Business Intelligence (Pengertian,

Manfaat, Jenis, Arsitektur dan

Penggunaan)
Oleh Muchlisin Riadi  Desember 07, 2019  Posting Komentar

Apa itu Business Intelligence? 

Business intelligence (disingkat BI) adalah seperangkat alat analisis

berupa informasi bisnis yang digunakan untuk mengkonsolidasi,
menganalisis, menyimpan dan mengakses banyak data dalam
konteks proses bisnis yang mengarah pada pembuatan keputusan
dan tindakan dengan tujuan peningkatan kinerja usaha atau bisnis.

Business intelligence memberikan jalan untuk memperoleh

pengetahuan yang dibutuhkan untuk membuat keputusan yang baik.
Lingkungan business intelligence meliputi semua perkembangan,
pengolahan informasi, dan dukungan kegiatan yang dibutuhkan untuk
memberikan informasi bisnis yang handal dan sangat relevan dan
kemampuan analitis bisnis untuk kegiatan bisnis organisasi dan untuk
pengambilan keputusan.

Business intelligence menjelaskan tentang suatu konsep dan metode

bagaimana untuk meningkatkan kualitas pengambilan keputusan
bisnis berdasarkan sistem yang berbasiskan data. Koleksi data
mentah dapat diubah menjadi informasi dengan cara dianalisa dan
disusun berdasarkan hubungan antara data dengan mengetahui data
apa yang ingin dikumpulkan dan di dalam konteks apa yang
diinginkan.

Fungsi business intelligence adalah sebagai sistem pendukung

keputusan dimana sistem dan aplikasi ini mengubah data-data dalam
organisasi (data operasional, data transaksional, atau data lainnya)
kedalam bentuk pengetahuan dengan tujuan secara umum yaitu
menyajikan berbagai informasi yang disesuaikan dengan kebutuhan
setiap penggunanya.

Berikut definisi dan pengertian business intelligence dari beberapa

sumber buku:

 Menurut Laudon dan Jane (2007), business intelligence adalah

alat analisis yang digunakan untuk mengkonsolidasi data,
menganalisis, menyimpan dan mengakses banyak data untuk
membantu dalam pembuatan keputusan, seperti perangkat
lunak untuk query database dan pelaporan alat untuk analisis
data multidimensi, dan data mining. 
 Menurut Vercellis (2009), business intelligence adalah satu set
model matematika dan metodologi analisis yang
mengeksploitasi data yang tersedia untuk menghasilkan
informasi dan pengetahuan yang berguna untuk proses
pengambilan keputusan yang kompleks. 
 Menurut Yulianton (2008), business intelligence adalah semua
penggalian modal bisnis untuk mendapatkan keuntungan dari
data yang tersedia, baik yang tersebar pada sistem yang
berbeda, maupun yang terintegrasi dalam tempat penyimpanan
yang terpusat. 
 Menurut Williams dan Williams (2007), business intelligence
adalah seperangkat informasi bisnis dan analisis usaha di dalam
konteks kunci proses bisnis yang mengarah pada keputusan
dan tindakan dengan tujuan meningkatkan aset informasi dalam
proses bisnis utama untuk mencapai peningkatan kinerja bisnis.

Manfaat Business Intelligence 

Menurut Turban, Rainer dan Potter (2011), manfaat dan keuntungan

yang diperoleh dengan penggunaan business intelligence di sebuah
organisasi atau perusahaan antara lain adalah sebagai berikut:

1. Meningkatkan nilai data dan informasi organisasi. Dengan

membangun business intelligence, maka seluruh data dan
informasi dapat diintegrasikan sehingga menghasilkan sebuah
kesimpulan dari keadaan bisnis yang mudah di akses dan
dimengerti sehingga dapat membantu pihak manajerial untuk
membuat pengambilan keputusan yang lebih baik. 
2. Memudahkan pengukuran kinerja organisasi. Dalam
mengukur kinerja suatu organisasi, sering dipergunakan ukuran
yang disebut Key Performance Indicator (KPI). Business
intelligence dapat dengan mudah menunjukan pencapaian KPI
suatu organisasi dengan mudah, cepat dan tepat. Dengan
demikian akan memudahkan pihak-pihak yang terlibat dalam
pengambilan keputusan untuk mempersiapkan langkah-langkah
antisipasi apabila ada indikator yang menunjukan adanya
masalah atau belum tercapainya suatu target. 
3. Meningkatkan nilai investasi teknologi informasi yang
sudah ada. Business intelligence tidak selalu mengubah atau
menggantikan sistem informasi yang sudah ada, akan tetapi
hanya menambahkan layanan pada sistem-sistem tersebut
sehingga data dan informasi dapat di representasikan dengan
lebih baik. 
4. Meningkatkan efisiensi biaya. Business intelligence dapat
meningkatkan efesiensi biaya karena dapat mempercepat
seseorang dalam melakukan pekerjaan sehingga menghemat
waktu dan mempermudah pemanfaatannya. Waktu yang
dibutuhkan untuk mencari data dan mendapatkan informasi
yang dibutuhkan semakin singkat dan cara untuk
mendapatkannya pun tidak memerlukan pengetahuan yang
khusus.

Jenis-jenis Business Intelligence 

Menurut Turban (2007), terdapat lima jenis business intelligence,
yaitu:

1. Enterprise Reporting, digunakan untuk menghasilkan laporan-

laporan statis yang didistribusikan ke banyak orang. Jenis
laporan ini sangat sesuai untuk laporan operasional dan
dashboard.
2. Cube Analysis, digunakan untuk menyediakan analisis OLTP
multidimensional yang ditujukan untuk manajer bisnis dalam
lingkungan terbatas. 
3. Ad Hoc Query and Analysis, digunakan untuk memberikan
akses kepada user agar dapat melakukan query pada database,
dan menggali informasi sampai pada tingkat paling dasar dari
informasi transaksional. Query ini berfungsi untuk mengeksplor
informasi yang dilakukan oleh user.
4. Statistical Analysis and Data Mining, digunakan untuk
melakukan analisis prediksi atau menentukan korelasi sebab
akibat diantara dua matrik.
5. Delivery Report and Alert, digunakan secara proaktif untuk
mengirimkan laporan secara lengkap atau memberikan
peringatan kepada populasi user yang besar atau banyak.

Arsitektur Business Intelligence 

Menurut Rekha (2015), arsitektur business intelligence digambarkan

di bawah ini.
BACA JUGA
Adapun penjelasan masing-masing komponen dan tahapan pada
arsitektur business intelligence adalah sebagai berikut:

a. Data Sources (Sumber Data) 

Bagian ini berfungsi untuk pengumpulan data dan mengintegrasikan

data yang disimpan dari berbagai sumber primer dan sekunder, data
tersebut merupakan data yang dimiliki oleh sistem operasional tetapi
juga dapat mencakup dokumen yang tidak struktur seperti email dan
data yang diterima dari penyedia eksternal, maka dari itu secara garis
besar hal ini diperlukan untuk menyatukan dan mengintegrasikan data
dari sumber yang berbeda.

b. Data Movement dan Streaming Engines 

Data movement dan Streaming Engines merupakan data yang

menampilkan data dari setiap variasi data yang terintegrasi
merupakan yang didapat dari berbagai sumber. Tugas Data
Movement dan Streaming Engines ditangani sebuah alat berupa
Extract Transform Load (ETL) yang membatu dalam menemukan
masalah kualitas data dan memfasilitasi pemuatan data dengan
jumlah yang besar kedalam warehouse. Kualitas data tersebut
sangatlah penting dalam penilaian BI, jika data yang disajikan kepada
user tidak lengkap atau tidak konsisten maka bukan hanya gagal
tetapi berpengaruh dan menghambat dalam proses pengambilan
keputusan.
Sedangkan The Complex Event Processing (CEP) sebuah alat yang
pada tingkatan arsitektur fungsinya sama dengan alat ETL, tetapi ETL
digunakan untuk proses batch data dan ketepatan waktu serta tidak
kritis, sementara CEP digunakan untuk menangani real time atau
hampir mendekati data yang real time. Dalam beberapa kasus, CEP
bermanfaat untuk memvisualisasikan akses data real time untuk
mendukung keputusan yang cepat.

c. Data Warehouse Servers 

Data warehaouse adalah pengumpulan data subjek yang berorientasi,

terintegrasi, waktu yang bervarian, dan non-volatile untuk mendukung
proses pengambilan keputusan. Setelah data di ekstrak, terintegrasi
dan diperiksa kualitas datanya kemudian dimuat dalam suatu
resipositori sentral atau yang disebut warehouse yang dikelola oleh
satu atau lebih server. Data warehouse dirancang untuk mengenali
setiap topik–topik yang menjadi perhatian utama yang menyangkut
dengan bisnis sehingga para pengambil keputusan dapat
menganalisis dengan mudah.

d. Mid-tier servers 

Mid-tier servers meyediakan fungsi khusus untuk sekenario BI yang

berbeda dan masuk dalam server OLAP, Enterprise Search Engines,
Data Mining Engines dan Reporting Servers. Server OLAP yang
efisien menyajikan model multidimensi untuk aplikasi front end atau
langsung ke pengguna. Para pengguna dapat melakukan memilah
dan memilih, agregasi, menyaring, menurunkan dan memutar data.

e. Front-end Application 

Front-end application merupakan aplikasi yang digunakan langsung

oleh pengguna bisnis dalam membuat keputusan. Sebagai contoh
alat-alat dalam komponen front-end application adalah enterprise
portals for searching, spread sheets dan aplikasi manajemen kinerja
yang memvisualisaikan seperti dashboard atau alat-alat yang
memungkinkan pengguna teknologi tersebut dapat mengakses
dengan mengeksekusi query adhoc dan alat yang memvisualisasikan
model data. Semakin fleksibel alat ini lebih memungkinkan eksplorasi
data lebih dinamis dan menginvestigasi data dengan cara yang
berbeda.

Penggunaan Business Intelligence 

Menurut Darmawikarta (2003), business intelligence meningkatkan

nilai data dan informasi organisasi. Adanya business intelligence
memudahkan pemantauan kinerja organisasi, meningkatkan nilai
investasi yang sudah ada, menciptakan pegawai yang memiliki akses
informasi yang baik (well-informed workers) dan meningkatkan
efisiensi biaya. Berikut adalah beberapa aplikasi penggunaan
business intelligence untuk mendorong nilai bisnis:

1. Measurement, program yang menciptakan hierarki metrik

kinerja dan benchmarking yang menginformasikan pemimpin
bisnis tentang kemajuan ke arah tujuan bisnis. 
2. Analytics, program yang membangun proses kuantitatif untuk
sebuah bisnis untuk sampai pada keputusan optimal dan untuk
melakukan Bisnis Knowledge Discovery. Sering meliputi data
mining, analisis statistik, analisis prediktif, pemodelan prediktif,
pemodelan proses bisnis.
3. Reporting/Enterprise Reporting, program yang membangun
infrastruktur Strategis Pelaporan untuk melayani pengelolaan
strategis bisnis, bukan Operasional Pelaporan. Sering
melibatkan Data visualisasi, Eksekutif sistem informasi, OLAP.
4. Collaboration/Collaboration platform, program yang
mendapat area yang berbeda (baik di dalam dan di luar bisnis)
untuk bekerja bersama melalui berbagi data dan Electronic Data
Interchange. 
5. Knowledge Management, program untuk membuat data
perusahaan didorong melalui strategi dan praktek untuk
mengidentifikasi, menciptakan, menampilkan, mendistribusikan,
 dan memungkinkan adopsi wawasan dan pengalaman yang
benar pengetahuan bisnis. Compliance Manajemen
Pengetahuan mengarah ke Learning Management dan
Peraturan Kepatuhan.

Penggunaan teknologi informasi dalam mengotomatisasi proses bisnis dalam

sebuah sistem informasi dimana perusahaan akan menyimpan data transaksi
harian dalam jumlah yang cukup banyak. Dalam era bigdata, perusahaan
mengelola data transaksi dalam jumlah yang sangat besar dan manusia memiliki
keterbatasan kemampuan dalam menganalisa data dalam jumlah yang sangat
besar tersebut untuk menghasilkan informasi yang berguna yang akan
membantu dalam proses pengambilan keputusan Penulis mencoba menelusuri
dan membandingkan penerapan business intelligence pada industri perbankan,
retail dan pendidikan sehingga dapat meningkatkan kualitas keputusan yang
diambil oleh pihak manajemen perusahaan dalam menyelesaikan masalah
bisnis. Pemaparan penerapan business intelligence  pada penulisan ini diawali
dengan peranan business intelligence  pada setiap industri dilanjutkan dengan
ilustrasi penerapan business intelligence pada setiap industry dan diakhiri dengan
implikasi bisnis dari penerapan business intelligence.
Keyword : Business intelligence, industri perbankan, industri pendidikan, industri
retail.

Latar Belakang
Era globalisasi telah merubah para pelaku didunia industri dalam mengelola
sebuah bisnis. Berbagai produk diperkenalkan kepada masyarakat dari berbagai
segmen untuk menarik perhatian  sehingga pada akhirnya menggunakan produk
tersebut. Penggunaan teknologi informasi dalam mengotomatisasi proses bisnis
dalam sebuah sistem informasi dimana perusahaan akan menyimpan data
transaksi harian dalam jumlah yang cukup banyak. Dalam
era bigdata,  perusahaan mengelola data transaksi dalam jumlah yang sangat
besar dan manusia memiliki keterbatasan kemampuan dalam menganalisa data
dalam jumlah yang sangat besar tersebut untuk menghasilkan informasi yang
berguna yang akan membantu dalam proses pengambilan keputusan (Trkman,
McCormack, Valadares de Oliveira, & Ladeiraa, 2010).
Data mining dapat memberikan kontribusi terhadap pemecahan permasalahan
bisnis pada industri dengan mengidentifikasi pola dan tren saat ini, bagaimana
perilaku dana tahapan terhadap kondisi ekonomi, politik dan sosial. Korelasi
antara berbagai variabel dalam data bisnis tidak dapat langsung terlihat oleh
manager karena terlalu besarnya volume data dan keterbatasan dari analyst
yang memproses data tersebut. Manager perlu beberapa langkah sebelum
mendapatkan kesimpulan terhadap pola perilaku dari pelanggan untuk
memahami, memisahkan, mempertahankan dan memelihara nasabah yang
menguntungkan. Business intelligence  dan data mining membantu para manager
dan pengelola produk dalam mengidentifikasi berbagai kelas dari pelanggan dan
menghasilkan produk atau layanan yang sesuai dengan kebutuhan dari
pelanggan tersebut dan atau penentuan strategi harga untuk menghasilkan
manajemen penghasilan yang lebih baik (Ubiparipović & Đurković, 2011).
Penulis mencoba menelusuri dan membandingkan penerapan business
intelligence pada industri perbankan, retail dan pendidikan sehingga dapat
meningkatkan kualitas keputusan yang diambil oleh pihak manajemen
perusahaan dalam menyelesaikan masalah bisnis. Pemaparan
penerapan business intelligence pada penulisan ini diawali dengan
peranan business intelligence pada setiap industri dilanjutkan dengan ilustrasi
penerapan business intelligence pada setiap industry dan diakhiri dengan implikasi
bisnis dari penerapan business intelligence.
Landasan Teori
Definisi Business Intelligence.
Menurut Niu (2009), business intelligence  adalah proses mengekstrak,
transformasi, mengelola, dan menganalisis data bisnis untuk mendukung
pengambilan keputusan. Dalam proses ini pada umumnya melibatkan data set
dalam jumlah besar yang tersimpan dalam datawarehouse. Proses business
intelligence meliputi lima tahapan :
1.Pengumpulan data.

Sistem business intelligence  dapat mengekstrak data dari beberapa sumber data

yang berasal dari berbagai unit bisnis seperti pemasaran, produksi, sumber daya
manusia, dan keuangan. Data yang sudah diekstrak harus dibersihkan,
transformasi, dan terintegrasi untuk dapat dianalisis.
2.Analisis data.

Pada tahapan ini, data dikonversi menjadi informasi atau pengetahuan melalui
berbagai macam teknik analisis seperti laporan, visualisasi, dan data mining. Hasil
dari proses analisis dapat membantu pihak manajemen untuk memahami situasi
dan mengambil keputusan yang lebih baik.
3.Kesadaran situasi.

Kesadaran terhadap situasi dapat memberikan pemahaman yang lebih

mendalam terhadap keadaan keputusan saat ini berdasarkan hasil analisis data.

4.Penilaian resiko.
Kesadaran terhadap situasi yang cukup bervariasi dapat membantu manajer
untuk memprediksi masa depan, identifikasi ancaman dan peluang, dan
merespon sesuai dengan kebutuhan. Saat ini bisnis beroperasi dalam kondisi
lingkungan yang kompleks. Pengambilan keputusan bisnis lebih mungkin disertai
resiko yang berasal dari lingkungan eksternal dan internal. Sehingga dapat
disimpulkan bahwa penilaian resiko merupakan fungsi penting pada
sistem business intelligence.
5.Dukungan pengambilan keputusan.

Tujuan utama dari business intelligence adalah membantu manajer mengambil

keputusan dengan bijaksana berdasarkan data bisnis saat ini.
Arsitektur Sistem Business Intelligence
Menurut Inmon (2002) yang dikutip oleh Niu (2009), pada umumnya
sistem business intelligence terdiri dari empat level komponen dan modul
manajemen metadata. Arsitektur general dari sistem business intelligence terlampir
pada gambar 1. Komponen-komponen saling berinteraksi untuk memfasilitasi
fungsi dasar business intelligence:  mengekstrak data dari sistem operasional
perusahaan, menyimpan data yang sudah diekstrak kedalam datawarehouse, dan
menarik data yang disimpan untuk berbagai aplikasi analisis bisnis.
 Level sistem operasional.
Sebagai sumber data dari sistem business intelligence, sistem operasional bisnis
pada umumnya menggunakan sistem online transaction processing (OLTP)  untuk
mendukung kegiatan bisnis sehari-hari. Pada umumnya sistem OLTP adalah
sistem penerimaan order pelanggan, sistem keuangan, dan sistem sumber daya
manusia.
 Level akuisisi data.
Pada level ini adalah komponen pra proses terdiri dari 3 tahapan yaitu : ekstraksi,
transformasi, dan memasukkan (ETL). Sebuah perusahaan memiliki beberapa
sistem OLTP yang menghasilkan jumlah data yang sangat besar. Data tersebut
pertama kali diekstrak dari sistem OLTP oleh proses ETL dan kemudian
ditransformasi sesuai dengan aturan transformasi. Apabila data yang sudah
ditransformasi  maka data tersebut dimasukkan ke data warehouse. ETL
merupakan komponen dasar dari sistem business intelligence karena kualitas data
dari komponen lain tergantung pada proses ETL. Dalam perancangan dan
pengembangan ETL, kualitas data, fleksibilitas sistem dan kecepatan proses
adalah perhatian utama.
 Level penyimpanan data.
Data yang telah diproses oleh komponen ETL disimpan dalam data
warehouse dimana biasanya diimplementasikan dengan menggunakan tradisional
sistem manajemen database (RDMS). RDMS  didesain untuk mendukung proses
transaksi, sangat bertolak belakang dengan data warehouse berfokus kepada
subyek, varian waktu dan disimpan secara terintegrasi.
Skema star dan snowflake merupakan skema data warehouse yang paling populer.
Apapun skema yang dipakai, tipe tabel pada data warehouse adalah fact
tables dan dimension tables.
 Level analitis.
Berdasarkan data warehouse, berbagai macam aplikasi analitikal telah
dikembangkan. Sistem business intelligence  mendukung 2 tipe dasar dalam fungsi
analitikal: pelaporan dan online analytical processing (OLAP). Fungsi pelaporan
menyediakan manajer berbagai jenis laporan bisnis seperti laporan penjualan,
laporan produk, dan laporan sumber daya manusia. Laporan dihasilkan dari
menjalankan queries kedalam data warehouse. Data warehouse queries  pada
umumnya sudah didefinisikan oleh pengembang data warehouse. Laporan yang
dihasilkan oleh sistem business intelligence biasanya memiliki format yang statis
dan berisi tipe data yang pasti.
Analitikal business intelligence  yang paling menjanjikan adalah OLAP. Menurut
Codd et al (1993) yang dikutip oleh Niu (2009), OLAP memungkinkan manajer
untuk secara efisien mendalami data bisnis dari berbagai dimensi analisis melalui
operasi pengirisan, pemotongan dan pendalaman. Sebuah analisis dimensi
merupakan perspektif melalui bagaimana data tersebut dipresentasikan, sebagai
contoh: tipe produk, lokasi penjualan, waktu dan pelanggan. dibandingkan
dengan fungsi laporan, OLAP mendukung analisis data sesuai dengan
kebutuhan. OLAP merupakan model data multidimensional yang dikenal sebagai
skema snowflake  dan star. Sebagai tambahan dari laporan dan OLAP, terdapat
banyak tipe analitikal yang lain yang dapat dibuat berdasarkan sistem data
warehouse seperti data mining, executive dashboards, customer relationship
management,  dan business performance management.
 Manajemen metadata.
Metadata merupakan data khusus mengenai data lain seperti sumber data,
penyimpanan data warehouse, peraturan bisnis, otorisasi akses,        dan
bagaimana data diekstrak dan ditransformasi. Metadata sangat penting dalam
menghasilkan informasi yang akurat, konsisten dan pemeliharaan sistem.
Manajemen metadata mempengaruhi semua proses dari perancangan,
pengembangan, pengujian, penyebaran dan penggunaan sistem business
intelligence.
Gambar 1. Arsitektur sistem business intelligence secara umum
Sumber : Niu, 2009.

Business intelligence pada industri perbankan

Penerapan business intelligence pada industri perbankan merupakan kunci sukses
dalam mengefisiensikan dan mengefektifkan kegiatan bisnis utama dengan
kemampuan dalam mendapatkan, mengelola dan menganalisa data nasabah,
produk, layanan, kegiatan operasi, pemasok dan rekan kerja dalam jumlah yang
sangat besar. Contoh penerapan business intelligence pada industri perbankan
adalah customer relationship management, customer credit analysis, risk management,
credit card analysis, customer segmentation, dll (Hair, 2007), (Dan, 2008).
Peranan business intelligence dalam kegiatan bisnis dapat menyediakan layanan
yang lebih personal kepada pelanggan dan secara radikal meningkatkan kualitas
servis dari bank tersebut. Pengelola produk perbankan bersaing dalam
mendesain produk dan layanan yang dapat menjawab setiap kebutuhan suatu
segmen tertentu.
Salah satu penerapan customer credit analysis adalah penerapan model penilaian
kredit nasabah (Ince & Aktan, 2009). Penilaian kredit nasabah merupakan
kegiatan paling penting untuk mengevaluasi aplikasi pinjaman yang diajukan oleh
nasabah. system penilaian kredit digunakan untuk memodelkan potensi resiko
dari aplikasi pinjaman, dimana system tersebut memiliki keuntungan karena
dapat menangani aplikasi pinjaman dalam jumlah besar dengan cepat tanpa
membutuhkan sumber daya yang banyak sehingga dapat menurunkan biaya
operasional dan efektif dalam mengurangi penalaran dalam pengambilan
keputusan. Dengan persaingan dan pertumbuhan pasar kredit konsumen, para
pemain di industri perbankan saling berlomba untuk mengembangkan strategi
yang lebih baik berkat bantuan penerapan model penilaian kredit. Tujuan dari
penilaian kredit adalah memberikan kemampuan kepada bagian analisa kredit
untuk menentukan aplikasi pinjaman nasabah yang diterima dari pihak marketing
bank termasuk “kredit yang baik” dimana para nasabah yang termasuk dalam
kategori tersebut memiliki kemungkinan yang cukup besar untuk membayar
kewajiban finansialnya kepada bank atau “kredit yang jelek” dimana para
nasabah yang termasuk dalam kategori tersebut memiliki kemungkinan yang
cukup besar untuk memenuhi kewajiban finansialnya. Berdasarkan hasil studi
yang dilakukan oleh Huseyin Ince dan Bora Aktan (2009), peneliti
membandingkan kinerja dari model penilaian kredit menggunakan pendekatan
tradisional dan artificial intelligence (discriminant analysis, logistic regression, neural
networks, classification, and regression tree). Penelitian percobaan dengan data riil
telah mendemonstrasikan bahwa classification, regression tree, dan neural
networks mengalahkan kinerja model penilaian kredit secara tradisional dalam
hal prediksi keakuratan dan type II errors.
Analisis terhadap data pelanggan merupakan kunci utama bagi pihak
manajemen bank untuk menghasilkan keuntungan yang maksimal. Dengan
menggunakan konsep pareto, bahwa dengan mendesain produk dan layanan
kepada 20% nasabah dapat memberikan hasil sebesar 80% terhadap
keuntungan. Pihak manajemen mempercayai bahwa dengan menganalisa 20%
nasabah tersebut merupakan langkah yang efektif dalam meningkatkan
keuntungan dan menurunkan biaya operasional. Selain kasus diatas, pihak
manajemen bank dapat menganalisis pemasaran kartu, perhitungan harga jual
dan tingkat keuntungan terhadap pemillik kartu, deteksi terhadap potensi
kecurangan, prediksi manajemen daur hidup nasabah. Segmentasi pelanggan
merupakan salah satu strategi pemasaran yang efektif, dengan memahami
karakteristik dan kebutuhan setiap segmen nasabah maka pihak manajemen
dapat mendesain bagaimana cara memasarkan, harga, kebijakan untuk setiap
produk dan layanan sehingga dapat memberikan keuntungan yang maksimal
(Mawoli & Abdulsalam, 2012). Dengan penerapan business intelligence dalam
proses segmentasi nasabah menjadi lebih mudah karena pihak manajemen
dapat dengan mudah mengidentifikasi demografi dan geografi nasabah tetapi
pihak manajemen harus meluangkan waktu dan tenaga apabila ingin mengetahui
psikografi dan perilaku nasabah dan pihak manajemen perlu mengidentifikasi
atribut-atribut yang diperlukan seperti umur, pekerjaan, penghasilan dan jenis
kelamin dengan mudah dan pada umumnya dapat diukur dengan RFV (recency,
frequency, dan value dari perilaku transaksi mereka) (Sun, 2009), (Lin, Zhu, Yin, &
Dong, 2008).
Dapat disimpulkan bahwa untuk memenuhi kebutuhan nasabah yang makin
komplek dan efisiensi bisnis proses dengan otomatisasi kegiatan operasional
membutuhkan dukungan sistem informasi. Sistem informasi perbankan perlu
tetap dikembangkan sehingga dapat memenuhi kebutuhan nasabah dan
mengikuti inovasi bisnis, akan tetapi perlu adanya integrasi dengan
sistem business intelligence  sehingga pihak manajemen mendapatkan informasi
yang up-to-date dan insight dari data historis.
 
Business intelligence pada industri retail
Mengamati pertumbuhan industri retail di Indonesia, customer relationship
management (CRM) sebagai pemicu utama dalam pelaku bisnis yang cerdik untuk
mendesain ulang fokus bisnis mereka pada pelanggan. Perusahaan retail pada
umumnya memiliki pelanggan yang besar dan pada umumnya pelanggan
memiliki keinginan yang berbeda-beda. Dengan adanya implementasi CRM
maka pihak manajemen dapat mengotomatisasi interaksi dengan pelanggan dan
tim penjualan serta dapat menganalisis data pelanggan yang diperoleh dari POS
transaction, layanan pelanggan, dan lain-lain sehingga pihak manajemen dapat
mendapatkan insight  terhadap kebutuhan pelanggan dan mengembangkan
hubungan one-to-one dengan pelanggan, desain dan kampanye promosi,
optimalisasi tata letak produk. Analytical CRM menggunakan business intelligence
tools seperti data warehousing, data mining,  dan OLAP. Beberapa penggunaan
dari analytical CRM  adalah customer segmentation, campaign/promotion effectiveness
analysis, customer lifetime value, customer loyalty analysis, cross selling, product
pricing, and target marketing  (Hair, 2007).  Beberapa perusahaan retail mulai
mengajak para pembeli yang belum menjadi member dengan
menerbitkan member card,  bekerja sama dengan bank dengan memberikan
potongan harga, dll. Pihak manajemen mulai menyadari pentingnya
mendapatkan data pelanggan yang komprehensif, dimana data tersebut dapat
memberikan informasi seperti karakteristik pelanggan (umur, jenis kelamin,
status pernikahan, pendidikan, pekerjaan, pendapatan per bulan), perilaku
pelanggan (masukan dari pelanggan terkait produk dan layanan, rekomendasi
dari pelanggan terkait produk dan layanan, produk subsitusi yang digunakan oleh
pelanggan, loyalitas pelanggan terhadap layanan suatu merk suatu produk) , dan
pengeluaran pelanggan (harga pembelian, kuantitas, frekuensi pembelian yang
berulang, keinginan pelanggan membeli produk yang lain dan layanan dari
produsen tertentu, dll) (Zhou & Lei, 2011). Berdasarkan segmentasi pelanggan
yang dilakukan oleh Shuwen Zhou dan Guanghong Lei (2011) dapat disimpulkan
bahwa:
1.Kategori 1 merupakan pelanggan-pelanggan yang bekerja di perkantoran
sebagai profesional dan manajer dan memiliki pendidikan yang cukup tinggi,
memiliki rumah dan mobil. Berdasarkan informasi yang didapat, pelanggan pada
kategori ini belum memiliki bayi, pendapatan tahunan tidak terlalu tinggi tetapi
mereka menyukai berbelanja terutama “fashion”. Fokus konsumsi pada kategori
ini adalah kosmetik yang berkualitas tinggi, CD orisinal, majalah dan produk
peralatan rumah tangga pada umumnya. Pada umumnya mereka tidak tertarik
membeli makanan dan minuman karena penghasilan yang cukup tinggi. Strategi
marketing yang cocok untuk kategori ini adalah memberikan kualitas produk dan
layanan yang lebih tinggi untuk menarik pelanggan karena pelanggan yang
berada dikategori ini tidak terlalu tertarik dengan potongan harga.

2.Kategori 2 merupakan pelanggan-pelanggan yang bekerja di pabrik sebagai

pekerja dan mekanik, dan memiliki penghasilan yang cukup rendah, beberapa
memiliki rumah, berbelanja makanan, keperluan rumah tangga, produk balita.
sebagian besar merupakan wanita yang suka ke supermarket untuk membeli
lebih banyak barang. Pada umumnya mereka tertarik terhadap diskon promosi,
sehingga keuntungan tidak terlalu tinggi.

3.Kategori 3 merupakan pelanggan yang memiliki pendidikan rendah,

penghasilan rendah yang hampir sama dengan pekerja pabrik. Pada umumnya
mereka membeli komoditas lebih banyak pada saat diskon yang cukup besar.
Strategi pemasaran untuk kategori ini adalah memberikan diskon promosi
terhadap komoditas tersebut sehingga lebih menarik pelanggan.

Table 1. Contoh beberapa tipe dari segmentasi pelanggan supermarket di china