Oleh:
Kelompok 6
1. Annisa Rezki Susanti (2010247509)
2. Neni Afriyani (2010247415)
3. Roy Al-Amin (2010247518)
1
DAFTAR ISI
DAFTAR ISI i
KATA PENGANTAR ii
BAB I PENDAHULUAN
1.1 Latar Belakang 1
BAB II PEMBAHASAN
Coca Cola Manages at the Point That Makes a Difference 2
2.1 Database Management Systems 6
DAFTAR PUSTAKA 36
2
BAB I
PENDAHULUAN
1.1 Latar Belakang
Analytics membedakan bisnis di abad ke-21. Transaksional, sosial, seluler,
cloud, web, dan sensor data menawarkan potensi yang sangat besar. Tetapi tanpa alat
untuk menganalisis tipe dan volume data ini, tidak akan ada banyak perbedaan antara
bisnis di abad ke-20 dan bisnis saat ini, kecuali untuk akses seluler. Data berkualitas
tinggi dan keahlian manusia sangat penting untuk nilai analitik (Gambar 3.1).
Keahlian manusia diperlukan karena hanya analitik tidak dapat menjelaskan
alasan tren atau hubungan, tahu tindakan apa yang harus diambil; atau berikan
konteks yang memadai untuk menentukan apa yang diwakili oleh angka-angka dan
bagaimana cara menginterpretasikan. Basis data, gudang data, data besar, dan bisnis
teknologi intelijen (BI) berinteraksi untuk menciptakan ekosistem biz-tech. Analisis
data besar dan penemuan BI wawasan atau hubungan kepentingan yang sebaliknya
mungkin belum diakui.
Keahlian
manusia Tren atau hubungan
Konteks untuk
memahami apa yang
diwakili angka dan
bagaimana
Data menafsirkannya
analytic Tindakan apa yang
s harus diambil
Data
berkualitas
tinggi
Gambar 3.1 Analisis data, dan keahlian manusia dan data berkualitas tinggi,
diperlukan untuk mendapatkan informasi yang dapat ditindaklanjuti.
3
BAB II
PEMBAHASAN
Centralized database menyimpan data di satu lokasi yang dapat diakses dari
mana saja. Pencarian bisa cepat karena mesin pencari tidak perlu memeriksa
beberapa lokasi terdistribusi untuk menemukan data yang responsif.
Data warehouses yang mengintegrasikan data dari database di seluruh
perusahaan disebut data warehouses perusahaan (Enterprise Data Warehouses
-EDW).
4
5
Gambar 3.4 Centralized Data Architecture.
Gambar 3.5 Data Dari Transaksi Online Dan Offline Disimpan Dalam Basis Data.
Data Tentang Entitas Seperti Pelanggan, Produk, Pesanan, Dan Karyawan Disimpan
Dengan Cara Yang Terorganisasi.
6
Semua data distandarisasi melalui serangkaian master data management
(MDM), sebagaimana dibahas dalam Bab 2. Sebuah enterprise data warehouse
(EDW) menghasilkan satu tampilan dari semua data ritel multisaluran. EDW
menciptakan pandangan tepercaya tentang pelanggan, penjualan, dan transaksi,
memungkinkan Coca-Cola merespons dengan cepat dan akurat terhadap perubahan
dalam kondisi pasar. Pendekatan Coca-Cola terhadap Model Data dan Keputusan Big
Data diperlakukan sebagai aset strategis.
Data besar memainkan peran kunci dalam memastikan bahwa jus jeruk
rasanya di tahun yang sama dan tersedia di mana saja di dunia. Jeruk yang digunakan
oleh Coca-Cola memiliki puncak musim pertumbuhan hanya tiga bulan.
Memproduksi jus jeruk dengan rasa konsisten sepanjang tahun meskipun kualitas
pasokan jeruk yang tidak konsisten adalah kompleks. Untuk menghadapi
kompleksitas, model keputusan jus jeruk dikembangkan, Black Book model. Model
keputusan mengkuantifikasi hubungan antar variabel, yang mengurangi
ketidakpastian.
Black Book menggabungkan data erperinci tentang 600 rasa yang membentuk
oranye, cuaca, preferensi pelanggan, hasil panen yang diharapkan, tekanan biaya,
preferensi konsumen regional, dan tingkat keasaman atau kemanisan.
Pertanyaan :
1. Mengapa Coca-Cola Company memiliki petabyte data?
2. Mengapa penting bagi Coca-Cola untuk dapat memproses data POS
(Point-of-sale) dalam waktu dekat secara langsung?
3. Bagaimana Coca-Cola berupaya menciptakan pengalaman pelanggan yang
menguntungkan?
4. Apa pentingnya memiliki pandangan tepercaya tentang data?
5. Apa manfaat dari model keputusan?
6. Apa Black Book Model itu?
7. Jelaskan manfaat strategis dari Black Book Model.
7
2.1 DATABASE MANAGEMENT SYSTEMS
Data adalah kekuatan pendorong di balik setiap bisnis yang sukses. operasi,
perencanaan, kontrol, dan semua fungsi manajemen lainnya sangat bergantung pada
proses informasi, bukan data mentah. Dan, tidak ada yang mau menunggu kritis bisnis
laporan atau jawaban spesifik atas pertanyaan mereka. Teknologi manajemen data
yang membuat pengguna mendapat informasi dan mendukung berbagai tuntutan
bisnis adalah sebagai berikut:
• Database menyimpan data yang dihasilkan oleh aplikasi bisnis, sensor, operasi, dan
sistem pemrosesan transaksi (TPS). Data dalam database sangat lincah.
Perusahaan menengah dan besar biasanya memiliki banyak database dari berbagai
jenis.
• Gudang data (data warehouse) mengintegrasikan data dari beberapa database dan
silo data, dan mengatur mereka untuk analisis yang kompleks, penemuan pengetahuan,
dan untuk mendukung pengambilan keputusan. Misalnya, data diekstraksi dari
database, diproses untuk menstandardisasi formatnya, dan kemudian dimuat ke
gudang data pada waktu tertentu, seperti mingguan. Dengan demikian, data dalam
gudang data bersifat non-volatil—dan siap untuk dianalisis.
• Data mart adalah gudang data skala kecil yang mendukung satu fungsi atau satu
departemen. Perusahaan yang tidak mampu berinvestasi dalam pergudangan data
dapat dimulai dengan satu atau lebih data mart.
• Intelijen bisnis (BI) alat dan teknik memproses data dan melakukan statistik
analisis untuk wawasan dan penemuan—yaitu, untuk menemukan hubungan yang
bermakna dalam data, tetap mendapat informasi secara real time, mendeteksi tren, dan
mengidentifikasi peluang dan risiko.
Teknik pemrosesan data, kekuatan pemrosesan, dan kinerja perusahaan kemampuan
manajemen telah mengalami kemajuan revolusioner dalam beberapa tahun terakhir
untuk alasan yang sudah Anda ketahui—data besar, mobilitas, dan komputasi awan.
Dekade terakhir, bagaimanapun, telah melihat munculnya pendekatan baru, pertama
di pergudangan data dan, baru-baru ini, untuk pemrosesan transaksi.
Sistem manajemen basis data (DBMS) terintegrasi dengan sistem pengumpulan
data seperti TPS dan aplikasi bisnis; menyimpan data dengan cara yang terorganisir;
dan menyediakan fasilitas untuk mengakses dan mengelola data tersebut. Selama 25
8
tahun terakhir, database relasionaltelah menjadi model database standar yang
diadopsi oleh sebagian besar perusahaan. Database relasional menyimpan data dalam
tabel yang terdiri dari kolom dan baris, mirip dengan format spreadsheet, seperti yang
ditunjukkan pada Gambar 3.6.
Sistem manajemen relasional (RDBMS) menyediakan akses ke data menggunakan
bahasa deklaratif—bahasa kueri terstruktur (SQL). Bahasa deklaratif
menyederhanakan akses data dengan mengharuskan pengguna hanya menentukan
data apa yang mereka inginkan akses tanpa mendefinisikan bagaimana akses akan
dicapai.
SELECT column_name(s)
FROM table_name
WHERE condition
Gambar 3.6 Ilustrasi Format Data Terstruktur Data Numerik Dan Alfanumerik
Disusun Dalam Baris Dan Kolom Yang Sudah Ditentukan Serupa Dengan Yang Ada
Dalam Spreadsheet Excel.
9
Gambar 3.7 Sebuah Contoh Dari SQL Untuk Mengakses Informasi Karyawan
Berdasarkan Tanggal Penerimaan.
Fungsi DBMS
Diperlukan tampilan data yang akurat dan konsisten di seluruh perusahaan
sehingga seseorang dapat membuat keputusan yang terinformasi dan dapat
ditindaklanjuti yang mendukung strategi bisnis. Fungsi yang dilakukan oleh DBMS
untuk membantu membuat tampilan seperti itu adalah:
• Pemfilteran dan pembuatan profil data: Memproses dan menyimpan data secara
efisien. Memeriksa data untuk kesalahan, inkonsistensi, redundansi, dan tidak lengkap
informasi.
• Integritas dan pemeliharaan data: Perbaiki, standarkan, dan verifikasi
konsistensinya dan integritas data.
• Sinkronisasi data: Mengintegrasikan, mencocokkan, atau menautkan data dari
sumber yang berbeda.
• Keamanan data: Periksa dan kendalikan integritas data dari waktu ke waktu.
• Akses data: Memberikan akses resmi ke data baik secara terencana maupun ad hoc
cara dalam waktu yang dapat diterima.
Perangkat keras komputasi saat ini mampu memecahkan kumpulan data yang
sangat besar yang tidak mungkin untuk dikelola beberapa tahun yang lalu dan
membuatnya tersedia sesuai permintaan melalui jaringan kabel atau nirkabel.
Pemrosesan Transaksi Online dan Pemrosesan Analitik Online
Ketika sebagian besar transaksi bisnis terjadi—misalnya, suatu barang dijual atau
dikembalikan, pesanan dikirim atau dibatalkan, pembayaran atau deposit dilakukan—
perubahan dilakukan langsung ke database. Perubahan online ini adalah penambahan,
pembaruan, atau penghapusan.
DBMS mencatat dan memproses transaksi dalam database, dan mendukung
pertanyaan dan pelaporan. Mengingat fungsinya, DBMS disebut sebagai:on line
sistem pemrosesan transaksi (OLTP). OLTP adalah desain database yang rusak
menurunkan informasi yang kompleks menjadi tabel data yang lebih sederhana untuk
mencapai keseimbangan antara efisiensi pemrosesan transaksi dan efisiensi kueri.
Proses database OLTP jutaan transaksi per detik. Namun, database tidak dapat
dioptimalkan untuk penambangan data, komplekssistem pemrosesan analitik online
10
(OLAP), dan keputusan mendukung. Keterbatasan ini menyebabkan pengenalan
teknologi data warehouse.
Gudang data dan data mart dioptimalkan untuk OLAP, penambangan data, BI,
dan pendukung keputusan. OLAP adalah istilah yang digunakan untuk
menggambarkan analisis data yang kompleks dari gudang data. Singkatnya, database
dioptimalkan untuk sangat cepat pemrosesan transaksi dan pemrosesan kueri. Gudang
data dioptimalkan untuk analisis.
Salah satu pendorong utama perubahan di pasar manajemen data
adalahpeningkatan jumlah data yang akan dikelola. Perusahaan membutuhkan DBMS
yang kuat dan solusi pergudangan data, analitik, dan pelaporan. Empat vendor yang
mendominasi pasar ini—Oracle, IBM, Microsoft, dan Teradata—terus merespons
untuk mengembangkan kebutuhan manajemen data dengan perangkat lunak yang
lebih cerdas dan canggih, dan perangkat keras. Teknologi perangkat keras canggih
memungkinkan penskalaan menjadi jauh lebih tinggi volume data dan beban kerja
dari sebelumnya mungkin, atau dapat menangani spesifik beban kerja.
Database relasional tujuan umum yang lebih lama DBMS tidak memiliki
skalabilitas atau fleksibilitas untuk beban kerja khusus atau sangat besar, tetapi sangat
baik dalam apa yang mereka lakukan.
11
Tren Menuju Sistem NoSQL
RDBMS masih merupakan mesin basis data yang dominan, tetapi tren ke arah Tanpa
SQL (kependekan dari "tidak hanya SQL") sistem sudah jelas. Sistem NoSQL
meningkat popularitasnya sebesar 50 persen dari 2013 hingga 2014. Meskipun
NoSQL telah ada untuk sebagai selama DBMS relasional, istilah itu sendiri tidak
diperkenalkan sampai 2009. Itu adalah ketika banyak sistem baru dikembangkan
untuk mengatasi perkembangan persyaratan untuk DBMS—yaitu, menangani data
besar, skalabilitas, dan kesalahan toleransi untuk aplikasi Web besar.Skalabilitas
berarti sistem dapat meningkat dalam ukuran untuk menangani pertumbuhan data atau
beban peningkatan jumlah bersamaan pengguna. Dengan kata lain, sistem yang dapat
diskalakan secara efisien memenuhi tuntutan kinerja tinggi komputasi.Toleransi
kesalahan berarti tidak ada kegagalan tunggal yang mengakibatkan setiap kehilangan
layanan.
Sistem NoSQL adalah kelompok sistem basis data yang heterogen sehingga
upaya untuk mengklasifikasikannya tidak terlalu membantu. Namun, keuntungan
umum mereka apakah ini:
Performa lebih tinggi
Distribusi data yang mudah pada node yang berbeda, yang memungkinkan
skalabilitas dan toleransi kesalahan
Fleksibilitas yang lebih besar
Administrasi yang lebih sederhana
Mulai tahun 2010 dan berlanjut hingga tahun 2014, Microsoft telah
mengerjakan penulisan ulang pertama dari eksekusi kueri SQL Server sejak Versi 7
dirilis di 1998. Tujuannya adalah untuk menawarkan kecepatan seperti NoSQL tanpa
mengorbankan kemampuan sebuah basis data relasional. Dengan sebagian besar
penawaran NoSQL, sebagian besar biaya tidak terletak pada perolehan database,
melainkan dalam mengimplementasikannya. Data perlu dipilih dan dimigrasi
(dipindahkan) ke database baru. Microsoft berharap untuk mengurangi biaya ini
dengan menawarkan solusi migrasi
12
utama terdiri dari: file database terpusat pada komputer mainframe besar. Manfaat
dari terpusat konfigurasi database meliputi:
1. Kontrol kualitas data yang lebih baik. Konsistensi data lebih mudah ketika
data disimpan di satu lokasi fisik karena penambahan, pembaruan, dan
penghapusan data dapat dilakukan dilakukan secara terawasi dan teratur.
2. Keamanan TI yang lebih baik. Data diakses melalui komputer host terpusat, di
mana: mereka dapat dilindungi dengan lebih mudah dari akses atau modifikasi
yang tidak sah.
Kerugian utama dari database terpusat, seperti semua sistem terpusat, adalah
penundaan transmisi saat pengguna tersebar secara geografis. Perangkat keras yang
lebih kuat dan jaringan mengkompensasi kerugian ini.
13
Sampah masuk sampah keluar
Pengumpulan data adalah proses yang sangat kompleks yang dapat
menimbulkan masalah mengenai kualitas data yang dikumpulkan. Oleh karena itu,
terlepas dari bagaimana datanya dikumpulkan, mereka perlu divalidasi sehingga
pengguna tahu bahwa mereka dapat mempercayainya. Klasik ekspresi yang
meringkas situasinya adalah "sampah masuk, sampah keluar" (GIGO) dan “sampah
masuk, injil keluar” yang berpotensi lebih berisiko. Dalam kasus terakhir, kualitas
buruk data dipercaya dan digunakan sebagai dasar perencanaan. Anda telah
menemukan data perlindungan, seperti pemeriksaan integritas, untuk membantu
meningkatkan kualitas data saat Anda mengisi sebuah formulir online. Misalnya,
formulir tidak akan menerima alamat email yang tidak diformat dengan benar.
14
• Waktu yang dihabiskan untuk memperbaiki kesalahan. Staf database perlu
memproses koreksi ke basis data. Misalnya, biaya mengoreksi kesalahan di Urent
Korporasi diperkirakan sebagai berikut:
A) Dua anggota staf basis data menghabiskan 25 persen dari pemrosesan hari kerja
mereka dan memverifikasi koreksi data setiap hari: 2 orang * 25% dari 8 jam/hari 4
jam/hari mengoreksi kesalahan.
B) Gaji per jam adalah $50 per jam berdasarkan tingkat pembayaran dan tunjangan:
$50/jam * 4 jam/hari $200/hari mengoreksi kesalahan
C) 250 hari kerja per tahun:
$200/hari * 250 hari $50,000/tahun untuk memperbaiki kesalahan.
Biaya data berkualitas buruk yang tersebar di seluruh perusahaan,
mempengaruhi sistem dari pengiriman dan penerimaan ke akuntansi dan layanan
pelanggan. Kesalahan data biasanya muncul dari fungsi atau departemen yang
menghasilkan atau membuat data—dan bukan di dalam departemen TI. Ketika semua
biaya dipertimbangkan, langkah untuk menemukan dan memperbaiki penyebab
kesalahan data menjadi jelas. Dalam waktu anggaran menurun, beberapa organisasi
mungkin tidak memiliki sumber daya untuk proyek semacam itu dan bahkan mungkin
tidak menyadari masalahnya. Orang lain mungkin menghabiskan sebagian besar
waktu mereka memperbaiki masalah, sehingga membuat mereka tidak punya waktu
untuk menghindari masalah.
Data yang buruk merugikan bisnis AS ratusan miliar dolar setahun dan
mempengaruhi kemampuan mereka untuk keluar dari iklim ekonomi yang sulit. Data
yang kedaluwarsa, data yang hilang, dan format data yang tidak konsisten dapat
menyebabkan hilangnya pelanggan, penjualan, dan pendapatan; misalokasi sumber
daya; dan stategi penetapan harga yang salah.
Untuk perusahaan tertentu, sulit untuk menghitung biaya penuh dari kualitas
data yang buruk dan efek jangka panjangnya. Bagian dari kesulitannya adalah waktu
tunda antara kesalahan dan ketika terdeteksi. Kesalahan bisa sangat sulit untuk
diperbaiki, terutama ketika sistem meluas di seluruh perusahaan. Kekhawatiran lain
adalah bahwa dampak dari kesalahan bisa tidak terduga atau serius.
15
kepemilikan data—bahwa adalah, siapa yang memiliki atau bertanggung jawab atas
data tersebut. Masalah kepemilikan data muncul ketika tidak ada kebijakan yang
mendefinisikan tanggung jawab dan akuntabilitas untuk mengelola data. Format data
yang tidak konsisten dari berbagai departemen menciptakan serangkaian masalah
tambahan ketika organisasi mencoba menggabungkan aplikasi individu ke dalam
system terintegrasi perusahaan.
Kecenderungan untuk mendelegasikan tanggung jawab kualitas data kepada
tim teknis yang tidak memiliki kendali atas kualitas data, berbeda dengan pengguna
bisnis yang memiliki kontrol seperti itu, adalah jebakan umum lain yang menghalangi
akumulasi kualitas tinggi data.
Mereka yang mengelola bisnis atau bagian dari bisnis ditugaskan untuk
mencoba untuk meningkatkan kinerja bisnis dan mempertahankan pelanggan.
Kompensasi terkait dengan meningkatkan profitabilitas, mendorong pertumbuhan
pendapatan, dan meningkatkan kualitas pelanggan melayani. Indikator kinerja utama
(KPI) ini dipantau secara ketat oleh: manajer senior yang ingin menemukan dan
menghilangkan cacat yang merugikan kinerja. Dia aneh bahwa begitu sedikit manajer
meluangkan waktu untuk memahami bagaimana kinerja dipengaruhi oleh kualitas
data yang buruk. Dua contoh membuat kasus yang kuat untuk investasi dalam data
berkualitas tinggi.
Bank ritel: Untuk eksekutif bank ritel, manajemen risiko adalah nomor satu isu.
Mengabaikan risiko berkontribusi pada krisis jasa keuangan 2008. Terlepas dari
strategi manajemen risiko, banyak bank masih mengalami kerugian besar. Bagian dari
masalah di banyak bank adalah bahwa IS mereka memungkinkan mereka untuk
memantau risiko hanya ditingkat produk—hipotek, pinjaman, atau kartu kredit.
Manajemen risiko tingkat produk IS memantau eksposur risiko pelanggan untuk
hipotek, atau untuk pinjaman, atau untuk kredit kartu, dan sebagainya—tetapi tidak
untuk pelanggan untuk semua produk. Dengan IS tingkat produk, bank tidak dapat
melihat eksposur risiko penuh dari pelanggan. Keterbatasan ini dibungkam risiko
tingkat produk memiliki implikasi serius bagi kinerja bisnis karena: pelanggan
berisiko buruk tidak dapat diidentifikasi dengan mudah, dan data pelanggan di
berbagai IS mungkin berbeda. Misalnya, pertimbangkan apa yang terjadi ketika setiap
manajemen risiko tingkat produk IS memasukkan data ke IS pemasaran. Pemasaran
mungkin menawarkan pelanggan berisiko buruk insentif untuk mengambil kartu
kredit atau pinjaman lain yang tidak dapat mereka bayar kembali. Dan karena bank
16
juga tidak dapat mengidentifikasi pelanggan terbaiknya, mereka mungkin diabaikan
dan dibujuk oleh penawaran yang lebih baik yang ditawarkan oleh pesaing. Skenario
ini menggambarkan bagaimana kepemilikan data dan manajemen kualitas data sangat
penting untuk manajemen risiko. Cacat data dan data yang tidak lengkap dapat
dengan cepat memicu pemasaran yang tidak akurat dan kerugian yang meningkat.
Satu bank ritel yang menghadapi masalah ini kehilangan 16 persen bisnis hipoteknya
dalam waktu 18 bulan sementara kerugian dalam bisnis kartu kreditnya meningkat
(Ferguson, 2012).
Manufaktur.Banyak produsen berada di bawah belas kasihan pelanggan yang kuat
dasar—pengecer besar. Produsen ingin menyelaraskan proses mereka dengan proses
pelanggan ritel besar untuk membuat mereka senang. Penyelarasan ini memungkinkan
untuk pengecer untuk memesan secara terpusat untuk semua toko atau memesan
secara lokal dari produsen tertentu. Mendukung pemesanan pusat dan lokal
mempersulit perencanaan produksi berjalan. Misalnya, setiap situs manufaktur harus
mengumpulkan data pesanan dari pemesanan pusat dan sistem pemesanan lokal untuk
mendapatkan gambaran lengkap tentang apa yang harus manufaktur di setiap situs.
Tanpa data yang akurat dan terkini, pesanan mungkin tidak terisi, atau produsen
mungkin memiliki persediaan berlebih. Salah satu pabrikan yang mencoba
mempertahankan pengecer utamanya senang dengan menerapkan pemesanan pusat
dan lokal tidak dapat memproses pesanan dengan benar di setiap lokasi produksi.
Tidak ada kepemilikan data dan kurangnya kontrol tentang bagaimana data pesanan
mengalir di seluruh operasi bisnis memiliki dampak negatif.
Proses bisnis yang saling bertentangan dan menduplikasi di setiap lokasi manufaktur
menyebabkan data kesalahan, yang menyebabkan kesalahan dalam pembuatan,
pengepakan, dan pengiriman. Pelanggan sangat tidak puas. Kedua contoh ini
mewakili konsekuensi dari kurangnya kepemilikan data dan kualitas data. Memahami
dampak data yang salah kelola membuat kepemilikan data dan data yang akurat
menjadi prioritas yang lebih tinggi. Kepatuhan terhadap berbagai peraturan federal
dan negara bagian bergantung pada kekuatan batu data dan metrik tepercaya yang
digunakan untuk pelaporan peraturan. Kepemilikan data, kualitas data, dan data yang
dikelola secara formal menjadi agenda utama CFO dan CEO yang ditahan
bertanggung jawab secara pribadi jika perusahaan mereka ditemukan melanggar
peraturan.
17
SIKLUS HIDUP DATA DAN PRINSIP DATA
Siklus hidup data adalah model yang menggambarkan cara perjalanan data
melalui suatu organisasi, seperti yang ditunjukkan pada Gambar 3.11. Siklus hidup
data dimulai dengan penyimpanan dalam database, untuk dimuat ke gudang data
untuk dianalisis, lalu dilaporkan ke pengetahuan pekerja atau digunakan dalam
aplikasi bisnis. Manajemen rantai pasokan (SCM), pelanggan manajemen hubungan
(CRM), dan e-commerce adalah aplikasi perusahaan yang memerlukan data yang up-
to-date dan mudah diakses agar dapat berfungsi dengan baik. Tiga prinsip data umum
terkait dengan perspektif siklus hidup data dan bantuan untuk memandu keputusan
investasi TI:
1. Prinsip nilai data yang semakin berkurang. Nilai data berkurang seiring
bertambahnya usia. Ini adalah prinsip yang sederhana, Sebagian besar organisasi tidak
dapat beroperasi pada kinerja puncak dengan titik buta (kurangnya ketersediaan data)
selama 30 hari atau lebih lama. Lembaga jasa keuangan global mengandalkan data
hampir real-time untuk kinerja puncak
18
diintegrasikan, diproses, dianalisis, dan diformat menjadi "informasi yang dapat
ditindaklanjuti".
DATA UTAMA DAN DATA MASTER PENGELOLAAN
Ketika data menjadi lebih kompleks dan volumenya meledak, kinerja basis
data menurunkan. Salah satu solusinya adalah penggunaan data master dan
manajemen data induk (MDM), seperti yang diperkenalkan di Bab 2. Proses MDM
mengintegrasikan data dari berbagai sumber atau aplikasi perusahaan untuk membuat
tampilan pelanggan yang lebih lengkap (bersatu), produk, atau entitas lain. Gambar
3.12 menunjukkan bagaimana data master berfungsi sebagai lapisan antara data
transaksional dalam database dan data analitik di gudang data. Meskipun vendor dapat
mengklaim bahwa solusi MDM mereka menciptakan "satu versi" kebenarannya,
klaim ini mungkin tidak benar. Pada kenyataannya, MDM tidak dapat membuat satu
pun versi data terpadu karena membangun pandangan yang sepenuhnya terpadu dari
semua data master sama sekali tidak mungkin.
File Referensi Master dan Entitas Data
Secara realistis, MDM mengkonsolidasikan data dari berbagai sumber data
menjadi referensi utama file, yang kemudian memasukkan data kembali ke aplikasi,
sehingga menciptakan akurasi dan data yang konsisten di seluruh perusahaan. Dalam
IT at Work 3.1, peserta dalam rantai pasokan layanan kesehatan pada dasarnya
mengembangkan file referensi utama dari data utamanya entitas.
Entitas data adalah sesuatu yang nyata atau abstrak yang diinginkan oleh
perusahaan mengumpulkan dan menyimpan data. Entitas data master adalah entitas
utama perusahaan, seperti: sebagai pelanggan, produk, pemasok, karyawan, dan aset.
Setiap departemen memiliki kebutuhan data master yang berbeda. Pemasaran,
misalnya adalah berkaitan dengan harga produk, merek, dan kemasan produk,
sedangkan produksi berkaitan dengan biaya dan jadwal produk. File referensi master
pelanggan dapat memasukkan data ke semua sistem perusahaan yang memiliki
komponen hubungan pelanggan, sehingga memberikan gambaran yang lebih terpadu
tentang pelanggan. Demikian pula, master produk file referensi dapat memberi makan
data ke semua sistem produksi dalam perusahaan.
MDM menyertakan alat untuk membersihkan dan mengaudit elemen data
master sebagai: serta alat untuk mengintegrasikan dan menyinkronkan data agar lebih
mudah diakses. MDM menawarkan solusi bagi para manajer yang frustrasi dengan
betapa terfragmentasinya dan tersebarnya sumber data mereka.
19
3.12 Sebuah perusahaan memiliki transaksional, master, dan data analitis.
Big Data dapat memiliki dampak dramatis pada keberhasilan perusahaan mana
pun, atau mereka dapat menjadi pengeluaran besar dengan kontribusi rendah. Namun,
kesuksesan tidak dicapai dengan teknologi saja. Banyak perusahaan mengumpulkan
dan menangkap sejumlah besar data, tetapi menghabiskan sedikit upaya untuk
memastikan kebenaran dan nilai data yang diambil pada tahap transaksional atau titik
asal. Penekanan ke arah ini tidak hanya akan meningkatkan kepercayaan pada
kumpulan data, tetapi juga secara signifikan mengurangi upaya analitik dan
meningkatkan kualitas pengambilan keputusan. Sukses juga tergantung pada
20
kepastian bahwa kita menghindari asumsi yang tidak valid, yang dapat dilakukan
dengan menguji asumsi selama analisis.
Keahlian Manusia Dan Penghargaan Diperlukan
Keahlian dan penilaian manusia diperlukan untuk menginterpretasikan output analitik.
Data tidak berharga jika Anda tidak dapat menganalisis, menafsirkan, memahami, dan
menerapkan hasilnya dalam konteks. Hal ini memunculkan beberapa tantangan:
Data perlu disiapkan untuk analisis. Misalnya, data yang tidak lengkap atau
digandakan perlu diperbaiki.
Data kotor menurunkan nilai analitik. “Kebersihan” data sangat penting untuk
penambangan data dan proyek analisis. Analis telah mengeluh bahwa analitik
data seperti pekerjaan kebersihan karena mereka menghabiskan begitu banyak
waktu pada proses manual yang rawan kesalahan untuk membersihkan data.
Volume data yang besar dan variasi berarti lebih banyak data yang kotor dan
lebih sulit ditangani.
Data harus dimasukkan ke dalam konteks yang bermakna. Jika analisis atau
kumpulan data salah digunakan, hasilnya akan menjadi tidak masuk akal, seperti
pada contoh Super Bowl pemenang dan kinerja pasar saham. Dinyatakan secara
terbalik, manajer membutuhkan konteks untuk memahami bagaimana
menafsirkan data tradisional dan besar.
Data Perusahaan Gudang dan Data Mart
Gudang data menyimpan data dari berbagai sistem sumber dan database di
seluruh sebuah perusahaan untuk menjalankan kueri analitik terhadap kumpulan data
besar yang dikumpulkan selama periode waktu yang lama. Gudang adalah sumber
utama data yang dibersihkan untuk analisis, pelaporan, dan BI. Seringkali data
diringkas dengan cara yang memungkinkan tanggapan cepat untuk pertanyaan.
Misalnya, hasil kueri dapat mengungkapkan perubahan pelanggan perilaku dan
mendorong keputusan untuk mengembangkan kembali strategi periklanan. Gudang
data yang mengumpulkan data dari sumber dan database yang berbeda di seluruh
perusahaan disebut gudang data perusahaan (EDW). Tech Note 3.2 merangkum
karakteristik utama dari dua jenis penyimpanan data. Tingginya biaya gudang data
dapat membuatnya terlalu mahal bagi perusahaan untuk melaksanakan.
Data mart adalah versi yang lebih murah dan diperkecil yang dapat
diimplementasikan dalam waktu yang jauh lebih singkat, misalnya dalam waktu
kurang dari 90 hari. Layanan data mart departemen atau fungsi tertentu, seperti
21
keuangan, pemasaran, atau operasi. Sejak mereka menyimpan jumlah data yang lebih
kecil, lebih cepat, lebih mudah digunakan, dan bernavigasi.
Ringkasan Perbedaan Antara Database dan Data Warehouse
Database adalah:
• Dirancang dan dioptimalkan untuk memastikan bahwa setiap transaksi dicatat dan
disimpan segera.
• Lincah karena data terus diperbarui, ditambahkan, atau diedit.
• sistem OLTP.
Warehouse adalah:
• Dirancang dan dioptimalkan untuk analisis dan respons cepat terhadap pertanyaan.
• Tidak mudah menguap. Stabilitas ini penting untuk dapat menganalisis data dan
buat perbandingan. Saat data disimpan, data tersebut mungkin tidak akan pernah
diubah atau dihapus untuk melakukan analisis tren atau membuat perbandingan
dengan data yang lebih baru.
• sistem OLAP.
• Berorientasi subjek, yang berarti bahwa data yang diambil diatur untuk memiliki
data serupa yang dihubungkan bersama.
22
kemudian menerapkan perubahan tersebut seluruh penyimpanan data perusahaan
untuk menjaga sinkronisasi data. CDC meminimalkan sumber daya yang diperlukan
untuk proses ETL dengan hanya menangani perubahan data. Deduping proses
menghapus duplikat dan menstandardisasi format data, yang membantu
meminimalkan penyimpanan dan sinkronisasi data.
Membangun Data Gudang
Gambar 3.15 diagram proses membangun dan menggunakan data warehouse.
Organisasi data disimpan dalam sistem operasional (sisi kiri gambar). Tidak semua
data ditransfer ke gudang data. Seringkali, hanya data ringkasan yang ditransfer.
Gudang mengatur data dalam berbagai cara—berdasarkan subjek, fungsional
daerah, vendor, dan produk. Seperti yang ditunjukkan, arsitektur gudang data
mendefinisikan aliran data yang dimulai saat data ditangkap oleh sistem transaksi;
sumber data disimpan dalam database transaksional (operasional); Proses ETL
memindahkan data dari database ke gudang data atau data mart, di mana data tersedia
untuk akses, laporan, dan analisis.
23
dikenal sebagaiaktif gudang data/active data warehouse(ADW). Peningkatan
besar-besaran dalam daya komputasi, kecepatan pemrosesan, dan memori
memungkinkan ADW. ADW tidak dirancang untuk mendukung eksekutif.
pengambilan keputusan strategis, melainkan untuk mendukung operasi. Misalnya,
pengiriman perusahaan seperti DHL menggunakan armada truk yang besar untuk
memindahkan jutaan paket.
Setiap hari dan sepanjang hari, manajer operasional membuat ribuan
keputusan yang mempengaruhi intinya, seperti: "Apakah kita perlu empat truk untuk
perjalanan ini?" “Dengan dua pengemudi tertunda oleh cuaca buruk, apakah kita perlu
membawa bantuan ekstra?” Pergudangan data tradisional tidak cocok untuk dukungan
operasional langsung, tetapi pergudangan data aktif adalah. Misalnya, perusahaan
dengan ADW dapat:
• Berinteraksi dengan pelanggan untuk memberikan layanan pelanggan yang unggul.
• Menanggapi acara bisnis dalam waktu dekat.
• Bagikan data status terkini di antara pedagang, vendor, pelanggan, dan rekanan.
Berikut adalah beberapa contoh bagaimana dua perusahaan menggunakan
ADW:
Modal Satu. Capital One menggunakan ADW-nya untuk melacak "profitabilitas"
setiap pelanggan skor" untuk menentukan tingkat layanan pelanggan untuk
menyediakan orang itu. Biaya lebih tinggi layanan pribadi hanya diberikan kepada
mereka dengan skor tinggi. Misalnya, ketika seorang pelanggan menelepon Capital
One, dia diminta untuk memasukkan nomor kartu kredit, yang dikaitkan dengan skor
profitabilitas. Pelanggan berpenghasilan rendah mendapatkan unit respons suara
hanya; pelanggan dengan laba tinggi terhubung ke perwakilan layanan pelanggan
langsung (CSR) karena perusahaan ingin meminimalkan risiko kehilangan pelanggan
tersebut.
Kota Wisata. Jika Anda menggunakan Travelocity, ADW menemukan penawaran
perjalanan terbaik khusus untuk Anda. Tujuannya adalah untuk menggunakan “data
hari ini” alih-alih “data kemarin data hari ini.” ADW biro perjalanan online
menganalisis riwayat pencarian dan tujuan Anda bunga; kemudian memprediksi
penawaran perjalanan yang kemungkinan besar akan Anda beli.
Penawaran relevan dan tepat waktu untuk meningkatkan pengalaman Anda,
yang membantu menutup penjualan di pasar yang sangat kompetitif. Misalnya, ketika
pelanggan mencari penerbangan dan hotel di Las Vegas, Travelocity mengakui
24
minat—pelanggan ingin pergi ke Vegas. ADW mencari penerbangan dengan harga
terbaik dari semua operator, membuat beberapa penawaran paket, dan menyajikannya
secara real time kepada pelanggan. Saat pelanggan melihat penawaran yang
dipersonalisasi yang sudah mereka minati, ADW membantu menghasilkan
pengalaman pelanggan yang lebih baik. Pengalaman berbasis data waktu nyata
meningkatkan tingkat konversi dan penjualan.
Konten gudang data dapat dikirimkan ke pengambil keputusan di seluruh
perusahaan melalui cloud atau intranet milik perusahaan. Pengguna dapat melihat,
menanyakan, dan menganalisis data dan menghasilkan laporan menggunakan browser
Web. Ini sangat metode pengiriman data yang ekonomis dan efektif.
25
Analisis Data Besar Dan Penemuan Data
Analisis data membantu pengguna menemukan wawasan. Wawasan ini
dikombinasikan dengan manusia keahlian memungkinkan orang untuk mengenali
hubungan yang bermakna dengan lebih cepat atau mudah; dan lebih jauh lagi,
menyadari implikasi strategis dari situasi ini. Bayangkan mencoba untuk memahami
data cepat dan luas yang dihasilkan oleh kampanye media sosial di Facebook atau
dengan sensor yang dipasang pada mesin atau objek. Sensor berbiaya rendah
membuatnya memungkinkan untuk memantau semua jenis hal fisik—sementara
analitik memungkinkan untuk memahami data tersebut untuk mengambil tindakan
secara real time. Misalnya, data sensor dapat dianalisis secara real time:
• Untuk memantau dan mengatur suhu dan kondisi iklim yang mudah rusak
makanan saat mereka diangkut dari pertanian ke supermarket.
• Untuk mengendus tanda-tanda pembusukan buah-buahan dan sayuran mentah dan
mendeteksi risikonya dariE. coli kontaminasi.
• Untuk melacak kondisi mesin yang beroperasi dan memprediksi kemungkinannya
dari kegagalan.
• Untuk melacak keausan mesin dan menentukan kapan pemeliharaan preventif data
sensor yang dihasilkan mesin menjadi proporsi yang lebih besar dari Big Data.
(Gambar 3.16), menurut laporan penelitian IDC (Lohr, 2012b). Diprediksi bahwa data
ini akan meningkat menjadi 42 persen dari semua data pada tahun 2020, mewakili
peningkatan yang signifikan meningkat dari 11 persen pada tahun 2005.
Nilai menganalisis data mesin diakui oleh General Electric (GE) Company,
perusahaan industri terbesar di Amerika Serikat. Sejak 2011 GE telah menempatkan
26
sensor pada segala hal mulai dari turbin gas hingga tempat tidur rumah sakit. Misi GE
adalah merancang perangkat lunak untuk mengumpulkan data, dan algoritme untuk
menganalisisnya guna mengoptimalkan biaya penghematan dan keuntungan
produktivitas. Di seluruh industri yang dicakupnya, GE memperkirakan efisiensi
peluang akan memangkas biaya sebanyak $150 miliar (Lohr, 2012a).
Upaya reformasi kesehatan federal telah mendorong organisasi perawatan
kesehatan data besar dan analitik. Organisasi-organisasi ini berencana untuk
menggunakan analitik data besar untuk mendukung manajemen siklus pendapatan,
pemanfaatan sumber daya, pencegahan penipuan, kesehatan manajemen, dan
peningkatan kualitas.eded.
27
penambangan teks digunakan untuk menemukan pengetahuan yang tidak Anda
ketahui ada di database.
Analisis bisnis menggambarkan seluruh fungsi penerapan teknologi,
algoritma, keahlian manusia, dan penilaian. Penambangan data dan teks adalah
analitik khusus teknik.
28
Akibatnya, perusahaan mengurangi penipuan sebesar 75 persen, dan menghilangkan
pemasaran kepada pelanggan dengan kemungkinan tinggi klaim penipuan.
Text Mining perangkat lunak memungkinkan pengguna untuk menganalisis data dari
berbagai dimensi atau sudut, kategorikan, dan temukan korelasi atau pola di antara
bidang-bidang dalam data gudang. Hingga 75 persen data organisasi adalah pengolah
kata yang tidak terstruktur dokumen, media sosial, pesan teks, audio, video, gambar
dan diagram, faks dan memo, pusat panggilan atau catatan klaim, dan sebagainya.
Text mining luas kategori yang melibatkan penafsiran kata dan konsep dalam
konteks. Setiap pelanggan menjadi advokat atau musuh merek dengan bebas
mengekspresikan pendapat dan sikap yang menjangkau jutaan pelanggan saat ini atau
calon pelanggan lainnya di media sosial. Teks mining membantu perusahaan
memanfaatkan ledakan opini pelanggan yang diungkapkan on line. Komentar sosial
dan media sosial sedang ditambang untuk analisis sentimen atau untuk memahami
maksud konsumen. Perusahaan yang inovatif tahu bahwa mereka bisa lebih berhasil
dalam memenuhi kebutuhan pelanggan mereka, jika mereka memahami mereka
dengan lebih baik. Alat dan teknik untuk menganalisis teks, dokumen, dan konten
tidak terstruktur lainnya tersedia dari beberapa vendor.
29
akan distandarisasi ke "omong-omong" dan "kirim pesan suara" dapat ditandai
sebagai "lvm."
3. Pengkategorian dan Pemodelan. Konten kemudian siap untuk dikategorikan.
Pengkategorian pesan atau dokumen dari informasi yang terkandung di dalamnya
dapat dicapai dengan menggunakan model statistik dan aturan bisnis. Seperti model
tradisional pengembangan, sampel dokumen diperiksa untuk melatih model.
Tambahan dokumen kemudian diproses untuk memvalidasi akurasi dan presisi model,
dan akhirnya dokumen baru dievaluasi menggunakan model akhir (skor). Model
kemudian dapat dimasukkan ke dalam produksi untuk pemrosesan otomatis baru
dokumen saat mereka tiba.
30
2013) Menggunakan BI, perusahaan telah meningkatkan kecepatan dari aplikasi
pinjaman untuk menutup, yang memungkinkan untuk memenuhi kebutuhan klien
secara menyeluruh dan secepat mungkin. Lebih hampir satu dekade, manajemen
kinerja telah berkembang dari proses manual pembuatan laporan ke dasbor berbasis
BI dan peringatan yang ditentukan pengguna yang memungkinkan bisnis pemimpin
untuk secara proaktif menangani hambatan dan mengidentifikasi peluang untuk
pertumbuhan dan perbaikan.
Bidang BI dimulai pada akhir 1980-an dan telah menjadi kunci persaingan
keuntungan di seluruh industri dan di perusahaan dari semua ukuran. Apa yang
dimulai sebagai alat untuk mendukung departemen penjualan, pemasaran, dan
layanan pelanggan telah berkembang secara luas menjadi platform strategis seluruh
perusahaan. Sedangkan sistem BI digunakan dalam operasional manajemen divisi dan
proses bisnis, mereka juga digunakan untuk mendukung pengambilan keputusan
strategis perusahaan. Perubahan dramatis yang telah berlaku selama beberapa tahun
terakhir adalah pertumbuhan permintaan untuk intelijen operasional di seluruh banyak
sistem dan bisnis—meningkatkan jumlah orang yang membutuhkan akses untuk
meningkatkan jumlah data. Kondisi bisnis yang kompleks dan kompetitif tidak
meninggalkan banyak kelonggaran untuk kesalahan.
31
berdasarkan grup produk selama lima tahun terakhir? bertahun-tahun? Seperti apa
penjualan harian di setiap wilayah penjualan saya?
Menurut TDWI, BI “menyatukan data, teknologi, analitik, dan pengetahuan
manusia” untuk mengoptimalkan keputusan bisnis dan pada akhirnya mendorong
kesuksesan perusahaan. Program BI biasanya menggabungkan gudang data
perusahaan dan platform BI atau seperangkat alat untuk mengubah data menjadi
informasi bisnis yang dapat digunakan dan ditindaklanjuti” (TDWI, 2014). Selama
bertahun-tahun, para manajer mengandalkan analisis bisnis untuk membuat informasi
yang lebih baik keputusan. Berbagai survei dan studi sepakat tentang pentingnya BI
yang semakin meningkat dalam menganalisis kinerja masa lalu dan mengidentifikasi
peluang untuk meningkatkan masa depan pertunjukan
32
5. Buat rencana untuk mencapai tujuan dan sasaran berdasarkan prioritas.
6. Perkirakan biaya yang diperlukan untuk mengimplementasikan rencana BI.
7. Menilai dan memperbarui prioritas berdasarkan hasil bisnis dan perubahan bisnis
strategi.
Setelah menyelesaikan aktivitas ini, analis BI dapat mengidentifikasi data
yang akan digunakan di BI dan sistem sumber. Ini adalah sebuahpendekatan
pengembangan berbasis bisnis itu dimulai dengan strategi bisnis dan bekerja
mundur untuk mengidentifikasi sumber data dan data yang perlu diperoleh dan
dianalisis.
Bisnis menginginkan KPI yang dapat dimanfaatkan oleh pengguna
departemen dan pengelolaan. Selain itu, pengguna menginginkan akses waktu nyata
ke data ini sehingga mereka dapat memantau proses dengan latensi sekecil mungkin
dan mengambil tindakan korektif setiap kali KPI menyimpang dari nilai targetnya.
Untuk menghubungkan strategis dan operasional perspektif, pengguna harus dapat
menelusuri dari sangat terkonsolidasi atau diringkas angka ke dalam nomor rinci dari
mana mereka berasal untuk melakukan analisis mendalam.
33
4 faktor yang mempengaruhi tingginya pemanfaatan BI
Figure 3.19 Empat Faktor yang Berkontribusi Terhadap Peningkatan Penggunaan BI.
34
• Sistem manajemen inventaris canggih yang membantu manajemen mengantisipasi
kebutuhan persediaan masa depan dan mengelola harga. Di seluruh CarMax, analitik
digunakan sebagai aset strategis dan wawasan yang diperoleh dari analitik tersedia
untuk semua orang yang membutuhkannya.
35
Karena manajemen senior harus memastikan bahwa perusahaan mereka
mematuhi tugas hukum dan peraturan, mengelola catatan elektronik (e-records)
adalah strategis masalah bagi organisasi baik di sektor publik maupun swasta.
Keberhasilan ERM sangat tergantung pada kemitraan dari banyak pemain kunci, yaitu,
manajemen senior, pengguna, manajer arsip, arsiparis, administrator, dan yang paling
penting, IT personil. Dikelola dengan benar, catatan adalah aset strategis. Tidak
dikelola dengan benar atau dihancurkan, mereka menjadi kewajiban.
36
• Memungkinkan perusahaan untuk mengakses dan menggunakan konten yang ada di
dokumen.
• Memotong biaya tenaga kerja dengan mengotomatisasi proses bisnis.
• Mengurangi waktu dan upaya yang diperlukan untuk menemukan informasi bisnis
kebutuhan untuk mendukung pengambilan keputusan.
• Meningkatkan keamanan konten, sehingga mengurangi risiko intelektual pencurian
properti.
• Meminimalkan biaya yang terkait dengan pencetakan, penyimpanan, dan pencarian
isi.
Saat alur kerja digital, produktivitas meningkat, biaya menurun, kepatuhan
kewajiban lebih mudah diverifikasi, dan komputasi hijau menjadi mungkin.
Komputasi hijau adalah inisiatif untuk melestarikan sumber daya alam kita yang
berharga dengan mengurangi efek penggunaan komputer kita terhadap lingkungan.
Kamu bisa baca tentang komputasi hijau dan topik terkait untuk mengurangi jejak
karbon, keberlanjutan, dan tanggung jawab etika dan sosial.
37
DAFTAR PUSTAKA
Turban, E., Volonino, Linda., Information Technology for Management:
Transforming Organizations in the Digital Economy. John Wiley & Sons, 7th
Edition, 2010. (TLMW)
38