RMK BAB 6

Kasus : AIR AMERIKA MENJAGA DATA MENGALIR

Disusun Oleh :

Kelompok 12

1. Arya Chandra : 2120 31531

2. Nurul Arifah : 1120 31534
3. Reza Yulianto : 1120 31537
4. Roro Andiyani Trista Martina : 2120 31543
Bab 6 – Dasar-dasar Kecerdasan Bisnis: Basis Data dan
Manajemen Informasi
6-1 Apa masalah pengelolaan sumber daya data dalam lingkungan file tradisional?

Sistem informasi yang efektif menyediakan pengguna dengan informasi yang akurat,
tepat waktu, dan relevan. Informasi yang akurat bebas dari kesalahan. Informasi tepat
waktu ketika tersedia bagi pengambil keputusan saat dibutuhkan. Informasi menjadi relevan
ketika berguna dan sesuai untuk jenis pekerjaan dan keputusan yang memerlukannya. 

Anda mungkin terkejut mengetahui bahwa banyak bisnis tidak memiliki informasi
yang tepat waktu, akurat, atau relevan karena data dalam sistem informasi mereka telah
buruk terorganisir dan terpelihara. Itu sebabnya manajemen data sangat penting. Untuk
memahami masalahnya, mari kita lihat bagaimana sistem informasi mengatur data dalam
file komputer dan metode tradisional manajemen file.

Persyaratan dan Konsep Organisasi File

Sistem komputer mengatur data dalam hierarki yang dimulai dengan bit dan byte
dan berlanjut ke bidang, catatan, file, dan basis data. Sedikit mewakili unit data terkecil yang
dapat ditangani oleh komputer. Sekelompok bit, yang disebut byte, mewakili satu karakter,
yang dapat berupa huruf, angka, atau simbol lain. Pengelompokan karakter menjadi kata,
kelompok kata, atau angka lengkap (seperti nama atau usia seseorang) disebut field.
Sekelompok bidang terkait, seperti nama siswa, mata kuliah yang diambil, tanggal, dan
kelas, terdiri dari catatan; sekelompok record dengan tipe yang sama disebut file.

Sistem komputer mengatur data dalam hierarki yang dimulai dengan bit, yang
mewakili 0 atau 1. Bit dapat dikelompokkan untuk membentuk byte untuk mewakili satu
karakter, angka, atau simbol. Byte dapat dikelompokkan untuk membentuk field, dan field
terkait dapat dikelompokkan untuk membentuk record. Catatan terkait dapat berupa
dikumpulkan untuk membentuk file, dan file terkait dapat diatur ke dalam database.

Misalnya, catatan pada Gambar 6. 1 dapat berupa file kursus siswa. Sekelompok file
terkait membentuk database. File kursus siswa yang diilustrasikan pada Gambar 6. 1 dapat
dikelompokkan dengan file tentang sejarah pribadi siswa dan latar belakang keuangan untuk
membuat database siswa. 

Sebuah record menggambarkan sebuah entitas. Entitas adalah orang, tempat,

benda, atau peristiwa di mana kami menyimpan dan memelihara informasi. Setiap
karakteristik atau kualitas yang menggambarkan entitas tertentu disebut atribut. Misalnya,
Student_ID, Course, Date, dan Grade adalah atribut dari entitas COURSE. Nilai spesifik yang
dimiliki atribut ini dapat ditemukan di bidang catatan yang menjelaskan entitas COURSE.

Masalah dengan Lingkungan File Tradisional

Di sebagian besar organisasi, sistem cenderung tumbuh secara independen tanpa

rencana di seluruh perusahaan. Akuntansi, keuangan, manufaktur, sumber daya manusia,
dan penjualan dan pemasaran semuanya mengembangkan sistem dan file data mereka
sendiri. 

Setiap aplikasi, tentu saja, membutuhkan file dan program komputernya sendiri
untuk beroperasi. Misalnya, area fungsional sumber daya manusia mungkin memiliki file
induk kepegawaian, file penggajian, file asuransi kesehatan, file pensiun, file milis, dan
seterusnya, hingga puluhan, mungkin ratusan, file dan program telah ada. Di perusahaan
secara keseluruhan, proses ini menyebabkan beberapa file induk dibuat, dipelihara, dan
dioperasikan oleh divisi atau departemen terpisah. Karena proses ini berlangsung selama 5
atau 10 tahun, organisasi dibebani dengan ratusan program dan aplikasi yang sangat sulit
untuk dipelihara dan mengelola. Masalah yang dihasilkan adalah redundansi dan
inkonsistensi data, ketergantungan program-data, tidak fleksibel, keamanan data yang
buruk, dan ketidakmampuan untuk berbagi data antar aplikasi.

Penggunaan pendekatan tradisional untuk pemrosesan file mendorong setiap area

fungsional dalam sebuah perusahaan untuk mengembangkan aplikasi khusus. Setiap aplikasi
memerlukan file data unik yang kemungkinan merupakan subset dari file master. Bagian
dari file master ini menyebabkan redundansi dan inkonsistensi data, pemrosesan yang tidak
fleksibel, dan sumber daya penyimpanan yang terbuang.

Redundansi dan Inkonsistensi Data

Redundansi data adalah adanya duplikasi data dalam beberapa file data sehingga
data yang sama disimpan di lebih dari satu tempat atau lokasi. Redun dancy data terjadi
ketika kelompok yang berbeda dalam suatu organisasi secara independen mengumpulkan
bagian data yang sama dan menyimpannya secara independen satu sama lain. Data redun
dancy memboroskan sumber daya penyimpanan dan juga menyebabkan inkonsistensi data,
di mana atribut yang sama mungkin memiliki nilai yang berbeda. Misalnya, dalam kasus
entitas COURSE yang diilustrasikan pada Gambar 6. 1 , Tanggal dapat diperbarui di beberapa
sistem tetapi tidak di sistem lain. Atribut yang sama, Student_ID, mungkin juga memiliki
nama yang berbeda di sistem yang berbeda di seluruh organisasi. Beberapa sistem mungkin
menggunakan Student_ID dan yang lain mungkin menggunakan ID, misalnya. 

Kebingungan tambahan mungkin dihasilkan dari penggunaan sistem pengkodean

yang berbeda untuk mewakili nilai atribut. Misalnya, sistem penjualan, inventaris, dan
manufaktur dari pengecer pakaian mungkin menggunakan kode yang berbeda untuk
mewakili ukuran pakaian yang dikirim. Satu sistem mungkin mewakili ukuran pakaian
sebagai "ekstra besar", sedangkan yang lain mungkin menggunakan kode "XL" untuk tujuan
yang sama. yang dihasilkan kebingungan akan mempersulit perusahaan untuk membuat
manajemen hubungan pelanggan, manajemen rantai pasokan, atau sistem perusahaan yang
mengintegrasikan data dari sumber yang berbeda.

Karena tidak terintegrasi.

Ketergantungan Program-Data

Ketergantungan program-data mengacu pada penggabungan data yang disimpan

dalam file dan program khusus yang diperlukan untuk memperbarui dan memelihara file-file
tersebut sehingga perubahan dalam program memerlukan perubahan pada data. Setiap
program komputer tradisional harus menggambarkan lokasi dan sifat data yang
digunakannya. Dalam lingkungan file tradisional, setiap perubahan dalam program
perangkat lunak dapat memerlukan perubahan data yang diakses oleh program tersebut.
Satu program dapat dimodifikasi dari kode pos lima digit menjadi sembilan digit. Jika file
data asli diubah dari kode ZIP lima digit menjadi sembilan digit, maka program lain yang
memerlukan kode ZIP lima digit tidak akan berfungsi dengan baik lagi. Perubahan seperti itu
bisa menghabiskan jutaan dolar untuk diterapkan dengan benar.

Kurangnya Fleksibilitas

Sistem file tradisional dapat mengirimkan laporan terjadwal rutin setelah upaya
pemrograman yang ekstensif, tetapi tidak dapat mengirimkan laporan ad hoc atau
menanggapi kebutuhan informasi yang tidak diantisipasi secara tepat waktu. Informasi yang
dibutuhkan oleh permintaan adhoc ada di suatu tempat di sistem tetapi mungkin terlalu
mahal untuk diambil. Beberapa programmer mungkin harus bekerja selama berminggu-
minggu untuk mengumpulkan item data yang diperlukan dalam file baru.

Keamanan Buruk

Karena hanya ada sedikit kendali atau pengelolaan data, akses dan penyebaran
informasi mungkin tidak terkendali. Manajemen mungkin tidak memiliki cara untuk
mengetahui siapa yang mengakses atau bahkan membuat perubahan pada data organisasi.

Kurangnya Berbagi dan Ketersediaan Data

Karena potongan informasi dalam file yang berbeda dan bagian organisasi yang
berbeda tidak dapat dihubungkan satu sama lain, hampir tidak mungkin informasi dibagikan
atau diakses pada waktu yang tepat. Informasi tidak dapat mengalir secara bebas melintasi
area fungsional yang berbeda atau bagian yang berbeda dari organisasi. Jika pengguna
menemukan nilai yang berbeda dari bagian informasi yang sama dalam dua sistem yang
berbeda, mereka mungkin tidak ingin menggunakan sistem ini karena mereka tidak dapat
mempercayai keakuratan data mereka.

6.2 APA KEMAMPUAN UTAMA SISTEM MANAJEMEN DATABASE (DBMS) DAN

MENGAPA DBMS RELASIONAL BEGITU KUAT?
SISTEM MANAJEMEN BASIS DATA
Sistem manajemen basis data (DBMS) adalah perangkat lunak yang memungkinkan
organisasi untuk memusatkan data, mengelolanya secara efisien, dan menyediakan akses ke
data yang disimpan oleh program aplikasi. DBMS bertindak sebagai antarmuka antara
program aplikasi dan file data fisik. Ketika program aplikasi panggilan untuk item data,
seperti pembayaran kotor, DBMS menemukan item ini dalam database dan menyajikannya
untuk program aplikasi.
DBMS membebaskan programmer atau pengguna akhir dari tugas memahami di
mana dan bagaimana data benar-benar disimpan dengan memisahkan pandangan logis dan
fisik data. Pandangan logis menyajikan data karena akan dirasakan oleh pengguna akhir atau
spesialis bisnis, sedangkan pandangan fisik menunjukkan bagaimana data benar-benar
terorganisir dan terstruktur pada media penyimpanan fisik.
Bagaimana DBMS Memecahkan Masalah Lingkungan File Tradisional
DBMS mengurangi redundansi data dan inkonsistensi dengan meminimalkan file terisolasi di
mana data yang sama diulang. DBMS mungkin tidak menghilangkan redundansi data
sepenuhnya, tetapi dapat membantu mengontrol redundansi. Bahkan jika organisasi
mempertahankan beberapa data berlebihan, penggunaan DBMS menghilangkan
inkonsistensi data karena DBMS dapat membantu organisasi memastikan bahwa setiap
kejadian data berlebihan memiliki nilai yang sama. DBMS memungkinkan organisasi untuk
mengelola data secara terpusat, penggunaannya, dan keamanan. Datasharing di seluruh
organisasi lebih mudah karena data disajikan kepada pengguna sebagai berada di satu lokasi
daripada terfragmentasi dalam banyak sistem dan file yang berbeda.
Relasional DBMS
Database relasional mewakili data sebagai tabel dua dimensi (disebut hubungan). Tabel
dapat disebut sebagai file. Setiap tabel berisi data pada entitas dan atributnya. Microsoft
Access adalah DBMS relasional untuk sistem desktop, sedangkan DB2, Oracle Database, dan
Microsoft SQL Server adalah DBMS relasional untuk mainframe besar dan komputer
midrange. MySQL adalah DBMS open source yang populer.
Database memiliki tabel terpisah untuk entitas SUPPLIER dan tabel untuk entitas
KOMPONEN. Setiap tabel terdiri dari kisi kolom dan baris data. Setiap elemen data individu
untuk setiap entitas disimpan sebagai bidang terpisah, dan setiap bidang merupakan atribut
untuk entitas tersebut. Bidang dalam database relasional juga disebut kolom. Untuk entitas
SUPPLIER, nomor identifikasi pemasok, nama, jalan, kota, negara bagian, dan kode pos
disimpan sebagai bidang terpisah dalam tabel SUPPLIER dan setiap bidang merupakan
atribut untuk entitas SUPPLIER.
Data untuk bagian SUPPLIER memiliki tabel terpisah mereka sendiri. Bidang untuk
Supplier_Number dalam tabel SUPPLIER secara unik mengidentifikasi setiap catatan
sehingga catatan dapat diambil, diperbarui, atau diurutkan. Ini disebut key field. Setiap
tabel dalam database relasional memiliki satu bidang yang ditunjuk sebagai primary key.
Bidang kunci ini adalah pengenal unik untuk semua informasi di baris tabel mana pun dan
kunci utama ini tidak dapat diduplikasi. nomor Supplier_ adalah primary key untuk tabel
PEMASOK dan Part_Number adalah kunci utama untuk tabel PART. Perhatikan bahwa
Supplier_Number muncul di tabel PEMASOK dan BAGIAN. Dalam tabel PEMASOK,
Supplier_Number adalah kunci utama. Ketika bidang Supplier_Number muncul di tabel
PART, itu disebut foreign key dan pada dasarnya adalah bidang pencarian untuk mencari
data tentang pemasok bagian tertentu.
Operasi DBMS Relasional
Tabel database relasional dapat dikombinasikan dengan mudah untuk memberikan data
yang dibutuhkan oleh pengguna, asalkan setiap dua tabel berbagi elemen data yang sama.
Misalkan kita ingin menemukan dalam database ini nama-nama pemasok yang bisa
memberi kita bagian nomor 137 atau bagian nomor 150. Kami akan membutuhkan
informasi dari dua tabel: tabel PEMASOK dan tabel PART. Perhatikan bahwa kedua file ini
memiliki elemen data bersama: Supplier_Number.
Dalam database relasional, tiga operasi dasar, seperti yang ditunjukkan pada Gambar 6.5,
digunakan untuk mengembangkan kumpulan data yang berguna: pilih, bergabung, dan
proyek. Operasi proyek membuat subset yang terdiri dari kolom dalam tabel,
memungkinkan pengguna untuk membuat tabel baru yang hanya berisi informasi yang
diperlukan. Dalam contoh, kami ingin mengekstrak dari tabel baru hanya kolom berikut:
Part_Number, Part_Name, Supplier_Number, dan Supplier_Name.
Database dan Database Non-Relasional di Cloud
Selama lebih dari 30 tahun, teknologi database relasional telah menjadi standar emas.
Komputasi awan, volume data yang belum pernah terjadi sebelumnya, beban kerja besar
untuk layanan Web, dan kebutuhan untuk menyimpan jenis data baru memerlukan
alternatif basis data untuk model relasional tradisional mengatur data dalam bentuk tabel,
kolom, dan baris. Perusahaan beralih ke teknologi database non-relasional "NoSQL" untuk
tujuan ini. Sistem manajemen basis data non-relasional menggunakan model data yang
lebih fleksibel dan dirancang untuk mengelola kumpulan data besar di banyak mesin
terdistribusi dan untuk dengan mudah meningkatkan atau menurunkan. Mereka berguna
untuk mempercepat kueri sederhana terhadap sejumlah besar data terstruktur dan tidak
terstruktur, termasuk Web, media sosial, grafik, dan bentuk data lain yang sulit dianalisis
dengan alat berbasis SQL tradisional.
Ada beberapa jenis database NoSQL, masing-masing dengan fitur teknis dan perilaku
sendiri. Oracle NoSQL Database adalah salah satu contohnya, seperti Halnya SimpleDB
Amazon, salah satu Amazon Web Services yang berjalan di cloud. SimpleDB menyediakan
antarmuka layanan Web sederhana untuk membuat dan menyimpan beberapa kumpulan
data, data kueri dengan mudah, dan mengembalikan hasilnya. Tidak perlu mendefinisikan
struktur database formal atau mengubah definisi itu jika data baru ditambahkan nanti.
KEMAMPUAN SISTEM MANAJEMEN BASIS DATA
Sebuah DBMS mencakup kemampuan dan alat untuk mengatur, mengelola, dan mengakses
data dalam database. Yang paling penting adalah bahasa definisi data, kamus data, dan
bahasa manipulasi data.
DBMS memiliki kemampuan definisi data untuk menentukan struktur isi database. Ini akan
digunakan untuk membuat tabel database dan untuk menentukan karakteristik bidang di
setiap tabel. Informasi tentang database ini akan didokumentasikan dalam kamus data.
Kamus data adalah file otomatis atau manual yang menyimpan definisi elemen data dan
karakteristiknya.
Query dan Pelaporan
DBMS mencakup alat untuk mengakses dan memanipulasi informasi dalam database.
Kebanyakan DBMS memiliki bahasa khusus yang disebut bahasa manipulasi data yang
digunakan untuk menambah, mengubah, menghapus, dan mengambil data dalam database.
Bahasa ini berisi perintah yang memungkinkan pengguna akhir dan spesialis pemrograman
untuk mengekstrak data dari database untuk memenuhi permintaan informasi dan
mengembangkan aplikasi. Bahasa manipulasi data yang paling menonjol saat ini adalah
Structured Query Language,atau SQL.
Pengguna DBMS untuk komputer besar dan midrange, seperti DB2, Oracle, atau SQL
Server, akan menggunakan SQL untuk mengambil informasi yang mereka butuhkan dari
database. Microsoft Access juga menggunakan SQL, tetapi menyediakan seperangkat alat
yang userfriendly sendiri untuk query database dan untuk mengatur data dari database ke
dalam laporan yang lebih dipoles.
Microsoft Access dan DBMS lainnya mencakup kemampuan untuk pembuatan
laporan sehingga data yang menarik dapat ditampilkan dalam format yang lebih terstruktur
dan dipoles daripada yang mungkin hanya dengan query. Crystal Reports adalah generator
laporan populer untuk DBMS perusahaan besar, meskipun juga dapat digunakan dengan
Access. Access juga memiliki kemampuan untuk mengembangkan aplikasi sistem desktop.
Ini termasuk alat untuk membuat layar entri data, laporan, dan mengembangkan logika
untuk memproses transaksi.
MERANCANG DATABASE
Untuk membuat database, Anda harus memahami hubungan antara data, jenis data yang
akan dipertahankan dalam database, bagaimana data akan digunakan, dan bagaimana
organisasi perlu berubah untuk mengelola data dari perspektif perusahaan-lebar. Database
membutuhkan desain konseptual dan desain fisik. Desain konseptual, atau logis dari
database adalah model abstrak dari database dari perspektif bisnis, sedangkan desain fisik
menunjukkan bagaimana database benar-benar diatur pada perangkat penyimpanan akses
langsung.
Diagram Normalisasi dan Hubungan Entitas
Desain database konseptual menggambarkan bagaimana elemen data dalam database
harus dikelompokkan. Proses desain mengidentifikasi hubungan antara elemen data dan
cara paling efisien mengelompokkan elemen data bersama-sama untuk memenuhi
persyaratan informasi bisnis. Proses ini juga mengidentifikasi elemen data yang berlebihan
dan pengelompokan elemen data yang diperlukan untuk program aplikasi tertentu.
Untuk menggunakan model database relasional secara efektif, pengelompokan data yang
kompleks harus disederhanakan agar meminimalkan elemen data yang berlebihan dan
hubungan many-to-many yang canggung. Proses menciptakan struktur data kecil, stabil,
namun fleksibel dan adaptif dari kelompok data yang kompleks disebut normalisasi.
Jika kita membangun hubungan yang disebut ORDER dengan semua bidang yang disertakan
di sini, kita harus mengulangi nama dan alamat pemasok untuk setiap bagian pada pesanan,
meskipun pesanan adalah untuk bagian dari pemasok tunggal. Hubungan ini berisi apa yang
disebut kelompok data berulang karena mungkin ada banyak bagian pada satu pesanan ke
pemasok tertentu. Cara yang lebih efisien untuk mengatur data adalah memecah ORDER
menjadi hubungan yang lebih kecil, yang masing-masing menggambarkan satu entitas.
Sistem database relasional mencoba untuk menegakkan aturan integritas referensial untuk
memastikan bahwa hubungan antara tabel digabungkan tetap konsisten. Ketika satu tabel
memiliki foreign key yang menunjuk ke tabel lain, Anda tidak boleh menambahkan catatan
ke tabel dengan kunci asing kecuali ada catatan yang sesuai dalam tabel tertaut.
Perancang database mendokumentasikan model data mereka dengan diagram hubungan
entitas, Ini tidak dapat cukup ditekankan: Jika bisnis tidak mendapatkan model datanya
dengan benar, sistem tidak akan dapat melayani bisnis dengan baik. Sistem perusahaan
tidak akan seefektif mungkin karena mereka harus bekerja dengan data yang mungkin tidak
akurat, tidak lengkap, atau sulit untuk diambil.

6.3 APA ALAT UTAMA DAN TEKNOLOGI UNTUK MENGAKSES INFORMASI DARI DATABASES
UNTUK MENINGKATKAN BISNIS KINERJA DAN PENGAMBILAN KEPUTUSAN?
Bisnis menggunakan database mereka untuk melacak transaksi dasar, seperti
membayar pemasok, memproses pesanan, melacak pelanggan, dan membayar karyawan.
Tetapi mereka juga membutuhkan database untuk menyediakan informasi yang akan
membantu perusahaan menjalankan bisnis dengan lebih efisien, dan membantu manajer
dan karyawan membuat keputusan yang lebih baik.
TANTANGAN DATA BESAR
Sebagian besar data yang dikumpulkan oleh organisasi dulunya adalah data transaksi
yang dapat mudah masuk ke dalam baris dan kolom sistem manajemen database relasional.
Kita sekarang menyaksikan ledakan data dari lalu lintas Web, pesan email, dan konten
media sosial (tweet, pesan status), serta data yang dihasilkan mesin dari sensor (digunakan
dalam pengukur pintar, sensor manufaktur, dan meteran listrik) atau dari sistem
perdagangan elektronik. Data ini mungkin tidak terstruktur atau semi-terstruktur dan
dengan demikian tidak cocok untuk database relasional produk yang mengatur data dalam
bentuk kolom dan baris.
INFRASTRUKTUR KECERDASAN BISNIS
Misalkan kita menginginkan informasi yang ringkas dan andal tentang operasi saat
ini, tren, dan perubahan di seluruh perusahaan. Jika kita bekerja di perusahaan besar
perusahaan, data yang kita butuhkan mungkin harus disatukan dari yang terpisah sistem,
seperti penjualan, manufaktur, dan akuntansi, dan bahkan dari eksternal sumber, seperti
data demografis atau pesaing.
Data Warehouse dan Data Mart
Alat tradisional untuk menganalisis data perusahaan selama dua dekade terakhir
telah pernah menjadi gudang data. Sebuah gudang data adalah database yang menyimpan
arus dan data historis yang berpotensi menarik bagi pengambil keputusan di seluruh
perusahaan. Data berasal dari banyak sistem transaksi operasional inti, seperti sistem untuk
penjualan, akun pelanggan, dan manufaktur, dan mungkin termasuk data dari transaksi situs
Web.
hadoop
DBMS relasional dan produk gudang data tidak cocok untuk mengatur dan
menganalisis data besar atau data yang tidak mudah masuk ke dalam kolom dan baris
digunakan dalam model data mereka. Untuk menangani data tidak terstruktur dan semi
terstruktur dalam jumlah besar, serta data terstruktur, organisasi menggunakan Hadoop.
Hadoop adalah kerangka kerja perangkat lunak sumber terbuka yang dikelola oleh Apache
Yayasan Perangkat Lunak yang memungkinkan pemrosesan paralel terdistribusi dalam
jumlah besar jumlah data di seluruh komputer murah.
Komputasi Dalam Memori
Cara lain untuk memfasilitasi analisis data besar adalah dengan menggunakan
komputasi dalam memori, yang bergantung terutama pada memori utama komputer (RAM)
untuk penyimpanan data. (DBMS konvensional menggunakan sistem penyimpanan disk.)
Pengguna mengakses data yang disimpan di memori utama sistem, sehingga menghilangkan
kemacetan dari pengambilan dan membaca data dalam basis data tradisional berbasis disk
dan memperpendek secara dramatis waktu respons kueri. Pemrosesan dalam memori
memungkinkan set yang sangat besar data, sebesar ukuran data mart atau gudang data
kecil, untuk disimpan sepenuhnya dalam ingatan.
Platform Analitik
Vendor database komersial telah mengembangkan analitik berkecepatan tinggi
khusus platform menggunakan teknologi relasional dan non-relasional yang dioptimalkan
untuk menganalisis kumpulan data besar.
ALAT ANALITIS: HUBUNGAN, POLA, TREN
 Setelah data ditangkap dan diatur menggunakan intelijen bisnis teknologi yang baru
saja kami jelaskan, mereka tersedia untuk analisis lebih lanjut menggunakan perangkat
lunak untuk kueri dan pelaporan basis data, data multidimensi analisis (OLAP), dan
penambangan data.
Pemrosesan Analitik Online (OLAP)
OLAP mendukung analisis data multidimensi, memungkinkan pengguna untuk
melihat data yang sama dengan cara yang berbeda menggunakan beberapa dimensi. Setiap
aspek informasi—produk, harga, biaya, wilayah, atau periode waktu—mewakili dimensi
yang berbeda.
Penambangan Data
Pola dan aturan digunakan untuk memandu pengambilan keputusan dan
memperkirakan dampak dari keputusan tersebut. Jenis informasi yang dapat diperoleh dari
data mining meliputi asosiasi, urutan, klasifikasi, cluster, dan perkiraan.
• Asosiasi adalah kejadian yang terkait dengan satu peristiwa.
• Dalam urutan, peristiwa terkait dari waktu ke waktu. Kita mungkin menemukan, misalnya,
bahwa jika rumah dibeli, kulkas baru akan dibeli dalam waktu dua minggu 65 persen dari
waktu, dan oven akan dibeli dalam waktu satu bulan dari pembelian rumah 45 persen dari
waktu.
• Klasifikasi mengenali pola yang menggambarkan kelompok yang item milik dengan
memeriksa item yang ada yang telah diklasifikasikan dan dengan menyimpulkan
seperangkat aturan.
• Pengelompokan bekerja dengan cara yang mirip dengan klasifikasi ketika tidak ada
kelompok yang belum didefinisikan. Alat penambangan data dapat menemukan
pengelompokan yang berbeda di dalam data, seperti menemukan grup afinitas untuk kartu
bank atau mempartisi database ke dalam kelompok pelanggan berdasarkan demografi dan
jenis pribadi investasi.
• Meskipun aplikasi ini melibatkan prediksi, peramalan menggunakan prediksi dengan cara
yang berbeda.
Penambangan Teks dan Penambangan Web
Data tidak terstruktur, sebagian besar dalam bentuk file teks, diyakini bertanggung
jawab atas over 80 persen dari informasi organisasi yang berguna dan merupakan salah satu
sumber utama data besar yang ingin dianalisis oleh perusahaan. Email, memo, transkrip
pusat panggilan, survey tanggapan, kasus hukum, deskripsi paten, dan laporan layanan
semuanya berharga untuk menemukan pola dan tren yang akan membantu karyawan
membuat bisnis yang lebih baik keputusan. Web adalah sumber lain yang kaya dari data
besar tidak terstruktur untuk diungkapkan pola, tren, dan wawasan tentang perilaku
pelanggan.
DATABAS DAN WEB
 Banyak perusahaan sekarang menggunakan Web untuk membuat beberapa
informasi dalam database internal mereka yang tersedia untuk pelanggan dan bisnis mitra.
Permintaan perangkat lunak browser Web pengguna data dari database organisasi,
menggunakan perintah HTML untuk berkomunikasi dengan server Web. DBMS adalah
server aplikasi yang berjalan pada komputernya sendiri. script adalah program ringkas yang
menggunakan spesifikasi Common Gateway Interface (CGI) untuk memproses data di server
Web.

6.4 MENGAPA KEBIJAKAN INFORMASI, ADMINISTRASI DATA, DAN

JAMINAN KUALITAS DATA PENTING UNTUK MENGELOLA SUMBER DATA
PERUSAHAAN
Menyiapkan database hanyalah permulaan. Untuk memastikan bahwa data untuk bisnis
Anda tetap akurat, andal, dan tersedia bagi mereka yang membutuhkannya, bisnis Anda
memerlukan kebijakan dan prosedur khusus untuk pengelolaan data

MEMBENTUK KEBIJAKAN INFORMASI

Setiap bisnis, besar dan kecil, membutuhkan kebijakan informasi. Data perusahaan Anda
adalah sumber daya yang penting, dan Anda tidak ingin orang melakukan apa pun yang
mereka inginkan dengan mereka. Anda perlu memiliki aturan tentang bagaimana data
diatur dan dipelihara, dan siapa yang diizinkan untuk melihat data atau mengubahnya.
NS kebijakan informasi menetapkan aturan organisasi untuk berbagi, menyebarluaskan,
memperoleh, menstandarisasi, mengklasifikasikan, dan menginventarisasi informasi.
Kebijakan informasi menjabarkan prosedur dan akuntabilitas khusus, mengidentifikasi
pengguna dan unit organisasi mana yang dapat berbagi informasi, di mana informasi dapat
didistribusikan, dan siapa yang bertanggung jawab untuk memperbarui dan memelihara
informasi. Misalnya, kebijakan informasi tipikal akan menetapkan bahwa hanya anggota
terpilih dari departemen penggajian dan sumber daya manusia yang memiliki hak untuk
mengubah dan melihat data karyawan yang sensitif, seperti gaji karyawan atau nomor
jaminan sosial, dan bahwa departemen ini bertanggung jawab untuk membuat memastikan
bahwa data karyawan tersebut akurat.
Jika Anda berada dalam bisnis kecil, kebijakan informasi akan ditetapkan dan diterapkan
oleh pemilik atau manajer. Dalam organisasi besar, pengelolaan dan perencanaan informasi
sebagai sumber daya perusahaan seringkali memerlukan fungsi administrasi data
formal.administrasi data bertanggung jawab atas kebijakan dan prosedur khusus di mana
data dapat dikelola sebagai sumber daya organisasi. Tanggung jawab ini termasuk
mengembangkan kebijakan informasi, perencanaan data, mengawasi desain database logis
dan pengembangan kamus data, dan memantau bagaimana spesialis sistem informasi dan
kelompok pengguna akhir menggunakan data.
Anda mungkin mendengar istilah tata kelola data digunakan untuk menggambarkan banyak
dari kegiatan ini. Dipromosikan oleh IBM, tata kelola data berkaitan dengan kebijakan dan
proses untuk mengelola ketersediaan, kegunaan, integritas, dan keamanan data yang
digunakan dalam suatu perusahaan, dengan penekanan khusus pada peningkatan privasi,
keamanan, kualitas data, dan kepatuhan terhadap peraturan pemerintah.
Sebuah organisasi besar juga akan memiliki desain database dan grup manajemen dalam
divisi sistem informasi perusahaan yang bertanggung jawab untuk mendefinisikan dan
mengatur struktur dan isi database, dan memelihara database. Dalam kerjasama yang erat
dengan pengguna, kelompok desain menetapkan database fisik, hubungan logis antar
elemen, dan aturan akses dan prosedur keamanan. Fungsi yang dijalankannya disebut
administrasi basis data.

MEMASTIKAN KUALITAS DATA

Basis data dan kebijakan informasi yang dirancang dengan baik akan sangat membantu
memastikan bahwa bisnis memiliki informasi yang dibutuhkannya. Namun, langkah-langkah
tambahan harus diambil untuk memastikan bahwa data dalam database organisasi akurat
dan tetap dapat diandalkan.
Apa yang akan terjadi jika nomor telepon atau saldo rekening pelanggan salah? Apa
dampaknya jika database memiliki harga yang salah untuk produk yang Anda jual atau
sistem penjualan dan sistem inventaris Anda menunjukkan harga yang berbeda untuk
produk yang sama? Data yang tidak akurat, tidak tepat waktu, atau tidak konsisten dengan
sumber informasi lain menyebabkan keputusan yang salah, penarikan produk, dan kerugian
finansial. Gartner Inc. melaporkan bahwa lebih dari 25 persen data penting dalam database
perusahaan besar Fortune 1000 tidak akurat atau tidak lengkap, termasuk kode produk dan
deskripsi produk yang buruk, deskripsi inventaris yang salah, data keuangan yang salah,
informasi pemasok yang salah, dan data karyawan yang salah. Sebuah studi Keputusan Sirius
tentang "Dampak Data Buruk pada Penciptaan Permintaan" menemukan bahwa 10 hingga
25 persen catatan pelanggan dan prospek mengandung kesalahan data penting.
Memperbaiki kesalahan ini pada sumbernya dan mengikuti praktik terbaik untuk
mempromosikan kualitas data meningkatkan produktivitas proses penjualan dan
menghasilkan peningkatan pendapatan sebesar 66 persen.
Beberapa masalah kualitas data ini disebabkan oleh data yang berlebihan dan tidak
konsisten yang dihasilkan oleh beberapa sistem yang memberi makan gudang data.
Misalnya, sistem pemesanan penjualan dan sistem manajemen persediaan dapat
memelihara data produk organisasi. Namun, sistem pemesanan penjualan mungkin
menggunakan istilahNomor barang dan sistem inventaris mungkin memanggil atribut yang
sama Nomor produk. Sistem penjualan, inventaris, atau manufaktur pengecer pakaian
mungkin menggunakan kode yang berbeda untuk mewakili nilai suatu atribut. Satu sistem
mungkin mewakili ukuran pakaian sebagai "ekstra besar", sedangkan sistem lain mungkin
menggunakan kode "XL" untuk tujuan yang sama. Selama proses desain untuk database
gudang, data yang menjelaskan entitas, seperti pelanggan, produk, atau pesanan, harus
diberi nama dan didefinisikan secara konsisten untuk semua area bisnis yang menggunakan
database.
Pikirkan semua waktu Anda menerima beberapa iklan surat langsung yang sama pada hari
yang sama. Ini sangat mungkin hasil dari mempertahankan nama Anda beberapa kali dalam
database. Nama Anda mungkin salah eja atau Anda menggunakan inisial tengah Anda pada
satu kesempatan dan tidak pada kesempatan lain atau informasi awalnya dimasukkan ke
dalam formulir kertas dan tidak dipindai dengan benar ke dalam sistem. Karena
inkonsistensi ini, database akan memperlakukan Anda sebagai orang yang berbeda! Kami
sering menerima surat berlebihan yang ditujukan ke Laudon, Lavdon, Lauden, atau Landon.
Jika database dirancang dengan benar dan standar data seluruh perusahaan ditetapkan,
elemen data duplikat atau tidak konsisten harus mwinimal.
Namun, sebagian besar masalah kualitas data, sseperti nama yang salah eja, nomor yang
dialihkan, atau kode yang salah atau hilang, berasal dari kesalahan selama input data.
Insiden kesalahan tersebut meningkat ketika perusahaan memindahkan bisnis mereka ke
Web dan memungkinkan pelanggan dan pemasok memasukkan data ke situs Web mereka
yang secara langsung memperbarui sistem internal.
Sebelum database baru ada, organisasi perlu mengidentifikasi dan memperbaiki data yang
salah dan menetapkan rutinitas yang lebih baik untuk mengedit data setelah database
mereka beroperasi. Analisis kualitas data sering dimulai dengan audit kualitas data, yang
merupakan survei terstruktur tentang keakuratan dan tingkat kelengkapan data dalam
suatu sistem informasi. Audit kualitas data dapat dilakukan dengan mensurvei seluruh file
data, mensurvei sampel dari file data, atau mensurvei pengguna akhir untuk persepsi
mereka tentang kualitas data. Pembersihan data, juga dikenal sebagai penggosokan data,
terdiri dari aktivitas untuk mendeteksi dan mengoreksi data dalam database yang tidak
benar, tidak lengkap, tidak diformat dengan benar, atau berlebihan.
Pembersihan data tidak hanya mengoreksi kesalahan tetapi juga menegakkan konsistensi di
antara kumpulan data berbeda yang berasal dari sistem informasi terpisah. Perangkat lunak
pembersihan data khusus tersedia untuk mensurvei file data secara otomatis, memperbaiki
kesalahan dalam data, dan mengintegrasikan data dalam format seluruh perusahaan yang
konsisten.
Masalah kualitas data bukan hanya masalah bisnis. Mereka juga menimbulkan masalah
serius bagi individu, mempengaruhi kondisi keuangan mereka dan bahkan pekerjaan
mereka. Misalnya, data yang tidak akurat atau kedaluwarsa tentang riwayat kredit
konsumen yang dikelola oleh biro kredit dapat mencegah individu yang layak mendapatkan
pinjaman atau menurunkan peluang mereka untuk menemukan atau mempertahankan
pekerjaan.
Sesi Interaktif Manajemen menggambarkan pengalaman American Water dengan
mengelola data sebagai sumber daya. Saat Anda membaca kasus ini, cobalah untuk
mengidentifikasi kebijakan, prosedur, dan teknologi yang diperlukan untuk meningkatkan
manajemen data di perusahaan ini
STUDI KASUS -- AIR AMERIKA MENJAGA DATA MENGALIR
= American Water, didirikan pada tahun 1886, adalah utilitas air publik terbesar di Amerika
Serikat. Berkantor pusat di Voorhees, N.J., perusahaan ini mempekerjakan lebih dari 7.000
profesional berdedikasi yang menyediakan air minum, air limbah, dan layanan terkait
lainnya kepada sekitar 16 juta orang di 35 negara bagian, serta Ontario dan Manitoba,
Kanada. Sebagian besar layanan American Water mendukung anak perusahaan utilitas yang
dikelola secara lokal yang diatur oleh negara bagian AS di mana masing-masing beroperasi
serta pemerintah federal. American Water juga memiliki anak perusahaan yang mengelola
sistem air minum dan air limbah kota di bawah kontrak dan lainnya yang memasok bisnis
dan komunitas perumahan dengan produk dan layanan pengelolaan air.
Sampai saat ini, sistem dan proses bisnis air Amerika sangat terlokalisasi, dan banyak dari
proses ini manual. Seiring waktu, lingkungan informasi ini menjadi semakin sulit untuk
dikelola. Banyak sistem yang tidak terintegrasi, sehingga menjalankan semua jenis laporan
yang harus memberikan informasi tentang lebih dari satu wilayah adalah proses yang sangat
manual. Data harus diekstraksi dari sistem yang mendukung setiap wilayah dan kemudian
digabungkan secara manual untuk menghasilkan keluaran yang diinginkan. Ketika
perusahaan bersiap untuk melakukan penawaran umum perdana sahamnya pada tahun
2006, sistem perangkat lunaknya tidak dapat menangani kontrol peraturan yang diperlukan,
sehingga sekitar 80 persen dari pekerjaan ini harus dilakukan secara manual. Itu dekat
dengan mimpi buruk.
Manajemen ingin mengubah perusahaan dari kelompok bisnis regional independen yang
terdesentralisasi menjadi organisasi yang lebih terpusat dengan proses bisnis standar di
seluruh perusahaan dan pelaporan di seluruh perusahaan. Langkah pertama untuk
mencapai tujuan ini adalah menerapkan sistem perencanaan sumber daya perusahaan (ERP)
yang dirancang untuk menggantikan sistem yang berbeda dengan satu platform perangkat
lunak terintegrasi. Perusahaan memilih SAP sebagai vendor sistem ERP-nya.
Langkah penting dari proyek ini adalah memindahkan data dari sistem lama American Water
ke platform baru. Data perusahaan berada di banyak sistem berbeda dalam berbagai
format. Setiap bisnis regional memelihara beberapa datanya sendiri dalam sistemnya
sendiri, dan sebagian dari data ini berlebihan dan tidak konsisten. Misalnya, ada bagian
duplikat dari data master material karena material mungkin disebut satu hal dalam operasi
Missouri perusahaan dan yang lain dalam bisnis New Jersey-nya. Nama-nama ini harus
distandarisasi sehingga nama yang sama untuk sepotong data digunakan oleh setiap unit
bisnis. Pengguna bisnis American Water harus menerima pandangan data seluruh
perusahaan yang baru ini.
Migrasi data memerlukan lebih dari sekadar mentransfer data antara sistem lama dan baru.
Pengguna bisnis perlu mengetahui bahwa data bukan hanya tanggung jawab departemen
sistem informasi: bisnis “memiliki” data. Ini adalah kebutuhan bisnis yang menentukan
aturan dan standar untuk mengelola data. Oleh karena itu, terserah kepada pengguna bisnis
untuk menginventarisasi dan meninjau semua bagian data dalam sistem mereka untuk
menentukan dengan tepat bagian data mana dari sistem lama yang akan digunakan dalam
sistem baru dan data mana yang tidak perlu dibawa. Data juga perlu ditinjau untuk
memastikan bahwa data tersebut akurat dan konsisten dan bahwa data yang berlebihan
dihilangkan.
Kemungkinan besar beberapa jenis pembersihan data akan diperlukan. Misalnya, American
Water memiliki data lebih dari 70.000 vendor dalam file master data vendornya. Andrew
Clarkson, Business Intelligence Lead American Water, meminta pengguna bisnis untuk
menentukan vendor aktif dan menggunakan definisi tersebut untuk mengidentifikasi data
mana yang akan dimigrasikan. Dia juga bekerja dengan berbagai kelompok fungsional untuk
membakukan bagaimana menyajikan data alamat.
Salah satu tujuan pekerjaan manajemen data American Water adalah untuk mendukung
program intelijen bisnis perusahaan yang luas berdasarkan pada satu pandangan bisnis.
Sistem analitis dan gudang data akan dapat menggabungkan data dari Sistem ERP SAP
dengan data dari sumber lain, termasuk informasi pelanggan baru dan memasukkan sistem
manajemen aset hadiah. Itu berarti bahwa pengguna bisnis American Water harus banyak
berpikir tentang jenis laporan yang mereka inginkan. Perusahaan awalnya berencana untuk
memiliki sistem yang menyediakan 200 laporan, tetapi kemudian mengurangi jumlah itu
hingga setengahnya. Pengguna bisnis dilatih untuk membuat laporan ini dan
menyesuaikannya. Sebagian besar pengguna keuangan awalnya mencoba membuat laporan
mereka menggunakan perangkat lunak spreadsheet Microsoft Excel. Namun, seiring waktu,
mereka belajar melakukan hal yang sama menggunakan alat Intelijen Web Objek Bisnis SAP
yang disertakan dengan sistem. SAP Business Objects Web Intelligence adalah seperangkat
alat yang memungkinkan pengguna bisnis untuk melihat, menyortir, dan menganalisis data
intelijen bisnis. Ini termasuk alat untuk menghasilkan kueri, laporan, dan dasbor interaktif.
Saat ini, American Water berfokus untuk mempromosikan gagasan bahwa data harus
“bersih” agar efektif dan telah mencurahkan banyak upaya untuk pekerjaan pembersihan
datanya—mengidentifikasi bagian data yang tidak lengkap, tidak benar, tidak akurat, dan
tidak relevan, lalu mengganti, memodifikasi, atau menghapus data “kotor”. Menurut
Clarkson, seperti halnya instalasi pengolahan air yang memiliki pengukur dan meteran untuk
memeriksa kualitas air saat diolah, manajemen data perlu memastikan kualitas data di
setiap langkah untuk memastikan produk akhir benar-benar berguna bagi perusahaan.
Sumber: “SAP to Deliver Software Solution to American Water,” www.sap.com, diakses 31
Januari 2014; David Hannon, “Clean Smooth-Flowing Data at American Water,” SAP Insider
Profiles, Januari–Maret 2013 dan www.amwater.com, diakses 2 Februari 2014.
PERTANYAAN STUDI KASUS
1. Membahas peran kebijakan informasi, administrasi data, dan upaya untuk
memastikan kualitas data dalam meningkatkan pengelolaan data di American Water.
Jawab: a) Peran Kebijakan Informasi :
-Untuk menentukan aturan dan standar yang harus diikuti untuk menyimpan dan
mengelola data.
 -Mengembangkan lingkungan database membutuhkan kebijakan dan prosedur.
-Pengguna bisnis bertanggung jawab untuk meninjau semua bagian data dalam
sistem lama.
b) Peran Kebijakan Data Administrasi :
-Untuk meninjau semua bagian data dalam sistem lama dan menghapus data yang
tidak diperlukan dan digandakan.
-Bertanggung jawab atas kebijakan informasi, serta perencanaan data,
pengembangan kamus data, dan pemantauan penggunaan data.
-Data harus ditinjau oleh administrator data untuk memastikan bahwa data tersebut
benar dan menjaga kebijakan informasi.
c) upaya untuk memastikan kualitas data dalam meningkatkan manajemen data Air
di Amerika :
-Mengidentifikasi dan membersihkan data yang salah, tidak akurat dan tidak
konsisten untuk menjamin kualitas data.
-Mengelola data dan menghapus data duplikat untuk memastikan kualitas data
2. Jelaskan peran yang dimainkan oleh spesialis sistem informasi dan pengguna akhir
dalam proyek transformasi sistem American Water.
Jawab: -Dengan data standar, laporan lebih mudah dibuat dan memberikan
gambaran operasi yang lebih lengkap. Itu membuat perbandingan antar unit operasi
lebih mudah dan memungkinkan unit bisnis untuk meninjau praktik terbaik dengan
lebih mudah daripada sebelumnya.
-Selain itu, pengisian kembali persediaan dapat menjadi kurang efisien jika lebih dari
satu entri data per item digunakan dalam database
- Manajemen membuat pengguna bisnis bertanggung jawab atas data tetapi bukan
hanya tanggung jawab departemen sistem informasi dalam melakukan hal ini.
-Pengguna bisnis diminta untuk menginventarisasi dan meninjau semua bagian data
dalam sistem untuk menentukan mana yang perlu dimigrasikan dari sistem lama ke
sistem baru dan mana yang akan ditinggalkan karena merekalah yang
membersihkannya karena mereka adalah pengguna untuk datanya.
-Pengguna bisnis juga diminta untuk meninjau data untuk memastikan mereka
akurat dan konsisten dan data yang berlebihan telah dihilangkan.SAP Business
Objects Web Intelligence memungkinkan pengguna bisnis untuk melihat, menyortir,
dan menganalisis data intelijen bisnis. Ini termasuk menghasilkan kueri, laporan, dan
dasbor interaktif.
3. Mengapa partisipasi pengguna bisnis begitu penting? Jika mereka tidak memainkan
peran ini, apa yang akan terjadi?
Jawab: Partisipasi pengguna bisnis penting karena pengguna bisnis adalah orang-
orang yang terutama akan menggunakan data, itu harus seperti yang mereka
inginkan dan cara yang terbaik untuk mereka. Pengguna adalah orang yang paling
tahu apa yang mereka butuhkan dan apa yang mereka inginkan. Pengguna bisnis
tahu jenis data apa yang harus dimigrasikan dan apa yang tidak.
Bayangkan jika orang lain di samping pengguna bisnis untuk menentukan data mana
yang akan dimigrasikan, data mana yang akan ditinggalkan, atau bagaimana data
harus dibangun, itu mungkin akan berakhir dengan kegagalan dan tidak memenuhi
kebutuhan pengguna bisnis dan itu akan menyebabkan efisiensi kerja yang rendah

4. Bagaimana penerapan gudang data membantu American Water bergerak menuju

organisasi yang lebih terpusat?
Jawab: Sistem perencanaan sumber daya perusahaan (ERP) yang dirancang untuk
menggantikan sistem yang berbeda dengan satu platform perangkat lunak
terintegrasi. Data warehouse memungkinkan perusahaan untuk menstandarisasi
data dan menghilangkan data yang salah. Semua data yang berkaitan dengan
material yang digunakan oleh perusahaan distandarisasi untuk membuat data
warehouse lebih efisien dan memberikan pandangan yang terkonsolidasi di semua
unit bisnis. Data terstandarisasi memberikan gambaran yang lebih baik kepada
perusahaan tentang kinerjanya dan lebih mudah dipahami daripada data berantakan
yang tidak terstandarisasi dan dapat menyebabkan kesalahpahaman dan masalah
akurasi yang rendah.

5. Berikan beberapa contoh masalah yang akan terjadi di American Water jika datanya
tidak “bersih”?
Jawab: Jika data tidak bersih, itu membuat gudang data jauh lebih besar dari yang
diperlukan. Misalnya, jenis bahan tertentu mungkin memiliki dua hingga tiga
deskripsi data yang berbeda. Perbandingan dan konsolidasi data lebih sulit dilakukan
jika terdapat lebih dari satu deskripsi dan definisi dari setiap item data. Ini dapat
membingungkan pengguna dan menyebabkan masalah akurasi data yang rendah.

6. Bagaimana gudang data American Water meningkatkan operasi dan pengambilan

keputusan manajemen?
Jawab: American Water berfokus pada mempromosikan gagasan bahwa data harus
"bersih" agar efektif dan telah mencurahkan banyak upaya ke dalam pekerjaan
pembersihan datanya dengan mengidentifikasi bagian data yang tidak lengkap,
salah, tidak akurat, dan tidak relevan dan kemudian mengganti, memodifikasi, atau
menghapus data yang “kotor”. Dengan memiliki data yang bersih dalam satu gudang
data yang mudah diakses dan laporan yang mudah dibuat, manajemen dan
pengguna dapat membuat keputusan yang lebih baik karena datanya lebih lengkap.
Data yang bersih memberikan gambaran yang jauh lebih baik tentang organisasi dan
arah manajemen yang lebih jelas. Data mining jauh lebih mudah dan lengkap dengan
data yang bersih. Dengan menerapkan data warehouse, seluruh perusahaan dan
anak perusahaan dapat menstandardisasi proses bisnis mereka sehingga mereka
semua memasukkan data dengan cara yang sama sehingga pekerjaan dapat lebih
andal dan menciptakan nilai lebih bagi perusahaan.