain yang bisa mendapatkan pangkalan sebagai lawan dari pemain yang unggul dalam tindakan tradisional
seperti berlari di dalam atau mencuri pangkalan. Wawasan ini memungkinkan mereka untuk menyusun prospek yang diabaikan oleh tim
lain dengan gaji awal yang wajar. Itu berhasil — mereka berhasil mencapai babak playoff pada 2002 dan 2003. Sekarang analitik
digunakan di semua bagian olahraga. Analisis dapat dibagi antara front office dan back office. Deskripsi yang baik dengan 30 contoh
3
muncul di artikel survei Tom Davenport. Analisis bisnis kantor depan termasuk menganalisis perilaku penggemar mulai dari model
prediktif untuk pembaruan tiket musiman dan penjualan tiket reguler , hingga membuat tweet dari penggemar tentang tim, atlet, pelatih,
dan pemilik. Ini sangat mirip dengan manajemen hubungan pelanggan (CRM) tradisional. Analisis keuangan juga merupakan bidang
utama, di mana batasan gaji (untuk profesional) atau batasan beasiswa (perguruan tinggi) adalah bagiannya
persamaan.
Penggunaan back-office termasuk analisis atlet individu serta permainan tim. Untuk pemain individu, ada fokus pada model
perekrutan dan analitik kepanduan, analitik untuk kekuatan dan kebugaran serta pengembangan, dan PM untuk menghindari latihan
berlebihan dan cedera. Penelitian gegar otak adalah bidang yang populer. Analisis tim mencakup strategi dan taktik, penilaian kompetitif,
dan pilihan daftar nama yang optimal dalam berbagai situasi di lapangan atau di lapangan.
Contoh perwakilan berikut mengilustrasikan bagaimana tiga organisasi olahraga menggunakan data dan analitik untuk
meningkatkan operasi olahraga, dengan cara yang sama analitik telah meningkatkan pengambilan keputusan industri tradisional.
Contoh 1: Kantor Bisnis

Dave Ward bekerja sebagai analis bisnis untuk tim bisbol profesional besar, dengan fokus pada pendapatan. Ia menganalisis penjualan
tiket, baik dari pemegang tiket musiman maupun pembeli tiket tunggal. Contoh pertanyaan di bidang tanggung jawabnya termasuk
mengapa pemegang tiket musiman memperbarui (atau tidak memperbarui) tiket mereka, serta faktor apa yang mendorong pembelian
tiket kursi individu di menit-menit terakhir. Pertanyaan lainnya adalah bagaimana memberi harga tiket.
Beberapa teknik analisis yang digunakan Dave mencakup statistik sederhana tentang perilaku penggemar seperti kehadiran secara
keseluruhan dan jawaban atas pertanyaan survei tentang kemungkinan untuk membeli lagi. Namun, apa yang dikatakan penggemar
versus apa yang mereka lakukan bisa berbeda. Dave menjalankan survei penggemar berdasarkan lokasi tempat duduk tiket ("tingkat")
dan menanyakan tentang kemungkinan mereka memperbarui tiket musiman mereka. Tetapi ketika dia membandingkan apa yang mereka
katakan versus apa yang mereka lakukan, dia menemukan perbedaan besar. (Lihat Gambar 1.1.) Ia menemukan bahwa 69% dari
penggemar di Tier 1 kursi yang mengatakan pada para
Tingkat Sangat Mungkin Mungkin Mungkin Tentu tidak

Mungkin tidak
1 92 88 75 69 45
2 88 81 70 65 38
3 80 76 68 55 36
4 77 72 65 45 25
5 75 70 60 35 25
GAMBAR 1.1 Pembaruan Tiket Musiman — Skor Survei.

3
Thomas Davenport, “Analisis dalam Olahraga: Sains Baru tentang Kemenangan,” Makalah Institut Internasional untuk Analisis, disponsori oleh SAS, Februari 2014. Di
situs Web SAS di: http://www.sas.com/content/dam / SAS / id_id / doc / whitepaper2 / iia-analytics-in-sports-106993.pdf. (Diakses Juli 2016)
survei bahwa mereka "mungkin tidak akan memperbarui" sebenarnya melakukannya. Ini adalah wawasan berguna yang mengarah pada
tindakan — pelanggan di sel hijau adalah yang paling mungkin memperbarui tiket, jadi membutuhkan lebih sedikit sentuhan pemasaran
dan uang untuk mengonversi, misalnya, dibandingkan dengan pelanggan di sel biru .
Namun, banyak faktor yang memengaruhi perilaku pembelian tiket penggemar, terutama harga, yang mendorong statistik dan
analisis data yang lebih canggih. Untuk kedua area, tetapi terutama tiket pertandingan tunggal, Dave mendorong penggunaan penetapan
harga dinamis — memindahkan bisnis dari penetapan harga statis sederhana menurut tingkat lokasi tempat duduk ke penetapan harga
naik-turun kursi individu setiap hari. Ini adalah area penelitian yang kaya untuk banyak tim olahraga dan memiliki potensi keuntungan
yang besar untuk peningkatan pendapatan. Misalnya, penetapan harganya memperhitungkan rekor tim, siapa yang mereka mainkan,
tanggal dan waktu pertandingan, atlet bintang mana yang bermain untuk setiap tim, sejarah setiap penggemar dalam memperbarui tiket
musiman atau membeli tiket tunggal, serta faktor-faktor seperti kursi. lokasi, jumlah kursi, dan real-time informasi seperti kemacetan lalu
lintas historis pada permainan waktu dan bahkan para cuaca. Lihat Gambar 1.2.
Manakah dari faktor berikut yang penting? Berapa banyak? Mengingat latar belakang statistiknya yang luas, Dave membuat model
regresi untuk memilih faktor kunci yang mendorong perilaku historis ini dan membuat PM untuk mengidentifikasi cara menggunakan
sumber daya pemasaran untuk mendorong pendapatan. Dia membuat model churn bagi pemegang tiket musiman untuk membuat
segmen pelanggan yang akan memperbarui, tidak akan memperbarui, atau menjadi penjaga pagar, yang kemudian mendorong kampanye
pemasaran yang lebih halus .
Selain itu, ia melakukan penilaian sentimen pada komentar penggemar seperti tweet yang membantunya membagi penggemar
menjadi segmen loyalitas yang berbeda. Studi lain tentang driver kehadiran game tunggal membantu departemen pemasaran memahami
dampak hadiah seperti bobble- head atau T-shirt, atau saran tentang tempat membeli iklan TV spot.
Di luar pendapatan, ada banyak area analitis lain yang dikerjakan oleh tim Dave, termasuk merchandising, pendapatan siaran TV
dan radio, masukan kepada manajer umum tentang negosiasi gaji, analisis draf terutama dengan batasan gaji, efektivitas promosi
termasuk saluran periklanan, dan kesadaran merek, serta analitik mitra. Dia orang yang sangat sibuk!
GAMBAR 1.2 Penetapan Harga Dinamis Pekerjaan Sebelumnya — Major League Baseball. Sumber: Diadaptasi dari
C. Kemper dan C. Breuer, “Bagaimana Efisien adalah Dinamis Harga untuk Sports Events? Merancang sebuah Pricing Dinamis Model
untuk Bayern Munich”, Intl. Jurnal dari Sports Keuangan , 11, pp. 4-25, 2016.
GAMBAR 1.3 Pohon Keputusan Bertingkat untuk Permainan Lari atau Lulus.
Contoh 2: Pelatih
Bob Breedlove adalah pelatih sepak bola untuk tim perguruan tinggi besar. Baginya, ini semua tentang memenangkan permainan. Area
fokusnya termasuk merekrut pemain sekolah menengah terbaik, mengembangkan mereka agar sesuai dengan sistem serangan dan
pertahanannya, dan mendapatkan upaya maksimal dari mereka pada hari-hari pertandingan. Contoh pertanyaan di bidang tanggung
jawabnya meliputi: Siapa yang kita rekrut? Latihan apa yang membantu mengembangkan keterampilan mereka? Seberapa keras saya
mendorong atlet kita? Di mana lawan kuat atau lemah, dan bagaimana kita mengetahui kecenderungan bermain mereka?
Untungnya, timnya telah mempekerjakan seorang ahli operasi tim baru , Dar Beranek, yang mengkhususkan diri dalam membantu para
pelatih membuat keputusan taktis. Dia adalah bekerja dengan sebuah tim dari mahasiswa magang yang menciptakan analisis lawan. Mereka
menggunakan pelatih dijelaskan Film permainan untuk membangun sebuah keputusan mengalir pohon Model (Gambar 1.3) untuk
memprediksi apakah berikutnya bermain akan menjadi berjalan bermain atau lewat bermain. Untuk koordinator pertahanan, mereka telah
membangun peta panas (Gambar 1.4) dari masing - masing pelanggaran lewat lawan , yang menggambarkan kecenderungan mereka untuk
melempar ke kiri atau ke kanan dan ke dalam zona cakupan pertahanan mana . Akhirnya, mereka membangun beberapa waktu analisis seri
(Gambar 1.5) pada ledakan drama (didefinisikan sebagai keuntungan dari lebih dari 16 yard untuk sebuah drama lewat atau lebih dari 12
yard untuk sebuah run play). Untuk setiap bermain, mereka membandingkan dengan hasil dengan mereka sendiri defensif formasi dan lainnya
ofensif tim formasi, yang membantu Pelatih Breedlove bereaksi lebih cepat untuk perubahan formasi selama satu pertandingan. Kami akan
menjelaskan dengan teknik analisis yang dihasilkan ini angka di banyak lebih mendalam di Bab 2-5 dan Bab 7.
Pekerjaan baru yang dipupuk oleh Dar melibatkan pembangunan model perekrutan atlet sekolah menengah yang lebih baik.
Misalnya, setiap tahun tim memberikan beasiswa kepada tiga mahasiswa yang merupakan calon penerima beasiswa secara luas. Bagi Dar,
memilih pemain terbaik melampaui ukuran sederhana seperti seberapa cepat atlet berlari, seberapa tinggi mereka melompat, atau berapa
panjang lengan mereka ke kriteria yang lebih baru seperti seberapa cepat mereka dapat memutar kepala untuk menangkap umpan, jenis
waktu reaksi yang mereka tunjukkan pada beberapa rangsangan, dan seberapa akurat mereka menjalankan rute yang lewat. Beberapa dari
4
ide-idenya yang menggambarkan konsep-konsep ini muncul di TUN Web situs; mencari Kasus BSI dari Precision Football.
4
Investigasi Skenario Bisnis BSI: Kasus Precision Football (video). (Musim Gugur 2015). Muncul di http: // www.teradatauniversitynetwork.com/About-Us/Whats-
New/BSI–Sports-Analytics—Precision-Football//,Fall 2015. (Diakses September 2016)
6 7 8 9
Lengkap: 7 Lengkap: 13 Lengkap: 7 Lengkap: 15
Jumlah: 10 Jumlah: 21 Jumlah: 10 Jumlah: 27
70% 61,9% 70% 55,55%
Mudah meledak: Mudah meledak: Mudah meledak: Mudah meledak:
2 9 6 8
GAMBAR 1.4 Analisis Zona Peta Panas untuk Passing Plays.
GAMBAR 1.5 Analisis Rangkaian Waktu Drama Peledak.
5
GAMBAR 1.6 Model Cedera Sepak Bola.
Contoh 3: Pelatih
Dr. Dan Johnson adalah pelatih tim sepak bola perguruan tinggi wanita. Tugasnya adalah membantu para pemain tetap sehat dan
menasihati para pelatih tentang berapa banyak beban yang harus diberikan kepada para pemain selama latihan. Dia juga tertarik pada
kesejahteraan pemain, termasuk seberapa banyak mereka tidur dan berapa banyak istirahat yang mereka dapatkan di antara sesi latihan
yang berat dan ringan. Tujuannya adalah untuk memastikan bahwa para pemain yang siap untuk bermain pada pertandingan hari di
maksimum efisiensi.
Untungnya, karena perangkat yang dapat dikenakan, ada lebih banyak data untuk dianalisis oleh Dr. Dan. Para pemainnya berlatih
menggunakan rompi yang berisi sensor yang dapat mengukur beban internal seperti detak jantung, suhu tubuh, dan laju pernapasan.
Rompi juga termasuk akselerometer yang mengukur beban eksternal seperti jarak dan kecepatan lari serta akselerasi dan deselerasi. Dia
tahu pemain mana yang memberikan upaya maksimal selama latihan dan mereka yang tidak.
Fokusnya saat ini adalah penelitian yang memprediksi atau mencegah cedera pemain (Gambar 1.6). Beberapa tugas sederhana
seperti Tes Tahan Jongkok Satu Kaki — berdiri dengan satu kaki, lalu kaki lainnya — dengan perbedaan skor lebih dari 10% dapat
memberikan wawasan yang berguna tentang kekuatan dan kelemahan inti tubuh (Gambar 1.7). Jika seorang atlet terkena pukulan keras
selama pertandingan, pelatih dapat melakukan tes sampingan, bereaksi terhadap rangsangan pada perangkat seluler, yang menambah
protokol gegar otak tradisional. Sensor tidur menunjukkan siapa yang cukup istirahat (atau siapa yang berpesta sepanjang malam). Dia
memiliki laboratorium MRI di kampus melakukan scan otak periodik untuk menunjukkan yang atlet yang di risiko untuk otak cedera.
5
"Women’s Soccer Injury" , Laporan Penelitian National Center for Catastrophic Sports Injury , NCAA. Lembar fakta NCAA Sport Injury diproduksi oleh Datalys Center
for Sports Injury Research and Prevention bekerja sama dengan National Collegiate Athletic Association, dan STOP Sports Injuries. Muncul di https://www.ncaa.org/ sites
/ default / files / NCAA_W_Soccer_Injuries_WEB.pdf. (Diakses November 2016).
GAMBAR 1.7 Tes Tahan Jongkok Satu Kaki–

Tes Kekuatan Tubuh Inti
( Sumber: Gambar diadaptasi dari Gary Wilkerson dan Ashish Gupta).
PERTANYAAN TENTANG CONTOH INI

1. Apa yang tiga faktor yang mungkin menjadi bagian dari sebuah PM untuk musim tiket perpanjangan?
2. Apa dua teknik yang dapat digunakan tim sepak bola untuk melakukan analisis lawan ?
3. Bagaimana perangkat yang dapat dikenakan dapat meningkatkan kesehatan dan keselamatan pemain? Jenis analitik baru apa yang
dapat digunakan pelatih ?
4. Apa kegunaan analitik lain yang dapat Anda bayangkan dalam olahraga?
Apa yang Dapat Kita Pelajari dari Vinyet Ini?

Di luar itu front-office bisnis analis, yang pelatih, pelatih, dan kinerja para ahli, ada banyak orang lain dalam olahraga yang
menggunakan data, mulai dari groundskeepers golf yang kondisi ukuran tanah dan rumput untuk turnamen PGA, bisbol dan basket wasit
yang dinilai tentang panggilan yang benar dan salah yang mereka buat. Bahkan, itu sulit untuk menemukan sebuah daerah dari olahraga
yang yang tidak sedang dipengaruhi oleh para ketersediaan dari banyak data, terutama dari sensor.
Keterampilan yang akan Anda pelajari dalam buku ini untuk analitik bisnis akan diterapkan pada olahraga. Jika Anda ingin
menggali lebih dalam area ini, kami mendorong Anda untuk melihat bagian Analisis Olahraga dari Jaringan Universitas Teradata (TUN),
sumber daya gratis untuk mahasiswa dan fakultas. Di situs web ini , Anda akan menemukan uraian tentang apa yang harus dibaca untuk
mengetahui lebih lanjut tentang analisis olahraga, kompilasi tempat-tempat di mana Anda dapat menemukan kumpulan data yang
tersedia untuk umum untuk analisis, serta contoh proyek siswa dalam analisis olahraga dan wawancara profesional olahraga yang
menggunakan data dan analitik untuk melakukan pekerjaan mereka . Semoga berhasil mempelajari analitik!
Sumber dan Kredit: Disumbangkan oleh Dr. Dave Schrader, yang pensiun setelah 24 tahun dalam pengembangan dan pemasaran lanjutan di Teradata. Dia tetap di Dewan
Penasihat Jaringan Universitas Teradata, di mana dia menghabiskan masa pensiunnya membantu mahasiswa dan fakultas mempelajari lebih lanjut tentang analitik
olahraga. Visual sepak bola (Gambar 1.3-1.5) dibuat oleh Peter Liang dan Jacob Pearson, mahasiswa pascasarjana di Oklahoma State University, sebagai bagian dari
proyek mahasiswa pada musim semi 2016. Visual pelatihan (Gambar 1.6 dan 1.7) diadaptasi dari gambar disediakan oleh Prof. Gary Wilkerson dari Universitas Tennessee
di Chattanooga dan Prof Ashish Gupta dari Universitas Auburn .
Perubahan Lingkungan Bisnis dan Kebutuhan yang Berkembang untuk

1.2
Dukungan Keputusan dan Analitik
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 yang ada
dengan sebaik-baiknya. Langkah-langkah ini memerlukan organisasi untuk mengumpulkan dan menganalisis simpanan data yang sangat
besar. Dari penggunaan tradisional dalam fungsi penggajian dan pembukuan, sistem terkomputerisasi kini telah menembus area
manajerial yang kompleks mulai dari desain dan manajemen pabrik otomatis hingga penerapan metode analitis untuk evaluasi usulan
merger dan akuisisi. Hampir semua eksekutif mengetahui bahwa teknologi informasi sangat penting untuk bisnis mereka dan
menggunakan teknologi informasi secara ekstensif.
Aplikasi komputer telah berpindah dari pemrosesan transaksi dan aktivitas pemantauan ke analisis masalah dan aplikasi solusi, dan
sebagian besar aktivitas dilakukan dengan teknologi berbasis cloud, dalam banyak kasus diakses melalui perangkat seluler. Alat analisis
dan BI seperti pergudangan data, penambangan data, pemrosesan analitik online (OLAP), dasbor, dan penggunaan sistem berbasis cloud
untuk dukungan keputusan adalah inti dari manajemen modern saat ini. Manajer harus memiliki sistem informasi jaringan berkecepatan
tinggi (kabel atau nirkabel) untuk membantu mereka dalam tugas terpenting mereka: membuat keputusan. Dalam banyak kasus,
keputusan seperti itu secara rutin diotomatiskan, menghilangkan kebutuhan untuk intervensi manajerial.
Selain pertumbuhan jelas dalam hardware, software, dan kapasitas jaringan, beberapa perkembangan telah jelas memberikan
kontribusi untuk memfasilitasi pertumbuhan dari keputusan dukungan dan analytics dalam sejumlah cara, termasuk berikut:
• 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
ponsel pintar di mana-mana. Kolaborasi ini terutama penting sepanjang rantai pasokan, di mana bagian- Mitra dari-semua cara dari
vendor untuk berbagi informasi pelanggan-keharusan. Mengumpulkan sekelompok pembuat keputusan, terutama para ahli, di satu
tempat bisa jadi mahal. Informasi sistem dapat meningkatkan proses kolaborasi kelompok dan memungkinkan para anggotanya
untuk berada di lokasi yang berbeda (menghemat biaya perjalanan). Lebih kritis, rantai pasokan seperti kumpulkan produsen izin
laboration tahu tentang perubahan pola permintaan di dekat nyata waktu dan dengan demikian bereaksi untuk pasar perubahan
lebih cepat.
• Pengelolaan data yang ditingkatkan . Banyak keputusan melibatkan perhitungan yang kompleks . Data untuk ini dapat dapat
disimpan dalam database yang berbeda di mana saja di dalam organisasi dan bahkan mungkin di luar itu organisasi. The Data
dapat menyertakan teks, suara, grafis, dan video, dan ini dapat berada di berbagai bahasa. Banyak kali itu adalah diperlukan
untuk mengirimkan data dengan cepat dari lokasi yang jauh. Sistem saat ini dapat mencari, menyimpan, dan mengirimkan data
yang dibutuhkan dengan cepat, ekonomis, aman, dan transparan.
• Mengelola gudang data raksasa dan Big Data. Gudang data besar (DW), seperti yang dioperasikan oleh Walmart, berisi data
dalam jumlah besar . Khusus
metode, 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
luas Big Data telah memungkinkan data besar yang berasal dari berbagai sumber dan dalam berbagai bentuk, yang memungkinkan
pandangan yang sangat berbeda tentang kinerja organisasi yang tidak mungkin dilakukan di masa lalu.
• Dukungan analitis. Dengan lebih banyak data dan teknologi analisis, lebih banyak alternatif dapat dievaluasi, prakiraan dapat
ditingkatkan, analisis risiko dapat dilakukan dengan cepat, dan pandangan para ahli (beberapa di antaranya mungkin berada di
lokasi terpencil) dapat dikumpulkan dengan cepat dan dikurangi biaya. Keahlian bahkan dapat diturunkan langsung dari sistem
analitik. Dengan alat tersebut, pengambil keputusan dapat melakukan tions simulation yang kompleks, memeriksa banyak skenario
yang mungkin, dan menilai dampak yang beragam dengan cepat dan Eco nomically. Ini, dari Tentu saja, adalah yang fokus dari
beberapa bab di dalam buku.
• Mengatasi batasan kognitif dalam memproses dan menyimpan informasi. Menurut Simon (1977), pikiran manusia hanya
memiliki kemampuan yang terbatas untuk memproses dan menyimpan informasi. Orang terkadang merasa sulit untuk mengingat
dan menggunakan informasi dengan cara yang bebas dari kesalahan karena batasan kognitif mereka. Istilah batas kognitif
menunjukkan bahwa kemampuan pemecahan masalah individu dibatasi ketika berbagai dari informasi yang beragam dan
pengetahuan yang diperlukan. Sistem terkomputerisasi memungkinkan orang untuk mengatasi batasan kognitif mereka dengan
mengakses dan memproses informasi yang tersimpan dalam jumlah besar dengan cepat .
• Manajemen pengetahuan. Organisasi telah mengumpulkan banyak sekali simpanan 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 bagi manajer, meskipun terkadang mereka bahkan tidak disebut KMS . Teknologi seperti analitik
teks dan IBM Watson memungkinkan untuk menghasilkan nilai dari gudang pengetahuan tersebut.
• Dukungan di mana saja , kapan saja . Dengan menggunakan teknologi nirkabel, manajer dapat mengakses informasi kapan
saja dan dari mana saja, menganalisis dan menafsirkannya, dan berkomunikasi dengan mereka yang terlibat. Ini mungkin
perubahan terbesar yang terjadi dalam beberapa tahun terakhir. Kecepatan di mana informasi perlu diproses dan diubah menjadi
keputusan telah benar-benar mengubah ekspektasi baik bagi konsumen maupun bisnis. Kemampuan ini dan lainnya telah
mendorong penggunaan dukungan keputusan terkomputerisasi sejak akhir 1960-an, tetapi terutama sejak pertengahan 1990-an.
Pertumbuhan teknologi seluler, platform media sosial, dan alat analitik telah memungkinkan tingkat dukungan sistem informasi
(IS) yang berbeda bagi para manajer. Pertumbuhan dalam menyediakan dukungan berbasis data untuk setiap keputusan meluas
tidak hanya ke manajer tetapi juga ke konsumen. Kami pertama-tama akan mempelajari gambaran umum teknologi yang secara
luas disebut sebagai BI. Dari sana kami akan memperluas wawasan kami untuk memperkenalkan berbagai jenis analitik.
BAGIAN 1.2 PERTANYAAN REVIEW

1. Apa saja tren berorientasi sistem utama yang telah mendorong pengambilan keputusan yang didukung ISIS ke tingkat yang baru ?
2. Sebutkan beberapa kemampuan sistem informasi yang dapat memfasilitasi pengambilan keputusan manajerial.
3. Bagaimana bisa sebuah komputer bantuan mengatasi para kognitif batas dari manusia?
1.3
Evolusi Dukungan Keputusan Terkomputerisasi ke Analisis / Ilmu Data

Garis waktu pada Gambar 1.8 menunjukkan terminologi yang digunakan untuk mendeskripsikan analitik sejak tahun 1970-an. Selama
ini 1970, yang utama fokus dari informasi sistem mendukung untuk pengambilan keputusan yang berfokus pada penyediaan terstruktur,
laporan berkala bahwa seorang manajer bisa menggunakan untuk pengambilan keputusan (atau mengabaikan mereka). Bisnis mulai
membuat laporan rutin untuk menginformasikan pengambil keputusan (manajer) tentang apa yang terjadi pada periode sebelumnya
(misalnya, hari, minggu, bulan, kuartal). Meskipun berguna untuk mengetahui apa yang telah terjadi di masa lalu, manajer membutuhkan
lebih dari ini: Mereka membutuhkan berbagai laporan pada tingkat perincian yang berbeda untuk lebih memahami dan mengatasi
perubahan kebutuhan dan tantangan bisnis. Ini adalah biasanya disebut manajemen informasi sistem (MIS). Di dalam awal 1970-an,
Scott-Morton pertama diartikulasikan yang besar konsep-konsep dari DSS. Dia mendefinisikan DSS sebagai "sistem berbasis komputer
interaktif , yang membantu pengambil keputusan menggunakan data dan model untuk memecahkan masalah yang tidak terstruktur "
(Gorry dan Scott-Morton, 1971). The berikut adalah definisi DSS lain klasik, yang disediakan oleh Keen dan Scott-Morton (1978):
Sistem pendukung keputusan memasangkan sumber daya intelektual individu dengan kemampuan komputer untuk meningkatkan kualitas
keputusan. Ini adalah sistem pendukung berbasis komputer untuk manajemen keputusan pembuat yang menangani dengan semi terstruktur
masalah.
Perhatikan bahwa istilah sistem pendukung keputusan , seperti sistem informasi manajemen dan beberapa istilah lain di bidang TI,
adalah ekspresi bebas konten (yaitu, artinya berbeda bagi orang yang berbeda). Oleh karena itu, tidak ada definisi DSS yang diterima
secara universal .
Selama hari-hari awal analitik, data sering diperoleh dari pakar domain menggunakan proses manual (yaitu, wawancara dan survei)
untuk membangun model matematika atau berbasis pengetahuan untuk memecahkan masalah pengoptimalan yang terbatas. Idenya
adalah melakukan yang terbaik dengan sumber daya yang terbatas. Model pendukung keputusan semacam itu biasanya disebut riset
operasi (OR). Masalah yang terlalu kompleks untuk diselesaikan secara optimal (menggunakan teknik pemrograman matematis linier
atau nonlinier) ditangani dengan menggunakan metode heuristik seperti model simulasi. (Kami akan memperkenalkan ini sebagai analisis
preskriptif kemudian dalam bab ini dan dalam sebuah sedikit lebih rinci di Bab 6.)
Pada akhir 1970-an dan awal 1980-an, selain model OR yang matang yang digunakan di banyak industri dan sistem pemerintah,
garis model baru dan menarik telah muncul: sistem pakar berbasis aturan. Sistem ini berjanji untuk pengetahuan capture ahli dalam
format bahwa komputer dapat memproses (melalui koleksi dari if-then-else aturan atau heuristik) sehingga yang ini bisa akan digunakan
untuk konsultasi lebih yang sama dengan cara yang salah
GAMBAR 1.8 Evolusi Dukungan Keputusan, Business Intelligence, dan Analytics.
akan menggunakan pakar domain untuk mengidentifikasi masalah terstruktur dan untuk menentukan solusi yang paling mungkin. ES
memungkinkan keahlian yang langka tersedia di mana dan saat dibutuhkan, dengan menggunakan DSS "cerdas".
Tahun 1980-an melihat perubahan yang signifikan dalam cara organisasi menangkap data terkait bisnis. Praktik lama adalah
memiliki beberapa sistem informasi terputus-putus yang disesuaikan untuk menangkap data transaksi dari unit atau fungsi organisasi
yang berbeda (misalnya, akuntansi, pemasaran dan penjualan, keuangan, manufaktur). Pada 1980-an, sistem ini diintegrasikan sebagai
sistem informasi tingkat perusahaan yang sekarang biasa kita sebut sistem perencanaan sumber daya enterprize (ERP). Skema
representasi data yang sebagian besar berurutan dan tidak standar digantikan oleh sistem manajemen basis data relasional (RDBM) .
Sistem ini memungkinkan untuk meningkatkan pengambilan dan penyimpanan data, serta hubungan antara bidang data organisasi sambil
secara signifikan mengurangi replikasi informasi. Kebutuhan akan sistem RDBM dan ERP muncul ketika integritas dan konsistensi data
g g g p g
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 organisasi memiliki akses ke versi tunggal
kebenaran kapan dan di mana diperlukan. Selain kemunculan sistem ERP, atau mungkin karena sistem ini, pelaporan bisnis menjadi
praktik bisnis sesuai permintaan sesuai kebutuhan. Pengambil keputusan dapat memutuskan kapan mereka perlu atau ingin membuat
laporan khusus untuk menyelidiki masalah dan peluang organisasi.
Pada 1990-an, kebutuhan akan pelaporan yang lebih fleksibel mengarah pada pengembangan sistem informasi eksekutif (EIS; DSS
dirancang dan dikembangkan secara khusus untuk para 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 serbaguna ini dapat
dilakukan dengan tetap menjaga integritas transaksional dari sistem informasi bisnis, perlu untuk membuat tingkat data menengah yang
dikenal sebagai DW sebagai repositori 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. The dashboard dan scorecard mendapat data mereka dari DW, dan dengan demikian, mereka tidak
menghambat efisiensi dari para bisnis transaksi sistem sebagian besar disebut untuk sebagai (ERP) sistem.
Pada tahun 2000-an, DSS yang digerakkan oleh DW mulai disebut sistem BI. Karena jumlah data longitudinal yang terkumpul di
DW meningkat, begitu pula kemampuan perangkat keras dan perangkat lunak untuk mengikuti kebutuhan para pembuat keputusan yang
berubah dan berkembang dengan cepat. Karena pasar kompetitif yang mengglobal, pembuat keputusan membutuhkan informasi saat ini
dalam format yang sangat mudah dicerna untuk mengatasi masalah bisnis dan untuk memanfaatkan peluang pasar secara tepat waktu.
Karena data dalam DW diperbarui secara berkala, data tersebut tidak mencerminkan informasi terbaru. Untuk meningkatkan masalah
latensi informasi ini, vendor DW mengembangkan sistem untuk memperbarui data lebih sering, yang mengarah ke istilah data
warehousing real-time dan, lebih realistis, data warehousing tepat waktu , yang berbeda dari sebelumnya dengan mengadopsi data-
kebijakan penyegaran berdasarkan kesegaran item data yang diperlukan (yaitu, tidak semua item data perlu diperbarui secara real time).
DW sangat besar dan kaya akan fitur, dan menjadi penting untuk "menambang" data perusahaan untuk "menemukan" nugget
pengetahuan baru dan berguna untuk meningkatkan proses dan praktik bisnis, oleh karena itu disebut penambangan data dan
penambangan teks . Dengan meningkatnya volume dan variasi data, kebutuhan akan lebih banyak penyimpanan dan lebih banyak daya
pemrosesan muncul. Meskipun perusahaan besar memiliki sarana untuk mengatasi masalah ini, perusahaan kecil hingga menengah
membutuhkan model bisnis yang lebih dapat dikelola secara finansial. Kebutuhan ini mengarah pada arsitektur berorientasi layanan dan
perangkat lunak serta model bisnis analitik infrastruktur sebagai layanan . Kecil perusahaan, oleh karena itu, memperoleh akses ke
analisis kemampuan di sebuah
sesuai kebutuhan dan dibayar hanya untuk apa yang mereka gunakan, bukan berinvestasi dalam sumber daya perangkat keras dan
perangkat lunak yang mahal secara finansial.
Pada tahun 2010-an, kami melihat lagi pergeseran paradigma dalam cara pengambilan dan penggunaan data. Sebagian besar karena
penggunaan Internet yang meluas, media generasi data baru telah muncul. Dari semua sumber data baru (misalnya, tag identifikasi
frekuensi radio [RFID], meter energi digital, log Web clickstream , perangkat rumah pintar , peralatan pemantauan kesehatan yang dapat
dikenakan), mungkin yang paling menarik dan menantang adalah jejaring sosial / media sosial . Data tidak terstruktur ini kaya akan
konten informasi, tetapi analisis sumber data tersebut menimbulkan tantangan yang signifikan terhadap sistem komputasi, baik dari
perspektif perangkat lunak maupun perangkat keras. Baru-baru ini, istilah Big Data telah diciptakan untuk menyoroti tantangan yang
ditimbulkan oleh aliran data baru ini kepada kami. Banyak kemajuan di kedua perangkat keras (misalnya, pemrosesan paralel besar-
besaran dengan memori komputasi yang sangat besar dan sistem komputasi multiprosesor yang sangat paralel) dan perangkat lunak /
algoritme (misalnya, Hadoop dengan MapReduce dan NoSQL) telah dikembangkan untuk mengatasi tantangan Big Data .
Ini sulit untuk memprediksi apa dekade berikutnya akan membawa dan apa yang analytics- istilah terkait baru akan. Waktu antara
pergeseran paradigma baru dalam sistem informasi dan khususnya di analisis telah menyusut, dan tren ini akan berlanjut untuk foresee-
masa depan mampu. Meskipun analitik bukanlah hal baru, ledakan popularitasnya sangatlah baru. Berkat ledakan Big Data baru-baru ini,
cara untuk mengumpulkan dan menyimpan data ini, dan alat perangkat lunak yang intuitif, wawasan berbasis data lebih dapat diakses
oleh profesional bisnis daripada sebelumnya. Oleh karena itu, di tengah persaingan global, terdapat peluang besar untuk membuat
keputusan manajerial yang lebih baik dengan menggunakan data dan analitik untuk meningkatkan pendapatan sekaligus menurunkan
biaya dengan membangun produk yang lebih baik, meningkatkan pengalaman pelanggan, dan menangkap penipuan sebelum itu terjadi,
meningkatkan pelanggan keterlibatan melalui penargetan dan penyesuaian semua dengan kekuatan analitik dan data. Semakin banyak
perusahaan kini mempersiapkan karyawan mereka dengan pengetahuan dari business analytics untuk mendorong effec mengenai
efektivitas dan efisiensi dalam mereka sehari-hari pengambilan keputusan proses.
Bagian selanjutnya berfokus pada kerangka kerja BI. Meskipun kebanyakan orang akan setuju bahwa BI telah berkembang
menjadi analitik dan ilmu data, banyak vendor dan peneliti masih menggunakan istilah itu. Jadi Bagian 1.4 menghormati sejarah itu
dengan secara khusus berfokus pada apa yang disebut BI. Setelah bagian selanjutnya, kami memperkenalkan analitik dan akan
menggunakannya sebagai label untuk mengklasifikasikan semua konsep terkait.
BAGIAN 1.3 PERTANYAAN TINJAUAN

1. Sebutkan tiga istilah yang telah menjadi pendahulu analitik.
2. Apa perbedaan utama antara sistem yang disebut MIS, DSS, dan Sistem Pendukung Eksekutif ?
3. Apakah DSS berkembang ke BI atau wakil versa?
1.4 Sebuah Kerangka untuk Bisnis Intelligence

Konsep pendukung keputusan yang disajikan dalam Bagian 1.2 dan 1.3 telah diimplementasikan secara bertahap, dengan nama yang
berbeda, oleh banyak vendor yang telah menciptakan alat dan metodologi untuk mendukung keputusan. Sebagaimana dicatat di Bagian
1.3, seiring dengan pertumbuhan sistem di seluruh perusahaan, manajer dapat mengakses laporan yang mudah digunakan yang
memungkinkan mereka membuat keputusan dengan cepat. Sistem ini, yang umumnya disebut EIS, kemudian mulai menawarkan
visualisasi tambahan, peringatan, dan kemampuan pengukuran kinerja. Pada tahun 2006, produk dan layanan komersial utama muncul di
bawah istilah business intelligence (BI).
Definisi BI
Business intelligence (BI) adalah istilah umum yang menggabungkan arsitektur, alat, basis data , alat analitik, aplikasi, dan metodologi.
Ini, seperti DSS, adalah ekspresi bebas konten, jadi artinya berbeda bagi orang yang berbeda. Bagian dari kebingungan tentang BI
kebohongan di dalam kesibukan dari akronim dan istilah-istilah yang yang terkait dengan itu (misalnya, manajemen kinerja bisnis
[BPM]). BI tujuan utama adalah untuk memungkinkan akses interaktif (kadang-kadang secara real time) untuk data, untuk
memungkinkan manipulasi data, dan untuk memberikan manajer bisnis dan analis yang kemampuan untuk melakukan sesuai analisis.
Dengan menganalisis data, situasi, dan kinerja historis dan terkini , pengambil keputusan mendapatkan wawasan berharga yang
memungkinkan mereka membuat keputusan yang lebih tepat dan lebih baik. Proses BI didasarkan pada transformasi data menjadi
informasi, lalu keputusan, dan akhirnya tindakan.
Sejarah Singkat BI
Istilah BI diciptakan oleh Gartner Group pada pertengahan 1990-an. Namun, seperti yang ditunjukkan oleh sejarah di bagian sebelumnya,
konsep tersebut jauh lebih tua; ini berakar pada sistem pelaporan MIS tahun 1970-an. Selama periode tersebut, sistem pelaporan bersifat
statis, bersifat dua dimensi, dan tidak memiliki kemampuan analitis. Pada awal 1980-an, konsep EIS muncul. Konsep ini memperluas
dukungan terkomputerisasi kepada manajer dan eksekutif tingkat atas. Beberapa kemampuan yang diperkenalkan adalah pelaporan
multidimensi dinamis (ad hoc atau sesuai permintaan), perkiraan dan prediksi, analisis tren, penelusuran ke detail, akses status, dan
faktor penentu keberhasilan. Fitur-fitur ini muncul dalam puluhan dari produk komersial hingga pertengahan 1990-an. Kemudian muncul
kapabilitas yang sama dan beberapa yang baru dengan nama BI. Saat ini, sistem informasi perusahaan berbasis BI yang baik berisi semua
informasi yang dibutuhkan eksekutif. Jadi, konsep awal EIS diubah menjadi BI. Pada tahun 2005, sistem BI mulai memasukkan
kemampuan kecerdasan buatan serta kemampuan analitis yang kuat. Gambar 1.9 mengilustrasikan berbagai alat dan teknik yang
mungkin disertakan dalam sistem BI. Ini menggambarkan evolusi BI juga. Alat yang ditunjukkan pada Gambar 1.9 memberikan
kemampuan BI. Produk BI yang paling canggih mencakup sebagian besar kemampuan ini ; yang lain hanya mengkhususkan diri pada
beberapa di antaranya.
Arsitektur BI
Sistem BI memiliki empat komponen utama: DW , dengan data sumbernya; analitik bisnis , kumpulan alat untuk memanipulasi,
menambang, dan menganalisis data di DW; BPM untuk memantau dan menganalisis kinerja; dan antarmuka pengguna (misalnya,
dasbor ). Hubungan antar komponen ini diilustrasikan pada Gambar 1.10.
Asal Usul dan Pendorong BI

Dari mana pendekatan modern untuk data warehousing dan BI berasal? Apa akar mereka, dan bagaimana akar tersebut memengaruhi
cara organisasi mengelola inisiatif ini saat ini? Hari ini investasi di bidang teknologi informasi berada di bawah peningkatan pengawasan
dalam hal mereka dampak bottom-line dan potensi. Hal yang sama berlaku untuk DW dan aplikasi BI yang memungkinkan inisiatif ini .
Organisasi dipaksa untuk menangkap, memahami, dan memanfaatkan data mereka untuk mendukung pengambilan keputusan guna
meningkatkan operasi bisnis. Legislasi dan regulasi (misalnya, Sarbanes-Oxley Act of 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 padat; Oleh karena itu, pengambilan keputusan
yang lebih cepat, lebih terinformasi, dan lebih baik merupakan keharusan yang kompetitif. Manajer membutuhkan informasi yang tepat
pada waktu dan tempat yang tepat . Inilah mantra untuk pendekatan modern terhadap BI.
GAMBAR 1.9 Evolusi Business Intelligence (BI).
GAMBAR 1.10 A Tingkat Tinggi Arsitektur dari BI. ( Sumber: Berdasarkan pada W. Eckerson, Cerdas Perusahaan di dalam 21 Century. Rahasia
Membuat Bisnis Sukses Cerdas Solusi Data Warehousing Institute, Seattle, WA, 2003, . P 32, Ilustrasi 5.)
Organisasi harus bekerja dengan cerdas. Memperhatikan pengelolaan inisiatif BI merupakan aspek penting dalam menjalankan
bisnis. Maka, tidak mengherankan jika organisasi semakin memperjuangkan BI dan di bawah inkarnasi barunya sebagai analitik. Kasus
Aplikasi 1.1 menggambarkan salah satu aplikasi BI yang telah membantu banyak maskapai penerbangan serta, tentu saja, perusahaan
yang menawarkan layanan tersebut kepada maskapai penerbangan.
Kasus Aplikasi 1.1

Sabre Membantu Kliennya Melalui Dasbor dan Analitik

Sabre adalah salah satu pemimpin dunia dalam industri perjalanan , menyediakan layanan bisnis-ke-konsumen dan juga layanan bisnis-ke-bisnis. Ini melayani
perjalanan, agen perjalanan, perusahaan, dan pemasok perjalanan melalui empat perusahaan utamanya: Travelocity, Sabre Travel Network, Sabre Airline Solutions,
dan Sabre Hospitality Solutions. The bergejolak saat ini lingkungan ekonomi global menimbulkan signifikan kompetitif tantangan untuk industri penerbangan.
Untuk tetap berada di depan dari kompetisi, Sabre Airline Solusi mengakui bahwa alat yang disempurnakan eksekutif maskapai yang dibutuhkan untuk mengelola
keputusan bisnis mereka dengan menghilangkan, manual, proses tradisional memakan waktu dari menggabungkan informasi keuangan dan lainnya yang diperlukan
untuk inisiatif ditindaklanjuti. Hal ini memungkinkan real-time deci- dukungan sion di penerbangan di seluruh dunia untuk memaksimalkan mereka (dan pada
gilirannya Saber) pengembalian informal mation dengan mengemudi wawasan, ditindaklanjuti intelijen, dan nilai untuk pelanggan dari yang tumbuh data.
Sabre mengembangkan Enterprise Travel Data Warehouse (ETDW) menggunakan Teradata untuk menyimpan data reservasi masifnya. ETDW diperbarui
hampir secara real-time dengan batch yang dijalankan setiap 15 menit, mengumpulkan data dari semua bisnis Sabre. Sabre menggunakan ETDW-nya untuk membuat
Dasbor Eksekutif Sabre yang memberikan wawasan eksekutif hampir real-time menggunakan platform Cognos BI dengan Oracle Data Integrator dan infrastruktur
teknologi Oracle Goldengate. Dasbor Eksekutif menawarkan manajer tingkat atas dan pembuat keputusan maskapai klien mereka solusi yang tepat waktu, otomatis,
ramah pengguna, menggabungkan metrik kinerja kritis dengan cara yang ringkas dan memberikan pandangan 360 derajat secara keseluruhan. kesehatan maskapai. Di
satu maskapai penerbangan, Dasbor Eksekutif Sabre memberi manajemen senior gambaran harian dan intraday dari indikator kinerja utama dalam satu aplikasi
menggantikan proses 8 jam sekali dalam seminggu untuk menghasilkan laporan yang sama dari berbagai sumber data. Penggunaan dasbor tidak terbatas pada
pelanggan eksternal; Sabre juga menggunakannya untuk penilaian kinerja operasional internal mereka.
Dasbor membantu pelanggan Sabre untuk memiliki pemahaman yang jelas tentang data melalui tampilan visual yang menggabungkan kemampuan penelusuran
interaktif. Ini menggantikan presentasi datar dan memungkinkan untuk a
gg p g
tinjauan data yang lebih terfokus dengan sedikit usaha dan waktu. Ini dialog tim memfasilitasi dengan membuat data / metrik yang berkaitan dengan penjualan
kinerja yang tersedia untuk banyak pihak, termasuk ticketing, kursi dijual dan diterbangkan, kinerja operasional termasuk yang data pada gerakan penerbangan
dan pelacakan, pelanggan merespons munculnya ervations, persediaan, dan pendapatan di sebuah perusahaan penerbangan berbagai saluran distribusi.
Dashboard sistematis tems menyediakan infrastruktur scalable, grafis pengguna dukungan antarmuka, integrasi data, dan agregasi bahwa para eksekutif
maskapai memberdayakan lebih proac- tive dalam mengambil tindakan yang menyebabkan dampak positif pada kesehatan secara keseluruhan mereka
maskapai.
Dengan ETDW - nya, Sabre juga dapat mengembangkan solusi analitis dan pelaporan berbasis Web lainnya yang memanfaatkan data untuk mendapatkan
wawasan pelanggan melalui analisis profil pelanggan dan interaksi penjualan mereka untuk menghitung nilai pelanggan. Hal ini memungkinkan segmentasi
dan wawasan pelanggan yang lebih baik untuk layanan bernilai tambah .
Q uestions untuk d iscussion

1. Apakah pelaporan tradisional? Bagaimana cara digunakan di dalam organisasi?
2. Bagaimana analisis digunakan untuk mengubah raksasa melewati ditional pelaporan?
3. Bagaimana pelaporan interaktif membantu organisasi dalam pengambilan keputusan?
Yang Dapat Kami Pelajari dari Kasus Aplikasi Ini

Kasus ini menunjukkan bahwa organisasi yang sebelumnya menggunakan pelaporan hanya untuk melacak aktivitas bisnis internal mereka dan memenuhi
persyaratan kepatuhan yang ditetapkan oleh pemerintah kini bergerak menuju menghasilkan intelijen yang dapat ditindaklanjuti dari data bisnis transaksional
mereka. Pelaporan telah menjadi lebih luas sebagai organisasi sekarang mencoba untuk menganalisis dengan data transaksional arsip untuk memahami bawah-
berbaring tersembunyi tren dan pola yang akan memungkinkan mereka untuk membuat keputusan yang lebih baik dengan mendapatkan wawasan ke daerah-
daerah bermasalah dan menyelesaikan mereka untuk mengejar peluang pasar saat ini dan masa depan. Pelaporan telah maju laporan online interaktif, yang
memungkinkan para pengguna untuk tarik dan membangun cepat kustom
melaporkan dan bahkan menyajikan laporan dengan bantuan alat visualisasi yang memiliki kemampuan untuk terhubung ke database, memberikan kemampuan
untuk menggali lebih dalam ke dalam data yang diringkas.
Sumber: Teradata.com, “Sabre Airline Solutions,” Terry, D. (2011), “Sabre Streamlines Decision Making,” http: //www.teradatamaga zine.com/v11n04/Features/Sabre-Streamlines-Decision-Making/
(Diakses Juli 2016).
Latihan Multimedia dalam Business Intelligence

TUN menyertakan video (mirip dengan acara televisi CSI ) untuk mengilustrasikan konsep analitik di berbagai industri. Ini disebut
"Video BSI (Investigasi Skenario Bisnis)". Tidak hanya menghibur, tetapi juga memberi kelas beberapa pertanyaan untuk diskusi.
Sebagai permulaan, silakan kunjungi http://www.teradatauniversitynetwork.com
/ Library / Items / BSI – The-Case-of-the-Misconnecting-Passenger / atau www.youtube.com
/ watch? v = NXEL5F4_aKA. Tonton video yang muncul di YouTube. Pada dasarnya, Anda harus mengambil peran sebagai profesional
pusat layanan pelanggan . Penerbangan masuk terlambat, dan beberapa penumpang kemungkinan besar ketinggalan penerbangan
lanjutan mereka. Ada yang duduk di 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 penerbangan. Keputusan
Anda mungkin berubah saat Anda mempelajari lebih lanjut tentang profil pelanggan tersebut .
Menonton video, pause yang sesuai, dan menjawab pertanyaan-pertanyaan yang pas- Sengers harus diberikan prioritas. Kemudian
lanjutkan video untuk mendapatkan informasi lebih lanjut. Setelah video selesai, Anda dapat melihat slide yang terkait dengan video
ini dan bagaimana analisi sis itu disiapkan pada set slide pada www.slideshare.net/teradata/bsi-how-we-did-it-the
-case-of-the-misconnecting-penumpang.
Ekskursi multimedia ini memberikan contoh bagaimana informasi tambahan yang tersedia melalui DW perusahaan dapat
membantu dalam pengambilan keputusan.
Meskipun beberapa orang menyamakan DSS dengan BI, sistem ini tidak, saat ini, yang sama. Sangat menarik untuk dicatat bahwa
beberapa orang percaya bahwa DSS merupakan bagian dari BI-satu nya alat-alat analisis. Yang lain berpikir bahwa BI adalah kasus
khusus dari DSS yang sebagian besar berhubungan dengan pelaporan, komunikasi, dan kolaborasi (suatu bentuk DSS yang berorientasi
pada data). Penjelasan lain (Watson, 2005) adalah bahwa BI merupakan hasil dari revolusi yang terus menerus, sehingga DSS merupakan
salah satu elemen asli BI . Selanjutnya, seperti yang tercantum dalam bagian berikutnya dan seterusnya, di banyak kalangan BI telah
telah dimasukkan oleh para baru istilah analisis atau data yang ilmu .
Pemrosesan Transaksi versus Pemrosesan Analitik

Untuk menggambarkan karakteristik utama BI, pertama-tama kami akan menunjukkan apa yang bukan BI — yaitu, pemrosesan transaksi.
Kita semua sudah familiar dengan sistem informasi yang mendukung transaksi kita, seperti penarikan ATM , setoran bank, scan mesin
kasir di toko grosir, dan sebagainya. Ini proses transaksi sistem terus-menerus terlibat dalam penanganan update dengan apa yang kita
sebut database operasional . Misalnya, dalam transaksi penarikan ATM , kami perlu mengurangi saldo bank kami; setoran bank
menambah akun; dan pembelian di toko bahan makanan kemungkinan besar tercermin dalam penghitungan toko untuk total penjualan
hari itu, dan seharusnya mencerminkan pengurangan yang sesuai dalam inventaris toko untuk barang yang kita beli, dan seterusnya. Ini
proses transaksi online (OLTP) sistem menangani rutinitas bisnis perusahaan yang sedang berlangsung. Sebaliknya, DW biasanya
merupakan sistem berbeda yang menyediakan penyimpanan untuk data yang akan digunakan untuk analisis . Maksud dari analisis yang
memberikan manajemen kemampuan untuk menjelajahi data untuk informasi tentang bisnis, dan itu dapat menjadi digunakan untuk
memberikan taktis atau operasional keputusan dukungan, dimana, untuk contoh,
personel lini dapat membuat keputusan yang lebih cepat dan / atau lebih tepat. Kami akan memberikan definisi yang lebih teknis dari DW
di Bab 2, tetapi cukup untuk mengatakan bahwa PRT dimaksudkan untuk bekerja dengan data informasi yang digunakan untuk
pengolahan analisis online (OLAP) sistem.
Sebagian besar data operasional dalam sistem perencanaan sumber daya perusahaan (ERP) — dan dalam saudara kandungnya
yang saling melengkapi seperti manajemen rantai pasokan (SCM) atau CRM — disimpan dalam sistem OLTP, yang merupakan jenis
pemrosesan komputer tempat komputer merespons permintaan pengguna dengan segera. Setiap permintaan dianggap sebagai transaksi ,
yang merupakan catatan terkomputerisasi dari peristiwa diskrit, seperti penerimaan inventaris atau pesanan pelanggan. Dengan kata lain,
transaksi memerlukan satu set dua atau lebih pembaruan database yang harus diselesaikan dengan cara semua atau tidak sama sekali .
Desain yang membuat sistem OLTP efisien untuk pemrosesan transaksi membuatnya tidak efisien untuk laporan, kueri, 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 ada yang pernah kembali. Semua permintaan untuk laporan harus diprogram oleh staf
TI, sedangkan hanya laporan "sebelumnya" yang dapat dibuat berdasarkan jadwal, dan permintaan waktu nyata ad hoc hampir tidak
mungkin. Meskipun sistem ERP klien / server-berdasarkan dari tahun 1990-an yang agak lebih ramah-laporan, itu masih menjadi
jauh menangis dari kegunaan yang diinginkan oleh reguler, nonteknis, pengguna akhir untuk hal-hal seperti sebagai pelaporan
operasional, analisis interaktif, dan sebagainya . Untuk mengatasi masalah ini, gagasan DW dan BI diciptakan.
DW berisi berbagai macam data yang menyajikan gambaran yang koheren tentang kondisi bisnis pada satu titik waktu. Idenya
adalah untuk membuat infrastruktur database yang selalu online dan berisi semua informasi dari sistem OLTP, termasuk data historis,
tetapi diatur ulang dan terstruktur sedemikian rupa sehingga cepat dan efisien untuk kueri, analisis, dan dukungan keputusan .
Memisahkan OLTP dari analisis dan dukungan keputusan memungkinkan manfaat BI yang telah dijelaskan sebelumnya.
Perencanaan dan Penyelarasan yang Tepat dengan Strategi Bisnis
Pertama dan f oremost, yang mendasar alasan f atau di v esting di BI harus dapat selaras dengan para perusahaan ' s bisnis st r ateg y . BI
tidak bisa hanya menjadi sebuah teknis e x ercise f atau yang di f o r mation sistem depa r tment. Ini memiliki untuk se r v e sebagai
sebuah w a y untuk mengubah dengan cara di mana para perusahaan condu c ts bisnis b y Tayangan o Ving nya bisnis proses dan t r ans f
o r ming pengambilan keputusan proses untuk menjadi lebih data yang dri v en. Banyak BI konsultan dan p r a c titioners di v ol v ed di
SUC - cessful BI INISIASI v es menyarankan bahwa sebuah f r am e w ork f atau perencanaan adalah suatu necessa r y prasyarat. Satu f
r am e w ork, d e v kawin lari b y Ga r mentega r , Inc (2004), terurai perencanaan dan e x ecution ke bisnis, o r , fungsi , dan
INFRAST r uctu r e komponen. Pada satu busi - ness dan o r ganizational l e v els, st r ategic dan OPE r ational obje c ti v es harus dapat
didefinisikan sementara mempertimbangkan dengan sebuah v ersedia o r ganizational keterampilan untuk achi e v e mereka obje c ti v es
. Isu dari o r ganizational budaya su r pembulatan BI INISIASI v es dan membangun antusiasme f atau mereka INISIASI v es dan
prosedur f atau yang int r a-o r ganizational berbagi dari BI terbaik p r a c tices harus harus dipertimbangkan b y atas manajemen -dengan
rencana di tempat untuk mempersiapkan para o r ganization f atau perubahan. Salah satu dari yang pertama langkah-langkah dalam yang
proses adalah untuk menilai para IS o r ganization, yang keterampilan set dari para calon kelas dari pengguna, dan apakah yang budaya
adalah setuju untuk perubahan. Dari ini penilaian, dan dengan asumsi ada adalah pembenaran dan yang perlu untuk m o v e depan,
sebuah perusahaan dapat mempersiapkan sebuah rinci a c tion rencana. Lain kritis masalah f atau BI implementasi sukses adalah yang
berintegritas r asi dari s e v e r al BI projec ts (paling perusahaan digunakan s e v e r al BI proje c ts) antara themsel v es dan dengan yang
lainnya IT sistem di dalam o r ganization dan nya bisnis pa r tners.
Jika strategi perusahaan selaras dengan alasan inisiatif DW dan BI, dan jika organisasi SI perusahaan dapat atau dapat dibuat
mampu memainkan perannya dalam proyek semacam itu, dan jika komunitas pengguna yang diperlukan sudah ada dan memiliki Dengan
motivasi yang tepat, maka bijaksana untuk memulai BI dan mendirikan BI Competency Center di dalam perusahaan. Pusat dapat
melayani beberapa atau semua fungsi berikut (Gartner, 2004):
• The pusat dapat menunjukkan bagaimana BI jelas terkait dengan strategi dan eksekusi dari strategi.
• Sebuah pusat dapat berfungsi untuk mendorong interaksi antara komunitas pengguna bisnis potensial dan organisasi IS .
• Pusat ini dapat berfungsi sebagai gudang dan penyebar praktik BI terbaik antara dan di antara berbagai lini bisnis.
• Standar keunggulan dalam praktik BI dapat didukung dan didorong di seluruh perusahaan.
• Organisasi SI dapat belajar banyak melalui interaksi dengan komunitas pengguna , seperti pengetahuan tentang berbagai jenis alat
analitis yang dibutuhkan.
• Komunitas bisnis pengguna dan IS organisasi yang lebih baik dapat memahami mengapa DW platform yang harus menjadi
fleksibel cukup untuk memberikan untuk mengubah bisnis persyaratan.
• Ini dapat membantu pemangku kepentingan penting seperti eksekutif tingkat tinggi untuk melihat bagaimana BI dapat memainkan
peran penting .
Faktor keberhasilan penting lainnya dari BI adalah kemampuannya untuk memfasilitasi lingkungan gesit sesuai permintaan secara
real-time, yang diperkenalkan berikutnya.
Real-Time, Sesuai Permintaan BI Dapat Dicapai

Permintaan akan akses cepat dan sesuai permintaan ke informasi yang tersebar telah tumbuh karena kebutuhan untuk menutup
kesenjangan antara data operasional dan tujuan strategis semakin mendesak. Hasilnya, 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 akan BI secara real-time. Sistem BI tradisional menggunakan data statis dalam jumlah besar yang telah
diekstraksi, dibersihkan, dan dimuat ke dalam DW untuk menghasilkan laporan dan analisis. Namun, kebutuhan tidak hanya pelaporan
karena pengguna membutuhkan pemantauan bisnis, analisis kinerja, dan pemahaman tentang mengapa hal-hal itu terjadi. Ini dapat
membantu pengguna, yang perlu mengetahui (secara virtual dalam waktu nyata) 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 waktu nyata ini. Misalnya, aplikasi SCM mungkin secara
otomatis memesan lebih banyak "widget" ketika persediaan waktu nyata berada di bawah ambang tertentu atau ketika aplikasi CRM
secara otomatis memicu perwakilan layanan pelanggan dan petugas kontrol kredit untuk memeriksa pelanggan yang telah menempatkan
sebuah secara online agar lebih besar dari $ 10.000.
Salah satu pendekatan BI real-time menggunakan model DW dari sistem BI tradisional. Dalam kasus ini , produk dari penyedia
platform BI yang inovatif menyediakan solusi berorientasi layanan, hampir real-time yang mengisi DW jauh lebih cepat daripada
pembaruan batch ekstrak / transfer / muat malam biasa (lihat Bab 3). Pendekatan kedua, biasa disebut manajemen aktivitas bisnis
(BAM), diadopsi oleh penyedia perangkat lunak BAM dan / atau BAM-middleware hybrid BAM (seperti Savvion, Iteration Software,
Vitria, webMethods, Quantive, Tibco, atau Vineyard Software). Ini melewati DW sepenuhnya dan menggunakan layanan Web atau cara
pemantauan lainnya untuk menemukan peristiwa bisnis utama. Pemantau perangkat lunak ini (atau agen cerdas ) dapat ditempatkan
pada server terpisah dalam jaringan atau pada database aplikasi transaksional itu sendiri, dan mereka dapat menggunakan pendekatan
berbasis peristiwa dan proses untuk mengukur dan memantau proses operasional secara proaktif dan cerdas .
Mengembangkan atau Memperoleh Sistem BI

Saat ini, banyak vendor menawarkan alat yang beragam, beberapa di antaranya telah diprogram sepenuhnya (disebut shell ); yang harus
Anda lakukan adalah memasukkan nomor Anda. Alat-alat ini dapat dibeli atau disewa. Untuk daftar produk, demo, kertas putih, dan
produk terkini lainnya
informasi, lihat direktori produk di tdwi.org. Pendaftaran pengguna gratis diperlukan. Hampir semua aplikasi BI dibuat dengan shell
yang disediakan oleh vendor yang dapat membuat sendiri solusi kustom untuk klien atau bekerja dengan penyedia outsourcing lain.
Masalah yang dihadapi perusahaan adalah alternatif mana yang harus dipilih: membeli, menyewakan, atau membangun. Masing-masing
alternatif ini memiliki beberapa opsi. Salah satu kriteria utama untuk membuat keputusan adalah pembenaran dan analisis biaya-manfaat.
Pembenaran dan Analisis Biaya-Manfaat

Dengan meningkatnya jumlah aplikasi BI potensial, kebutuhan untuk membenarkan dan memprioritaskannya muncul. Ini bukanlah tugas
yang mudah karena banyaknya manfaat tidak berwujud. Manfaat langsung dan tidak berwujud perlu diidentifikasi. Tentu saja, di sinilah
pengetahuan tentang aplikasi serupa di organisasi lain dan studi kasus sangat berguna. Misalnya, Data Warehousing Institute (tdwi.org)
menyediakan banyak informasi tentang produk dan aplikasi serta implementasi yang inovatif. Informasi tersebut dapat berguna dalam
memperkirakan langsung dan tidak langsung manfaat.
Keamanan dan Perlindungan Privasi

Hal ini merupakan isu yang sangat penting dalam pengembangan sistem terkomputerisasi apapun, khususnya BI yang memuat data yang
mungkin memiliki nilai strategis. Selain itu, privasi karyawan dan pelanggan perlu dilindungi.
Integrasi Sistem dan Aplikasi

Dengan para pengecualian dari beberapa kecil aplikasi, semua BI aplikasi harus dapat diintegrasikan dengan lainnya sistem seperti sebagai
database, warisan sistem, perusahaan sistem (terutama ERP dan CRM), e-commerce (sell side, beli sisi), dan banyak lagi. Di samping itu,
BI aplikasi yang usu- sekutu terhubung ke dalam internet dan banyak kali untuk informasi sistem dari bisnis mitra. Selain itu, BI alat
kadang-kadang perlu untuk secara terintegrasi antara mereka sendiri, menciptakan sinergi. The Kebutuhan untuk integrasi mendorong
software vendor untuk terus menambahkan capabili- ikatan untuk mereka produk. Pelanggan yang membeli sebuah all-in-satu perangkat
lunak paket kesepakatan dengan hanya satu penjual dan jangan tidak memiliki untuk berurusan dengan sistem konektivitas. Namun, mereka
mungkin kehilangan file
keuntungan dari menciptakan sistem yang terdiri dari komponen "terbaik dari jenisnya".
BAGIAN 1.4 PERTANYAAN TINJAUAN

1. Definisikan BI .
2. Sebutkan dan jelaskan komponen utama BI.
3. Tentukan OLTP .
4. Definisikan OLAP .
5. Daftar beberapa dari para implementasi topik dibahas oleh Gartner laporan.
6. Sebutkan beberapa faktor keberhasilan BI lainnya.
1.5
Ringkasan Analytics
Kata analitik telah banyak menggantikan komponen individu sebelumnya dari teknologi pendukung keputusan terkomputerisasi yang
telah tersedia di bawah berbagai label di masa lalu. Memang, banyak praktisi dan akademisi sekarang menggunakan kata analitik sebagai
pengganti BI. Meskipun banyak penulis dan konsultan telah mendefinisikannya sedikit berbeda, seseorang dapat melihat analitik sebagai
proses mengembangkan keputusan atau rekomendasi yang dapat ditindaklanjuti untuk tindakan berdasarkan wawasan yang dihasilkan
dari data historis. Menurut Lembaga Riset Operasi dan Manajemen Ilmu (menginformasikan), analisis merupakan yang kombinasi dari
teknologi komputer, teknik ilmu manajemen, dan statistik untuk memecahkan masalah nyata. Tentu saja, banyak organisasi lain telah
mengusulkan interpretasi dan motivasi mereka sendiri untuk analitik. Misalnya, SAS Institute Inc. mengusulkan delapan tingkat analitik
yang dimulai dengan laporan standar dari sistem komputer. Laporan ini pada dasarnya memberikan gambaran tentang apa yang terjadi
dengan suatu organisasi. Teknologi tambahan telah memungkinkan kami untuk membuat lebih banyak laporan yang disesuaikan yang
dapat dibuat secara ad hoc . Ekstensi pelaporan berikutnya membawa kita ke kueri tipe OLAP yang memungkinkan pengguna untuk
menggali lebih dalam dan menentukan sumber perhatian atau peluang tertentu. Teknologi yang tersedia saat ini juga dapat secara
otomatis mengeluarkan peringatan untuk pengambil keputusan ketika kinerja membutuhkan peringatan tersebut. Di tingkat konsumen,
kami melihat peringatan seperti itu untuk cuaca atau masalah lainnya. Tetapi peringatan serupa juga dapat dibuat dalam pengaturan
tertentu ketika penjualan turun di atas atau di bawah tingkat tertentu dalam periode waktu tertentu atau ketika persediaan untuk produk
tertentu menipis. Semua aplikasi ini dimungkinkan melalui analisis dan kueri tentang data yang dikumpulkan oleh suatu organisasi.
Tingkat analisis berikutnya mungkin memerlukan analisis statistik untuk lebih memahami pola. Ini kemudian dapat diambil selangkah
lebih maju untuk mengembangkan perkiraan atau model untuk memprediksi bagaimana pelanggan mungkin menanggapi kampanye
pemasaran tertentu atau penawaran layanan / produk yang sedang berlangsung. Ketika sebuah organisasi memiliki pandangan yang baik
tentang apa yang terjadi dan apa yang mungkin terjadi, organisasi juga dapat menggunakan teknik lain untuk membuat keputusan terbaik
dalam situasi tersebut. Delapan tingkat analitik ini dijelaskan secara lebih rinci dalam kertas putih oleh SAS
(sas.com/news/sascom/analytics_levels.pdf ).
Ide dari mencari di semua data yang untuk memahami apa yang terjadi, apa yang akan terjadi, dan bagaimana untuk membuat yang
terbaik dari itu juga telah dikemas oleh menginformasikan di mengusulkan tiga tingkat dari analisis. Ketiga tingkatan ini diidentifikasi
(informs.org/Community/Analytics) sebagai deskriptif, prediktif, dan preskriptif. Gambar 1.11 hadiah sebuah tampilan grafis dari ketiga
tingkat dari analisis. Ini menunjukkan bahwa ketiga adalah langkah agak independen dan satu jenis dari aplikasi analisis mengarah ke yang
lain. Ini juga menunjukkan bahwa ada yang benar-benar beberapa tumpang tindih di tiga jenis dari analisis. Dalam kedua kasus, yang sifat
saling dari berbagai jenis dari analisis aplikasi adalah jelas. Kami selanjutnya memperkenalkan ini tiga tingkat dari analisis.
Apa yang terjadi? Apa Apa yang akan Apa yang harus saya
yang terjadi? terjadi? Mengapa ini lakukan? Mengapa
terjadi? saya harus
melakukannya?
Kartu Skor Dasbor Penambangan Optimasi Simulasi
pelaporan bisnis data Pemodelan
Penyimpanan data Penambangan Keputusan Sistem
teks Pakar
Peramalan
penambangan web
/ media
Masalah dan Proyeksi akurat Keputusan dan
peluang bisnis yang tentang peristiwa tindakan bisnis
terdefinisi dengan dan hasil di masa terbaik
baik depan
GAMBAR 1.11 Tiga Jenis Analisis.
Analisis Deskriptif
Deskriptif (atau pelaporan) analisis mengacu ke mengetahui apa yang terjadi di dalam organisasi dan memahami beberapa tren
yang mendasari dan penyebab dari rences occur- tersebut. Pertama, ini melibatkan konsolidasi dari sumber data dan ketersediaan dari
semua data yang relevan dalam bentuk yang memungkinkan sesuai pelaporan dan analisis. Biasanya, para pengembangan dari data
ini infrastruktur adalah bagian dari PRT. Dari data ini infrastruktur kita dapat mengembangkan sesuai laporan, query, peringatan, dan
tren menggunakan berbagai pelaporan alat dan teknik.
Teknologi penting yang telah menjadi pemain kunci di bidang ini adalah visualisasi. Dengan menggunakan alat visualisasi terbaru
di pasar, kami sekarang dapat mengembangkan wawasan yang kuat dalam operasi organisasi kami. Kasus Aplikasi 1.2 dan 1.3 menyoroti
beberapa aplikasi semacam itu. Rendering warna visualisasi dibahas dalam aplikasi ini tersedia secara online atau dengan buku
pendamping Web situs (dssbibook.com).
Kasus Aplikasi 1.2

Silvaris Meningkatkan Bisnis dengan Analisis Visual dan Kemampuan Pelaporan Real-Time

Silvaris Corporation didirikan pada tahun 2000 oleh tim profesional industri kehutanan untuk memberikan kemajuan teknologi di sektor kayu dan bahan bangunan.
Silvaris adalah platform e-commerce pertama di Amerika Serikat khusus untuk produk hutan dan berkantor pusat di Seattle, Washington. Ini adalah penyedia grosir
terkemuka produk kayu industri dan bahan bangunan surplus .
Silvaris menjual produknya dan menyediakan layanan logistik internasional kepada lebih dari 3.500 pelanggan. Untuk mengelola berbagai proses yang terlibat
dalam suatu transaksi, mereka menciptakan proprietary secara online trading platform untuk melacak aliran informasi yang berkaitan dengan transaksi antara
pedagang, akuntansi, kredit, dan logistik. Ini memungkinkan Silvaris untuk membagikan informasi real-time-nya dengan pelanggan dan mitranya. Namun karena
harga berubah dengan cepat dari bahan, itu menjadi perlu untuk Silvaris untuk mendapatkan real-time tampilan data tanpa memindahkan data ke dalam ing laporan-
terpisah Format.
Silvaris mulai menggunakan Tableau karena yang kemampuan untuk terhubung dengan dan memvisualisasikan data hidup. Karena dasbor yang dibuat oleh
Tableau mudah dipahami dan dijelaskan, Silvaris mulai menggunakan Tableau untuk tujuan pelaporan. Ini membantu Silvaris mendapatkan informasi dengan cepat
dari data dan mengidentifikasi masalah yang memengaruhi bisnis mereka. Silvaris berhasil mengelola online versus perintah secara offline dengan yang bantuan dari
laporan yang dihasilkan oleh Tableau. Sekarang,
Silvaris melacak pesanan online yang dilakukan oleh pelanggan dan mengetahui kapan harus mengirimkan dorongan pembaruan kepada pelanggan agar
mereka tetap membeli secara online. Selain itu, analis Silvaris dapat menghemat waktu dengan membuat dasbor daripada menulis ratusan halaman laporan
dengan menggunakan Tableau.

1. Apa tantangan yang dihadapi Silvaris?
2. Bagaimana Silvaris memecahkan masalahnya menggunakan visualisasi data dengan Tableau?

Banyak industri perlu menganalisis data secara real time. Analisis waktu nyata memungkinkan analis untuk mengidentifikasi masalah yang memengaruhi
bisnis mereka. Visualisasi adalah kadang-kadang yang terbaik cara untuk memulai menganalisis data stream hidup. Tableau adalah salah satu alat visualisasi
data yang memiliki kemampuan untuk menganalisis data langsung tanpa membawa data langsung ke dalam format pelaporan yang terpisah.
Sumber: Tableau.com, “Silvaris Augments Proprietary Technology Platform with Tableau Real-Time Reporting Capabilities,” http://www.tableau.com/sites/default/files/case-studies/silvaris-
business-dashboards_0.pdf (diakses Juli 2016); Silvaris.com, “Overview,” http://www.silvaris.com/About/ (diakses Juli 2016).
Kasus Aplikasi 1.3

Siemens Mengurangi Biaya dengan Penggunaan Visualisasi Data

Siemens adalah perusahaan Jerman yang berkantor pusat di Berlin, Jerman. Ini adalah salah satu terbesar di dunia com- haan berfokus pada bidang elektrifikasi,
auto mation, dan digitalisasi. Ini memiliki pendapatan tahunan sebesar 76 miliar euro.
Grup analitik visual dari Siemens ditugaskan dengan solusi pelaporan ujung-ke-ujung dan konsultasi untuk semua kebutuhan internal BI Siemens. Grup ini
menghadapi tantangan dalam memberikan solusi pelaporan kepada seluruh organisasi Siemens di berbagai departemen sambil menjaga keseimbangan antara
kemampuan tata kelola dan swalayan. Siemens membutuhkan platform yang bisa menganalisis beberapa kasus mereka dari survei kepuasan pelanggan, logistik
pro cesses, dan pelaporan keuangan. Platform ini harus mudah digunakan oleh karyawan mereka sehingga mereka dapat menggunakan data ini untuk analisis dan
pengambilan keputusan. Di samping itu, platform harus mudah diintegrasikan dengan sistem Siemens yang ada dan karyawan memberi sebuah mulus pengguna
pengalaman.
Mereka mulai menggunakan Dundas BI, penyedia BI global dan solusi visualisasi data. Ini memungkinkan Siemens untuk membuat dasbor yang sangat
interaktif yang memungkinkan Siemens mendeteksi masalah lebih awal dan dengan demikian menghemat sejumlah besar uang. The dashboard yang
dikembangkan oleh Dundas BI membantu Siemens
organisasi logistik global menjawab pertanyaan seperti bagaimana tingkat pasokan yang berbeda di lokasi yang berbeda memengaruhi operasi, sehingga membantu
mereka mengurangi waktu siklus sebesar 12% dan biaya sisa sebesar 25%.

1. Tantangan apa yang dihadapi oleh kelompok analisis visual Siemens ?
2. Bagaimana alat visualisasi data Dundas BI membantu Siemens dalam mengurangi biaya?

Banyak organisasi menginginkan alat yang dapat digunakan untuk menganalisis data dari berbagai divisi. Alat ini dapat membantu mereka meningkatkan kinerja
dan membuat penemuan data menjadi transparan bagi pengguna mereka sehingga mereka dapat mengidentifikasi masalah dalam bisnis dengan mudah.
Sumber: Dundas.com, “Bagaimana Siemens Mengurangi Biaya Secara Drastis dengan Aplikasi BI yang Dikelola ,” http://www.dundas.com/resource
/ getcasestudy? caseStudyName = 09-03-2016-Siemens% 2FDundas
-BI-Siemens-Case-Study.pdf (diakses Juli 2016); Wikipedia.org, “SIEMENS,” https://en.wikipedia.org/wiki/Siemens (diakses Juli 2016); Siemens.com, “Tentang Siemens,” http: //www.siemens. com /
about / en / (diakses Juli 2016).
Analisis Prediktif
Analisis prediktif bertujuan untuk menentukan apa yang mungkin terjadi di masa depan. Analisis ini didasarkan pada teknik statistik
serta teknik lain yang lebih baru dikembangkan yang termasuk dalam kategori umum data mining . Tujuan dari teknik ini adalah untuk
dapat memprediksi apakah pelanggan cenderung beralih ke pesaing ("churn"), apa yang kemungkinan besar pelanggan akan beli
selanjutnya dan berapa banyak, promosi apa yang akan ditanggapi pelanggan, apakah ini risiko nasabah adalah kredit, dan sebagainya.
Sejumlah teknik digunakan dalam mengembangkan aplikasi analitik prediktif, termasuk berbagai algoritme klasifikasi. Misalnya, seperti
yang dijelaskan dalam Bab 4 dan 5, kita dapat menggunakan teknik klasifikasi seperti regresi logistik, model pohon keputusan, dan
jaringan saraf untuk memprediksi seberapa baik film akan berhasil di box office. Kami juga dapat menggunakan algoritme
pengelompokan untuk menyegmentasikan pelanggan ke dalam kluster yang berbeda agar dapat menargetkan promosi tertentu kepada
mereka. Akhirnya, kita dapat menggunakan teknik penambangan asosiasi untuk memperkirakan hubungan antara perilaku pembelian
yang berbeda. Artinya, jika pelanggan membeli satu produk, apa lagi yang kemungkinan besar akan dibeli pelanggan? Analisis tersebut
dapat membantu pengecer dalam merekomendasikan atau pro Moting produk terkait. Misalnya, setiap pencarian produk di Amazon.com
menghasilkan pengecer yang juga menyarankan produk serupa lainnya yang mungkin diminati pelanggan. Kami akan mempelajari teknik
ini dan aplikasinya di Bab 3 hingga 6. Kasus Aplikasi 1.4 mengilustrasikan satu aplikasi semacam itu dalam olahraga .
Kasus Aplikasi 1.4

Menganalisis Cedera Atletik
Setiap aktivitas atletik rentan terhadap cedera. Jika cederanya tidak ditangani dengan baik, maka tim akan menderita. Menggunakan analitik untuk memahami cedera
dapat membantu memperoleh wawasan berharga yang akan memungkinkan pelatih dan dokter tim untuk mengelola komposisi tim, memahami profil pemain, dan
pada akhirnya membantu dalam pengambilan keputusan yang lebih baik mengenai pemain mana yang mungkin tersedia untuk bermain pada waktu tertentu.
Dalam sebuah studi eksplorasi, Oklahoma State University menganalisis cedera olahraga terkait sepak bola Amerika dengan menggunakan pelaporan dan
analitik prediktif. Proyek ini mengikuti metodologi CRISP-DM (akan dijelaskan pada Bab 4) untuk memahami dengan masalah membuat rekomendasi pada
pengelolaan cedera, memahami berbagai elemen data dikumpulkan tentang luka, membersihkan data, mengembangkan visualisasi untuk menarik berbagai
kesimpulan, membangun PMS untuk menganalisis periode waktu penyembuhan cedera, dan menggambar aturan urutan untuk memprediksi hubungan antara cedera
dan berbagai bagian tubuh yang terkena cedera.
Kumpulan data cedera terdiri dari lebih dari 560 catatan cedera sepak bola, yang dikategorikan ke dalam variabel khusus cedera — bagian tubuh / situs /
lateralitas, tindakan yang diambil, tingkat keparahan, jenis cedera, tanggal mulai dan penyembuhan cedera — dan variabel khusus pemain / olahraga - ID pemain,
posisi bermain, aktivitas, onset, dan lokasi game . Waktu penyembuhan dihitung untuk setiap record, yang diklasifikasikan ke dalam set yang berbeda dari periode
waktu: 0-1 bulan, 1-2 bulan, 2-4 bulan,
4–6 bulan, dan 6–24 bulan.
Berbagai visualisasi dibuat untuk menarik kesimpulan dari informasi set data cedera yang menggambarkan periode waktu penyembuhan yang terkait dengan
posisi pemain , tingkat keparahan cedera dan periode waktu penyembuhan, perawatan yang ditawarkan dan periode waktu penyembuhan terkait, cedera besar yang
menimpa bagian tubuh, dan lain sebagainya.
Model jaringan saraf dibangun untuk pra dict masing-masing kategori penyembuhan menggunakan IBM SPSS Modeler. Beberapa variabel prediktor adalah
status cedera saat ini, tingkat keparahan, bagian tubuh, lokasi tubuh, jenis cedera, aktivitas, lokasi acara, tindakan yang diambil, dan posisi yang dimainkan.
Keberhasilan klasifikasi kategori penyembuhan cukup baik: Akurasi 79,6% persen. Berdasarkan analisis, banyak rekomendasi bisnis yang disarankan,
termasuk mempekerjakan lebih banyak masukan spesialis dari awal cedera daripada membiarkan staf ruang pelatihan menyaring pemain yang cedera; melatih
pemain pada posisi bertahan untuk menghindari cedera; dan menerapkan praktik untuk mekanisme pemeriksaan keamanan secara menyeluruh.

1. Jenis analisis apa yang diterapkan dalam analisis cedera ?
2. Bagaimana bantuan visualisasi dalam memahami dengan data dan memberikan wawasan ke dalam data?
3. Apakah masalah klasifikasi itu ?
4. Apa yang bisa diturunkan dengan melakukan analisis urutan?

Untuk setiap proyek analitik, selalu penting untuk memahami domain bisnis dan keadaan masalah bisnis saat ini melalui analisis yang ekstensif dari satu-
satunya sumber daya — data historis . Visualisasi sering kali memberikan alat yang hebat untuk mendapatkan wawasan awal tentang data, yang selanjutnya
dapat disempurnakan berdasarkan pendapat ahli untuk mengidentifikasi kepentingan relatif dari elemen data yang terkait dengan masalah. Visualisasi juga
membantu dalam menghasilkan ide untuk masalah yang tidak jelas, yang dapat dikejar dalam membangun PM yang dapat membantu organisasi dalam
pengambilan keputusan.
Sumber: Sharda, R., Asamoah, D., & Ponna, N. (2013). “Riset dan Pedagogi dalam Analisis Bisnis: Peluang dan Contoh Ilustratif”. Jurnal Komputer dan Teknologi Informasi , 21 (3), 171–182.
Analisis Preskriptif
Kategori analitik ketiga disebut analitik preskriptif . Tujuan dari analitik preskriptif adalah untuk mengenali apa yang sedang terjadi
serta kemungkinan perkiraan dan membuat keputusan untuk mencapai kinerja terbaik. Kelompok ini teknik secara historis dipelajari di
bawah ini payung dari OR atau manajemen ilmu dan yang umumnya bertujuan
dalam mengoptimalkan kinerja sistem. Tujuannya di sini adalah untuk memberikan keputusan atau suatu rekomendasi untuk tindakan
tertentu. Rekomendasi ini bisa dalam bentuk sebuah spesifik ya / tidak ada keputusan untuk masalah, jumlah tertentu (misalnya, harga
untuk item tertentu atau tiket pesawat ke biaya), atau satu set lengkap rencana produksi. Keputusan dapat disajikan kepada pembuat
keputusan dalam laporan atau dapat digunakan secara langsung dalam sistem aturan keputusan otomatis (misalnya, dalam sistem harga
maskapai penerbangan). Dengan demikian, jenis analitik ini juga dapat disebut analitik keputusan atau analitik normatif . Aplikasi
Kasus 1.5 memberikan contoh seperti pra aplikasi analitik scriptive. Kita akan mempelajari beberapa aspek analitik preskriptif di Bab 6.
Analytics Diterapkan ke Domain Berbeda

Aplikasi analitik di berbagai sektor industri telah melahirkan banyak bidang terkait atau setidaknya kata kunci. Hampir menjadi mode
untuk melampirkan analisis kata ke industri atau jenis data tertentu. Selain kategori umum dari teks analisis-bertujuan untuk
mendapatkan nilai keluar dari teks (untuk harus dipelajari dalam Bab 5) -atau Web analytics-analisis Web Data
Kasus Aplikasi 1.5

Perusahaan Batang Baja Khusus Menggunakan Analisis untuk Menentukan Tanggal Tersedia untuk Menjanjikan

Kasus aplikasi ini didasarkan pada proyek yang menyertakan salah satu dari kami. Sebuah perusahaan yang tidak ingin mengungkapkan namanya (atau bahkan
industri persisnya) menghadapi masalah besar dalam membuat keputusan tentang persediaan bahan mentah mana yang akan digunakan untuk memuaskan
pelanggan mana. Perusahaan ini memasok batangan baja yang dikonfigurasi khusus untuk pelanggannya. Batang - batang ini dapat dipotong menjadi bentuk atau
ukuran tertentu dan mungkin memiliki bahan dan persyaratan finishing yang unik . Perusahaan memperoleh bahan mentah dari seluruh dunia dan menyimpannya
di gudang. Ketika suatu calon pelanggan panggilan perusahaan untuk meminta penawaran untuk bar khusus memenuhi kebutuhan rial spesifik mate- (komposisi,
asal dari logam, kualitas, bentuk, ukuran, dll), tenaga penjual biasanya memiliki hanya sedikit waktu untuk menyerahkan penawaran harga termasuk tanggal
pengiriman produk dan, tentu saja, harga, dan sebagainya. Itu harus membuat keputusan tersedia-untuk-janji (ATP) , yang menentukan secara real time tanggal
ketika dapat menjanjikan pengiriman produk yang diminta pelanggan selama tahap penawaran. Sebelumnya, seorang tenaga penjual harus mengambil keputusan
tersebut dengan menganalisis laporan persediaan bahan baku yang tersedia. Beberapa dari bahan baku yang tersedia mungkin sudah telah berkomitmen untuk
perintah lain pelanggan. Jadi , persediaan yang ada mungkin bukan persediaan gratis yang tersedia. Di sisi lain, mungkin ada bahan baku yang diharapkan akan
dikirim dalam waktu dekat yang juga dapat digunakan untuk memenuhi pesanan.
dari calon pelanggan ini. Akhirnya, bahkan mungkin ada peluang untuk menagih premi untuk pesanan baru dengan menggunakan kembali inventaris yang
berkomitmen sebelumnya untuk memenuhi pesanan baru ini sambil menunda pesanan yang sudah berkomitmen. Tentu saja, keputusan seperti itu harus
didasarkan pada analisis biaya-manfaat dari penundaan pesanan sebelumnya. Sistem harus demikian dapat menarik data real-time tentang persediaan, com-
perintah mitted, bahan baku yang masuk, kendala produksi, dan sebagainya pada.
Untuk mendukung ini ATP keputusan, sebuah real-time DSS dikembangkan untuk menemukan sebuah tugas yang optimal dari para persediaan yang tersedia
dan untuk mendukung apa-jika analisis tambahan. DSS menggunakan suite mixed-integer pro model gramming yang diselesaikan dengan menggunakan perangkat
lunak komersial. Perusahaan ini telah dimasukkan dalam DSS ke dalam sistem perencanaan sumber daya perusahaan untuk seam- lessly memudahkan
penggunaannya bisnis analisis.

1. Mengapa akan realokasi dari persediaan dari satu cus- Tomer yang lain menjadi masalah besar untuk diskusi?
2. Bagaimana bisa sebuah DSS bantuan membuat ini keputusan?
Sumber: Pajouh Foad, M., Xing, D., Hariharan, S., Zhou, Y., Balasundaram, B., Liu, T., & Sharda, R. (2013). “Tersedia untuk Dijanjikan dalam Praktik: Aplikasi Analisis dalam Industri Produk Batang
Baja Khusus.” Antarmuka , 43 (6), 503–517. http: // dx.doi.org/10.1287/inte.2013.0693 (diakses Juli 2016).
stream (juga dalam Bab 5) -banyak industri- atau masalah spesifik analisis profesi / sungai telah telah dikembangkan. Contoh dari seperti
daerah yang pemasaran analisis, analisis ritel, analisis penipuan, analisis transportasi, analisis kesehatan, analisis olahraga, analisis bakat,
analisis perilaku, dan sebagainya. Misalnya, Bagian 1.1 memperkenalkan frasa analisis olahraga . Kasus Aplikasi 1.1 juga bisa disebut
studi kasus dalam analitik maskapai penerbangan. Berikutnya bagian akan memperkenalkan kesehatan analisis dan pasar analisis luas.
Secara harfiah, setiap analisis sistematis data di sektor tertentu diberi label sebagai analitik "(isi-kosong)". Meskipun hal ini dapat
mengakibatkan konsep analitik terlalu banyak dijual, manfaatnya adalah lebih banyak orang di industri tertentu yang menyadari kekuatan
dan potensi analitik. Ini juga memberikan fokus kepada para profesional yang mengembangkan dan menerapkan konsep analitik di
sektor vertikal. Meskipun banyak teknik untuk mengembangkan aplikasi analitik mungkin umum, ada masalah unik dalam setiap segmen
vertikal yang memengaruhi cara data dikumpulkan, diproses, dianalisis, dan aplikasi diterapkan. Dengan demikian, diferensiasi analitik
berdasarkan fokus vertikal bagus untuk pertumbuhan disiplin ilmu secara keseluruhan .
Analisis atau Ilmu Data?

Bahkan ketika konsep analitik menerima lebih banyak perhatian di kalangan industri dan akademis, istilah lain telah diperkenalkan dan
menjadi populer. Istilah baru adalah ilmu data . Dengan demikian, para praktisi dari data yang ilmu yang Data ilmuwan. D. J. Patil dari
LinkedIn terkadang dikreditkan dengan menciptakan istilah ilmu data . Ada terjadi beberapa upaya untuk menggambarkan para
perbedaan antara data yang analis dan data yang ilmuwan (misalnya, lihat emc.com/collateral/about/news/emc-data-science-study-wp.pdf
). Salah satu pandangan adalah bahwa data yang Analis adalah hanya lain istilah untuk para profesional yang sedang melakukan BI di
dalam bentuk dari kompilasi data, pembersihan, pelaporan, dan mungkin beberapa visualisasi. Mereka keterampilan set termasuk Excel,
beberapa pengetahuan SQL, dan pelaporan. Anda akan mengenali kemampuan tersebut sebagai analisis deskriptif atau pelaporan.
Sebaliknya, data scientist bertanggung jawab atas analisis prediktif, analisis statistik , dan perangkat serta algoritme analisis yang lebih
canggih . Mereka mungkin memiliki pengetahuan yang lebih dalam tentang algoritme dan mungkin mengenalinya dengan berbagai label
— penambangan data, penemuan pengetahuan, atau pembelajaran mesin. Beberapa profesional mungkin juga perlu lebih dalam
pemrograman pengetahuan untuk dapat menulis kode untuk data yang membersihkan / analisis di saat Web berorientasi bahasa seperti
sebagai Java atau Python dan bahasa statistik seperti sebagai R. Banyak analisis profesional juga perlu untuk membangun signifikan
keahlian dalam pemodelan statistik , eksperimen, dan analisis. Sekali lagi, pembaca kami harus menyadari bahwa ini termasuk dalam
payung analitik prediktif dan preskriptif. Namun, analitik pra-skrip juga mencakup keahlian yang lebih signifikan dalam ATAU termasuk
pengoptimalan, simulasi, analisis keputusan , dan sebagainya . Mereka yang menutupi ini bidang yang lebih cenderung disebut para
ilmuwan Data dari analisis profesional.
Pandangan kami adalah bahwa perbedaan antara analisis dan ilmuwan data lebih dari satu tingkat pengetahuan dan keterampilan
teknis set dari fungsi. Ini mungkin juga lebih merupakan perbedaan lintas disiplin ilmu. Ilmu komputer, statistik, dan program
matematika terapan tampaknya lebih memilih label ilmu data, sehingga label analitik disimpan untuk profesional yang lebih berorientasi
bisnis . Sebagai contoh lain dari ini, para ahli fisika terapan telah mengusulkan penggunaan ilmu jaringan sebagai istilah untuk
mendeskripsikan analitik yang berhubungan dengan sekelompok orang — jaringan sosial, jaringan rantai pasokan, dan sebagainya. Lihat
http: // barabasi.com/networksciencebook/ untuk buku teks yang berkembang tentang topik ini .
Selain perbedaan yang jelas dalam kumpulan keahlian profesional yang hanya perlu melakukan analitik deskriptif / pelaporan
versus mereka yang terlibat dalam ketiga jenis analitik, perbedaannya tidak jelas antara kedua label, paling banter. Kami mengamati
bahwa lulusan program analitik kami cenderung bertanggung jawab untuk tugas-tugas yang lebih sejalan dengan profesional ilmu data
(sebagaimana didefinisikan oleh beberapa kalangan) daripada hanya melaporkan analitik. Buku ini jelas
ditujukan pada memperkenalkan yang kemampuan dan fungsi dari semua analisis (yang mencakup ilmu data), tidak hanya melaporkan
analisis. Mulai sekarang , kami akan menggunakan istilah - istilah ini secara bergantian.

1. Tentukan analitik .
2. Apakah analisis deskriptif itu? Apa sajakah alat yang digunakan dalam analitik deskriptif ?
3. Bagaimana adalah deskriptif analisis yang berbeda dari tradisional pelaporan?
4. Apa adalah sebuah DW? Bagaimana bisa Data pergudangan teknologi bantuan untuk memungkinkan analisis?
5. Apa itu analitik prediktif ? Bagaimana organisasi dapat menggunakan analitik prediktif ?
6. Apa itu analitik preskriptif? Jenis masalah apa yang dapat diselesaikan dengan analitik preskriptif?
7. Tentukan pemodelan dari perspektif analitik .
8. Apakah sebaiknya mengikuti hierarki analitik deskriptif dan prediktif sebelum menerapkan analitik preskriptif ?
9. Bagaimana analitik dapat membantu dalam pengambilan keputusan yang obyektif ?
1.6 Contoh Analytics di Domain yang Dipilih

Anda akan melihat contoh aplikasi analitik di berbagai bab. Itulah salah satu dari yang pendekatan utama (exposure) dari buku ini. Di
bagian ini, kami menyoroti dua area aplikasi — perawatan kesehatan dan ritel, di mana aplikasi dan keberhasilannya paling banyak
dilaporkan .
Aplikasi Analisis dalam Perawatan Kesehatan — Contoh Humana

Meskipun analisis kesehatan span berbagai macam aplikasi dari pencegahan ke nosis diag- untuk operasi yang efisien dan penipuan
pencegahan, kita fokus pada beberapa aplikasi yang telah telah dikembangkan pada asuransi kesehatan utama perusahaan, Humana.
Menurut kepada perusahaan Web site, “The perusahaan strategi terintegrasi peduli pengiriman, yang anggota pengalaman, dan wawasan
klinis dan konsumen untuk mendorong keterlibatan, perilaku perubahan, proaktif penjangkauan klinis dan kesehatan. “ Pencapaian tujuan
strategis ini mencakup investasi yang signifikan
dalam teknologi informasi pada umumnya, dan analitik pada khususnya. Brian LeClaire adalah wakil presiden senior dan CIO Humana,
penyedia asuransi kesehatan besar di Amerika Serikat. Dia memiliki gelar PhD di MIS dari Oklahoma State University. Dia telah
memperjuangkan analitik sebagai pembeda kompetitif di Humana — termasuk mensponsori pembuatan pusat keunggulan dalam
analitik. Dia menggambarkan proyek berikut sebagai contoh inisiatif analitik Humana, yang dipimpin oleh Chief Clinical Analytics
Officer Humana, Vipin Gopal.
Contoh 1: Mencegah Jatuh pada Populasi Lansia— Pendekatan Analitik
Terjatuh yang tidak disengaja adalah risiko kesehatan utama bagi orang dewasa berusia 65 tahun ke atas dengan sepertiganya
1
mengalami jatuh setiap tahun. Terjun juga faktor utama untuk kedua cedera fatal dan nonfatal pada orang dewasa yang lebih
2
tua, dengan jatuh merugikan meningkatkan risiko dari cacat oleh up to 50%. The biaya dari jatuh menimbulkan sebuah
signifikan ketegangan pada
1
http://www.cdc.gov/homeandrecreationalsafety/falls/adultfalls.html.
2
Gill, T. M., Murphy, T. E., Gahbauer, E. A., dkk . (2013). Asosiasi dari merugikan jatuh dengan disabil- ity hasil dan penerimaan rumah jompo di
masyarakat hidup orang tua. American Journal of Epidemiology, 178 (3), 418-425.
1
sistem perawatan kesehatan AS, dengan kerugian langsung diperkirakan mencapai $ 34 miliar pada tahun 2013 saja.
Dengan persentase lansia di populasi AS yang meningkat, penurunan dan biaya terkait diantisipasi akan meningkat. Menurut
Pusat Pengendalian dan Pencegahan Penyakit (CDC), "Jatuh adalah masalah kesehatan masyarakat yang sebagian besar
1
dapat dicegah."
Humana adalah penyedia manfaat Medicare Advantage terbesar kedua di negara dengan sekitar 3,2 juta anggota, yang
sebagian besar adalah manula. Menjaga anggota senior mereka dengan baik dan membantu mereka hidup dengan aman di
mereka rumah adalah tujuan bisnis utama, yang pencegahan jatuh adalah penting com- ponent. Namun, tidak ada metodologi
yang ketat tersedia untuk mengidentifikasi individu yang paling mungkin jatuh, yang upaya pencegahan jatuh akan
bermanfaat. Tidak seperti kondisi medis kronis seperti diabetes dan kanker, jatuh bukanlah kondisi medis yang terdefinisi
dengan baik. Selain itu, jatuh biasanya tidak dilaporkan dalam data klaim karena dokter biasanya cenderung memberi kode
konsekuensi jatuh seperti patah tulang dan dislokasi. Meskipun ada banyak penilaian yang dilakukan secara klinis untuk
mengidentifikasi para penebang, mereka memiliki jangkauan yang terbatas dan kurangnya kekuatan pencegahan yang
3
memadai. Karena itu, ada kebutuhan untuk calon dan akurat metode untuk mengidentifikasi individu yang berisiko terbesar
jatuh, sehingga mereka dapat dikelola secara proaktif untuk pencegahan jatuh. Tim analitik Humana melakukan
pengembangan Model Prediktif Terjun dalam konteks ini. Ini adalah PM komprehensif pertama melaporkan bahwa
memanfaatkan medis dan farmasi klaim administrasi, data klinis, pola klinis temporal, informasi konsumen, dan data lain
untuk iDEN- tifikasi individu di tinggi risiko dari jatuh lebih dalam waktu cakrawala.
Saat ini, PM Air Terjun sangat penting dalam kemampuan Humana untuk mengidentifikasi manula yang dapat
memperoleh manfaat dari intervensi mitigasi jatuh. Bukti konsep awal dengan konsumen Humana, mewakili 2% teratas dari
risiko jatuh tertinggi, menunjukkan bahwa konsumen telah meningkatkan penggunaan layanan terapi fisik, yang
menunjukkan bahwa konsumen sedang mengambil langkah aktif untuk mengurangi risiko jatuh. Inisiatif kedua
memanfaatkan Falls PM untuk mengidentifikasi individu berisiko tinggi untuk program pemantauan jarak jauh. Dengan
menggunakan PM, Humana berhasil mengidentifikasi 20.000 konsumen berisiko tinggi jatuh, yang mendapat manfaat dari
program ini. Konsumen yang teridentifikasi mengenakan perangkat yang mendeteksi jatuh dan memperingatkan layanan
24/7 untuk bantuan segera .
Pekerjaan ini diakui oleh Analytics Leadership Award oleh Indiana University Kelly School of Business pada tahun
2015, atas adopsi inovatif analitik dalam lingkungan bisnis.
3
Gates, S., Smith, L. A., Fisher, J. D., dkk . (2008). Sistematis tinjauan dari akurasi dari skrining KASIH instru- untuk memprediksi risiko jatuh di antara
hidup secara mandiri dewasa yang lebih tua. Jurnal Penelitian dan Pengembangan Rehabilitasi , 45 (8), 1105–1116.
Kontributor: Harpreet Singh, PhD; Vipin Gopal, PhD; Philip Painter, MD.
Contoh 2: Sasaran Tebal Humana — Penerapan Analisis untuk Menentukan Metrik yang Tepat
Pada tahun 2014, Humana, Inc mengumumkan Goal Bold organisasi untuk meningkatkan pada kesehatan masyarakat yang
dilayaninya sebesar 20% pada tahun 2020 dengan membuat mudah bagi peo- ple untuk mencapai kesehatan terbaik mereka.
Masyarakat yang Humana servis dapat secara didefinisikan dalam banyak cara, termasuk geografis (negara, kota,
lingkungan), dengan produk (Medicare Advantage, rencana berbasis majikan, secara individual dibeli), atau dengan profil
klinis (kondisi prioritas termasuk diabetes, hipertensi, CHF [gagal jantung kongestif], CAD [penyakit arteri koroner], PPOK
[kronis
penyakit paru obstruktif], atau depresi). Memahami kesehatan dari komunitas ini dan bagaimana mereka melacak dari waktu
ke waktu adalah penting tidak hanya untuk evaluasi tujuan, tetapi juga dalam kerajinan strategi untuk meningkatkan
kesehatan seluruh keanggotaan dalam nya keseluruhan.
Tantangan sebelum organisasi analitik adalah mengidentifikasi metrik yang menangkap esensi dari Bold Goal. Metrik
asuransi kesehatan tradisional yang diukur secara obyektif seperti penerimaan rumah sakit atau kunjungan ER per 1.000
orang tidak akan menangkap semangat misi baru ini. Tujuannya adalah untuk mengidentifikasi metrik yang menangkap
kesehatan dan perbaikan dalam sebuah komunitas, tapi itu juga relevan dengan Humana sebagai sebuah bisnis. Melalui
evaluasi analitik yang ketat , Humana akhirnya memilih " Hari-Hari Sehat" , sebuah kuesioner kualitas hidup empat
pertanyaan yang awalnya dikembangkan oleh CDC untuk melacak dan mengukur kemajuan mereka secara keseluruhan
menuju Bold Goal.
Ini adalah penting untuk membuat memastikan bahwa yang dipilih metrik itu sangat corre- lated untuk kesehatan dan
bisnis metrik, sehingga setiap perbaikan di Hari Sehat mengakibatkan di meningkatkan kesehatan dan hasil bisnis yang
lebih baik. Beberapa prinsip keuangan exam- dari bagaimana “Sehat Hari” yang berkorelasi dengan metrik dari menarik
termasuk yang berikut:
• Orang dengan hari yang lebih tidak sehat (UHD) menunjukkan pemanfaatan dan pola biaya yang lebih tinggi . Untuk
peningkatan 5 hari di UHDs, ada (a) peningkatan $ 82 di rata-rata bulanan biaya medis dan farmasi, (b) peningkatan dari
1
52 anak mengatakan rawat inap per 1000 pasien, dan (c) peningkatan 0,28 hari rata-rata panjang dari tinggal.
• Orang yang menunjukkan perilaku sehat dan kondisi kronisnya dikelola dengan baik memiliki UHD yang lebih sedikit.
Sebagai contoh, ketika kita melihat individu dengan diabetes, UHDs yang lebih rendah jika mereka diperoleh suatu LDL
screening (-4,3 UHDs) atau ujian mata diabetes (-2,3 UHDs). Demikian juga, jika mereka telah mengontrol kadar gula
2
darah yang diukur dengan HbA1C (–1,8 UHD) atau kadar LDL ( –1,3 UHD).
• Individu dengan kondisi kronis memiliki lebih banyak UHD dibandingkan mereka yang tidak memiliki: (a) CHF (16,9
UHD), (b) CAD (14,4 UHD), (c) hipertensi (13,3 UHD), (d) diabetes (14,7 UHD) , (e) COPD (17,4 UHD), atau (f) depresi
1,3,4
(22,4 UHD).
5
Sejak saat itu, Humana mengadopsi Hari Sehat sebagai metrik mereka untuk mengukur kemajuan menuju Bold Goal.
Kontributor: Tristan Cordier, MPH; Gil Haugh, MS; Jonathan Peña, MS; Eriv Havens, MS; Vipin Gopal, PhD.
1
Havens, E., Peña, J., Slabaugh, S., Cordier, T., Renda, A., & Gopal, V. (2015, Oktober). Menjelajahi hubungan antara kualitas hidup yang berhubungan
dengan kesehatan dan kondisi kesehatan, biaya, penggunaan sumber daya, dan ukuran kualitas. Presentasi podium pada Konferensi Tahunan ke-22
ISOQOL, Vancouver, Kanada.
2
Havens, E., Slabaugh, L., Peña J., Haugh G., & Gopal, V. (2015, Februari). Apakah ada perbedaan di Hari Sehat berdasarkan kepatuhan untuk kesehatan
preventif skrining tindakan? Presentasi poster di Preventive Medicine 2015, Atlanta, GA.
3
Chiguluri, V., Guthikonda, K., Slabaugh, S., Havens, E., Peña, J., & Cordier, T. (2015, Juni). Hubungan antara komplikasi diabetes dan kualitas hidup
terkait kesehatan di antara populasi lansia di Amerika Serikat. Presentasi poster di Sesi Ilmiah Tahunan ke-75 Asosiasi Diabetes Amerika. Boston, MA.
4
Cordier, T., Slabaugh, L., Haugh, G., Gopal, V., Cusano, D., Andrews, G., & Renda, A. (2015, September). Kualitas hidup berubah seiring dengan
berkembangnya gagal jantung kongestif. Presentasi poster pada Pertemuan Ilmiah Tahunan ke-19 dari Heart Failure Society of America, Washington, DC.
5
http://populationhealth.humana.com/wp-content/uploads/2016/05/BoldGoal2016ProgressReport_1.pdf.
Contoh 3: Model Prediktif untuk Mengidentifikasi Keanggotaan Risiko Tertinggi di Penanggung Kesehatan
Aturan 80/20 umumnya berlaku dalam perawatan kesehatan, yaitu sekitar 20% dari konsumen menguasai 80% sumber daya
perawatan kesehatan karena kesehatan mereka yang memburuk dan kondisi kronis. Asuransi kesehatan seperti Humana telah
biasanya mendaftarkan pendaftar tertinggi berisiko dalam program manajemen klinis dan penyakit untuk membantu
mengelola yang kronis kondisi yang anggotanya memiliki.
Identifikasi anggota yang tepat sangat penting untuk latihan ini, dan dalam beberapa tahun terakhir, PM telah
dikembangkan untuk mengidentifikasi pendaftar dengan risiko masa depan yang tinggi. Banyak dari PM ini dikembangkan
dengan sangat bergantung pada data klaim medis, yang dihasilkan dari layanan medis yang digunakan para pendaftar. Karena
keterlambatan yang ada dalam menyerahkan dan memproses data klaim, ada kelambanan yang sesuai dalam identifikasi
anggota berisiko tinggi untuk pendaftaran program klinis. Masalah ini sangat relevan ketika anggota baru bergabung dengan
firma asuransi kesehatan, karena mereka tidak memiliki riwayat klaim dengan firma asuransi. PM berbasis klaim dapat
memakan waktu rata-rata 9-12 bulan setelah pendaftaran anggota baru untuk mengidentifikasi mereka untuk dirujuk ke
program klinis .
Pada bagian awal dekade ini, Humana menarik sejumlah besar anggota baru di nya Medicare Keuntungan produk dan
diperlukan sebuah lebih baik cara untuk clini- Cally mengelola keanggotaan ini. Dengan demikian, menjadi sangat penting
bahwa pendekatan analitik yang berbeda dikembangkan untuk secara cepat dan akurat mengidentifikasi anggota baru yang
berisiko tinggi untuk manajemen klinis, untuk menjaga kelompok ini tetap sehat dan biaya rendah.
Humana ini Klinis Analytics tim dikembangkan dengan New Anggota Predictive Model (nmpm) yang akan dengan
cepat mengidentifikasi di-risiko individu segera setelah mereka baru pendaftaran rencana dengan Humana, daripada
menunggu untuk sejarah sien klaim suffi- untuk menjadi tersedia untuk menyusun profil klinis dan memprediksi
kesehatan masa depan risiko. Dirancang untuk mengatasi para unik tantangan terkait dengan baru anggota, nmpm
mengembangkan sebuah novel pendekatan yang memanfaatkan dan terintegrasi data set yang lebih luas di luar klaim
medis Data seperti sebagai data yang dilaporkan sendiri risiko kesehatan penilaian dan indikator awal dari data farmasi,
teknik data mining canggih yang digunakan untuk pola penemuan, dan mencetak gol setiap MA konsumsi sehari-hari
berdasarkan pada yang paling baru-baru ini data yang Humana memiliki untuk tanggal. The Model itu disebarkan dengan
sebuah tim lintas-fungsional dari analisis, IT, dan operasi untuk memastikan operasional mulus dan bisnis integrasi.
Sejak NMPM diimplementasikan pada Januari 2013, NMPM telah dengan cepat mengidentifikasi anggota baru yang
berisiko tinggi untuk mendaftar di program klinis Humana. Hasil positif yang dicapai melalui model ini telah disorot dalam
berbagai komunikasi pemimpin senior dari Humana. Pada presentasi rilis pendapatan kuartal pertama 2013 kepada investor,
Bruce Broussard, CEO Humana, menyatakan pentingnya "peningkatan PM anggota baru dan proses penilaian klinis," yang
menghasilkan 31.000 anggota baru yang terdaftar dalam program klinis, dibandingkan dengan 4.000 di periode yang sama
tahun sebelumnya, meningkat 675%. Selain peningkatan volume pendaftaran program klinis, hasil studi menunjukkan bahwa
konsumen yang baru terdaftar yang diidentifikasi oleh NMPM juga dirujuk ke program klinis lebih cepat, dengan lebih dari
50% rujukan diidentifikasi dalam 3 bulan pertama setelah pendaftaran rencana MA baru. . Konsumen yang diidentifikasi juga
berpartisipasi pada tingkat yang lebih tinggi dan memiliki masa kerja yang lebih lama dalam program tersebut.
Kontributor: Sandy Chiu, MS; Vipin Gopal, PhD.
Contoh-contoh ini menggambarkan bagaimana sebuah organisasi mengeksplorasi dan mengimplementasikan aplikasi analitik
untuk memenuhi tujuan strategisnya. Anda akan melihat beberapa contoh aplikasi perawatan kesehatan di berbagai bab dalam buku ini.
Analisis dalam Rantai Nilai Ritel

The sektor ritel adalah di mana Anda mungkin akan melihat sebagian aplikasi dari analisis. Ini adalah domain mana yang volume yang besar
tapi margin yang biasanya tipis. Selera dan preferensi pelanggan sering berubah . Toko fisik dan online menghadapi banyak tantangan untuk
berhasil . Dan dominasi pasar pada satu waktu tidak menjamin kesuksesan yang berkelanjutan. Jadi investasi dalam belajar tentang Anda
pemasok, pelanggan, karyawan, dan semua pemangku kepentingan yang memungkinkan sebuah rantai nilai ritel untuk sukses dan
menggunakan yang informasi untuk membuat keputusan yang lebih baik telah menjadi tujuan dari para analisis industri untuk sebuah lama
waktu. Bahkan pembaca kasual dari analisis mungkin tahu tentang Amazon investasi besar dalam analisis untuk daya rantai nilai mereka.
Demikian pula, Walmart, Target, dan lainnya utama pengecer telah menginvestasikan jutaan dari dolar di analisis untuk rantai pasokan mereka.
Sebagian besar dari para teknologi analisis dan layanan penyedia memiliki sebuah kehadiran utama di analisis ritel. Cakupan dari bahkan
sebuah kecil bagian dari aplikasi mereka untuk mencapai kami expo- yakin tujuan bisa mengisi sebuah buku utuh. Jadi ini bagian hanya
menyoroti sebuah aplikasi potensial beberapa. Sebagian besar dari ini telah telah menerjunkan oleh banyak pengecer dan tersedia melalui
banyak penyedia teknologi, sehingga dalam hal ini bagian kita akan mengambil sebuah lebih pandangan umum daripada titik untuk kasus-
kasus tertentu. Ini pandangan umum telah diusulkan oleh Abhishek Rathi, CEO dari vCreaTek.com. vCre- Atek, LLC adalah software butik
analisis dan layanan perusahaan yang memiliki kantor di India, Amerika Serikat, yang Uni Arab Emirat (UAE), dan Belgia. The perusahaan
mengembangkan beragam aplikasi di beberapa domain, tetapi ritel analisis adalah salah satu dari mereka kunci fokus daerah.
Gambar 1.12 menyoroti komponen terpilih dari rantai nilai ritel. Ini dimulai dengan pemasok dan diakhiri dengan pelanggan, tetapi
menggambarkan banyak titik keputusan perencanaan strategis dan operasional menengah di mana analitik — deskriptif, prediktif, atau
preskriptif — dapat berperan dalam membuat keputusan berdasarkan data yang lebih baik. Tabel 1.1 juga menggambarkan beberapa
daerah penting dari aplikasi analisis, contoh kunci -pertanyaan tions yang dapat dijawab melalui analisis, dan tentu saja, bisnis potensi
nilai yang berasal dari tangkas seperti analisis. Beberapa contoh akan didiskusikan selanjutnya.
GAMBAR 1.12 Contoh dari Analytics Aplikasi di sebuah Retail Nilai Rantai. Kontribusi oleh Abhishek Rathi, CEO, vCreaTek.com
Pengoptimalan Inventaris
1. Produk mana yang memiliki permintaan tinggi ?

2. Produk mana yang bergerak lambat atau menjadi usang?
1. Prakiraan konsumsi bergerak cepat produk dan ketertiban mereka dengan cukup persediaan untuk menghindari sebuah saham-out skenario.
2. Lakukan cepat persediaan omset dari yang bergerak lambat produk dengan menggabungkan mereka dengan satu di permintaan tinggi.
Elastisitas 1. Berapa banyak net margin1. penurunan harga harga untuk

harga yang yang saya miliki pada masing-masing produk dapat dapat
produk? dioptimalkan untuk mengurangi
2. Berapa banyak diskon yang dengan marjin dolar kerugian.
bisa saya berikan 2. Dioptimalkan harga untuk para bundel dari
pada produk ini? produk adalah
diidentifikasi untuk menghemat margin
dolar.
Keranjang Pasar 1. Produk apa yang harus saya 1. Analisis afinitas mengidentifikasi yang
gabungkan tersembunyi
Analisis membuat penawaran bundel? korelasi antara produk, yang bisa
2. Haruskah saya membantu dalam nilai-nilai berikut:
menggabungkan produk
berdasarkan pada bergerak a) Menyusun strategi penawaran bundel
lambat dan cepat- produk berdasarkan
karakteristik bergerak? fokus pada inventaris atau margin.
3. Haruskah saya membuat b) Meningkatkan cross-sell atau up-sell
bundel dari dengan membuat
kategori yang sama atau bundel dari berbagai kategori atau yang
berbeda sama
baris kategori? kategori, masing-masing.
Wawasan 1. Pelanggan mana yang 1. Berdasarkan segmentasi pelanggan, pemilik
Pembeli membeli apa bisnis
produk di lokasi apa? dapat membuat pribadi penawaran
mengakibatkan di lebih baik
pelanggan pengalaman dan retensi dari
pelanggan.
Pelanggan 1. Siapa pelanggan siapa 1. Bisnis dapat mengidentifikasi para pelanggan
dan produk
Analisis Churn tidak akan kembali? hubungan yang sedang tidak bekerja dan
menunjukkan tinggi
2. Berapa banyak bisnis yang mengocok. Dengan demikian dapat memiliki
akan saya rugikan? lebih fokus pada produk
3. Bagaimana cara kualitas dan alasan untuk churn itu.
mempertahankannya?
4. Apa Demografi dari 2. Berdasarkan pada para pelanggan seumur
pelanggan hidup nilai (LTV), yang
apakah pelanggan setia saya? bisnis dapat melakukan pemasaran yang
ditargetkan menghasilkan
retensi pelanggan.
Analisis Saluran 1. Saluran mana yang lebih 1. Anggaran pemasaran dapat dioptimalkan
rendah berdasarkan
biaya akuisisi pelanggan? wawasan untuk laba atas investasi yang lebih
baik.
2. Saluran mana yang lebih baik
retensi pelanggan?
3. Saluran mana yang lebih
menguntungkan?
Toko baru 1. Lokasi apa yang harus saya 1. Terbaik praktek dari lainnya lokasi dan
buka? saluran dapat
Analisis 2. Apa dan berapa bukaannya digunakan untuk memulai lompatan.
persediaan yang harus saya 2. Perbandingan dengan data pesaing dapat
simpan? membantu

Tata Letak Toko 1. Bagaimana saya harus melakukan tata letak toko
untuk topline yang lebih baik?
2. Bagaimana bisa saya meningkatkan saya di dalam toko pelanggan pengalaman?

Analisis Video 1. Demografi apa yang memasuki
menyimpan selama periode puncak penjualan?
2. Bagaimana bisa saya mengidentifikasi sebuah pelanggan dengan tinggi LTV di pintu masuk toko sehingga lebih baik
dipersonalisasi pengalaman dapat menjadi disediakan untuk ini pelanggan?
buat faktor pembeda / USP untuk menarik pelanggan baru.

1. Memahami dengan asosiasi dari produk untuk memutuskan toko tata letak dan lebih baik keselarasan dengan pelanggan kebutuhan.
2. Penyebaran tenaga kerja dapat direncanakan untuk interaktivitas pelanggan yang lebih baik dan dengan demikian memuaskan pengalaman pelanggan .
1. In-store promosi dan acara dapat dapat direncanakan berdasarkan pada satu demografi dari masuk lalu lintas.
2. Target pelanggan keterlibatan dan instan diskon meningkatkan yang pelanggan pengalaman dihasilkan dalam lebih tinggi retensi.
Sebuah situs ritel online biasanya tahu nya pelanggan sebagai segera sebagai pelanggan tanda-tanda di, dan dengan demikian
mereka dapat menawarkan disesuaikan halaman / korban untuk meningkatkan itu pengalaman. Untuk setiap toko ritel, mengetahui nya
pelanggan di pintu masuk toko ini masih menjadi besar tantangan. Dengan menggabungkan para analisis video dan informasi / lencana
diterbitkan melalui program loyalitas mereka, yang toko mungkin dapat untuk mengidentifikasi para pelanggan di pintu masuk sendiri
dan dengan demikian memungkinkan sebuah kesempatan ekstra untuk cross-sell atau up-selling. Selain itu, pribadi pengalaman
berbelanja dapat diberikan dengan keterlibatan yang lebih disesuaikan selama satu pelanggan waktu di toko.
Pengecer toko menginvestasikan banyak uang dalam tampilan jendela yang menarik, acara promosi, grafik yang disesuaikan,
dekorasi toko, iklan cetak, dan spanduk. Untuk melihat keefektifan metode pemasaran ini, tim dapat menggunakan analisis pembeli
dengan mengamati gambar televisi sirkuit tertutup (CCTV) untuk mengetahui detail demografis dari lalu lintas pejalan kaki di dalam toko
. Gambar CCTV dapat dianalisis menggunakan algoritme canggih untuk mendapatkan detail demografis seperti usia, jenis kelamin, dan
suasana hati orang yang menelusuri toko.
Lebih lanjut, data pergerakan di dalam toko pelanggan bila dikombinasikan dengan tata letak rak dan planogram dapat
memberikan lebih banyak wawasan kepada manajer toko untuk mengidentifikasi area laris / menguntungkan di dalam toko. Selain itu,
manajer toko dapat menggunakan informasi ini untuk juga merencanakan dengan tenaga kerja alokasi untuk orang-orang daerah untuk
puncak periode.
Analisis keranjang pasar biasanya digunakan oleh manajer kategori untuk mendorong penjualan SKU yang bergerak lambat.
Dengan menggunakan analitik lanjutan dari data yang tersedia, afinitas produk dapat dilakukan pada level terendah dari SKU untuk
mendorong ROI yang lebih baik pada penawaran paket. Selain itu, dengan menggunakan teknik elastisitas harga, penurunan harga atau
harga optimal dari penawaran bundel juga dapat dikurangi, sehingga mengurangi kerugian margin keuntungan.
Jadi dengan menggunakan analitik data, pengecer tidak hanya bisa mendapatkan informasi tentang operasinya saat ini tetapi juga
bisa mendapatkan wawasan lebih jauh untuk meningkatkan pendapatan dan menurunkan biaya operasional untuk keuntungan yang lebih
tinggi. Daftar aplikasi analitik ritel saat ini dan potensial yang cukup lengkap yang dapat digunakan pengecer besar seperti Amazon
diusulkan oleh seorang blogger di Data Science Central. Daftar itu tersedia di http: //www.datasciencecen- tral.com/profiles/blogs/20-
data-science-systems-used-by-amazon-to-operate-its-business. Seperti disebutkan sebelumnya, ada terlalu banyak contoh kesempatan ini
untuk daftar di sini, tapi Anda akan melihat banyak contoh dari seperti aplikasi seluruh yang buku.
BAGIAN 1.6 PERTANYAAN ULASAN

1. Mengapa perusahaan asuransi kesehatan berinvestasi dalam analitik di luar deteksi penipuan? Mengapa adalah itu di mereka terbaik
bunga untuk memprediksi dengan kemungkinan dari jatuh oleh pasien?
2. Apa yang lainnya aplikasi serupa untuk prediksi dari jatuh dapat Anda membayangkan?
3. Bagaimana Anda meyakinkan pelanggan baru asuransi kesehatan untuk mengadopsi gaya hidup yang lebih sehat (Contoh Humana
3)?
4. Identifikasi setidaknya tiga peluang lain untuk menerapkan analitik dalam rantai nilai ritel di luar yang tercakup dalam bagian ini .
5. Toko ritel mana yang Anda ketahui menggunakan beberapa aplikasi analitik yang diidentifikasi di bagian ini ?
1,7 A Brief Pendahuluan untuk Big data Analytics

Apa Itu Big Data?
Buku apa pun tentang analitik dan ilmu data harus menyertakan cakupan signifikan tentang apa yang disebut analitik Big Data . Kami
akan membahasnya di Bab 7 tetapi ini adalah pengantar yang sangat singkat. Kami otak bekerja sangat cepat dan efisien dan yang
serbaguna di pengolahan
semua jenis data dalam jumlah besar: gambar, teks, suara, bau, dan video. Kami memproses semua bentuk data yang berbeda dengan
relatif mudah. Komputer, di sisi lain, masih kesulitan untuk mengikuti kecepatan data yang dihasilkan, apalagi menganalisisnya dengan
cepat. Inilah mengapa kami memiliki masalah Big Data. Jadi, apa itu Big Data? Sederhananya, Big Data adalah data yang tidak dapat
disimpan dalam satu unit penyimpanan. Big Data biasanya mengacu pada data yang datang dalam berbagai bentuk: terstruktur, tidak
terstruktur, dalam aliran, dan sebagainya. Sumber utama data tersebut adalah aliran klik dari situs Web , postingan di situs media sosial
seperti Facebook, dan data dari lalu lintas, sensor, atau cuaca. Sebuah Web mesin pencari seperti Google perlu untuk mencari dan indeks
miliaran Web halaman untuk memberikan hasil pencarian yang relevan dalam sepersekian detik. Meskipun hal ini tidak dilakukan secara
real time, menghasilkan indeks dari semua yang Web halaman di Internet bukanlah tugas yang mudah. Beruntung bagi Google, ini dapat
mengatasi masalah ini . Di antara alat lainnya , ia telah menggunakan teknik analitik Big Data .
Ada dua aspek untuk mengelola data pada skala ini: penyimpanan dan pemrosesan. Jika kita dapat membeli solusi penyimpanan
yang sangat mahal untuk menyimpan semua ini di satu tempat dalam satu unit, menjadikan unit ini toleran terhadap kesalahan akan
melibatkan biaya yang besar. Sebuah solusi cerdik telah diusulkan yang melibatkan penyimpanan data ini dalam potongan-potongan
pada mesin yang berbeda yang terhubung oleh jaringan — menempatkan satu atau dua salinan dari potongan ini di lokasi yang berbeda
di jaringan, baik secara logis maupun fisik. Ini awalnya digunakan di Google (kemudian disebut Google File System) dan kemudian
dikembangkan dan dirilis sebagai proyek Apache sebagai Hadoop Distributed File System (HDFS).
Namun, menyimpan data ini hanyalah setengah dari masalah. Data tidak berharga jika tidak memberikan nilai bisnis, dan untuk
memberikan nilai bisnis, data harus dianalisis. Bagaimana bisa dalam jumlah besar seperti data dianalisis? Meneruskan semua komputasi
ke satu komputer yang kuat tidak akan berfungsi; skala ini akan membuat overhead besar pada komputer yang begitu kuat . Solusi cerdas
lain yang diusulkan: Dorong perhitungan dengan data, bukannya mendorong data ke node komputasi. Ini adalah paradigma baru dan
memberikan menimbulkan baru seluruh cara pengolahan data. Inilah yang kita kenal sekarang sebagai paradigma pemrograman
MapReduce, yang membuat pemrosesan Big Data menjadi kenyataan. MapReduce itu awalnya dikembangkan di Google, dan selanjutnya
versi yang dirilis oleh proyek Apache disebut Hadoop MapReduce.
Hari ini, ketika kita berbicara tentang menyimpan, mengolah, atau menganalisis Big Data, HDFS dan MapReduce yang terlibat di
beberapa tingkat. Lainnya yang relevan standar dan perangkat lunak solusi telah diusulkan. Meskipun toolkit utama adalah tersedia
sebagai open source, beberapa com- haan telah telah diluncurkan untuk memberikan pelatihan atau khusus analitis hardware atau soft
gudang layanan di ruang ini. Beberapa contohnya adalah HortonWorks, Cloudera, dan Teradata Aster. Selama ini beberapa tahun terakhir,
apa yang disebut Big data berubah lebih dan lebih sebagai Big data aplikasi muncul. The perlu untuk memproses data datang di dengan
kecepatan tinggi menambahkan kecepatan untuk para persamaan. Sebuah contoh dari cepat Data pengolahan adalah algoritmik perdagangan.
Ini menggunakan elektronik platform berbasis pada algoritma untuk perdagangan saham di dalam keuangan pasar, yang beroperasi di
mikrodetik. The perlu untuk memproses berbagai jenis dari data yang ditambahkan berbagai ke dalam persamaan. Lain contoh dari sebuah
lebar berbagai dari data yang merupakan sentimen analisis, yang menggunakan berbagai bentuk dari data yang dari sosial media yang
platform dan pelanggan tanggapan untuk mengukur sentimen. Hari ini, Big data yang berhubungan dengan hampir setiap jenis dari besar data
yang yang memiliki satu karakteristik dari volume, kecepatan, dan berbagai. Aplikasi Kasus 1.6 menggambarkan sebuah aplikasi dari Big
data analisis di dalam
industri energi. Kami akan mempelajari teknologi dan aplikasi Big Data di Bab 7.
BAGIAN 1.7 PERTANYAAN ULASAN

1. Apa itu analitik Big Data ?
2. Apa sumber Big Data?
3. Apa karakteristik Big Data?
4. Apa pengolahan teknik yang diterapkan untuk memproses Big data?
Kasus Aplikasi 1.6

CenterPoint Energy Menggunakan Analisis Data Besar Waktu Nyata untuk Meningkatkan Layanan Pelanggan

CenterPoint Energy adalah perusahaan pengiriman energi Fortune 500 yang berbasis di Houston, Texas. Bisnis utamanya meliputi transmisi dan distribusi listrik,
distribusi gas alam, serta penjualan dan layanan gas alam. Ini memiliki lebih dari lima juta pelanggan meteran di Amerika Serikat.
CenterPoint Energy menggunakan smart grid untuk kumpulkan informasi lek real-time tentang kesehatan variabel- aspek ous dari grid seperti meter,
transformer, dan switch yang digunakan dalam menyediakan listrik. Ini real-time informasi penggunaan daya dianalisis dengan analisis Big Data dan
memungkinkan untuk lebih cepat diagnosis dan solusi. Misalnya, data dapat memprediksi dan berpotensi membantu mencegah pemadaman listrik. Selain itu, alat
ini mengumpulkan informasi cuaca.
tion memungkinkan data historis untuk membantu memprediksi Mag- nitude dari outage dari badai. Wawasan ini akan bertindak sebagai panduan untuk
menempatkan sumber daya yang tepat keluar sebelum sebuah badai terjadi untuk menghindari sebuah outage.
Kedua, untuk lebih memahami pelanggan mereka, CenterPoint Energi menggunakan analisis sentimen, yang meneliti pendapat pelanggan dengan cara
emosi (kebahagiaan, marah, sedih, dll). Perusahaan seg- KASIH pelanggan mereka berdasarkan sentimen dan adalah mampu pasar untuk kelompok-kelompok ini
dalam terwujud lebih personal- cara, memberikan pelanggan lebih berharga ser- vice pengalaman.
Sebagai hasil dari penggunaan analitik Big Data, CenterPoint Energy telah menghemat 600.000 galon
bahan bakar dalam 2 tahun terakhir dengan menyelesaikan enam juta permintaan layanan dari jarak jauh. Selain itu, mereka telah menabung
$ 24 juta untuk pelanggan mereka dalam proses ini.

1. Bagaimana perusahaan listrik dapat memprediksi kemungkinan pemadaman di suatu lokasi?
2. Apa itu analisis sentimen pelanggan ?
3. Bagaimana analisis sentimen pelanggan membantu perusahaan memberikan layanan yang dipersonalisasi kepada pelanggan mereka ?

Dengan penggunaan analitik Big Data, perusahaan energi dapat menyelesaikan masalah pelanggan dengan lebih baik seperti pemadaman listrik dan gangguan
listrik dalam rentang waktu yang lebih singkat dibandingkan dengan proses sebelumnya. Analisis sentimen juga dapat membantu menargetkan pelanggan mereka
sesuai dengan kebutuhan mereka .
Sumber: Sap.com, “Pendekatan 'Cerdas' untuk Big Data di Industri Energi ,” http://www.sap.com/bin/sapcom/cs_cz/downloadasset
.2013-10-oct-09-20.a-smart-approach-to-big-data-in-the-energy- industry-pdf.html (diakses Juni 2016); centerpointenergy
.com, “ Transmisi & Distribusi Listrik (T & D),” http: // www
.centerpointenergy.com / en-us / Corp / Pages / Company-overview
.aspx (diakses Juni 2016); YouTube.com, “CenterPoint Energy Talks Real Time Big Data Analytics,” https://www.youtube.com/ watch? V = s7CzeSlIEfI (diakses Juni 2016).
1.8 Tinjauan tentang Ekosistem Analitik

Jadi, Anda bersemangat tentang potensi analitik dan ingin bergabung dengan industri yang sedang berkembang ini. Siapa pemain saat
ini, dan apa yang harus mereka lakukan? Di mana Anda bisa cocok? Tujuan dari bagian ini adalah untuk mengidentifikasi berbagai
sektor industri analitik, memberikan klasifikasi berbagai jenis peserta industri, dan menggambarkan jenis peluang yang ada untuk
profesional analitik. Sebelas jenis pemain diidentifikasi dalam ekosistem analitik . Pemahaman tentang ekosistem juga memberi
pembaca pandangan yang lebih luas tentang bagaimana berbagai pemain berkumpul. Tujuan sekunder untuk memahami ekosistem
analitik untuk profesional BI juga untuk mengetahui organisasi dan penawaran serta peluang baru di sektor yang terkait dengan analitik.
Bagian ini diakhiri dengan beberapa observasi tentang peluang bagi para profesional untuk berpindah di seluruh kluster ini.
GAMBAR 1.13 Ekosistem Analytics .

Meskipun beberapa peneliti membedakan profesional analisis bisnis dari ilmuwan data (Davenport dan Patil, 2012), seperti yang
ditunjukkan sebelumnya, untuk tujuan memahami ekosistem analisis secara keseluruhan, kami memperlakukan mereka sebagai satu
profesi yang luas. Jelas, kebutuhan keterampilan dapat bervariasi antara ahli matematika yang kuat ke pemrogram ke pemodel ke
komunikator, dan kami percaya masalah ini diselesaikan pada tingkat yang lebih mikro / individu daripada pada tingkat makro
pemahaman kolam peluang. Kami juga menggunakan definisi analitik terluas untuk menyertakan ketiga jenis seperti yang didefinisikan
oleh INFORMS — deskriptif / pelaporan / visualisasi, prediktif, dan preskriptif seperti yang dijelaskan sebelumnya.
Gambar 1.13 mengilustrasikan satu pandangan ekosistem analitik. Komponen ekosistem diwakili oleh kelopak bunga analitik.
Sebelas sektor atau cluster utama dalam ruang analitik diidentifikasi. Komponen ekosistem analitik dikelompokkan menjadi tiga kategori
yang diwakili oleh kelopak dalam, kelopak luar, dan biji (bagian tengah) bunga.
Enam kelopak terluar dapat secara luas disebut sebagai penyedia teknologi. Pendapatan utama mereka berasal dari penyediaan
teknologi, solusi, dan pelatihan untuk organisasi pengguna analitik sehingga mereka dapat menggunakan teknologi ini dengan cara yang
paling efektif dan efisien. Kelopak bagian dalam secara umum dapat didefinisikan sebagai akselerator analitik. Akselerator bekerja
dengan penyedia dan pengguna teknologi. Akhirnya, inti ekosistem terdiri dari organisasi pengguna analitik. Ini adalah komponen
penting yang paling, karena setiap analisis industri klaster ini didorong oleh para pengguna organisasi.
Metafora dari bunga adalah cocok untuk para analisis ekosistem sebagai beberapa com- ponents tumpang tindih satu sama lain.
Mirip dengan hidup organisme seperti sebuah bunga, semua kelopak ini tumbuh dan layu bersama-sama. Kami menggunakan istilah
komponen , kelompok , kelopak , dan sektor secara bergantian untuk menggambarkan berbagai pemain di ruang analitik. Selanjutnya
kami akan memperkenalkan setiap sektor industri dan memberikan beberapa contoh pemain di setiap sektor. Daftar nama perusahaan yang
termasuk dalam kelopak mana pun tidak lengkap. Daftar perwakilan perusahaan di setiap cluster hanya untuk menggambarkan penawaran
unik cluster tersebut untuk menjelaskan di mana bakat analitik dapat digunakan atau disewa . Juga, menyebutkan dari sebuah perusahaan
nama atau yang kemampuan di satu tertentu
grup tidak menyiratkan bahwa ini adalah satu-satunya aktivitas / penawaran dari organisasi itu. Utama tujuan adalah untuk fokus pada
kemampuan analitik yang berbeda dalam setiap komponen dari analisis ruang. Banyak perusahaan bermain di berbagai sektor dalam
industri analitik dan dengan demikian menawarkan peluang untuk bergerak dalam bidang tersebut baik secara horizontal maupun vertikal.
Matt Turck, sebuah usaha kapitalis dengan FirstMark juga telah mengembangkan dan memperbarui sebuah analisis ekosistem
berfokus pada Big Data. Nya tujuan adalah untuk menjaga track dari baru dan didirikan pemain di berbagai segmen dari para Big data
industri. Sebuah sangat bagus visual yang gambar dari -Nya antar pretation dari para ekosistem dan sebuah komprehensif daftar dari
perusahaan adalah tersedia melalui nya Web site: http://mattturck.com/2016/02/01/big-data-landscape/ (diakses Agustus 2016 ). Kami
akan juga melihat sebuah serupa ekosistem di dalam konteks dari para Internet dari Hal (IOT) di dalam lalu bab.
Penyedia Infrastruktur Penghasil Data

Mungkin tempat pertama untuk mulai mengidentifikasi cluster adalah dengan mencatat grup baru perusahaan yang memungkinkan
pembuatan dan pengumpulan data yang dapat digunakan untuk mengembangkan wawasan analitis. Meskipun grup ini dapat mencakup
semua sistem titik penjualan tradisional, sistem manajemen inventaris, dan penyedia teknologi untuk setiap langkah dalam rantai
pasokan / nilai dan operasi perusahaan, kami terutama mempertimbangkan pemain baru yang fokus utamanya adalah memungkinkan
organisasi untuk mengembangkan wawasan baru ke dalam operasinya daripada menjalankan operasi intinya. Jadi kelompok ini termasuk
perusahaan yang membuat infrastruktur untuk mengumpulkan data dari berbagai sumber.
Salah satu komponen yang muncul dari infrastruktur semacam itu adalah "sensor". Sensor mengumpulkan data dalam jumlah besar
dengan kecepatan yang lebih cepat dan telah diadopsi oleh berbagai sektor seperti perawatan kesehatan, olahraga, dan energi. Misalnya,
data kesehatan yang dikumpulkan oleh sensor biasanya digunakan untuk melacak status kesehatan pengguna. Beberapa pemain utama
yang membuat sensor untuk mengumpulkan informasi kesehatan adalah AliveCor, Google, Shimmer, dan Fitbit. Demikian pula, industri
olahraga menggunakan sensor untuk mengumpulkan data dari para pemain dan lapangan untuk mengembangkan strategi dan
meningkatkan permainan tim . Contoh perusahaan yang memproduksi sensor terkait olahraga termasuk Sensor Olahraga, Zepp,
Shockbox, dan lain-lain. Demikian pula, sensor digunakan untuk manajemen lalu lintas. Ini membantu dalam mengambil tindakan waktu
nyata untuk mengontrol lalu lintas. Beberapa yang penyedia yang Advantech B + B SmartWorx, Garmin, dan SENSYS Network.
Sensor memainkan peran utama dalam Internet of Things dan merupakan bagian penting dari objek pintar. Ini memungkinkan
komunikasi mesin-ke-mesin. Para pemain terkemuka di infrastruktur dari IOT adalah Intel, Microsoft, Google, IBM, Cisco, Smartbin,
Siko Produk, Omega Engineering, Apple, dan SAP. Cluster ini mungkin yang paling teknis kelompok dalam ekosistem. Kami akan
meninjau ekosistem untuk IOT dalam Bab 8. Memang, ada sebuah ekosistem sekitar hampir setiap dari para kelompok kami
mengidentifikasi sini.
Penyedia Infrastruktur Manajemen Data

Grup ini mencakup semua organisasi besar yang menyediakan perangkat keras dan perangkat lunak yang menargetkan dasar untuk semua
solusi manajemen data. Contoh nyata dari ini mencakup semua pemain perangkat keras utama yang menyediakan infrastruktur untuk
komputasi basis data— IBM, Dell, HP, Oracle, dan seterusnya; penyedia solusi penyimpanan seperti EMC (baru-baru ini dibeli oleh Dell)
dan NetApp; perusahaan yang menyediakan platform perangkat keras dan perangkat lunak asli seperti IBM, Oracle, dan Teradata; dan
penyedia solusi data yang menawarkan hardware dan platform sistem manajemen database independen seperti keluarga SQL Server dari
Microsoft dan yang mengkhususkan diri terintegrasi perangkat lunak penyedia seperti sebagai SAP jatuh di bawah ini kelompok. Ini
kelompok juga mencakup lainnya organisasi seperti penyedia alat basis data, penyedia layanan, grators inte-, pengembang, dan
sebagainya pada, yang mendukung masing-masing dari ini perusahaan ekosistem.
Beberapa perusahaan lain muncul sebagai pemain utama di ruang terkait, berkat infrastruktur jaringan yang memungkinkan
komputasi awan. Perusahaan seperti Amazon
(Amazon Web Services), IBM (Bluemix), dan Salesforce.com memelopori untuk menawarkan penyimpanan data penuh dan solusi
analitik melalui cloud, yang sekarang telah diadopsi oleh beberapa perusahaan yang terdaftar sebelumnya.
Beberapa perusahaan baru-baru ini di ruang Big Data juga merupakan bagian dari grup ini. Perusahaan seperti Cloudera,
Hortonworks, dan banyak lainnya tidak selalu menawarkan perangkat keras mereka sendiri tetapi menyediakan layanan infrastruktur dan
pelatihan untuk membuat platform Big Data. Ini termasuk cluster Hadoop, MapReduce, NoSQL, Spark, Kafka, Flume, dan teknologi
terkait lainnya untuk analitik. Dengan demikian mereka juga dapat dikelompokkan di bawah konsultan atau pelatih industri yang
memungkinkan infrastruktur dasar. Ekosistem penuh konsultan, integrator perangkat lunak, penyedia pelatihan, dan penyedia nilai
tambah lainnya telah berkembang di sekitar banyak pemain besar dalam cluster infrastruktur manajemen data. Beberapa cluster yang
tercantum di bawah ini akan mengidentifikasi para pemain ini karena banyak dari mereka beralih ke analitik karena industri mengalihkan
fokusnya dari pemrosesan transaksi yang efisien ke memperoleh nilai analitik dari data.
Penyedia Data Warehouse

Perusahaan dengan fokus data warehousing menyediakan teknologi dan layanan yang ditujukan untuk mengintegrasikan data dari
berbagai sumber, sehingga memungkinkan organisasi memperoleh dan memberikan nilai dari aset datanya. Banyak perusahaan di ruang
ini menyertakan perangkat keras mereka sendiri untuk menyediakan penyimpanan, pengambilan, dan pemrosesan data yang efisien.
Perusahaan seperti IBM, Oracle, dan Teradata adalah pemain utama di arena ini. Perkembangan terbaru dalam ruang ini termasuk
melakukan analitik pada data secara langsung di memori. Sektor pertumbuhan utama lainnya adalah pergudangan data di cloud. Contoh
perusahaan tersebut termasuk Snowflake dan Redshift. Perusahaan dalam cluster ini jelas bekerja dengan semua pemain sektor lainnya
dalam menyediakan solusi dan layanan DW dalam ekosistem mereka dan karenanya menjadi tulang punggung industri analitik. Ini telah
menjadi industri besar dalam dirinya sendiri dan, dengan demikian, pemasok dan konsumen bakat analitik .
Penyedia Middleware
Data warehousing dimulai dengan fokus membawa semua penyimpanan data ke dalam platform skala perusahaan. Memahami data ini
telah menjadi industri itu sendiri. Tujuan umum dari industri middleware adalah menyediakan alat yang mudah digunakan untuk
pelaporan atau analitik deskriptif, yang merupakan bagian inti dari BI atau analitik yang digunakan di organisasi. Contoh perusahaan di
ruang ini termasuk Microstrategy, Plum, dan banyak lainnya. Sebuah beberapa pemain utama yang pemain middleware independen telah
diakuisisi oleh perusahaan di kedua kelompok pertama. Misalnya, Hyperion menjadi bagian dari Oracle, SAP mengakuisisi Business
Objects, dan IBM mengakuisisi Cognos. Sektor ini telah sebagian besar identik dengan penyedia BI menawarkan dashboarding,
pelaporan, dan visualisasi jasa untuk industri, bangunan di atas transaksi pengolahan data dan yang database dan penyedia DW. Jadi
banyak perusahaan telah pindah ke ruang ini selama bertahun-tahun, termasuk vendor perangkat lunak analitik umum seperti SAS atau
penyedia visualisasi baru seperti Tableau, atau banyak penyedia aplikasi khusus. Sebuah produk ke arah yang tory di TDWI.org daftar
201 vendor hanya dalam kategori (http://www.tdwidirectory.com/ kategori / bisnis-intelijen-jasa) per Juni 2016, sehingga sektor ini
telah kuat. Ini jelas juga sektor berusaha untuk pindah ke tempat yang lebih segmen ilmu data yang industri.
Penyedia Layanan Data

Banyak dari data yang merupakan penggunaan organisasi analisis yang dihasilkan secara internal melalui nya tions opera-, tetapi ada yang
banyak sumber data eksternal yang memainkan sebuah peran utama dalam setiap organisasi pengambilan keputusan. Contoh dari sumber
data tersebut termasuk data demografis, cuaca data,
data yang dikumpulkan oleh pihak ketiga yang bisa menginformasikan suatu organisasi pengambilan keputusan, dan sebagainya. Beberapa
perusahaan menyadari itu kesempatan untuk mengembangkan koleksi khusus data, agregasi, dan mekanisme distribusi. Perusahaan-
perusahaan ini biasanya berfokus pada sektor industri tertentu dan membangun pada hubungan mereka yang ada di industri yang melalui
platform niche mereka dan layanan untuk pengumpulan data. Misalnya, Nielsen memberikan sumber data kepada klien mereka tentang
perilaku pembelian eceran pelanggan . Contoh lain adalah Experian, yang meliputi data yang di setiap rumah tangga di Amerika Serikat.
Omniture memiliki maju teknologi untuk kumpulkan lek Web klik dan berbagi data tersebut dengan klien mereka. Comscore adalah
perusahaan besar lainnya di bidang ini. Google mengkompilasi data untuk individu Web situs dan membuat sebuah ringkasan avail- mampu
melalui layanan Google Analytics. Contoh lainnya adalah Equifax, TransUnion, Acxiom, Merkle, Epsilon, dan Avention. Ini dapat juga
mencakup organisasi seperti sebagai ESRI.org, yang menyediakan data lokasi berorientasi ke pelanggan mereka. Ada yang ratusan dari
perusahaan lain yang sedang mengembangkan platform niche dan layanan untuk mengumpulkan, agregat, dan berbagi data tersebut dengan
klien mereka. Seperti dicatat sebelumnya, banyak agregator data industri-spesifik dan distributor ada dan bergerak untuk menawarkan
layanan analisis mereka sendiri. Dengan demikian sektor ini adalah juga sebuah tumbuh pengguna dan potensi pemasok dari analisis bakat,
terutama dengan spesifik niche keahlian.
Pengembang Perangkat Lunak Berfokus pada Analytics

Perusahaan dalam kategori ini telah mengembangkan perangkat lunak analitik untuk penggunaan umum dengan data yang telah
dikumpulkan dalam DW atau tersedia melalui salah satu platform yang diidentifikasi sebelumnya (termasuk Big Data). Ini juga dapat
mencakup penemu dan peneliti di universitas dan organisasi lain yang telah mengembangkan algoritme untuk jenis aplikasi analitik
tertentu. Kami dapat mengidentifikasi pemain industri utama di ruang ini menggunakan tiga jenis dari analisis: deskriptif, prediktif, dan
preskriptif analisis.
ANALITIK PELAPORAN / DESKRIPSI Pelaporan atau analitik deskriptif diaktifkan oleh alat yang tersedia dari pemain industri middleware
yang diidentifikasi sebelumnya, atau kemampuan unik yang ditawarkan oleh penyedia terfokus. Misalnya, toolkit Microsoft SQL Server
BI mencakup pelaporan serta kemampuan analitik prediktif. Di sisi lain, terwujud khusus- software yang tersedia dari perusahaan seperti
sebagai Tableau untuk visualisasi. SAS juga menawarkan alat Analisis Visual dengan kapasitas serupa. Ada banyak alat visualisasi open
source juga. Ratusan alat visualisasi data telah dikembangkan di seluruh dunia, dan banyak alat semacam itu berfokus pada visualisasi
data dari industri atau domain tertentu. Karena visualisasi adalah cara utama sejauh ini untuk mengeksplorasi analitik di industri , sektor
ini telah menyaksikan pertumbuhan paling besar. Banyak perusahaan baru sedang dibentuk. Misalnya, Gephi, perangkat lunak gratis dan
sumber terbuka, berfokus pada visualisasi jaringan. Sebuah Google pencarian akan menampilkan yang terbaru daftar dari seperti
perangkat lunak penyedia dan alat-alat.
ANALITIK PREDIKTIF Mungkin pertumbuhan terbesar dalam analitik baru-baru ini ada di kategori ini, dan ada banyak perusahaan yang
berfokus pada analitik prediktif. Banyak perusahaan perangkat lunak statistik seperti SAS dan SPSS merangkul analitik prediktif sejak
awal, dan mengembangkan kemampuan perangkat lunak serta praktik industri untuk menggunakan teknik penambangan data dan teknik
statistik klasik untuk analitik. IBM-SPSS Modeler dari IBM dan Enterprise Miner dari SAS adalah beberapa contoh alat yang digunakan
untuk analitik prediktif. Pemain lain di ruang ini meliputi KXEN, Statsoft (baru-baru ini diakuisisi oleh Dell), Salford Sistem, dan
sejumlah perusahaan lain yang dapat menjual perangkat lunak mereka secara luas atau menggunakan itu untuk mereka sendiri konsultasi
praktek (selanjutnya kelompok dari perusahaan).
Tiga platform open source (R, RapidMiner, dan KNIME) juga muncul sebagai perangkat lunak kekuatan industri yang populer
untuk analitik prediktif dan memiliki perusahaan yang mendukung pelatihan dan implementasi alat open source ini. Revolution Analytics
adalah contoh perusahaan yang berfokus pada pengembangan dan pelatihan R. R perusahaan integrasi tion adalah mungkin dengan
kebanyakan analisis perangkat lunak. Sebuah perusahaan bernama Alteryx menggunakan ekstensi R.
untuk pelaporan dan analitik prediktif, tetapi kekuatannya terletak pada pengiriman bersama proses solusi analitik kepada pelanggan dan
pengguna lain. Demikian pula, RapidMiner dan KNIME juga merupakan contoh penyedia open source. Perusahaan seperti Rulequest
yang menjual varian kepemilikan perangkat lunak Decision Tree dan NeuroDimensions, sebuah perusahaan perangkat lunak Jaringan
Neural, adalah contoh perusahaan yang telah mengembangkan perangkat lunak khusus seputar teknik data mining tertentu.
ANALITIK PRESKRIPTIF Penyedia perangkat lunak dalam kategori ini menawarkan alat pemodelan dan algoritme untuk pengoptimalan
operasi yang biasanya disebut perangkat lunak riset ilmu / operasi. Bidang ini memiliki kumpulan penyedia perangkat lunak utama
sendiri. IBM, misalnya, memiliki perangkat lunak pemrograman klasik linier dan bilangan bulat campuran. Beberapa tahun lalu, IBM
juga mengakuisisi perusahaan bernama ILOG, yang menyediakan perangkat lunak dan layanan analisis preskriptif untuk melengkapi
penawaran mereka yang lain. Penyedia analisis seperti SAS memiliki alat OR / MS mereka sendiri — SAS / OR. FICO mengakuisisi
perusahaan lain bernama XPRESS yang menawarkan perangkat lunak pengoptimalan. Pemain utama lainnya dalam domain ini termasuk
perusahaan seperti sebagai AIIMS, AMPL, Frontline, GAMS, Gurobi, Lindo Systems, Maximal, NGData, Ayata, dan banyak lainnya.
Sebuah penggambaran rinci dan deskripsi perusahaan-perusahaan korban adalah di luar lingkup dari tujuan kami di sini. Cukuplah
dikatakan bahwa sektor industri ini telah mengalami banyak pertumbuhan akhir-akhir ini.
Tentu saja, ada banyak teknik yang termasuk dalam kategori analitik preskriptif , dan masing-masing memiliki kumpulan penyedia
sendiri. Untuk contoh, perangkat lunak simulasi pro vided oleh perusahaan-perusahaan besar seperti Rockwell (ARENA) dan Simio.
Palisade menyediakan alat yang mencakup banyak kategori perangkat lunak . Demikian pula, Frontline menawarkan alat untuk optimasi
dengan Excel spreadsheet, seperti juga sebagai prediksi analisis. Analisis keputusan dalam pengaturan multiobyektif dapat dilakukan
dengan menggunakan alat seperti Expert Choice. Ada juga alat dari perusahaan seperti Exsys, XpertRule, dan lainnya untuk membuat
aturan langsung dari data atau masukan ahli .
Beberapa perusahaan baru sedang berkembang untuk menggabungkan beberapa model analitik di ruang Big Data termasuk analisis
jaringan sosial dan penambangan aliran. Misalnya, Teradata Aster menyertakan kemampuan analitik prediktif dan preskriptifnya sendiri
dalam memproses aliran Big Data. Beberapa perusahaan telah mengembangkan mesin pemrosesan acara (CEP) kompleks yang membuat
keputusan menggunakan data streaming, seperti Infosphere Streams IBM, StreamInsight Microsoft, dan Prosesor Acara Oracle.
Perusahaan besar lainnya yang memiliki produk CEP termasuk Apache, Tibco, Informatica, SAP, dan Hitachi. Perlu dicatat lagi bahwa
grup penyedia untuk ketiga kategori analitik tidak saling eksklusif. Dalam kebanyakan kasus, penyedia dapat bermain di beberapa
komponen analitik.
Kami selanjutnya memperkenalkan "kelopak bagian dalam" dari bunga analitik. Kluster ini dapat disebut akselerator analitik.
Meskipun mereka mungkin tidak terlibat dalam pengembangan teknologi secara langsung, organisasi-organisasi ini telah memainkan
peran kunci dalam membentuk industri.
Pengembang Aplikasi: Khusus Industri atau Umum

Organisasi dalam grup ini menggunakan pengetahuan industri mereka, keahlian analitis, solusi yang tersedia dari infrastruktur data, DW,
middleware, agregator data, dan penyedia perangkat lunak analitik untuk mengembangkan solusi khusus untuk industri tertentu. Dengan
demikian, grup industri ini memungkinkan teknologi analitik untuk digunakan dalam industri tertentu. Tentu saja, grup seperti itu
mungkin juga ada di organisasi pengguna tertentu. Sebagian besar penyedia teknologi analitik utama seperti IBM, SAS, dan Teradata
dengan jelas mengenali peluang untuk terhubung ke industri atau klien tertentu dan menawarkan layanan konsultasi analitik. Perusahaan
yang secara tradisional menyediakan solusi aplikasi / data untuk sektor tertentu sekarang mengembangkan penawaran analitik khusus
industri. Misalnya, Cerner menyediakan solusi rekam medis elektronik untuk penyedia medis, dan penawaran mereka sekarang
mencakup banyak laporan analitik dan visualisasi. Demikian pula, IBM menawarkan mesin pendeteksi penipuan untuk
industri asuransi kesehatan, dan bekerja dengan perusahaan asuransi untuk menggunakan platform analitik Watson mereka yang terkenal
dalam membantu penyedia medis dan perusahaan asuransi dalam diagnosis dan manajemen penyakit. Contoh lain dari penyedia aplikasi
vertikal adalah Sabre Technologies, yang menyediakan solusi analitis untuk industri perjalanan termasuk harga tarif untuk
pengoptimalan pendapatan dan perencanaan pengiriman .
Cluster ini juga mencakup perusahaan yang telah mengembangkan solusi analitik khusus domain mereka sendiri dan
memasarkannya secara luas ke basis klien. Sebagai contoh, Nike, IBM, dan Sportvision mengembangkan aplikasi dalam analisis olahraga
untuk meningkatkan yang bermain dan meningkatkan yang pemirsa. Acxiom telah mengembangkan cluster untuk hampir semua rumah
tangga di Amerika Serikat berdasarkan data yang mereka kumpulkan tentang rumah tangga dari berbagai sumber. Perusahaan pelaporan
skor kredit dan klasifikasi (FICO, Experian, dll.) Juga termasuk dalam grup ini . IBM dan beberapa lainnya perusahaan menawarkan
harga optimasi solusi di dalam ritel industri.
Bidang ini mewakili peluang kewirausahaan untuk mengembangkan aplikasi khusus industri. Banyak yang muncul di Web / media
sosial / analisis lokasi mencoba membuat profil pengguna untuk penargetan kampanye promosi yang lebih baik secara waktu nyata.
Contoh perusahaan tersebut dan aktivitasnya meliputi: YP.com menggunakan data lokasi untuk mengembangkan profil pengguna / grup
dan menargetkan iklan seluler, profil Towerdata pengguna berdasarkan penggunaan email, Qualia bertujuan untuk mengidentifikasi
pengguna melalui semua penggunaan perangkat, dan Simulmedia menargetkan iklan di TV pada satu dasar dari analisis dari sebuah
pengguna TV menonton kebiasaan.
Pertumbuhan smartphone telah melahirkan industri lengkap yang berfokus pada aplikasi analitik khusus untuk konsumen serta
organisasi. Misalnya, aplikasi ponsel cerdas seperti Shazam, Soundhound, atau Musixmatch dapat mengidentifikasi lagu berdasarkan
beberapa nada pertama dan kemudian membiarkan pengguna memilihnya dari basis lagu mereka untuk diputar / diunduh
/membeli. Waze menggunakan informasi lalu lintas waktu nyata yang dibagikan oleh pengguna, selain data lokasi , untuk meningkatkan
navigasi. Alat pengenalan suara seperti Siri di iPhone, Google Now, dan Amazon Alexa mengarah ke lebih banyak aplikasi analitik
khusus untuk tujuan yang sangat spesifik dalam analitik yang diterapkan pada gambar, video, audio, dan data lain yang dapat ditangkap
melalui smartphone dan / atau sensor yang terhubung. Ponsel cerdas juga telah meningkatkan penyedia ekonomi bersama seperti Uber,
Lyft, Curb, dan Ola. Banyak dari ini perusahaan adalah teladan dari analisis yang mengarah ke baru bisnis peluang.
Media sosial online adalah area panas lainnya di cluster ini. Tidak diragukan lagi, Facebook adalah pemain terdepan di ranah
jejaring sosial online yang diikuti oleh Twitter dan LinkedIn. Apalagi, akses publik ke datanya telah melahirkan banyak perusahaan lain
yang menganalisis datanya. Misalnya, Unmetric menganalisis data Twitter dan memberikan solusi kepada klien mereka. Demikian pula,
ada beberapa perusahaan lain yang fokus pada analisis jejaring sosial .
Area yang sedang tren dalam industri pengembangan aplikasi adalah IoT. Beberapa perusahaan sedang membangun aplikasi untuk
membuat objek pintar . Untuk contoh, SmartBin telah dikembangkan ligent intel- pemantauan jarak jauh sistem untuk limbah dan daur
ulang sektor. Beberapa lainnya -lembaga yang zations sedang bekerja pada membangun smart meter, smart grid, kota pintar, terhubung
mobil, rumah pintar, rantai pasokan cerdas, kesehatan terhubung, ritel cerdas, dan pintar lainnya objek.
Aktivitas dan ruang start-up ini berkembang dan berada dalam transisi besar karena masalah pendanaan teknologi / usaha dan
keamanan / privasi. Namun demikian, sektor pengembang aplikasi mungkin merupakan industri dengan pertumbuhan terbesar dalam
analitik saat ini. Kluster ini memberikan peluang unik bagi para profesional analitik yang mencari lebih banyak pilihan karier wirausaha .
Analis dan Influencer Industri Analytics

Cluster berikutnya dari industri analisis mencakup tiga jenis organisasi atau pro fessionals. Grup pertama adalah kumpulan organisasi
profesional yang memberikan saran kepada penyedia dan pengguna industri analitik. Layanan mereka meliputi analisis pemasaran ,
cakupan perkembangan baru, evaluasi teknologi spesifik, dan pengembangan pelatihan / kertas putih / dan sebagainya. Contoh pemain
seperti itu termasuk organisasi seperti Gartner Group, The Data Warehousing Institute, Forrester, McKinsey, dan banyak publikasi umum
dan teknis serta situs Web yang mencakup industri analitik . Magic Quadrants Grup Gartner sangat berpengaruh dan didasarkan pada
survei industri. Demikian pula, TDWI.org profesional memberikan ikhtisar industri yang sangat baik dan sangat menyadari dari saat ini
dan masa depan tren dari ini industri.
Kelompok kedua mencakup perkumpulan atau organisasi profesional yang juga menyediakan beberapa layanan yang sama tetapi
berbasis keanggotaan dan terorganisir. Misalnya, menginformasikan, seorang profesional organisasi, telah sekarang fokus pada
mempromosikan analisis. Kelompok Minat Khusus pada Dukungan Keputusan dan Analitik, subkelompok dari Asosiasi untuk Sistem
Informasi , juga berfokus pada analitik. Sebagian besar dari para utama vendor (misalnya, Teradata dan SAS) juga memiliki mereka
sendiri berbasis keanggotaan pengguna kelompok. Ini entitas mempromosikan dengan penggunaan dari analisis dan memungkinkan
berbagi dari para pelajaran yang dipelajari melalui mereka publikasi dan konferensi. Mereka mungkin juga menyediakan layanan
perekrutan, dan dengan demikian merupakan sumber yang baik untuk menemukan bakat.
Kelompok ketiga dari analis industri analitik adalah apa yang kami sebut duta analitik, pemberi pengaruh, atau penginjil. Para
analis ini telah mempresentasikan antusiasme mereka terhadap analitik melalui seminar, buku, dan publikasi lainnya. Contoh ilustratif
termasuk Steve Baker, Tom Davenport, Charles Duhigg, Wayne Eckerson, Bill Franks, Malcolm Gladwell, Claudia Imhoff, Bill Inman,
dan banyak lainnya. Sekali lagi, daftarnya tidak inklusif. Semua duta ini telah menulis buku (beberapa di antaranya terlaris!) Dan / atau
memberikan banyak presentasi untuk mempromosikan aplikasi analitik. Mungkin kelompok penginjil lain untuk dimasukkan di sini
adalah penulis buku teks tentang BI / analitik yang bertujuan untuk membantu cluster berikutnya untuk menghasilkan profesional untuk
industri analitik. Jelas, itu akan mengambil beberapa waktu untuk mahasiswa analisis untuk menjadi anggota cluster ini, tetapi mereka
bisa bekerja dengan anggota dari ini klaster sebagai peneliti atau magang.
Lembaga Akademik dan Lembaga Sertifikasi
Dalam industri padat pengetahuan seperti analitik, kekuatan fundamental berasal dari memiliki siswa yang tertarik dengan teknologi dan
memilih industri itu sebagai profesi mereka. Universitas memainkan peran kunci dalam mewujudkan hal ini. Cluster ini, kemudian,
mewakili program akademik yang mempersiapkan para profesional untuk industri tersebut. Ini termasuk berbagai komponen sekolah
bisnis seperti sistem informasi, pemasaran, mengelola- ilmu ment, dan sebagainya. Ini juga melampaui sekolah bisnis untuk memasukkan
ilmu komputer, statistik, matematika, dan departemen teknik industri di seluruh dunia. Cluster ini juga mencakup pengembang grafis
yang merancang cara baru untuk memvisualisasikan informasi. Universitas menawarkan program sarjana dan pascasarjana dalam analitik
di semua disiplin ilmu ini, meskipun mereka mungkin diberi label berbeda. Batas pertumbuhan utama adalah program sertifikat dalam
analitik yang memungkinkan para profesional saat ini untuk melatih dan memperlengkapi kembali diri mereka untuk karier analitik.
Program sertifikat memungkinkan berlatih analis untuk mendapatkan kemampuan dasar dalam spesifik software dengan mengambil
sebuah beberapa kritis kursus dari sekolah yang menawarkan program-program ini. TUN menyertakan daftar program analitik. Ini
mencakup hampir 150 program, dan ada yang cenderung banyak lebih seperti program, dengan baru yang sedang ditambahkan setiap
hari.
Kelompok pemain lain membantu mengembangkan kompetensi dalam analitik. Ini adalah program sertifikasi yang memberikan
sertifikat keahlian dalam perangkat lunak tertentu. Hampir setiap penyedia teknologi utama (IBM, Microsoft, Microstrategy, Oracle,
SAS, Tableau, dan Teradata) memiliki program sertifikasi mereka sendiri. Sertifikat ini memastikan bahwa calon karyawan baru
memiliki tingkat keahlian perkakas tertentu. Di sisi lain, INFORMS menawarkan program sertifikat Certified Analytics Professional
yang ditujukan untuk menguji kompetensi analitik umum individu. Semua sertifikasi ini memberikan mahasiswa keterampilan tambahan
yang dapat dipasarkan .
Pertumbuhan program akademik di bidang analitik sangat mencengangkan. Hanya waktu yang akan memberitahu jika ini cluster
overbuilding kapasitas yang dapat dikonsumsi oleh kelompok lain, tetapi pada ini titik, permintaan tampaknya melampaui pasokan
lulusan analisis yang berkualitas, dan ini adalah yang paling jelas tempat untuk menemukan di setidaknya entry perekrutan level
analytics .
Regulator dan Pembuat Kebijakan

Para pemain dalam komponen ini bertanggung jawab untuk menetapkan aturan dan regulasi untuk melindungi karyawan, pelanggan, dan
pemegang saham organisasi analitik. Pengumpulan dan pembagian data pengguna memerlukan undang-undang yang ketat untuk
mengamankan privasi. Beberapa organisasi di ruang ini mengatur transfer data dan melindungi hak pengguna. Misalnya, Federal
Communications Commission (FCC) mengatur komunikasi antar negara bagian dan internasional. Demikian pula, Federal Trade
Commission (FTC) bertanggung jawab untuk mencegah praktik bisnis tidak adil terkait data. International Telecommunication Union
(ITU) mengatur akses ke teknologi informasi dan komunikasi (TIK) untuk komunitas yang kurang terlayani di seluruh dunia. Di sisi lain,
lembaga federal nonregulasi bernama National Institute of Standards and Technology (NIST), membantu memajukan infrastruktur
teknologi. Ada beberapa organisasi lain di seluruh dunia yang mengatur keamanan data dan mempercepat industri analitik. Ini adalah
komponen yang sangat penting dalam dalam ekosistem sehingga yang ada satu dapat menyalahgunakan konsumen informasi.
Bagi siapa pun yang mengembangkan atau menggunakan aplikasi analitik, mungkin penting untuk memiliki seseorang di tim yang
mengetahui kerangka peraturan. Agensi dan profesional yang bekerja dengan mereka jelas menawarkan bakat dan keterampilan analitik
yang unik.
Organisasi Pengguna Analytics

Jelas, ini adalah mesin ekonomi dari seluruh industri analitik, dan oleh karena itu, kami mewakili cluster ini sebagai inti dari bunga
analitik. Jika tidak ada pengguna, tidak akan ada industri analitik. Organisasi di setiap industri, terlepas dari ukuran, bentuk, dan
lokasinya, menggunakan atau mengeksplorasi penggunaan analitik dalam operasi mereka. Ini termasuk sektor swasta, pemerintahan,
pendidikan, militer, dan sebagainya. Ini mencakup organisasi di seluruh dunia. Banyak contoh penggunaan analitik di berbagai industri.
Yang lain sedang menjajaki peluang serupa untuk mencoba dan mendapatkan / mempertahankan keunggulan kompetitif. Perusahaan
tertentu tidak disebutkan di bagian ini; bukan, tujuan di sini adalah untuk melihat apa jenis dari peran analisis profesional dapat bermain
dalam sebuah pengguna organisasi.
Tentu saja, pimpinan puncak sebuah organisasi, terutama di grup teknologi informasi (chief information officer, dll.), Sangat
penting dalam menerapkan analitik pada operasinya. Kabarnya, Forrest Mars dari Mars Chocolate Empire mengatakan bahwa semua
manajemen bermuara pada penerapan matematika pada operasi dan ekonomi perusahaan. Meskipun tidak cukup manajer senior yang
mendukung pandangan ini , kesadaran untuk menerapkan analitik dalam organisasi tumbuh di mana-mana. Seorang eksekutif perusahaan
asuransi kesehatan pernah memberi tahu kami bahwa atasannya (CEO) memandang perusahaan tersebut sebagai organisasi yang
mendukung TI yang mengumpulkan uang dari anggota yang diasuransikan dan mendistribusikannya kepada penyedia. Jadi efisiensi
dalam proses ini adalah premi yang dapat mereka peroleh dari pesaing . Hal ini mendorong perusahaan untuk mengembangkan beberapa
aplikasi analitik untuk mengurangi penipuan dan kelebihan pembayaran kepada penyedia, mempromosikan kesehatan di antara mereka
yang diasuransikan sehingga mereka akan lebih jarang menggunakan penyedia, menghasilkan lebih banyak efisiensi dalam pemrosesan,
dan dengan demikian menjadi lebih menguntungkan. Hampir semua organisasi besar di setiap industri yang kami ketahui sedang
merekrut profesional analitik dengan berbagai judul. Gambar 1.14 adalah cloud kata dari judul-judul terpilih lulusan program kami di
Oklahoma State University dari 2013 hingga 2016. Hal ini dengan jelas menunjukkan bahwa Analytics dan Ilmu Data adalah judul
populer di organisasi yang mempekerjakan lulusan program tersebut. Kata kunci lain tampaknya menyertakan istilah seperti Risiko,
Database,
Keamanan, Pendapatan, Pemasaran, dan sebagainya.
GAMBAR 1.14 Firman Cloud dari Job Judul dari Analytics Program Lulusan.
Tentu saja, organisasi pengguna menyertakan jalur karier bagi para profesional analitik yang pindah ke posisi manajemen. Judul-
judul ini termasuk manajer proyek, manajer senior, dan direktur, hingga kepala petugas informasi atau kepala eksekutif. Ini menunjukkan
bahwa organisasi pengguna ada sebagai cluster kunci dalam ekosistem analitik dan dengan demikian dapat menjadi sumber bakat yang
baik. Ini mungkin tempat pertama untuk menemukan profesional analitik dalam segmen industri vertikal.
Tujuan dari bagian ini adalah untuk menyajikan peta lanskap industri analitik. Sebelas kelompok berbeda yang memainkan peran
kunci dalam membangun dan mengembangkan industri ini telah diidentifikasi. Lebih banyak kelopak / komponen dapat ditambahkan
seiring waktu di bunga / ekosistem analitik. Karena analitik data membutuhkan keahlian yang beragam, pemahaman tentang ekosistem
ini memberi Anda lebih banyak opsi daripada yang mungkin Anda bayangkan untuk karier di bidang analitik. Selain itu, para profesional
mungkin saja berpindah dari satu cluster industri ke cluster industri lainnya untuk memanfaatkan keterampilan mereka. Misalnya,
profesional ahli dari penyedia terkadang dapat pindah ke posisi konsultasi, atau langsung ke organisasi pengguna. Secara keseluruhan,
ada banyak hal yang menarik tentang industri analitik pada saat ini.

1. Daftar yang 11 kategori dari pemain di dalam analisis ekosistem.
2. Berikan contoh dari perusahaan di masing-masing dari yang 11 jenis dari pemain.
3. Perusahaan manakah yang dominan di lebih dari satu kategori?
4. Apakah itu lebih baik untuk menjadi yang terkuat pemain di satu kategori atau menjadi aktif dalam beberapa kategori?
1.9 Rencana Buku

Bagian sebelumnya telah memberi Anda pemahaman tentang kebutuhan teknologi informasi dalam pengambilan keputusan, evolusi BI,
dan sekarang menjadi analitik dan ilmu data. Di dalam terakhir beberapa bagian kami telah melihat sebuah gambaran dari berbagai jenis
dari analisis dan aplikasi mereka. Sekarang kami siap untuk tamasya manajerial yang lebih rinci ke dalam topik ini, bersama dengan
beberapa pengalaman langsung yang mendalam di beberapa topik teknis . Gambar 1.15 hadiah sebuah rencana di dalam sisa dari para
buku.
Dalam bab ini, kami telah memberikan pengantar, definisi, dan ikhtisar DSS, BI, dan analitik, termasuk analitik Big Data dan ilmu
data. Kami juga memberi Anda
GAMBAR 1.15 Rencana Buku.
gambaran umum ekosistem analitik agar Anda menghargai luas dan dalamnya industri. Bab 2 dan 3 membahas analitik deskriptif dan
masalah data. Data dengan jelas membentuk fondasi untuk aplikasi analitik apa pun. Jadi kami membahas pengantar masalah data ware-
housing, aplikasi, dan teknologi. Bagian ini juga mencakup pelaporan bisnis dan teknologi serta aplikasi visualisasi. Ini diikuti dengan
gambaran singkat dari BPM teknik dan aplikasi-a topik yang telah menjadi sebuah kunci bagian dari tradisional BI.
Bagian selanjutnya mencakup analitik prediktif. Bab 4 memberikan pengantar untuk aplikasi analitik prediktif. Ini mencakup
banyak data umum pertambangan tech- tehnik: klasifikasi, clustering, pertambangan asosiasi, dan lain sebagainya. Bab 5 berfokus pada
aplikasi penambangan teks serta analisis Web , termasuk analisis media sosial, analisis sentimen , dan topik terkait lainnya. Bab 6
mencakup analitik preskriptif. Bab 7 mencakup lebih detail tentang analitik Big Data. Bab 8 mencakup diskusi tentang tren yang muncul.
Keberadaan perangkat nirkabel dan GPS serta sensor lainnya menghasilkan terciptanya basis data baru yang masif dan aplikasi unik.
Generasi baru perusahaan analitik muncul untuk menganalisis database baru ini dan menciptakan pemahaman yang jauh lebih baik dan
lebih dalam tentang perilaku dan pergerakan pelanggan. Ini mengarah pada otomatisasi analitik dan juga telah menjangkau area baru
yang disebut "Internet of Things". Bab ini juga mencakup analitik berbasis cloud, Akhirnya, Bab 8 juga mencoba mengintegrasikan
semua materi yang tercakup dalam buku ini dan diakhiri dengan diskusi singkat tentang dimensi keamanan / privasi analitik.
1.10 Sumber Daya, Tautan, dan Koneksi Jaringan Universitas Teradata
The penggunaan dari ini bab dan paling lainnya bab dalam ini buku dapat menjadi ditingkatkan oleh para perangkat dijelaskan sebagai
berikut bagian.
Sumber dan Tautan

Kami merekomendasikan sumber daya dan tautan utama berikut:
• Lembaga Data Warehousing (tdwi.or g)
• Pusat Ilmu Data (datasetciencecentral.com)
• Sumber Daya DSS (dssresources.com)

• Konsorsium Microsoft Enterprise (enterprise.waltoncollege.uark.edu/mec.asp)
Vendor, Produk, dan Demo

Sebagian besar vendor menyediakan demo perangkat lunak untuk produk dan aplikasi mereka. Informasi tentang produk, arsitektur, dan
perangkat lunak yang tersedia di dssresources.com.
Terbitan berkala
Kami merekomendasikan majalah berikut:
• Sistem Pendukung Keputusan (www.journals.elsevier.com/decision-support-systems)
• CIO Insight (cioinsight.com)
Koneksi Jaringan Universitas Teradata

Buku ini terkait erat dengan sumber daya gratis yang disediakan oleh TUN (lihat teradata universitynetwork.com). Portal TUN dibagi
menjadi dua bagian utama: satu untuk mahasiswa dan satu lagi untuk fakultas. Buku ini terhubung ke portal TUN melalui bagian khusus
di akhir setiap bab. Bagian itu mencakup tautan yang sesuai untuk bab tertentu, yang mengarah ke sumber daya yang relevan. Selain itu,
kami menyediakan latihan langsung, menggunakan perangkat lunak dan materi lain (misalnya, kasing) yang tersedia di TUN.
The Book ini Web Site

Situs Web buku ini, pearsonglobaleditions.com/sharda, berisi materi tekstual tambahan yang diatur sebagai bab Web yang sesuai dengan
1
bab buku cetak. Topik dari bab-bab ini tercantum dalam daftar isi bab online.
1
Saat buku ini dicetak, kami memverifikasi bahwa semua situs Web yang dikutip aktif dan valid. Namun, URL bersifat dinamis. Situs web yang kami rujuk dalam teks
terkadang berubah atau dihentikan karena perusahaan mengubah nama, dibeli atau dijual, bergabung, atau gagal. Terkadang situs Web tidak aktif karena pemeliharaan,
perbaikan, atau desain ulang. Banyak organisasi telah menjatuhkan yang awal “www” sebutan untuk mereka situs, namun beberapa masih menggunakan itu. Jika Anda
memiliki sebuah masalah menghubungkan ke sebuah web situs yang kami sebutkan, silakan menjadi pasien dan hanya menjalankan sebuah Web pencarian untuk mencoba
untuk mengidentifikasi yang mungkin baru situs. Kebanyakan kali, Anda dapat dengan cepat menemukan yang baru situs melalui salah satu dari para mesin pencari
populer. Kami mohon maaf sebelumnya atas ketidaknyamanan ini .
Bab 1 • Sebuah Tinjauan dari Bisnis Intelligence, Analytics, dan data Sains 75

Sorotan Bab
• Lingkungan bisnis menjadi lebih kompleks dan berubah dengan cepat, membuat keputusan semakin sulit.
• Bisnis harus merespons dan beradaptasi dengan cepat dalam lingkungan yang berubah dengan membuat keputusan yang lebih cepat dan lebih baik .
• Kerangka waktu untuk membuat keputusan adalah ing shrink, sedangkan sifat global keputusan pembuatan berkembang, sehingga diperlukan pengembangan
dan penggunaan terkomputerisasi DSS.
• DSS menggunakan data, model, dan terkadang manajemen pengetahuan untuk menemukan solusi untuk beberapa masalah yang tidak terstruktur dan semi-
terstruktur .
• metode BI memanfaatkan repositori pusat yang disebut sebuah DW yang memungkinkan data mining efisien, OLAP, BPM, dan data visualisasi.
• Arsitektur BI mencakup DW, alat analisis bisnis yang digunakan oleh pengguna akhir, dan antarmuka pengguna (seperti dasbor).
• Banyak organisasi menggunakan analitik deskriptif untuk menggantikan pelaporan datar tradisional mereka dengan pelaporan interaktif yang memberikan
wawasan, tren, dan pola dalam data transaksional .
• prediktif analisis memungkinkan organisasi untuk menetapkan aturan prediktif yang mendorong hasil bisnis melalui analisis data historis dari para perilaku yang
ada dari pelanggan.
• Bantuan analitik preskriptif dalam membangun model yang melibatkan teknik perkiraan dan pengoptimalan berdasarkan prinsip OR dan ilmu manajemen untuk
membantu organisasi membuat keputusan yang lebih baik .
• Analisis Big Data berfokus pada kumpulan data besar yang tidak terstruktur yang mungkin juga mencakup berbagai jenis data untuk analisis.
• Analisis sebagai bidang juga dikenal dengan nama aplikasi khusus industri, seperti analisis olahraga. Ia juga dikenal dengan nama terkait lainnya seperti ilmu
data atau ilmu jaringan .
• Perawatan kesehatan dan rantai ritel adalah dua area di mana aplikasi analitik berlimpah, dengan lebih banyak lagi yang akan datang.
• Para analisis ekosistem dapat pertama dilihat sebagai suatu kumpulan penyedia, pengguna, dan fasilitator. Itu dapat dipecah menjadi 11 kelompok.
Istilah Kunci
analitik
ekosistem analitik, kecerdasan bisnis analitik data besar
(DUA)
dashboard data mining

keputusan atau analitik normatif
analitik deskriptif (atau pelaporan)

agen cerdas analitik online
pemrosesan (OLAP)
pemrosesan transaksi online (OLTP)

analitik prediktif analitik preskriptif layanan Web
Pertanyaan untuk Diskusi
1. Survey ilmiah, teknologi, dan literatur yang profesional dari enam bulan terakhir untuk menemukan aplikasi exam- prinsip keuangan dari bidang sistem informasi perusahaan dan
gudang data dimana data mining dan data analisis telah telah digunakan untuk ekonomi dan keuangan tujuan.
2. Apa perbedaan antara “data tradisional mining” (di dalam konteks dari data yang gudang) dan Big data analisis?
3. Mengategorikan struktur data yang mendasari dan pemrosesan data teknologi sebagai OLTP, OLAP, atau analitik Big Data.
4. Dalam kasus proyek yang bertujuan untuk memperkenalkan alat untuk BI, Analisis Data, dan ilmu data ke dalam sebuah perusahaan, elemen mana dari ekosistem analitik yang
dapat dan harus digabungkan?
76 Bab 1 • Gambaran Umum Business Intelligence, Analitik, dan Ilmu Data
Latihan
Jaringan Universitas Teradata dan Latihan Hands-On Lainnya
1. Buka teradatauniversitynetwork.com. Menggunakan kata sandi situs yang diberikan instruktur Anda, daftar ke situs tersebut jika Anda belum pernah mendaftar sebelumnya. Masuk dan
pelajari konten situs. Anda akan menerima tugas yang berhubungan dengan situs ini. Siapkan daftar 20 item pada satu situs yang Anda pikir bisa menjadi menguntungkan untuk
Anda.
2. Buka situs TUN. Jelajahi halaman Analisis Olahraga , dan rangkum setidaknya dua aplikasi analisis dalam olahraga pilihan Anda .
3. Masuk ke situs TUN, dan pilih "Kasus, Proyek, dan Tugas". Kemudian pilih studi kasus "Harrah's High Payoff from Customer Information". Jawab pertanyaan berikut tentang kasus
ini :
Sebuah. Apa informasi yang yang Data mining menghasilkan?
b. Bagaimana informasi ini membantu manajemen dalam pengambilan keputusan? (Lebih spesifik.)
c. Daftar yang jenis dari data yang yang sedang ditambang.
d. Apakah ini aplikasi DSS atau BI ? Mengapa?
4. Buka teradatauniversitynetwork.com dan temukan makalah berjudul "Data Warehousing Mendukung Strategi Perusahaan di First American Corporation" (oleh Watson, Wixom, dan
Goodhue). Bacalah kertasnya, dan jawablah pertanyaan - pertanyaan berikut :
Sebuah. Apa driver untuk proyek DW / BI di dalam perusahaan?
b. Keuntungan strategis apa yang terwujud?
c. Keuntungan operasional dan taktis apa yang dicapai?
d. Apa faktor penentu keberhasilan implementasi ?
5. Pergi ke http://analytics-magazine.org/issues/digital-editions dan menemukan edisi 2012 Januari / Februari berjudul “Edisi Khusus:. Masa Depan Kesehatan” Baca artikel "Analisis
Prediktif — Menyelamatkan Nyawa dan Menurunkan Tagihan Medis". Jawab pertanyaan - pertanyaan berikut ini :
Sebuah. Masalah apa yang sedang ditangani dengan menerapkan analitik prediktif ?
b. Berapa Skor Kepatuhan Pengobatan FICO ?
c. Bagaimana model prediksi dilatih untuk memprediksi Skor Kepatuhan Obat FICO? Melakukan prediksi model yang mengklasifikasikan para FICO Obat Kepatuhan Score?
d. Perbesar Gambar 4, dan jelaskan jenis teknik apa yang diterapkan pada hasil yang dihasilkan .
e. Buat daftar beberapa keputusan yang dapat ditindaklanjuti yang didasarkan pada hasil prediksi .
6. Buka http://analytics-magazine.org/issues/digital-editions, dan temukan edisi Januari / Februari 2013 berjudul "Work Social". Baca artikel "Big Data, Analisis, dan Pemilu", dan
jawab pertanyaan berikut :
Sebuah. Jenis Big Data apa yang dianalisis dalam artikel Coo? Komentar pada beberapa dari para sumber dari Big Data.
b. Jelaskan istilah sistem terintegrasi. Apa istilah teknis lain yang sesuai dengan sistem terintegrasi ?
c. Jenis teknik analisis data apa yang digunakan dalam proyek ini? Mengomentari beberapa inisiatif yang dihasilkan dari analisis data .
d. Apa masalah prediksi berbeda yang dijawab oleh model?
e. Daftar beberapa keputusan ditindaklanjuti diambil yang sedang berdasarkan prediksi hasil.
f. Mengidentifikasi dua aplikasi dari analisis Big Data yang yang tidak tercantum dalam artikel.
7. Cari di Internet untuk material mengenai pekerjaan dari manajer dan memainkan peran analisis. Apa jenis dari referensi untuk perusahaan konsultan, departemen akademik, dan
program-program yang Anda temukan? Area utama apa yang diwakili? Pilih lima situs yang mencakup satu area, dan laporkan temuan Anda .
8. Jelajahi area umum dssresources.com. Siapkan sebuah daftar sumber daya utama yang tersedia. Anda mungkin ingin untuk merujuk ke ini situs sebagai Anda bekerja melalui itu
buku.
9. Buka microstrategy.com. Cari informasi tentang lima gaya dari BI. Siapkan sebuah ringkasan tabel untuk masing-masing gaya.
10. Buka oracle.com, dan klik tautan Hyperion di bawah Aplikasi. Tentukan produk utama perusahaan . Hubungkan ini dengan teknologi pendukung yang dikutip dalam bab ini .
11. Go to the TUN pertanyaan situs. Carilah untuk BSI video. Tinjau video "Kasus Tweeters Ritel". Siapkan ringkasan satu halaman dari masalah, solusi yang diusulkan, dan hasil
yang dilaporkan. Anda juga dapat menemukan slide terkait di slideshare.net.
12. Tinjau bagian Ekosistem Analytics. Identifikasi setidaknya dua perusahaan tambahan di setidaknya lima klaster industri yang dicatat dalam diskusi.
13. Diskusi untuk ekosistem analitik juga mencakup beberapa jabatan pekerjaan khas untuk lulusan program analitik dan ilmu data. Teliti situs Web seperti data- sciencecentral.com
dan tdwi.org untuk menemukan setidaknya tiga judul pekerjaan serupa yang mungkin menarik bagi Anda untuk karier Anda .
Bab 1 • Sebuah Tinjauan dari Bisnis Intelligence, Analytics, dan data Sains 77

Referensi
Capcredit.com. (2015). “Berapa Banyak Pengeluaran Orang Amerika untuk Olahraga Setiap Tahun?” capcredit.com/how-much-americans- menghabiskan-untuk-olahraga-setiap-
tahun / (diakses Juli 2016).
CDC.gov. (2015, 21 September ). “ Fakta Penting tentang Air Terjun.” cdc.gov/homeandrecreationalsafety/falls/adultfalls.html (diakses Juli 2016).
CenterPointEnergy.com. “Sekilas Perusahaan.” centerpoint energy.com/en-us/Corp/Pages/Company-overview
.aspx (diakses Juni 2016).
Chiguluri, V., Guthikonda, K., Slabaugh, S., Havens, E., Peña, J., & Cordier, T. (2015, Juni). Hubungan antara komplikasi diabetes dan kualitas hidup yang berhubungan dengan
kesehatan di antara populasi lansia di Amerika Serikat. Presentasi poster di Sesi Ilmiah Tahunan ke-75 Asosiasi Diabetes Amerika. Boston, MA.
Cordier, T., Slabaugh, L., Haugh, G., Gopal, V., Cusano, D., Andrews, G., & Renda, A. (2015, September). Kualitas hidup berubah seiring dengan berkembangnya gagal jantung
kongestif. Presentasi poster pada Pertemuan Ilmiah Tahunan ke-19 dari Heart Failure Society of America, Washington, DC.
Davenport, T., & SAS Institute Inc. (2014, Februari). Analisis dalam olahraga: Ilmu baru tentang kemenangan. sas.com/content/ dam / SAS / en_us / doc / whitepaper2 / iia-
analytics-in- sports-106993.pdf (diakses Juli 2016).
Davenport, T.H. , & Patil, DJ (2012). Ilmuwan data. Harvard Business Review , 90 , 70–76.
Dundas.com. “Bagaimana Siemens Mengurangi Biaya Secara Drastis Dengan Aplikasi Bi yang Dikelola.” dundas.com/resource/get casestudy ? caseStudyName = 09-03-2016-
Siemens% 2FDundas-BI-Siemens-Case-Study.pdf (diakses Juli 2016).
Emc.com. (nd). "Ilmu data mengungkapkan: Pandangan sekilas berdasarkan data ke bidang baru yang sedang berkembang". emc.com/ collateral / about / news / emc-data-science-
study-wp.pdf (diakses Juli 2016).
Gartner, Inc. (2004). Menggunakan kecerdasan bisnis untuk mendapatkan keunggulan kompetitif. Laporan khusus .
Gates, S., Smith, LA, Fisher, JD, dkk. (2008). Tinjauan sistematis dari akurasi instrumen skrining untuk memprediksi risiko jatuh di antara orang dewasa yang hidup mandiri. Jurnal
Penelitian dan Pengembangan Rehabilitasi, 45 (8), 1105–1116.
Gill, TM, Murphy, TE, Gahbauer, EA, dkk. (2013). Asosiasi jatuh yang merugikan dengan hasil kecacatan dan penerimaan panti jompo di komunitas yang tinggal orang yang lebih
tua . American Journal of Epidemiology, 178 (3), 418-425. Gorry, GA, & Scott-Morton, MS (1971). Kerangka untuk sistem informasi manajemen. Manajemen Sloan
Review , 13 (1), 55–70.
K een, P. G. W ., & M. S. Scott-Mo r ton. (1978). Keputusan sup - po r t sistem: Sebuah o r pe r masing- . R eading, MA: Sebuah ddison- W ESL e y .
Havens, E., Peña, J., Slabaugh, S., Cordier, T., Renda, A., & Gopal,
V. (2015, Oktober). Menjelajahi yang hubungan antara
kualitas terkait kesehatan dari kehidupan dan kesehatan kondisi, biaya, pemanfaatan sumber daya, dan langkah-langkah kualitas. Podium tasi presen- di dalam ISOQOL 22 Konferensi
Tahunan, Vancouver, Kanada.
Havens, E., Slabaugh, L., Peña, J., Haugh, G., & Gopal, V. (2015, Februari). Adakah perbedaan Hari Sehat berdasarkan kepatuhan pada langkah-langkah pemeriksaan kesehatan
preventif ? Presentasi poster di Preventive Medicine 2015, Atlanta, GA.
Humana. Laporan kemajuan 2016 . populasi kesehatan. humana.com/wp-content/uploads/2016/05
/BoldGoal2016ProgressReport_1.pdf (diakses Juli 2016).
INFORMS. Ringkasan bagian Analytics . informs.org/ Community / Analytics (diakses Juli 2016).
NCAA, Pusat Nasional untuk Laporan Penelitian Cedera Olahraga Bencana . NCAA Olahraga Cedera lembar fakta yang diproduksi oleh para Datalys Pusat Olahraga Cedera Penelitian
dan Pencegahan bekerjasama dengan National Collegiate Athletic Association, dan Luka-luka BERHENTI Olahraga. Cedera sepak bola wanita .
ncaa.org/sites/default/files/NCAA_W_Soccer_ Injuries_WEB.pdf (diakses Juli 2016).
Pajouh Foad, M., Xing, D., Hariharan, S., Zhou, Y., Balasundaram, B., Liu, T., & Sharda, R. (2013). Tersedia untuk dijanjikan dalam praktik: Aplikasi analitik dalam industri produk
batang baja khusus. Antarmuka , 43 (6), 503–517. dx.doi.org/10.1287/inte.2013.0693 (diakses
Juli 2016).
Laporan Price Waterhouse Coopers. (2011, Desember). Mengubah permainan: Outlook untuk pasar olahraga global hingga 2015 . pwc.com/gx/en/hospitality-leisure/pdf
/ change-the-game-outlook-for-the-global-sports- market-to-2015.pdf (diakses Juli 2016).
Sap.com. (2013, Oktober). Pendekatan "Cerdas" untuk Big Data di Industri Energi. sap.com/bin/sapcom/cs_cz
/downloadasset.2013-10-oct-09-20.a-smart-approach-to- big-data-in-the-energy-industry-pdf.html (diakses Juni 2016).
Sharda, R., Asamoah, D., & Ponna, N. (2013). Penelitian dan pedagogi dalam analisis bisnis: Peluang dan contoh ilusif. Jurnal Komputer dan Teknologi Informasi , 21 (3), 171–182.
Siemens.com. Tentang Siemens . siemens.com/about/en/ (diakses Juli 2016).
Silvaris.com. Sekilas Silvaris . silvaris.com/About/ (diakses Juli 2016).
Simon, H. (1977). Ilmu Baru Keputusan Manajemen .
Englewood Cliffs, NJ: Prentice Hall.
Tableau.com. Silvaris menambah proprietary teknologi plat- bentuk dengan Tableau ini real-time pelaporan kemampuan . tablo. com / sites / default / files / case-studies / silvaris-
business- dashboards_0.pdf (diakses Juli 2016).
TeradataUniversityNetwork.com. (2015, Musim Gugur). BSI: Analisis olahraga — Sepak bola presisi (video). teradatauniversity network.com/About-Us/Whats-New/BSI–Spor ts
-Analytics-Precision-Football / (diakses Juli 2016).
78 Bab 1 • Gambaran Umum Business Intelligence, Analitik, dan Ilmu Data
Terry, D. (2011), “Sabre Streamlines Decision Making,” http: // www.teradatamagazine.com/v11n04/Features/Sabre- Streamlines-Decision-Making / (Diakses Juli 2016).
Turck, Matt, “Apakah Big Data Masih Penting? (Lanskap Big Data 2016). ” http://mattturck.com/2016/02/01/big-data- landscape / (diakses Agustus 2016)
Watson, H. (2005, Musim Dingin). Memilah apa yang baru dalam dukungan keputusan. Jurnal Business Intelligence .
Wikipedia.org. Persentase di dasar . en.wikipedia.org
/ wiki / On_base_percentage (diakses Januari 2013).
Wikipedia.org. Sabermetrics . en.wikipedia.org/wiki
/ Sabermetrics (diakses Januari 2013).
Wikipedia.org. SIEMENS . en.wikipedia.org/wiki/Siemens (diakses Juli 2016).

Siaran Pers Penelitian Wintergreen (PR Newswire). (2015, 25 Juni). Pasar analitik olahraga bernilai $ 4,7 miliar pada tahun 2021 . prnewswire.com/news-releases/sports-
analytics-
pasar-senilai-47- miliar-oleh- 2021-509869871. html
(diakses Juli 2016).
YouTube.com. (2013, 17 Desember). Energi CenterPoint berbicara tentang analitik data besar waktu nyata . youtube.com/watch
? v = s7CzeSlIEfI (diakses Juni 2016).

Translate PDF Maybe Fix

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Translate PDF Maybe Fix

Diunggah oleh

Hak Cipta:

Format Tersedia

28/2/2021 https://translate.googleusercontent.

Sebuah Tinjauan dari Bisnis Intelligence,

1.1 MEMBUKA VIGNETTE: Sports Analytics — Sebuah Perbatasan yang Menyenangkan

Contoh 1: Kantor Bisnis

Tingkat Sangat Mungkin Mungkin Mungkin Tentu tidak

GAMBAR 1.1 Pembaruan Tiket Musiman — Skor Survei.

GAMBAR 1.4 Analisis Zona Peta Panas untuk Passing Plays.

GAMBAR 1.5 Analisis Rangkaian Waktu Drama Peledak.

GAMBAR 1.7 Tes Tahan Jongkok Satu Kaki–

PERTANYAAN TENTANG CONTOH INI

Apa yang Dapat Kita Pelajari dari Vinyet Ini?

Perubahan Lingkungan Bisnis dan Kebutuhan yang Berkembang untuk

BAGIAN 1.2 PERTANYAAN REVIEW

Evolusi Dukungan Keputusan Terkomputerisasi ke Analisis / Ilmu Data

GAMBAR 1.8 Evolusi Dukungan Keputusan, Business Intelligence, dan Analytics.

BAGIAN 1.3 PERTANYAAN TINJAUAN

1.4 Sebuah Kerangka untuk Bisnis Intelligence

Asal Usul dan Pendorong BI

GAMBAR 1.9 Evolusi Business Intelligence (BI).

Kasus Aplikasi 1.1

Q uestions untuk d iscussion

Yang Dapat Kami Pelajari dari Kasus Aplikasi Ini

Latihan Multimedia dalam Business Intelligence

Pemrosesan Transaksi versus Pemrosesan Analitik

Real-Time, Sesuai Permintaan BI Dapat Dicapai

Mengembangkan atau Memperoleh Sistem BI

Pembenaran dan Analisis Biaya-Manfaat

Keamanan dan Perlindungan Privasi

Integrasi Sistem dan Aplikasi

BAGIAN 1.4 PERTANYAAN TINJAUAN

GAMBAR 1.11 Tiga Jenis Analisis.

Kasus Aplikasi 1.2

Q uestions untuk d iscussion

Yang Dapat Kami Pelajari dari Kasus Aplikasi Ini

Kasus Aplikasi 1.3

Q uestions untuk d iscussion

Yang Dapat Kami Pelajari dari Kasus Aplikasi Ini

Kasus Aplikasi 1.4

Q uestions untuk d iscussion

Yang Dapat Kami Pelajari dari Kasus Aplikasi Ini

Analytics Diterapkan ke Domain Berbeda

Kasus Aplikasi 1.5

Q uestions untuk d iscussion

Analisis atau Ilmu Data?

BAGIAN 1.5 PERTANYAAN REVIEW

1.6 Contoh Analytics di Domain yang Dipilih

Aplikasi Analisis dalam Perawatan Kesehatan — Contoh Humana

Analisis dalam Rantai Nilai Ritel

1. Produk mana yang memiliki permintaan tinggi ?

Elastisitas 1. Berapa banyak net margin1. penurunan harga harga untuk

buat faktor pembeda / USP untuk menarik pelanggan baru.

BAGIAN 1.6 PERTANYAAN ULASAN

1,7 A Brief Pendahuluan untuk Big data Analytics

BAGIAN 1.7 PERTANYAAN ULASAN

Kasus Aplikasi 1.6

Q uestions untuk d iscussion

Yang Dapat Kami Pelajari dari Kasus Aplikasi Ini

1.8 Tinjauan tentang Ekosistem Analitik

GAMBAR 1.13 Ekosistem Analytics .

Penyedia Infrastruktur Penghasil Data

Penyedia Infrastruktur Manajemen Data

Penyedia Data Warehouse

Penyedia Layanan Data