Chapter 5 : Data dan Manajemen Pengetahuan

5.1 Mengelolah Data

Semua aplikasi TI membutuhkan data. Data ini harus berkualitas tinggi, yang menunjukkan
bahwa data tersebut harus akurat, lengkap, tepat waktu, konsisten, dapat diakses, relevan, dan
ringkas. Sayangnya, proses memperoleh, menyimpan, dan mengelola data menjadi semakin
sulit

Kesulitan Dalam mengolah Data

karena data diproses dalam beberapa tahap dan seringkali di beberapa lokasi, mereka sering
mengalami masalah dan kesulitan. mengelola data dalam organisasi sulit karena banyak alas an

pertama, jumlah data meningkat secara eksponensial dengan. banyak data historis harus
disimpan untuk waktu yang lama dan data baru ditambahkan dengan cepat. Misalnya, untuk
mendukung jutaan pelanggan pengecer besar seperti Walmart harus mengelola petabyte data
(Petabyte adalah sekitar 1.000 terabyte, atau triliunan byte; lihat Lampiran A.)

selain itu, data juga tersebar di seluruh organisasi, dan mereka dikumpulkan oleh banyak
individu menggunakan berbagai metode dan perangkat. Data-data ini sering disimpan di
berbagai server dan lokasi dan dalam berbagai sistem komputasi, basis data, format, dan bahasa
manusia dan computer

masalah lain adalah bahwa data dihasilkan dari berbagai sumber: sumber internal (misalnya,
basis data perusahaan dan dokumen perusahaan), sumber pribadi (misalnya, pemikiran
pribadi, pendapat, dan pengalaman), dan sumber eksternal (misalnya, basis data komersial,
laporan pemerintah, dan situs web perusahaan). Data juga berasal dari web, dalam bentuk data
clickstream. Data clickstream adalah data yang dihasilkan pengunjung dan pelanggan ketika
mereka mengunjungi situs web dan mengklik hyperlink. Data Clickstream memberikan jejak
aktivitas pengguna di situs Web. termasuk perilaku penggunaan dan pola brwosing.

Menambah masalah-masalah ini adalah fakta bahwa banyak sumber data, seperti blog. podcast,
gips video, dan tag identifikasi frekuensi radio (RFID) dan sensor nirkabel lainnya, terus
dikembangkan. selain itu, data menurun seiring waktu. Misalnya, pelanggan pindah ke alamat
baru atau mengubah nama mereka, perusahaan keluar dari bisnis atau dibeli, produk baru
dikembangkan, karyawan dipekerjakan atau dipecat dan perusahaan berkembang ke negara-
negara baru.

Data juga tunduk pada data rot. Data rot merujuk terutama pada masalah dengan media tempat
data disimpan. dari waktu ke waktu, suhu, kelembaban, dan paparan cahaya dapat
menyebabkan masalah fisik dengan media penyimpanan dan karenanya membuat sulit untuk
mengakses data. Aspek kedua Data Rot adalah bahwa menemukan mesin yang diperlukan
untuk mengakses data bisa sulit, Misalnya, hampir tidak mungkin hari ini untuk menemukan
pemain 8-track. Akibatnya, perpustakaan kaset 8-track menjadi relatif tidak ada artinya, kecuali
jika Anda memiliki pemutar 8-track yang berfungsi atau Anda mengonversi kaset ke media
modern seperti CD.
Keamanan, kualitas, dan integritas data sangat penting, namun mudah terancam. Selain itu,
persyaratan hukum yang berkaitan dengan data berbeda antara negara dan industri, dan
mereka sering berubah

Masalah lain muncul dari kenyataan bahwa, seiring waktu, organisasi telah mengembangkan
sistem informasi untuk proses bisnis tertentu, seperti pemrosesan transaksi, manajemen rantai
pasokan, dan sistem informasi manajemen hubungan pelanggan yang secara khusus
mendukung proses ini memaksakan persyaratan unik pada data, yang menghasilkan
pengulangan dan konflik di seluruh organisasi

dua faktor lain menyulitkan manajemen data. Pertama, peraturan federal telah menjadikannya
prioritas utama bagi perusahaan untuk memperhitungkan dengan lebih baik bagaimana mereka
mengelola informasi. sarbanes-oxley mensyaratkan bahwa (1) perusahaan publik mengevaluasi
dan mengungkapkan efektivitas pengendalian keuangan internal mereka dan (2) auditor
independen untuk perusahaan-perusahaan ini menyetujui pengungkapan ini. Undang-undang
itu menganggap CEOs dan CFOs secara pribadi bertanggung jawab atas pengungkapan tersebut.
jika perusahaan mereka tidak memiliki kebijakan manajemen data yang memuaskan dan
penipuan atau pelanggaran keamanan terjadi. petugas perusahaan dapat dimintai
pertanggungjawaban dan menghadapi penuntutan.

ada dua masalah tambahan dengan manajemen data: Big Data dan Data hoarding.

Data Govenance (Tata kelolah Data)

tata kelola data adalah pendekatan untuk mengelola informasi di seluruh organisasi. ini
melibatkan serangkaian proses dan kebijakan bisnis formal yang dirancang untuk memastikan
bahwa data ditangani secara pasti. tujuannya adalah membuat informasi tersedia, transparan,
dan bermanfaat.

salah satu strategi untuk menerapkan tata kelola data adalah manajemen data master.
Manajemen Data Master adalah proses yang mencakup semua proses dan aplikasi bisnis
organisasi. itu memberikan perusahaan dengan kemampuan untuk menyimpan, memelihara,
bertukar, dan menyinkronkan "versi tunggal dari turth" yang konsisten, tepat waktu dan tepat
untuk data induk perusahaan.

data master adalah kumpulan data inti, seperti pelanggan, produk, karyawan, vendor, lokasi
geografis, dan sebagainya. Penting untuk membedakan antara data master dan data transaksi.
Data transaksi, yang dihasilkan dan ditangkap oleh sistem operasional, menggambarkan
kegiatan bisnis, atau transkasi, sebaliknya, data master diterapkan ke beberapa transkasi dan
digunakan untuk mengkategorikan, mengagregat, dan mengevaluasi data transaksi.

5.2 Big Data

Untuk menghadapi pertumbuhan dan sifat melemahkan data digital, organisasi harus
menggunakan teknik canggih untuk manajemen data. Pada intinya, Big data adalah tentang
prediksi. Prediksi tidak datang dari "mengajar" komputer untuk "berpikir" seperti manusia.
Prediksi awal datang dari menerapkan matematika ke sejumlah besar data untuk
menyimpulkan probabilitas.

Arti Big Data

Pertama, menurut The technology research firm gartner(www.gartner.com) mendefinisikan Big
Data sebagai aset informasi yang beragam, bervolume tinggi, dan berkecepatan tinggi yang
membutuhkan bentuk pemrosesan baru untuk memungkinkan pengambilan keputusan,
penemuan wawasan, dan optimalisasi proses yang ditingkatkan. Kedua, the Big Data Institute
(TBDI) mendefinisikan data besar sebagai kumpulan data luas yang:

 Berbagai pameran
 Termasuk data terstruktur, tidak terstruktur, dan semi-terstruktur
 Dihasilkan pada kecepatan tinggi dengan pola yang tidak pasti;
 Tidak sesuai dengan database tradisional, terstruktur, relasional dan
 Dapat ditangkap, diproses, diubah bentuk, dan dianalisis dalam jumlah waktu yang
wajar hanya dengan sistem informasi yang canggih.

Big Data umumnya terdiri dari yang berikut ini. perlu diingat bahwa daftar ini tidak inklusif. itu
akan berkembang sebagai sumber data baru bergabung :

 Data perusahaan tradisional - contohnya adalah informasi pelanggan dari sistem

manajemen hubungan pelanggan.
 Contoh-contoh data yang dihasilkan mesin / sensor, adalah meter cerdas; sensor
manufaktur; sensor smartphone terintegrasi
 Contoh data sosial adalah komentar umpan balik pelanggan, situs microblogging
seperti twitter dan media sosial seperti facebook, youtube dan linkedin
 Gambar yang diambil oleh miliaran perangkat yang berlokasi di seluruh dunia, dari
kamera digital dan ponsel kamera hingga pemindai medis dan kamera keamanan.

Karakteristik Big Data

Ada tiga karakteristik Big Data yaitu : Volume, Velocity and Variety (volume, kecepatan,
variasi).

 Volume : volume besar dari Big Data menghadirkan masalah manajemen data volume
ini juga membuat Big Data sangat berharga. Terlepas dari sumber, struktur, format, dan
frekuensi mereka, data selalu berharga.
 Velocity / Kecepatan : laju aliran data ke dalam organisasi meningkat dengan cepat.
Kecepatan sangat penting karena meningkatkan kecepatan loop umpan balik antara
perusahaan dan pelanggannya.
 Variety / variasi : Format data besar berubah dengan cepat. Mereka termasuk citra
satelit, siaran streaming audio, file musik digital, konten halaman web, pemindaian
dokumen pemerintah dan komentar yang diposting di jejaring social.

Mengelola Big Data

Langkah pertama bagi banyak organisasi dalam mengelola Big Data adalah mengintegrasikan
silo informasi ke dalam lingkungan basis data dan kemudian mengembangkan gudang data
untuk pengambilan keputusan.

Setelah menyelesaikan langkah ini, banyak organisasi mengalihkan perhatian mereka pada
bisnis yang membuat manajemen informasi memahami data mereka yang berkembang biak.
Selain itu, banyak organisasi beralih ke database nosql untuk memproses Big Data. Nosql dapat
mengelola data terstruktur serta tidak terstruktur dan data tidak konsisten atau hilang. Nosql
berguna saat bekerja dengan Big Data.
Leveraging Big Data
Selain mengatur Data Besar sebuah organisasi juga harus mendapatkan nilai dari sana.
6 Cara umum untuk meningkatkan nilai dari Data Besar:
1. Creating Transparency
Hanya dengan membuat Data Besar relevan untuk para stakeholders untuk mengakses tepat
waktu dapat menciptakan nilai bisnis yang luar biasa
2. Enabling Experimentation
Percobaan membolehkan organisasi untuk menemukan keperluan dan meningkatkan kinerja.
3. Segmenting Popualation to Custoize Action
Data Besar Membolehkan organisasi untuk membuat sebuah definisi pendek mengenai segmen
pelanggan dan menyesuaikan produk dan jasa secara tetap sesuai kebutuhan pelanggan
4. Replacing/Supporting Human Decision Making With Automated Algorithms
Analitik canggih dapat meningkatkan kelanjutan pembuatan keputusan, memperkecil risiko, dan
menggali wawasan yang berharga
5. Innovating New Business Models, Products, and Service
Data Besar memperbolehkan perusahaan untuk membuat produk, dan jasa baru, meninggikan
produk yang ada dan menciptakan model bisnis yang sepenuhnya baru.
6. Organizationz Can Analyze Far More Data
Dalam beberapa kasus, organisasi juga dapat memproses semua data yang berkaitan dengan
sebuah fenomena tertentu, yang berarti mereka tidak perlu bergantung terlalu banyak pada
sebuah sampel.

5.3 Database Approach

Data File merupakan koleksi logika dari pencatatan terkait.
Database mengurangi permasalahan berikut yaitu:

 Data Redundancy : Data sejenis yang tersimpan di berbagai lokasi.

 Data Isolation : Aplikasi tidak dapat mengakses data yang terkait dengan
aplikasi lainnya.

 Data Inconsistency : Berbagai salinan dari data yang tidak disetujui.

 Data Security
data dalam
mempunyai keamanan
mengurangi kesalahan
: Karena data berada “ditempat pada satu tempat” di dalam
databases, maka ada risiko kehilangan banyak
sekejap. Oleh karena itu, databases
tingkat tinggi yang terukur untuk
dan mencegah serangan.
  Data Integrity : Data memenuhi kendala tertentu; contohnya, data tidak
memiliki karakter alfabet di sebuah bidang nomor
jaminan sosial.
 Data Independence : Aplikasi dan data independen dari satu sama lain, yang,
aplikasi dan datanya tidak terhubung dengan satu
sama lain, jadi semua aplikasi dapat mengakses data
yang sama.
Designing the Database
An Instance merupakan entitas spesifik, representasi yang unik dari sebuah entitas. Masing –
masing karakteristik dari kualitas sebuah entitas disebut sebagai atribut.
Cardinality dan Modalitiy merupakan indikator dari sebuah aturan bisnis mengenai relasi.
Cardinality mengacu pada jumlah maksimum dari sebuah hal dari sebuah entitas dapat
berhubung dengan entitas terkait.
Modality mengacu pada jumlah minimum sebuah hal dari sebuah entitas dapat berhubungan
dengan entitas terkait.
Entitas terkait satu sama lain dalam hubungan, yang dapat mencakup banyak entitas. Jumlah
entitas dalam suatu hubungan adalah tingkat hubungan. Hubungan antara dua item disebut
hubungan biner. Ada tiga jenis hubungan biner yaitu

1. One-to-one / satu-ke-satu

Entitas tunggal dari satu tipe berelasi dengan entitas tunggal dari tipe lain.

2. One-to-many / satu-ke-banyak

Entitas tunggal dari satu tipe berelasi dengan beberapa entitas dari tipe lain tetapi tidak dapat
sebaliknya.

3. Many-to-many / banyak-ke-banyak.

Entitas tunggal dari satu tipe berelasi dengan beberapa entitas dari tipe lain dan berlaku juga
sebaliknya.

Pemodelan ER berharga karena memungkinkan perancang basis data untuk berkomunikasi

dengan pengguna di seluruh organisasi untuk memastikan bahwa semua entitas dan hubungan
di antara entitas terwakili. Proses ini menggarisbawahi pentingnya memperhitungkan semua
pengguna saat merancang basis data organisasi.

5.4 Sistem Manajemen Basis Data

Database management system (DBMS) adalah sekumpulan program yang menyediakan alat
bagi pengguna untuk menambah, menghapus, mengakses, memodifikasi, dan menganalisis data
yang disimpan dalam satu lokasi. DBMS juga menyediakan mekanisme untuk menjaga
integritas data yang disimpan, mengelola keamanan dan akses pengguna, dan memulihkan
informasi jika sistem gagal.

Model Database Relasional

Sebagian besar data bisnis — terutama data akuntansi dan keuangan secara tradisional disusun
dalam tabel sederhana yang terdiri dari kolom dan baris. Tabel memungkinkan orang untuk
membandingkan informasi dengan cepat berdasarkan baris atau kolom. Model basis data
relasional didasarkan pada konsep tabel dua dimensi.

Tabel terkait ini bisa digabung ketika mengandung kolom umum. Keunikan kunci utama
memberitahu DBMS catatan mana yang digabungkan dengan yang lain dalam tabel terkait.
Fitur ini memungkinkan pengguna fleksibilitas yang luar biasa dalam berbagai pertanyaan yang
dapat mereka buat. Terlepas dari fitur-fitur ini, bagaimanapun, model basis data relasional
memiliki beberapa kelemahan. Karena basis data skala besar dapat terdiri dari banyak tabel
yang saling terkait, desain keseluruhan dapat menjadi kompleks, yang mengarah ke waktu
pencarian dan akses yang lambat.

Bahasa Pertanyaan

Operasi basis data yang paling umum dilakukan adalah meminta informasi. Bahasa pertanyaan
terstruktur (SQL) adalah bahasa permintaan paling populer yang digunakan untuk operasi ini.
SQL memungkinkan orang untuk melakukan pencarian yang rumit dengan menggunakan
pernyataan atau kata kunci yang relatif sederhana. Kata-kata kunci yang khas adalah SELECT
(untuk menentukan atribut yang diinginkan), FROM (untuk menentukan tabel yang akan
digunakan), dan WHERE (untuk menentukan kondisi yang akan diterapkan dalam
permintaan). Cara lain untuk menemukan informasi dalam database adalah menggunakan
pertanyaan dengan contoh (QBE). Di QBE, pengguna mencari kisi atau templat — juga dikenal
sebagai formulir — untuk membuat sampel atau deskripsi data yang diinginkan.

Kamus data

Ketika model relasional dibuat, kamus data menentukan format yang diperlukan untuk
memasukkan data ke dalam basis data. Kamus data juga dapat memberikan informasi mengapa
atribut diperlukan dalam database; fungsi bisnis, aplikasi, formulir, dan laporan mana yang
menggunakan atribut; dan seberapa sering atribut harus diperbarui. Selain itu, kamus data
memasok inventaris sumber daya data kepada organisasi, memungkinkan mereka untuk
mengelola sumber daya ini secara lebih efektif.

Normalisasi

Normalisasi adalah metode untuk menganalisis dan mengurangi database relasional ke bentuk
yang paling ramping untuk memastikan redundansi minimum, integritas data maksimum, dan
kinerja pemrosesan yang optimal

Aksi dalam Basis Data

Aman untuk mengatakan bahwa hampir semua organisasi memiliki satu atau lebih basis data.
Lebih lanjut, ada banyak aplikasi basis data yang menarik. Organisasi menerapkan basis data
untuk mengelola data mereka secara efisien dan efektif. Namun, karena database biasanya
memproses data secara real time (atau mendekati real time), tidak praktis untuk
memungkinkan pengguna mengakses ke database.

5.5 Gudang Data dan Data Mart

Saat ini, perusahaan yang paling sukses adalah perusahaan yang dapat merespons dengan cepat
dan fleksibel terhadap pasar dan peluang. Kunci dari permasalahan ini adalah penggunaan data
yang efektif dan efisien oleh seorang analis dan manajer. Intinya adalah memberikan akses
pengguna ke data perusahaan sehingga mereka dapat menganalisis data untuk membuat
keputusan yang lebih baik.

Menggambarkan Gudang Data dan Data Mart

Karakteristik gudang data dan data mart meliputi berikut ini:

 Dikelola oleh dimensi bisnis atau subjek.

Data diatur oleh subjek misalnya, Menurut pelanggan, vendor, produk, tingkat harga, dan
wilayah. Pengaturan ini berbeda dari sistem transaksional, di mana data diatur oleh proses
bisnis, seperti entri pesanan, kontrol persediaan, dan piutang.

 Gunakan pemrosesan analitik online.

Biasanya, database organisasi berorientasi untuk menangani transaksi. Yaitu, basis data
menggunakan pemrosesan transaksi online (OLTP), di mana transaksi bisnis diproses secara
online setelah terjadi transaksi. Objektifitas adalah kecepatan dan efisiensi yang sangat penting
untuk operasi bisnis berbasis Internet. Gudang data dan data mart, yang dirancang untuk
mendukung pengambilan keputusan tetapi tidak OLTP, gunakan pemrosesan analitik online.
Pemprosesan analitis online (OLAP) melibatkan analisis akumulasi data oleh pengguna akhir

 Terintegrasi

Data dikumpulkan dari berbagai sistem dan kemudian diintegrasikan di sekitar mata pelajaran.
Misalnya, data pelanggan dapat diekstraksi dari sistem internal (dan eksternal) dan kemudian
diintegrasikan di sekitar pengidentifikasi pelanggan, sehingga menciptakan pandangan
komprehensif pelanggan.

 Variasi waktu

Gudang data dan data mart memelihara data historis (Data itu termasuk waktu sebagai
variabel). Berbeda dengan sistem transaksional, yang hanya memelihara data terkini (seperti
untuk hari, minggu, atau bulan terakhir), gudang atau mart dapat menyimpan data bertahun-
tahun. organisasi menggunakan data historis untuk mendeteksi penyimpangan, tren, dan
hubungan jangka panjang.

 Tidak mudah menguap

Gudang data dan data mart tidak mudah menguap artinya, pengguna tidak bisa berubah
atau memperbarui data. Karena itu gudang atau mart mencerminkan sejarah, seperti yang baru
saja kita lihat, sangat penting untuk mengidentifikasi dan menganalisis tren. Gudang dan mart
diperbarui, tetapi melalui proses pemuatan yang dikontrol oleh informasi teknologi.

 Multidimensi

Biasanya data warehouse atau mart menggunakan data multidimensi struktur. Ingat bahwa
basis data relasional menyimpan data dalam tabel dua dimensi. Sebaliknya, gudang data dan
mart menyimpan data lebih dalam dari dua dimensi. Untuk alasan ini, data dikatakan disimpan
dalam struktur multidimensi. Representasi umum untuk struktur multidimensi ini adalah
kubus data.
Lingkungan Data Generik

 Lingkungan untuk gudang data dan mart meliputi: Sumber sistem yang menyediakan
data ke gudang atau mart
 Teknologi dan proses integrasi data yang menyiapkan data untuk digunakan
 Berbagai arsitektur untuk menyimpan data di gudang data atau data mart organisasi
 Berbagai alat dan aplikasi untuk beragam pengguna.
 Metadata, kualitas data, dan proses tata kelola yang memastikan bahwa gudang atau
mart memenuhi tujuannya

Sistem Sumber

Biasanya ada beberapa "rasa sakit organisasi" yang memotivasi perusahaan untuk
mengembangkan kemampuan BI-nya. Bekerja dibelakang rasa sakit ini mengarah pada
informasi persyaratan, aplikasi BI, dan persyaratan data sistem sumber.

Integrasi Data

Selain menyimpan data dalam sistem sumber mereka, organisasi perlu untuk mengekstrak data,
mentransformasikannya, dan kemudian memuatnya ke dalam data mart atau gudang. Proses
sering disebut ETL, tetapi istilah integrasi data semakin banyak digunakan untuk
mencerminkan semakin banyak cara agar sumber data sistem dapat ditangani. Misalnya, dalam
beberapa kasus, data diekstraksi, dimuat ke dalam mart atau gudang, dan kemudian diubah.

Ekstraksi data dapat dilakukan dengan kode tulisan tangan atau oleh perangkat lunak integrasi
data komersial. Sebagian besar perusahaan menggunakan perangkat lunak komersial. Ini
perangkat lunak membuatnya relatif mudah untuk menentukan tabel dan atribut dalam sistem
sumber itu harus digunakan, memetakan dan menjadwalkan pergerakan data ke target,
melakukan transformasi yang diperlukan, dan pada akhirnya memuat data. Setelah data
diekstraksi, mereka ditransformasi untuk membuatnya lebih berguna. Sebagai contoh, data dari
sistem yang berbeda dapat diintegrasikan di sekitar kunci umum, seperti nomor identifikasi
pelanggan. Organisasi mengadopsi pendekatan ini untuk menciptakan pandangan 360 derajat
dari semuanya interaksi mereka dengan pelanggan mereka. Sebagai contoh dari proses ini,
pertimbangkan bank. Adat mereka dapat terlibat dalam berbagai interaksi: mengunjungi
cabang, perbankan online, menggunakan ATM, mendapatkan pinjaman mobil, dan banyak lagi.
Sistem untuk titik-titik kontak ini didefinisikan sebagai banyak cara organisasi berinteraksi
dengan pelanggan, seperti email, Web, kontak langsung, dan telepon biasanya tidak tergantung
satu sama lain. Untuk mendapatkan gambaran holistik tentang bagaimana pelanggan
menggunakan bank, bank harus mengintegrasikan data dari berbagai sistem sumber di data
mart atau gudang.

Jenis-jenis transformasi lain juga terjadi. Misalnya, memformat perubahan pada data dapat
diperlukan, seperti menggunakan pria dan wanita untuk menunjukkan gender, sebagai lawan
dari 0 dan 1 atau M dan F. Agregasi (ringkasan) dapat dilakukan, katakanlah pada angka
penjualan, sehingga pertanyaan dapat menggunakan ringkasan daripada menghitung ulang
setiap kali. Perangkat lunak pembersih data dapat digunakan untuk “Bersihkan” data. Misalnya,
menghapus catatan duplikat untuk pelanggan yang sama. Akhirnya, data dimuat ke dalam
gudang atau mart selama periode tertentu yang dikenal sebagai "Memuat jendela." Jendela ini
menjadi lebih kecil karena perusahaan berusaha untuk menyimpan data yang lebih segar.

Penyimpanan Data

Berbagai macam arsitektur dapat digunakan untuk membantu menentukan tempat

penyimpanan data. Arsitektur paling umum adalah One Central Enterprise Data Warehouse,
tanpa data marts. Banyak organisasi menggunakan pendekatan ini karena data yang tersimpan
di gudang dapat diakses oleh semua pengguna dan menggambarkan kebenaran dalam satu versi
(Single Version of the Truth)

Independent Data Marts adalah suatu arsitektur yang menyimpan data untuk aplikasi tunggal
atau beberapa aplikasi, seperti pemasaran dan keuangan. Arsitektur Independent Data Marts
kurang efektif digunakan karena tidak mencerminkan seluruh aspek dalam perusahaan
mencapai manajemen data.

Arsitektur Gudang Data lainnya adalah Hub and Spoke yang mengandung gudang pusat data
yang menyimpan data dan Dependent Data Marts ganda yang datanya bersumber dari tempat
penyimpanan pusat. Oleh karena itu, data dalam Marts ini masih terdiri dari kebenaran dalam
satu versi bertujuan membantu mengambil keputusan.

Metadata

Sangat penting untuk memelihara data tentang data, dikenal sebagai Metadata, di gudang data.
Anggota IT yang mengoperasikan dan menata gudang data, sedangkan pengguna dapat
mengakses data yang perlu metadata.

Kualitas Data

Kualitas data di gudang harus mencapai kebutuhan pengguna. Data dapat dikembangkan
dengan perangkat penghapusan data, namun akan lebih baik bila mengembangkan melalui
kualitas level sumber data. Pendekatan ini membutuhkan data pemilik bisnis untuk
memperkirakan tanggung jawab untuk membuat perubahan penting dalam menerapkan suatu
solusi.

Penguasaan

Agar intelejen bisnis dapat mencapai kebutuhan mereka, organisasi harus menerapkan
kekuasaan untuk merencanakan dan mengawasi aktivitas mereka. Penguasaan membutuhkan
orang, tim/ panitia, dan proses di tempat.

Penguasaan intelejen bisnis yang efektif dalam perusahaan biasanya menciptakan panitia level
seniot yang terdiri dari wakil presiden dan direktur yang menjamin kesejajaran tujuan bisnis
dan strategi intelejen bisnis, memprioritaskan proyek, dan mengalokasikan sumber daya.

Pengguna

Banyak yang berpeluang sebagai pengguna intelejen bisnis, termasuk pengembang IT, pekerja
frontline, analis, manajer dan eksektutif, dan produsen, pelanggan, dan pengatur. Beberapa dari
mereka adalah penghasil informasi yang berperan utama untuk membuat informasi untuk
pengguna lainnya. Pengembang IT dan analis termasuk dalam kategori tersebut. Pengguna lain
termasuk manajer dan eksekutif adalah konsumen informasi karena mereka menggunakan
informasi yang diciptakan oleh lainnya.

Keuntungan penyimpanan data adalah

 Pengguna akhir dapat mengakses data yang dibutuhkan secara cepat dan mudah
melalui Web browsers karena data tersebut terletak di satu tempat.
 Pengguna akhir dapat melaksanakan analisis secara luas dengan data dalam cara yang
tidak mungkin sebelumnya.
 Pengguna akhir dapat memperoleh data organisasi yang terlihat padu.

Keuntungan tersebut dapat mengembangkan pengetahuan bisnis, menciptakan keuntungan

kompetitif, meningkatkan pelayanan dan kepuasan pelanggan, memfasilitasi pembuatan
keputusan, dan mempersingkat proses bisnis.

Walaupun banyak keuntungan, gudang data memiliki banyak batasan, yaitu mereka sangat
mahal untuk dibuat dan dipelihara, menyatukan data dari sistem mainframe yang tidak terpakai
cukup sulit dan mahal, dan orang dalam departemen dapat enggan membagikan data dengan
departemen lainnya.

5.6 Manajemen Pengetahuan

Konsep dan Definisi

Manajemen pengetahuan adalah proses yang membantu organisasi memanipulasi pengetahuan

penting terdiri dari memori organisasi yang biasanya dalam format tidak terstruktur.

Pengetahuan

Dalam konteks teknologi infromasi, pengetahuan berbeda dari data dan informasi. Data adalah
kumpulan fakta, pengukuran, dan statistik. Informasi adalah data yang terorganisasi atau
terproses sesuai waktu dan akurat. Pengetahuan adalah informasi yang kontekstual, relevan,
dan berguna. Secara sederhana, pengetahuan adalah informasi dalam perbuatan.

Eksplisit dan Pengetahuan Tak Terekspresikan (Explicit and Tacit

Knowledge)

Pengetahuan eksplisit (Explicit Knowledge) berurusan dengan pengetahuan yang lebih objektif,
rasional, dan teknis. Pengetahuan eksplisit terdiri dari kebijakan, pemandu prosedur, laporan,
produk, strategi, tujuan, kompetensi inti, dan infrastruktur IT dalam perusahaan. Pengetahuan
eksplisit adalah pengetahuan yang telah disusun dalam bentuk yang mampu didistribusikan ke
lainnya atau diubah menjadi suatu proses atau strategi. Contohnya seperti kebijakan manual
sumber daya manusia yang terdokumentasi dalam sebuah perusahaan.

Tacit Knowledge adalah penyimpanan bertumpuk secara subjektif atau pembelajaran

pengalaman. Dalam organisasi, Tacit Knowledge terdiri dari pengalaman organisasi, wawasan,
keahlian, keterampilan, rahasia perdagangan, pengaturan kemampuan, pemahaman, dan
pembelajaran. Hal tersebut termasuk budaya organisasi yang mencerminkan pengalaman masa
lampau dan sekarang suatu proses dan orang dalam organisasi. Tacit Knowledge secara umum
tidak tepat dan mahal untuk dipindahkan. Hal itu juga bersifat sangat pribadi dan sulit
dirumuskan. Contohnya adalah pemasar yang telah bekerja dengan pelanggan dari waktu ke
waktu telah mengenal pelanggannya cukup baik. Pengetahuan ini tidak terekam secara khas.
Sistem Manajemen Pengetahuan

Tujuan dari manajemen pengetahuan adalah untuk membantu organisasi membuat

penggunaan pengetahuan yang paling produktif yang terakumulasikan. Sistem manajemen
pengetahuan mengacu penggunaan teknologi informasi modern, seperti internet, intranets,
extranets, databases untuk mengatur, meningkatkan, dan mempercepat manajemen
pengetahuan pihak dalam dan luar perusahaan.

Keuntungan dari KMS adalah sebagai latihan terbaik, cara paling efektif dan efisien dalam
melakukan sesuatu, tersedia dibaca karyawan dalam jangkauan luas, meningkatkan pelayanan
pelanggan, lebih efisien dalam pengembangan produk, dan meningkatkan moral dan ingatan
karyawan.

Menerapkan KMS secara efektif dalam beberapa tantangan saat ini. Pertama, karyawan harus
berniat membagikan tacit knowledge pribadi mereka. Untuk mendorong hal tersebut, organisasi
harus menciptakan budaya manajemen pengetahuan dengan menghadiahkan karyawan bagi
mereka yang menambahkan keahilan mereka pada dasar pengetahuan. Kedua, organisasi harus
memelihara dan memperbarui dasar pengetahuan tersebut. Secara spesifik, hal itu harus
bersatu dengan pengetahuan yang baru dan menghapus yang lama. Terakhir, perusahaan harus
memiliki niat untuk berinvestasi dalam kebutuhan sumber daya untuk melaksanakan kegiatan
ini.

Siklus Sistem Manajemen Pengetahuan (The KMS Cycle)

Sistem manajemen pengetahuan yang aktif merupakan siklus yang terdiri dari 6 langkah.
Sistem ini berbentuk siklus karena pengetahuan diperbaiki dari waktu ke waktu secara dinamis.
Pengetahuan dalam KMS tidak pernah selesai karena lingkungan terus berubah dari waktu ke
waktu dan pengetahuan akan diperbarui setara dengan perubahan tersebut. Siklus tersebut
terdiri dari :

1. Menciptakan pengetahuan (create knowledge). Pengetahuan dibuat berdasarkan orang

menentukan cara baru untuk melakukan sesuatu atau mengembangkan keterampilan.
Terkadang pengetahuan eksternal juga terbawa di dalamnya.
2. Menangkap pengetahuan (capture knowledge). Pengetahuan baru harus teridentifikasi
sebagai bernilai dan digambarkan dengan cara yang masuk akal.
3. Memperbaiki pengetahuan, Pengetahuan baru harus diletakan dalam konteks sehingga
dapat diterapkan. Ini di mana kualitas tidak terekspresikan harus ditangkap dengan
fakta eksplisit.
4. Menyimpan pengetahuan. Pengetahuan yang berguna disimpan di format yang masuk
akal dalam penyimpanan pengetahuan jadi pengguna dalam organisasi dapat
menggunakannya.
5. Menata pengetahuan. Pengetahuan harus tersimpan saat ini dan harus diulas kembali
secara regular untuk memverifikasi bahwa pengetahuan tersebut relevan dan akurat.
6. Menyebarluaskan pengetahuan. Pengetahuan harus tersedia dalam format yang
berguna untuk siapa saja dalam organisasi yang membutuhkannya kapanpun dan
dimanapun.