CAHPTER 11 DATA VISUALIZATION AND GEOGRAPHIC INFORMATION SYSTEMS

PENGANTAR

Konsep menggunakan gambar atau grafik untuk memahami data telah ada selama berabad-
abad - dari peta dan grafik abad ketujuh belas hingga penemuan diagram lingkaran di awal 1800-an.
Dalam beberapa tahun terakhir, teknologi telah membawa seni dan ilmu visualisasi data ke depan,
dan itu mengubah lanskap perusahaan

Secara historis, analisis data dilakukan oleh ahli statistik, programmer, dan ilmuwan data
yang jarang berinteraksi langsung dengan bisnis. Namun, visualisasi data yang lebih mudah
digunakan, dasbor, dan teknologi mashup telah mengubah pendekatan "khusus pakar" ini untuk
analisis dan presentasi data. Analisis data didorong ke dalam bisnis dengan kemajuan yang
memungkinkan karyawan di sebagian besar tingkat organisasi untuk menganalisis data dengan cara
yang berarti. Vendor analitik tingkat perusahaan adalah juga meningkatkan platform visualisasi dan
pelaporan mereka sebelumnya dirancang untuk digunakan oleh para ahli statistik.

Di Bab 3, Anda mempelajari tentang analisis data besar, penambangan data, dan intelijen
bisnis (BI) dan bagaimana mereka digunakan untuk meningkatkan kinerja, produktivitas, dan
keunggulan kompetitif dalam organisasi di seluruh dunia. Dalam bab ini, kami memperluas topik ini
untuk memperkenalkan Anda pada visualisasi data terbaru, penemuan visual, dasbor, mashup, dan
sistem informasi geografis (GIS). Kami juga memperkenalkan Anda pada konsep penting lainnya -
data geospasial dan bagaimana perusahaan memasukkan data geospasial dan GIS ke dalam
hubungan pelanggan mereka manajemen (CRM), manajemen rantai pasokan (SCM), BI, dan aktivitas
perusahaan terkait lainnya

Beberapa alat yang dibahas dalam bab ini memungkinkan Anda menjadi mandiri. Seret dan
lepas, otomatisasi, wizard "tunjukkan kepada saya", dan dasbor yang mudah digunakan
memungkinkan Anda mengembangkan aplikasi dan dasbor visualisasi data interaktif Anda sendiri.
Mengurangi ketergantungan pada staf TI memiliki sejarah panjang. Misalnya, pada suatu waktu,
manajer tidak menganalisis data dengan spreadsheet, tetapi sekarang keahlian Excel diharapkan.
Vendor menawarkan aliansi akademik untuk memungkinkan universitas mengajarkan perangkat
lunak mereka dalam program MBA dan bisnis sarjana. Tableau Desktop, QlikView, TIBCO Spotfire,
dan IBM SPSS Analytic Catalyst memungkinkan pengguna bisnis untuk melakukan jenis analisis
lanjutan yang hanya dapat dilakukan oleh pengguna ahli perangkat lunak statistik beberapa tahun
yang lalu.

CASE 11.1

TABEL 11.

FIGURE 11.1
 VISUALISASI DATA DAN SISTEM INFORMASI GEOGRAFIS

Visualisasi data memanfaatkan kekuatan analitik data dan menambahkan tampilan visual
untuk memanfaatkan cara kerja otak kita. Anda sudah mungkin pernah mendengar pepatah “Sebuah
gambar bernilai seribu kata”—tampilan interaktif, bagan dengan kemampuan menelusuri, dan
geospasial analisis data melakukan hal itu dan merupakan beberapa dari banyak cara perusahaan
dapat menyajikan data untuk meningkatkan pengambilan keputusan. Untuk Misalnya, peta dapat
menceritakan kisah yang jauh lebih menarik daripada kata-kata atau angka, seperti yang ditunjukkan
pada Gambar 11.2, dengan penggunaan isyarat visual yang efektif. Pengambil keputusan organisasi
bergantung pada isyarat visual untuk memahami dan memproses sejumlah besar informasi.

Memvisualisasikan data dapat menghemat uang bisnis, membantu mengomunikasikan poin

penting, dan menarik perhatian pelanggan. Visualisasi data penting karena cara otak manusia
memproses informasi. Menggunakan diagram lingkaran, histogram, atau grafik batang untuk
memvisualisasikan sejumlah besar data kompleks jauh lebih mudah daripada meneliti spreadsheet
atau laporan. Visualisasi data adalah cara cepat dan mudah untuk menyampaikan konsep secara
universal—dan Anda dapat bereksperimen dengan berbagai skenario dengan membuat sedikit
penyesuaian.

Perangkat lunak visualisasi data bisa sangat kuat dan kompleks, mirip dengan platform HIVE
Deloitte. Di kontinum lain adalah alat dengan antarmuka point-and-klik sederhana yang tidak
memerlukan pengetahuan pengkodean tertentu atau pelatihan yang signifikan. Sebagian besar alat
yang tidak cocok untuk ilmuwan data memiliki elemen interaktif dan dapat menarik data dari Google
 GAMBAR 11.2

Dokumen, lembar bentang Excel, database Access, dan sumber lain yang sudah digunakan
oleh sebagian besar pebisnis. Beberapa aplikasi bisnis yang berguna untuk visualisasi data antara lain
sebagai berikut:

• Mengidentifikasi area yang membutuhkan perhatian atau perbaikan

• Mengklarifikasi faktor mana yang mempengaruhi perilaku pelanggan

• Membantu memahami produk mana yang akan ditempatkan dimana

• Memprediksi volume penjualan

Pertama, kita akan menjelajahi berbagai teknologi yang termasuk dalam kategori analisis
data, seperti yang ditunjukkan pada Gambar 11.3. Paket vendor biasanya menawarkan alat di lebih
dari satu kategori. Secara umum, alat pelaporan menghasilkan BI yang menunjukkan apa yang telah
terjadi dalam bisnis. Alat analisis menunjukkan apa yang mungkin atau bisa terjadi di masa depan.
Bagian selanjutnya membahas penyampaian informasi dan integrasi data.

GAMBAR 11.3
 Belajar, Eksplorasi, dan Penemuan dengan Visualisasi

Visualisasi data memungkinkan pembelajaran yang merupakan dasar untuk perbaikan

berkelanjutan. Ketika perusahaan, partai politik, tim olahraga, atau lembaga penggalangan dana
berinvestasi dalam program pemasaran, kampanye, promosi, acara khusus, atau proyek lain, mereka
menggunakan visualisasi untuk belajar sesuatu dari mereka. Visualisasi juga digunakan sebagai data
alat penjelajah dan penemuan data. Perusahaan, seperti Safeway dan PepsiCo, menemukan
hubungan baru dan mempelajari cara meningkatkan kinerja menggunakan visualisasi data di semua
jenis industri dan lembaga pemerintah. Visualisasi perusahaan aplikasi untuk Android, Apple iPad,
dan Surface Tablet akan diganti laporan bisnis statis dengan data real-time, analitik, dan interaktif
alat pelaporan.

Contoh Visualisasi Contoh visualisasi termasuk dial, grafik, grafik, garis waktu, peta
geospasial, dan peta panas. Peta panas tiga warna pada Gambar 11.4 langsung mengingatkan
pemirsa ke area kritis yang paling membutuhkan perhatian. Tampilan visual memudahkan individu
untuk memahami data dan mengidentifikasi pola yang ditawarkan jawaban atas pertanyaan bisnis
seperti “Lini produk mana yang memiliki margin keuntungan tertinggi dan terendah di setiap
wilayah?” Interaktivitas dan kemampuan menelusuri adalah fitur standar yang membuat visualisasi
menjadi lebih berharga. Dua jenis peta panas lainnya, yang dibuat di Tableau Desktop, ditunjukkan
pada Gambar 11.5; keduanya peta panas didasarkan pada kumpulan data yang sama. Perhatikan
bahwa cara data ditampilkan secara visual bergantung pada apa yang ingin Anda pelajari atau
sampaikan.

GAMBAR 11.4

Keahlian manusia merupakan komponen penting dari visualisasi data (lihat Gambar 11.6).
Kesalahan umum yang dilakukan organisasi adalah berinvestasi dalam fondasi analitik—alat, data
berkualitas, integrasi data, layar sentuh—tetapi mengabaikan komponen yang paling penting, yaitu
kemampuan pengguna untuk menafsirkan laporan visual dan menganalisisnya dengan benar.

PASAR PENEMUAN DATA TERPISAH DARI PASAR BI

 Menurut Gartner Research, pasar analisis data telah terbagi menjadi dua segmen: pasar BI
tradisional dan data yang lebih baru pasar penemuan. Perangkat lunak penemuan data sebelumnya
telah dipandang sebagai suplemen untuk platform BI tradisional. Sekarang ini adalah alternatif yang
berdiri sendiri untuk BI. Perpecahan ini terjadi karena hari ini teknologi penemuan data memberikan
eksplorasi data yang lebih besar dan kemudahan penggunaan untuk membantu pengguna
menemukan jawaban atas pertanyaan “mengapa” dan “bagaimana jika” melalui aplikasi analitik
swalayan. Perpecahan adalah contoh lain dari mendorong analitik ke komputer bisnis pekerja. IT at
Work 11.1 menjelaskan tren di IBM.

GAMBAR 11.5

GAMBAR 11.6
 Vendor Analytics/Visualisasi Menanggapi Permintaan. Vendor visualisasi data yang lebih
kecil bersaing langsung dengan megavendor BI IBM, Oracle, dan SAS. Misalnya vendor DOMO,
QlikView, Birt, Tableau, Sisense, dan lainnya Menambahkan fitur perusahaan dengan setiap rilis
baru. SAS adalah salah satu pemimpin dalam ruang visualisasi data. SAS® Visual Analytics
menggunakan autocharting cerdas untuk membantu analis bisnis dan pengguna nonteknis membuat
visual terbaik berdasarkan data yang dipilih. Visualisasi membuatnya mudah untuk melihat pola dan
tren dan mengidentifikasi peluang untuk analisis lebih lanjut. Fitur Server Analitik SAS® LASR™
mengeksekusi dan mempercepat komputasi analitik melalui dalam memori pengolahan. Kombinasi
analitik berkinerja tinggi dan antarmuka eksplorasi data yang mudah digunakan memungkinkan
berbagai jenis pengguna untuk membuat dan berinteraksi dengan grafik dan bagan menjadi lebih
baik memahami dan memperoleh nilai lebih dari data mereka lebih cepat dari sebelumnya.

Lainnya, seperti Qlik, sedang mengintegrasikan mesin inferensi untuk menggantikan

pendekatan berbasis kueri, yang memisahkan data dari konteksnya. Menggunakan mesin inferensi,
pengguna dapat memasukkan informasi sebanyak yang mereka miliki, dan perangkat lunak tidak
hanya akan mencari informasi tersebut disediakan tetapi juga akan membuat asosiasi dengan semua
data lain yang terkait dengan informasi yang diberikan.

Vendor ini terus fokus pada pengguna bisnis dari semua tingkatan dan latar belakang.
Misalnya, Jeff Strauss, arsitek BI di Allstate Insurance Company, menjelaskan bahwa Allstate
berinvestasi pada alat penemuan data Tableau, sehingga pengguna di seluruh organisasi dapat
melakukan analisis sendiri daripada mengandalkan departemen TI. Tableau telah membangun
banyak pengikut dengan dasbornya yang mudah diakses.

Penemuan Data Menawarkan Kecepatan dan Fleksibilitas Penemuan data

diharapkan mengambil peran yang lebih besar dalam pengambilan keputusan perusahaan.
Perusahaan berinvestasi dalam solusi penemuan data terbaru sebagian besar karena kecepatan dan
fleksibilitasnya. Para ahli dan pemula dapat mengumpulkan data dengan cepat dari sumber yang
berbeda dan kemudian menjelajahi kumpulan data dengan visualisasi interaktif dan antarmuka
penelusuran yang mudah digunakan (Gambar 11.7). Jalur penelusuran tidak ditentukan sebelumnya,
yang memberi pengguna lebih banyak fleksibilitas dalam cara mereka melihat data terperinci.

GAMBAR 11.7

Fitur yang kuat dari sistem penemuan data adalah kemampuannya untuk mengintegrasikan
data dari beberapa penyimpanan data dan mengidentifikasi tipe dan peran data. Lihat Catatan
Teknis 11.1. Saat data sedang dimuat ke dalam program, perangkat lunak secara otomatis
mengekstrak dan mengaturnya berdasarkan tipe data. Perangkat lunak juga dapat mengekstrak dan
mengatur istilah dari konten tidak terstruktur, seperti teks, email, dan PDF, dan membuat tag cloud.
Gambar 11.8 menunjukkan contoh cloud Word yang memberi pengguna cara cepat untuk
mengevaluasi sebagian besar aspek SCM dan mulai membuat penemuan.

Tantangan Visualisasi Data Besar. Kecepatan, ukuran, dan keragaman data besar membawa
tantangan baru pada visualisasi. Salah satu tantangannya adalah bagaimana menampilkan hasil
penemuan data dengan cara yang bermakna dan tidak berlebihan. Misalnya, Anda mungkin perlu
menciutkan dan memadatkan hasil untuk menampilkan grafik dan bagan dengan cara yang biasa
dilihat oleh pembuat keputusan. Hasil mungkin juga perlu tersedia dengan cepat di perangkat
seluler, dan pengguna mungkin menginginkannya untuk dapat dengan mudah menjelajahi data
mereka sendiri secara real time.

GAMBAR 11.8

Masalah lain yang terkait dengan data besar adalah kecepatan di mana arsitektur dan perangkat
lunak tradisional dapat memproses data. Jika data tidak diproses tepat waktu, data tersebut
mungkin tidak akurat atau berguna, misalnya, data pasar saham. Sebagai contoh, IBM SPSS
mengintegrasikan tiga alat visualisasi untuk menangani data besar—Netezza, InfoSphere BigInsights,
dan InfoSphere Streams—untuk menyediakan kemampuan analitik yang komprehensif dalam data
besar platform. Netezza adalah gudang data berkinerja tinggi yang datanya dapat digunakan untuk
pembuatan model, penilaian, dan penyegaran model; InfoSphere BigInsights adalah distribusi yang
siap untuk perusahaan dari Hadoop.

Bagaimana Visualisasi Data Digunakan dalam Bisnis?

Tujuan akhir dari analisis data adalah untuk mendorong keuntungan, dan seringkali itu
bergantung pada pembelajaran bagaimana mengelola aset, seperti inventaris, atau melibatkan
pelanggan dengan cara yang lebih cerdas. Mengumpulkan data relatif mudah. Memahami data itu
tidak. Berikut adalah contoh bagaimana perusahaan dan/atau seluruh industri sering menggunakan
visualisasi data dan interaktivitas untuk meningkatkan kecepatan dan kinerja pengambilan
keputusan dengan tampilan seluler.

Perangkat lunak visualisasi data terbaru mengatasi masalah yang terkait dengan pemrosesan
data besar dengan mempercepat penemuan data dan mengembalikan visualisasi dalam jangka
waktu yang sesuai, dalam format yang mudah dipahami. BI dan vendor visualisasi data berfungsi
untuk membantu analis bisnis dan pengguna non-teknis dalam menentukan cara terbaik untuk
menampilkan besar ini jumlah data.

Deteksi Cepat dan Keputusan di Pasar Saham. Perusahaan Wall Street, pedagang, manajer kekayaan,
analis risiko, dan regulator mengandalkan kemampuan mereka untuk memproses dan
memanfaatkan anomali pasar secara real time. Karena kecepatan keputusan mereka yang
menuntut, para profesional pasar modal menggunakan visualisasi untuk analisis risiko, pemeriksaan
pra-perdagangan dan pascaperdagangan, pemantauan kepatuhan, deteksi penipuan, analisis
profitabilitas klien, penelitian dan penjualan, dan kinerja portofolio. Vendor Aqumin menyediakan
solusi interpretasi visual waktu nyata untuk industri jasa keuangan. OptionVision Aqumin
memungkinkan pedagang, manajer risiko, dan pelaku pasar untuk melihat peluang, risiko, dan
perubahan pasar. AlphaVision untuk Excel memungkinkan kemampuan interpretasi visual langsung
dalam platform Microsoft Excel, dan AlphaVision untuk Bloomberg dikembangkan untuk manajer
portofolio profesional, pedagang, dan analis risiko dan Terhubung langsung ke Terminal Bloomberg
untuk memanfaatkan data yang disediakan oleh Bloomberg.

Chicago Board Options Exchange (CBOE), Gain Capital, JP Morgan, hedge fund, dan
perusahaan manajemen aset lainnya tidak hanya membutuhkan visualisasi data tetapi juga
diharapkan oleh para eksekutif dan investor mereka. kualitas dan kegembiraan visual untuk
memahami data Keuangan kering.

Meningkatkan Fungsi SDM. ADP Corporation adalah salah satu penyedia layanan penggajian
terbesar di dunia, dengan data 33 juta pekerja. Ketika perusahaan pemrosesan penggajian ADP
meluncurkan visualisasi data dengan analitik prediktif untuk meningkatkan fungsi sumber daya
manusia (SDM), perusahaan itu terkejut dengan apa yang ditemukannya. Setelah mengatur
informasi dan menyalurkannya melalui program analisis, departemen SDM menemukan bahwa ADP
akan segera menghadapi masalah pensiun yang serius. Untuk mengurangi kesenjangan bakat di
masa mendatang, ADP membangun program pelatihan baru untuk mempersiapkan generasi pekerja
berikutnya.
Tanggap Bencana yang Cepat oleh Industri Asuransi. Efektivitas respons perusahaan asuransi
terhadap badai yang menghancurkan atau peristiwa bencana lainnya bergantung pada
kemampuannya untuk menggabungkan sejumlah besar data untuk sepenuhnya memahami
dampaknya. Perusahaan asuransi terkemuka menggunakan visualisasi data dan teknologi analisis
berbasis Web untuk mengelola respons mereka terhadap bencana besar dengan lebih baik. Pada
hari-hari dan minggu-minggu setelah bencana, perusahaan asuransi menghadapi analisis dan
pelaporan kemacetan. Analis yang mampu membuat peta dan laporan bekerja dengan panik untuk
menanggapi permintaan informasi. Karena data baru terus dihasilkan bahkan setelah acara, data
memiliki rentang hidup yang pendek dan laporan perlu dibuat ulang dan didistribusikan kembali.

Misalnya, ketika gempa bumi terjadi, pekerja di seluruh perusahaan asuransi mengakses
aplikasi data (cloud) berbasis Web untuk memvisualisasikan dan menganalisis dampaknya. Pengguna
dengan cepat menentukan properti mana yang mengalami intensitas guncangan tertentu dan dapat
membuat analisis sendiri secara visual, daripada menunggu laporan.

Alat Visualisasi Data

Sejumlah vendor menawarkan perangkat lunak visualisasi data. Daftar berikut menjelaskan
beberapa di antaranya. Banyak dari vendor ini menawarkan uji coba gratis perangkat lunak mereka
di situs web.

• SAS Visual Catalyst memiliki fitur autocharting cerdas yang secara otomatis menyajikan
visualisasi yang paling tepat dari kumpulan data tertentu berdasarkan jumlah dan jenis data yang
dianalisis. Dengan membangun hierarki “on the fly”, menjelajahi data secara interaktif, dan
menampilkan data dengan cara berbeda untuk menjawab pertanyaan spesifik atau memecahkan
masalah baru, produk visualisasi data baru ini membebaskan pengguna dari ketergantungan terus-
menerus pada bantuan dari departemen TI ketika mereka ingin mengubah cara data ditampilkan.
Misalnya, jika Anda memiliki satu miliar baris data, tidak mungkin melihat begitu banyak titik data
pada plot pencar. Namun, plot kotak akan menyampaikan informasi yang Anda butuhkan.

• Birt menggabungkan kemampuan, skala, dan tata kelola data yang dibutuhkan TI dengan
kelincahan, kecepatan, dan kegunaan alat desktop tingkat konsumen. Pengalaman pengguna adaptif
Birst menawarkan kepada pengguna berbagai pilihan layanan mandiri, analisis data, dan presentasi,
dan arsitektur cloud-nya memungkinkan pengguna untuk langsung berbagi temuan dan data di
seluruh rantai pasokannya.

• QlikView membedakan dirinya dari alat BI lainnya melalui mesin inferensi uniknya yang
secara otomatis memelihara asosiasi data. Mesin inferensi bekerja hampir sama dengan otak
manusia, yaitu ketika "memikirkan" kumpulan data, ia diingatkan akan semua hal yang terkait.

untuk itu. Qlikview juga menawarkan pencarian sederhana seperti Google yang bekerja
secara asosiatif, menghasilkan hasil untuk frasa dan juga untuk hal-hal yang umumnya terkait
dengan frasa. Misalnya, jika pengguna menginginkan informasi kontak untuk staf penjualan di
organisasi, dan hanya mengetahui produk yang menjadi spesialisasi tenaga penjual tetapi tidak
mengetahui nama orang tersebut atau perusahaannya, Qlikview dapat memberikan hasil yang
diinginkan.
 • IBM SPSS Analytic Catalyst telah membuat analitik canggih dapat diakses. Analytic Catalyst
memungkinkan pengguna bisnis untuk melakukan jenis analisis lanjutan yang telah dirancang untuk
para ahli dalam perangkat lunak statistik. Perangkat lunak ini melacak analitik dengan cepat dengan
mengidentifikasi driver utama, memilih model yang sesuai, menguji itu, dan kemudian menjelaskan
hasilnya dalam bahasa Inggris yang sederhana. Lihat YouTube video berjudul “IBM SPSS Analytic
Catalyst” sebagai gambaran umum. Alat memadatkan proses analitik menjadi tiga langkah:
pengunggahan data, pemilihan variabel target (variabel dependen atau variabel hasil), dan
eksplorasi data. Setelah data diunggah, sistem memilih variabel target dan secara otomatis
mengkorelasikan dan mengaitkan data. Berdasarkan karakteristik data, Analytic Catalyst memilih
metode yang sesuai dan mengembalikan data ringkasan daripada data statistik. Di layar awal, ini
mengomunikasikan apa yang disebut wawasan teratas dalam teks biasa dan hadiah visual, seperti
pohon keputusan dalam analisis churn. Setelah pengguna menyerap informasi tingkat atas, dia dapat
menelusuri ke dalam driver kunci teratas. Ini memungkinkan pengguna untuk melihat interaktivitas
antara atribut.

• IBM Watson Analytics adalah alat visualisasi data berbasis cloud yang memandu eksplorasi
data, mengotomatiskan analitik prediktif, dan memungkinkan pembuatan dasbor dan infografis
dengan mudah.

• Tableau adalah salah satu alat penemuan data yang lebih mudah untuk diterapkan, hanya
membutuhkan informasi basis data dasar untuk menghubungkannya ke sumber data target. Dengan
mesin database dalam memori baru, alat tersebut mengembangkan kekuatan untuk melakukan
analitik data besar. Terlepas dari kemajuan visualisasi data, integrasi data antara sumber data masih
bisa sangat menantang.

• Roambi Analytics adalah aplikasi pelaporan dan visualisasi data seluler terkemuka yang
dirancang untuk iPad dan iPhone. Aplikasi dapat mengambil data dari sebagian besar sumber,
termasuk Box, Google Documents, spreadsheet, sistem BI, database, dan Salesforce.com, dan
mengubahnya menjadi visualisasi data interaktif. Roambi memiliki basis pelanggan di seluruh dunia
dari 500 perusahaan Global dan kecil dan menengah bisnis lintas industri, termasuk telekomunikasi,
bioteknologi, farmasi, teknologi konsumen, dan barang dalam kemasan.

11.2 MASHUP DATA PERUSAHAAN

Mashup data perusahaan menggabungkan data bisnis dan aplikasi dari berbagai sumber -
biasanya campuran data internal dan aplikasi dengan data yang bersumber dari luar, Saas (perangkat
lunak sebagai layanan) dan konten Web - untuk menciptakan pengalaman terintegrasi. Mashup,
secara umum, menjadi populer karena teknologi sosial dan seluler. Kemampuan mashup perusahaan
untuk mengkonsolidasikan data dan fungsionalitas dengan cepat dan mudah yang biasanya tersebar
di beberapa aplikasi, ke dalam satu halaman Web atau layar perangkat seluler, menawarkan peluang
bisnis nyata bagi perusahaan dari segala bentuk dan ukuran di seluruh dunia.

Perusahaan menggunakan mashup sebagai solusi cepat dan hemat biaya untuk berbagai
masalah. Karena mashup menggunakan teknologi yang sudah ada sebelumnya, mereka tidak
memerlukan investasi besar dan dapat dikembangkan dalam hitungan jam, bukan hari atau minggu.
 Data mash up menjadi alat yang semakin penting untuk bisnis dari semua ukuran dengan
memungkinkan pengguna untuk mendapatkan wawasan baru dan melihat tren dalam data.
Meskipun menggabungkan sumber data yang berbeda adalah hal yang umum untuk mashup data,
meskipun hanya ada satu sumber data, mashup dapat dibuat dengan menggabungkan data dengan
cara yang tidak terduga. Pengguna akhir dan analis yang mengandalkan dasbor dan kemampuan
menelusuri manfaat dari akses yang lebih besar ke data, tetapi mashup tetap berada di belakang
layar dan tidak terlihat. Dasbor interaktif dan laporan yang dapat dibor dapat dibuat dengan cepat
berdasarkan data yang digabungkan. Catatan Teknis 11.2 membahas perangkat lunak dasbor. Peta
panas dan peta pohon dapat dibuat sebagai visualisasi data dalam mashup

Untuk organisasi, aplikasi mashup mengurangi biaya implementasi TI dibandingkan

pengembangan perangkat lunak tradisional dan kustom (dibahas di Bab 12) dan secara signifikan
menyederhanakan alur kerja bisnis-keduanya meningkatkan ROI (laba atas investasi) implementasi
mashup.

Pembuatan dasbor titik-dan-klik adalah fitur umum dalam mashup data. Teknologi mashup
ini menyediakan aplikasi perusahaan yang kaya secara visual dan aman yang dibuat dari data
langsung. Mereka memberikan fleksibilitas untuk menggabungkan data dari aplikasi perusahaan apa
pun dan cloud terlepas dari lokasinya. Pengguna dapat membuat aplikasi dan dasbor yang dapat
ditampilkan di Web dan perangkat seluler.

Arsitektur Mashup

Secara teknis, data mashup adalah teknik untuk membangun aplikasi yang menggabungkan
data dari berbagai sumber untuk menciptakan pengalaman yang terintegrasi. Karena teknik untuk
membuat mashup menjadi lebih mudah, perusahaan mulai menggunakannya untuk membangun
mash up perusahaan yang mendukung model bisnis mereka. Manajer yang paham teknologi
menyadari bahwa mereka dapat menggunakan aplikasi mashup dengan data yang ada dan layanan
eksternal untuk memberikan tampilan baru dan menarik pada data.

Gambar 11.9 menunjukkan arsitektur umum aplikasi mashup perusahaan. Data dari
penyimpanan data operasional, sistem bisnis, data eksternal (data ekonomi, pemasok; informasi,
aktivitas pesaing), dan umpan berita waktu nyata terintegrasi untuk menghasilkan mash perusahaan

GAMBAR 11.9

Mengapa Pengguna Bisnis Membutuhkan Teknologi Data Mashup?

 Pengguna bisnis memiliki waktu yang cukup sulit untuk mengidentifikasi kebutuhan data
mereka saat ini. Tidak realistis untuk mengharapkan mereka juga mempertimbangkan semua
sumber data baru yang mungkin tersedia bagi mereka dan analisis yang mungkin mereka lakukan
jika mereka memiliki akses ke data tersebut. Dengan BI tradisional dan sistem pergudangan data,
sumber data harus diidentifikasi, dan beberapa pemahaman tentang persyaratan data dan model
data diperlukan.

Menyadari akan selalu ada kebutuhan data yang tidak dapat diantisipasi, pertanyaannya
apakah IT harus berada di tengah-tengah mendukung permintaan tersebut? Menyediakan pengguna
bisnis dengan layanan mandiri memungkinkan mereka untuk memenuhi kebutuhan mereka lebih
cepat. Mereka juga memiliki kesempatan untuk bereksplorasi dan bereksperimen.

Mashup perusahaan meningkatkan efisiensi operasional, mengoptimalkan jalur penjualan,

meningkatkan kepuasan pelanggan, dan mendorong profitabilitas. Di dalam pemerintahan, mashup
telah berdampak positif pada bidang strategis seperti keterlibatan dan kepuasan warga, transparansi
keuangan, pengawasan proyek, kepatuhan terhadap peraturan, dan pelaporan yang diatur undang-
undang. Ringkasan manfaat mashup perusahaan diberikan dalam Tabel 11.2.

TABEL 11.2

Teknologi Mashup Perusahaan

Teknologi Mashup memanfaatkan investasi dalam alat BI dan teknologi interaktif. Sistem BI
sangat baik dalam menyaring dan menggabungkan volume data yang besar menjadi informasi.
Dengan teknologi mashup misalnya, pengguna dapat menyaring data berdasarkan kebutuhannya
sehingga hanya informasi yang dibutuhkan saja yang disediakan oleh layanan data yang tersedia.
Catatan Teknis  11.3 menjelaskan layanan mandiri mashup.

NOTE 11.3

11.3. DASBOR DIGITAL

Dasbor digital memberikan analisis bisnis yang mendalam sekaligus memberikan gambaran
produktivitas secara real-time. Dasbor digital muncul pada 1970-an dari berbagai format laporan
yang dihasilkan oleh sistem pendukung keputusan. Karena semakin banyak perusahaan pindah ke
Web sekitar 20 tahun kemudian, sistem dasbor digital dikembangkan untuk menggabungkan
pelaporan data dan memfasilitasi operasi dan keputusan bisnis yang lancar. Jika dilakukan dengan
baik, dasbor digital adalah alat yang membantu organisasi mengembangkan tujuan dan strategi
analitis secara efisien.

Dasbor digital menarik data dari sumber data dan umpan yang berbeda untuk melaporkan
KPl dan informasi operasional atau strategis pada dasbor intuitif dan tampilan interaktif (Gambar
11.10).

Tabel 11.3 mencantumkan metrik tipikal yang ditampilkan di dasbor berdasarkan fungsi.
Dasbor eksekutif menampilkan metrik kinerja perusahaan, yang secara otomatis diperbarui secara
real time (setiap 15 menit) berdasarkan pemrograman khusus dan konektivitas dengan sistem bisnis
yang ada. Dasbor meningkatkan proses sintesis informasi dengan memasukkan banyak sumber dan
umpan data yang berbeda, mengekstraksi fitur yang menarik, dan memanipulasi data, sehingga
informasi berada dalam format yang lebih mudah diakses. Pengguna tidak perlu lagi masuk ke
beberapa aplikasi untuk melihat bagaimana kinerja bisnis.

GAMBAR 11.10.

TABEL 11.3

• Desain Teknik visualisasi dan keterangan deskriptif untuk menyampaikan informasi

sehingga dipahami dengan benar. Infografis banyak digunakan karena menyampaikan informasi
dalam desain yang menarik dan informatif.

• KPI metrik kinerja dan konten waktu nyata lainnya yang ditampilkan di dasbor. Semua data
dasbor harus mencerminkan nilai saat ini dari setiap metrik.
 • API API menghubungkan sumber data dan feed yang berbeda untuk ditampilkan di dasbor.
Alternatifnya adalah pengguna atau IT secara manual memasukkan data ke dashboard. Dasbor yang
dibuat dengan cara ini cenderung gagal karena risiko data tidak lengkap, usang, atau salah, yang
dipelajari pengguna untuk tidak dipercaya.

• Akses Akses yang dipilih adalah melalui browser Web yang aman dari perangkat seluler.

Dasbor adalah Waktu Nyata

Dasbor sering keliru dianggap sebagai laporan yang terdiri dari berbagai pengukur, bagan,
dan dial, tetapi tujuan dasbor bisnis jauh lebih spesifik dan terarah. Tujuan dari dasbor adalah untuk
memberi pengguna pandangan yang jelas tentang status KPI saat ini, peringatan waktu nyata, dan
metrik lainnya tentang operasi. Desain dasbor merupakan faktor penting karena pengguna bisnis
harus dapat memahami pentingnya informasi dasbor secara sekilas dan memiliki kemampuan untuk
menelusuri satu atau beberapa tingkat detail. Memiliki data waktu nyata, atau hampir waktu nyata,
sangat penting untuk membuat pengguna mengetahui setiap perubahan yang berarti dalam metrik
saat terjadi dan untuk memberikan informasi untuk membuat keputusan secara waktu nyata.
Pengguna dapat segera mengambil tindakan korektif.

Sangat mudah untuk melihat di Gambar 11.11 bagaimana tampilan berkode warna dapat
dengan cepat memberi tahu pengguna tentang status KPI.

GAMBAR 11.11

Bagaimana Dasbor Operasional dan Strategis Bekerja

Dasbor diprogram khusus untuk secara otomatis dan aman menarik, menganalisis, dan
menampilkan data dari sistem perusahaan, aplikasi cloud, umpan data, dan sumber eksternal.
Mereka bekerja dengan menghubungkan ke istem bisnis, seperti perangkat lunak akuntansi, ERP,
CRM, SCM, sistem email, program analisis situs web, dan manajemen proyek perangkat lunak
melalui API. IT at Work 11.2 menjelaskan cara kerja dasbor di Hartford Hospital. Catatan Teknis 11.4
mencantumkan vendor yang menawarkan uji coba gratis perangkat lunak dasbor.

Manfaat Dasbor Digital

Manfaat yang saling terkait dari dasbor bisnis adalah sebagai berikut:

1. Visibility Blind spot diminimalkan atau dihilangkan. Ancaman dan peluang terdeteksi
sesegera mungkin.

2. Perbaikan terus-menerus Sebuah peringatan terkenal dari Peter Drucker adalah "jika Anda
tidak dapat mengukurnya, Anda tidak dapat memperbaikinya." Dasbor eksekutif dirancang khusus
untuk menampilkan metrik dan ukuran kritis pengguna.

3. Sistem Masuk Tunggal Manajer dapat menghabiskan banyak waktu untuk masuk ke
berbagai sistem bisnis dan menjalankan laporan. Dasbor sistem masuk tunggal menghemat waktu
dan tenaga.

4. Penyimpangan dari apa yang dianggarkan atau direncanakan Setiap metrik, seperti yang
tercantum dalam Tabel 11.3, dapat diprogram untuk menampilkan penyimpangan dari target,
seperti perbandingan antara aktual dan yang direncanakan atau dianggarkan.

5. Akuntabilitas Ketika karyawan mengetahui bahwa kinerja mereka dilacak hampir secara
real time dan dapat melihat hasilnya, mereka cenderung termotivasi untuk meningkatkan kinerja
mereka.

11.4. SISTEM INFORMASI GEOGRAFIS DAN DATA GEOSPASIAL

Setiap hari jutaan keputusan dibuat menggunakan sistem informasi geografis (SIG). GIS
menghubungkan data dengan geografi untuk memahami apa yang termasuk di mana. Misalnya,
sangat sulit untuk memvisualisasikan lokasi kota dengan koordinat lintang dan bujur yang tercantum
dalam spreadsheet, tetapi mudah untuk mengetahui di mana mereka berada saat Anda
menunjukkan posisi ini di peta.

(Gambar 11.12).
 GIS bukan hanya tentang data pemetaan, pemerintah, bisnis, dan individu menemukan GIS
berguna dalam memecahkan masalah sehari-hari menggunakan data geospasial. Misalnya, GIS dapat
terhubung ke perangkat dan aplikasi pelacakan lokasi. Perangkat lunak GIS dapat menghubungkan
data geospasial-di mana benda atau orang berada dan ke mana mereka pergi-dengan data
deskriptif-seperti apa atau apa yang dilakukan pelanggan. Kemampuan GI S untuk melacak
pergerakan dan perilaku pelanggan di ruang nyata memungkinkan strategi baru untuk pemasaran,
ritel, dan kewirausahaan. Kemampuan mereka untuk melacak produk di sepanjang rantai pasokan
juga menawarkan peluang dalam logistik dan pemenuhan pesanan.

Mengumpulkan alamat rumah dan kantor hanya memberikan gambaran statis tentang lokasi
konsumen. Pergerakan mereka dari waktu ke waktu tidak terlacak. Data yang diatur oleh kode pos
saja tidak dapat mengungkapkan kebiasaan pelanggan. Dengan mengintegrasikan GIS, bisnis dapat
lebih efektif memecahkan masalah seperti mengatur wilayah penjualan, menentukan lokasi yang
optimal, menemukan pelanggan, mengelola kampanye, dan memberikan layanan. Data geospasial
juga dapat memetakan tindakan pesaing.

Geocoding

Dalam banyak kasus, lokasi sudah ada di penyimpanan data yang ada, tetapi tidak dalam
format yang sesuai untuk analitik. Proses sederhana yang disebut geocoding dapat mengubah
alamat pos menjadi data geospasial yang kemudian dapat diukur dan dianalisis. Dengan
memanfaatkan sumber daya ini, pembuat keputusan dapat menggunakan konteks geografis atau
spasial untuk mendeteksi dan menanggapi peluang.

Contoh Kasus: GM General Motors {GM) menghabiskan $2 miliar per tahun untuk
pemasaran. Di masa lalu, itu menembakkan iklannya di masyarakat umum. Sekarang, ia memetakan
jenis rumah tangga mana yang akan membeli mobil baru, lebih akurat menentukan lokasi di mana
orang membeli model tertentu, dan menyalurkan iklannya secara khusus ke daerah tersebut.
Akibatnya, GM menghabiskan lebih sedikit uang untuk menghasilkan penjualan yang lebih tinggi.

Manajer GM menggunakan perangkat lunak ArcGIS ESRl untuk melihat demografi lokal,
karakteristik lokasi, perbedaan regional, dan lingkungan merek yang kompetitif untuk menentukan
bagaimana kinerja dealer tertentu dibandingkan dengan hasil aktual. GIS memungkinkan GM untuk
mengisolasi permintaan, menargetkan upaya pemasarannya ke preferensi lokal, dan memposisikan
dealernya untuk meningkatkan penjualan. Dengan kecerdasan yang diberikan oleh GIS, GM telah
meningkatkan penjualan meskipun memotong anggaran iklan.

GIS Bukan Peta Kakek Anda

Tidak seperti peta datar tradisional, peta yang dihasilkan GIS terdiri dari banyak lapisan
informasi yang menyediakan cara berbeda bagi pengguna untuk melihat ruang geografis (Gambar
11.13).

Bayangkan sejenak bahwa Anda adalah manajer penjualan regional yang perlu melihat data
penjualan untuk salah satu dari 75 toko Anda yang tersebar di seluruh Negara Bagian Carolina
Selatan. Pada peta datar Carolina Selatan, jika Anda melihat toko ritel #50, Anda akan melihat nama
toko dan titik yang menunjukkan lokasinya di peta. Namun, jika Anda melihat peta GIS Amerika
Serikat di komputer, ponsel cerdas, atau tablet Anda, Anda dapat mengarahkan kursor ke Carolina
Selatan dan ketika Anda mengklik toko ritel #50, akan muncul lokasi toko, nama manajer toko, dan
nomor telepon, pendapatan mingguan dan bulanan, kategori produk, foto etalase, dan tur virtual.
Sebagai manajer penjualan regional yang dibayar tinggi dan sibuk, ini menghemat waktu dan uang
perusahaan Anda, meningkatkan efektivitas dan efisiensi organisasi.

Koleksi Sadar Lokasi dan Infrastruktur Data Geospasial

Infrastruktur yang dibutuhkan untuk mengumpulkan data geospasial terus berkembang.

Penyedia layanan seluler dan Internet, sensor, Google Earth, GPS, dan sistem RFID mengetahui lokasi
setiap pengguna atau objek yang terhubung. Foursquare, Google Maps, dan aplikasi seluler lainnya
mengandalkan lokasi GPS. Dengan aplikasi Shopkick, Macy's dapat melacak setiap gerakan
pembelanja di salah satu tokonya dan mengirimkan pemberitahuan pembelanja tentang penawaran
dan item yang menarik. iBeacon adalah fitur yang tersedia di perangkat iOS 7 yang menggunakan
transmisi Bluetooth berdaya rendah untuk menyiarkan lokasi pengguna. iBeacon memungkinkan
Apple, atau pengembang aplikasi yang memanfaatkan teknologi Apple, untuk melacak pengguna di
dalam gedung yang mungkin tidak terjangkau oleh transmisi satelit

GAMBAR 11.13
 Serupa dengan Macy's, bisnis dapat memotivasi pelanggan untuk mengunduh aplikasi
pelacakan lokasi. Menggunakan GIS dapat membantu bisnis menargetkan pasar pelanggan mereka
secara lebih efektif dan dinamis dengan melibatkan mereka secara real time.

Menerapkan GIS dalam Bisnis

Alat GIS telah memberikan kontribusi yang signifikan untuk pengambilan keputusan di
bidang keuangan, akuntansi, pemasaran, dan BI. Aplikasi bisnis termasuk berikut ini:

• Analis dapat menentukan pendapatan rata-rata di area di mana toko dengan kinerja
tertinggi didirikan.

• Pengecer dapat mempelajari bagaimana penjualan toko dipengaruhi oleh populasi atau
kedekatan dengan toko pesaing.

• Rantai ritel dengan rencana untuk membuka seratus toko baru dapat menggunakan GIS
untuk mengidentifikasi demografi yang relevan, kedekatan dengan jalan raya, transportasi umum,
dan toko pesaing untuk memilih opsi lokasi terbaik.

• Perusahaan makanan dan produk konsumen dapat memetakan lokasi panggilan

pengaduan, memungkinkan keterlacakan produk jika terjadi krisis atau penarikan kembali.

• Tenaga penjualan mungkin menargetkan kunjungan pelanggan mereka dengan lebih baik
dengan menganalisis geografi target penjualan.

Dengan teknologi dan platform GIS, geospasial, dan geocoding saat ini, GIS dapat dengan
mudah digabungkan dan dikelola dalam perangkat lunak analitik data dan visualisasi.

Dengan GIS pindah ke cloud, pengembang aplikasi perusahaan berdasarkan SAP, Microsoft
Office, SharePoint, MicroStrategy, IBM Cognos, dan Microsoft Dynamics CRM menggunakannya
untuk membuat berbagai aplikasi seluler.