ARTIKEL 1

Judul : The Internet And DSS: Massive, Real-Time Data Availability Is

Changing The DSS Landscape
Penulis : James R. Marsden
Tahun : 2008
Abstrak
Internet dapat berfungsi sebagai sumber data tingkat mikro yang sangat besar. membahas
peluang dan tantangan dalam menangkap dan memanfaatkan data real-time off internet,
intranet, atau ekstranet. Penekanan ditempatkan pada pengembangan dinamis sistem
pendukung keputusan (DSS) di lingkungan data-enabled baru. Ilustrasi pengambilan data real-
time dan potensi penggunaan DSS disediakan dari pekerjaan di online lelang, e-ritel,
pembajakan, dan kekayaan intelektual.

Kata kunci: Decision support systems, Real-time data, Online auctions, E-retailing, Piracy,
Intellectual property

1. Pendahluan

Meskipun ada banyak definisi istilah sistem pendukung keputusan (DSS), hampir
semua termasuk Sprague (1980) dua bahan utama: basis model dan basis data. Selama
seperempat abad berikutnya, para peneliti terus berkembang keluasan dan kecanggihan
komponen basis model DSS (lihat D. J. Diskusi menarik Power tentang sejarah DSS di DSS
Resources.com). DSS telah dikembangkan dengan basis model yang menggabungkan model
statistik canggih, model keuangan yang kompleks, dan proses pembentukan model berbasis
data yang rumit. Bonczek dkk. (1981) menyarankan pentingnya kecerdasan buatan dan ahli
pemodelan sistem dalam mengembangkan DSS.
Sisi basis data DSS juga maju, terutama sebagai basis data relasional teknologi dan
kemudian gudang data berevolusi..
Dalam sebuah artikel baru-baru ini, Bapna et al. (2006) membandingkan data Internet
dengan empat data terbanyak sumber data umum: data lapangan, data eksperimen terkontrol,
data survei, dan data simulasi. Sementara penulis memberikan analisis yang sangat rinci, kami
ingin focus sorotan kami pada faktor-faktor berikut:
1. Data internet mungkin tersedia untuk entitas penangkap data hanya dalam waktu singkat
momen; jika tidak ditangkap dan direkam, datanya hilang;
2. Data internet sering berada pada tingkat individu atau mikro dengan pengamatan tersedia pada
langkah-langkah perantara dalam proses dinamis;
3. Ketersediaan data internet memiliki potensi untuk mengkompilasi kumpulan data besar-
besaran di tingkat yang jarang dicapai.
Bapna dkk. (2006) berfokus pada peran data Internet dalam pengembangan dan
pengujian teori baru dan pola perilaku individu dan kinerja pasar. Kami focus di sini tentang
bagaimana kelimpahan data real-time menawarkan cakrawala baru untuk DSS pengembangan
dan kalibrasi ulang terus menerus.
Berikut ini, kami mempertimbangkan kemungkinan peningkatan DSS yang diaktifkan
oleh: ketersediaan data internet. Seperti yang diharapkan, ada potensi jebakan yang harus
dihindari. Kami juga menyajikan tiga ilustrasi untuk mendemonstrasikan evolusi pilihan dan
peran baru untuk DSS di lingkungan kaya data Internet. Pertama mempertimbangkan arena
lelang online yang berkembang pesat, dengan penekanan khusus pada lelang bisnis-ke-bisnis
(B2B) dalam rantai pasokan. Pusat kedua tentang penggunaan data Internet, intranet, dan
ekstranet saat menangani masalah yang dihadapi pengecer. Yang ketiga mempertimbangkan
arena regulasi aktivitas Internet, terutama bidang pembajakan dan hak kekayaan intelektual
yang sangat penting. Di dalam setiap ilustrasi, kami mengidentifikasi jenis data yang tersedia
secara real time, proses yang sedang dikembangkan untuk secara otomatis menangkap dan
memverifikasi data tersebut, dan DSS peluang yang disediakan oleh ketersediaan data. Kami
juga menganggap penting pertanyaan mendasar yang sangat penting untuk pengembangan DSS
yang tepat apakah pasar elektronik sangat berbeda sehingga kita perlu mengembangkannya
secara benar-benar baru? pendekatan untuk menganalisis dan memahami pasar ini?
Ilustrasi dan diskusi selanjutnya didukung oleh Treibick Electronic Commerce
Initiative (TECI) dan Pusat Data Internet baru dan Research Intelligence Services (CIDRIS).
TECI berfokus pada mendukung e-bisnis penelitian, termasuk penelitian khusus untuk setiap
ilustrasi yang diberikan di bawah ini. CIDRIS mendukung pengembangan serangkaian alat
pengumpulan data otomatis yang dapat beroperasi di berbagai platform termasuk hypertext
markup language (HTML) halaman (baik statis dan dinamis), antarmuka perangkat lunak non-
HTML, portable file format dokumen (PDF), dan gambar.

2. DSS Dan Lelang Online

Lelang elektronik terus mendapatkan popularitas dan kepentingan. eBay sendiri adalah
dilaporkan memiliki lebih dari 147 juta pengguna terdaftar pada tahun 2005 (Forbes.com,
21/4/05). Seiring dengan kehadirannya yang familiar di pasar titik akhir, lelang elektronik
memiliki kehadiran yang terus meningkat di seluruh rantai pasokan. Dalam artikel
Purchasing.com baru-baru ini, Carbone (8 Desember 2005) melaporkan bahwa Sun
Microsystems menghabiskan lebih dari satu miliar dolar setahun dalam pembelian lelang
terbalik '' tampilan, aplikasi khusus sirkuit terintegrasi, sirkuit terintegrasi memori (IC), drive
disk, catu daya, dan bahan produksi lainnya''.
Biasanya, situs lelang elektronik memberikan informasi berikut untuk masing-masing:
lelang: deskripsi produk, tawaran minimum yang diperlukan, ukuran lot, dan saat ini tawaran
tertinggi. Tapi, dengan berulang kali mengakses situs lelang, adalah mungkin bagi seseorang
untuk lacak perkembangan lelang dan dapatkan data terperinci tentang semua tawaran yang
valid (meningkat) diajukan, jumlah penawaran, dan hasil akhir lelang.
Bapna dkk. (2006) merangkum langkah-langkah yang diperlukan dalam proses
pengumpulan data sebagai berikut:
… untuk melacak kemajuan lelang dan strategi penawaran yang sama halaman hypertext harus
ditangkap pada interval yang sering sampai lelang berakhir. Data HTML mentah kemudian
dikirim ke aplikasi ''parsing'' yang mencari string tertentu yang sesuai dengan variabel yang
diinginkan, katakanlah harga atau banyak ukuran. Aplikasi parsing memadatkan seluruh
informasi untuk lelang (termasuk semua tawaran yang diajukan) ke dalam satu spreadsheet.
Data adalah dibersihkan untuk menyaring lelang di mana: (a) kehilangan sampel terjadi (karena
kerusakan putus sesekali), dan (b) minat yang tidak mencukupi (beberapa lelang tidak menarik
penawar).
Karya rintisan Bapna dkk. (2004) menemukan perbedaan yang jelas antara strategi
penawaran dalam lelang elektronik dan strategi penawaran dalam tradisional sebelumnya
pengaturan lelang. Penelitian selanjutnya oleh Steinberg dan Slavoya (2005) menemukan hasil
serupa dalam pengaturan lelang elektronik yang berbeda.
Untuk sebagian besar barang, pasar online tersebar luas dan menemukan ertukaran atau
situs lelang yang sesuai adalah tugas yang sulit.
Proses otomatis dapat disusun untuk memantau pasar online yang ada, termasuk lelang,
untuk mengidentifikasi, melacak, dan membandingkan alternatif yang menyediakan produk
memenuhi persyaratan khusus bisnis. Selanjutnya, kemampuan pencarian cerdas (sekarang
dalam analisis di CIDRIS) menawarkan kemampuan untuk memperbarui set online pasar
secara dinamis.
Membangun berdasarkan penelitian seperti yang dilakukan oleh Bapna et al. (2001,
2003a, b, 2004, 2005), DSS dapat disusun untuk memantau dan memperbarui kemungkinan
 strategi penawaran untuk bisnis berdasarkan pola dan strategi penawaran yang diamati. Untuk
meringkas, kami berpendapat sebagai berikut:
1. Tersedianya pasar elektronik, khususnya e-auctions menyediakan peluang akuisisi input rantai
pasokan yang signifikan;
2. Agar berhasil, perusahaan harus dapat terus memantau dan memahami pasar elektronik dan
lelang elektronik. Seperti dalam praktik bisnis, perusahaan berusaha untuk mengidentifikasi
dan mengejar strategi kemenangan;
3. Internet (atau intranet dan ekstranet yang berlaku) mengandung sejumlah besar data dan
informasi yang berpotensi berguna, meskipun beberapa mungkin tersedia untuk hanya sesaat.
Penelitian terbaru telah menunjukkan kemampuan untuk mengotomatiskan pengambilan,
penguraian, pembersihan, penyimpanan, dan analisis data—semuanya penting langkah-
langkah dalam mengembangkan DSS dinamis yang terus diperbarui secara real-time
pembaruan data dan analisis terjadi; dan,
4. Penelitian terkini dalam proses pencarian cerdas yang memanfaatkan data dan penambangan
teks menawarkan potensi untuk terus memperbarui rangkaian e-marketplace langsung untuk a
tugas akuisisi input rantai pasokan yang ditentukan.
Kami menyertakan pasar elektronik umum dan lelang elektronik sejak melacak yang
pertama memungkinkan bisnis untuk mengidentifikasi batas atas untuk setiap tawaran lelang
yang mungkin mereka buat.
Seperti yang disarankan Fenstermacher dan Zeng, rantai pasokan bisa menjadi struktur
yang rumit yang membutuhkan koordinasi yang signifikan. Setelah dikembangkan,
bagaimanapun, yang dibutuhkan kendala, kondisi, dan koordinasi dapat dibangun menjadi satu
atau lebih waktu nyata DSS sumber data.

3. DSS Dan Pengecer Elektronik

Pertimbangkan e-retailer yang mencari dukungan untuk menetapkan harga produknya
dengan tepat saat ia berusaha untuk memaksimalkan keuntungan. Beragamnya informasi
internet yang dapat masukan yang bermanfaat ke dalam proses pengambilan keputusan ini
biasanya mencakup: berikut: (1) persepsi pelanggan tentang kualitas layanan e-retailer, (2)
jangkauan harga yang dikenakan oleh pengecer yang berbeda untuk produk yang sama, dan (3)
jangkauan situs web e-retailer. Sementara masing-masing tipe data ini tersedia, mereka harus
diperoleh dari berbagai sumber termasuk situs web pesaing, perbandingan situs web harga,
situs web perantara informasi berbasis web (layanan informasi berkualitas), dan situs web e-
retailer itu sendiri.
 Venkatasan dkk. (2006a,b) mengembangkan dan mendemonstrasikan proses untuk
mengumpulkan data berikut untuk setiap produk tertentu yang dijual oleh e-retailer (sumber
Internet situs yang disediakan dalam tanda kurung):
1. Kualitas layanan—peringkat survei dari pelanggan online pada masing-masing berikut:
pengiriman tepat waktu, dukungan pelanggan, produk aktual versus harapan, kesediaan untuk
berbelanja dengan e-retailer lagi (BizRate.com)
2. Saluran transaksional—hanya online, rantai nasional dengan kehadiran online, local toko
dengan kehadiran online (pencarian dan validasi Internet manual)
3. Ukuran—jumlah pengunjung unik ke toko online (Alexa.com)
4. Intensitas persaingan di pasar—jumlah e-retailer yang menawarkan identic produk; peringkat
kualitas layanan yang sesuai dari masing-masing e-retailer tersebut (BizRate.com)
5. Harga—diposting oleh setiap e-retailer untuk produk tertentu.
Aspek yang sangat menantang dari penelitian ini adalah mempelajari cara berhasil
mengintegrasikan dan memanfaatkan data dari berbagai sumber dengan tingkat struktur dan
agregasi. Hal ini menyebabkan pengembangan standar prosedur untuk: (1) identifikasi
otomatis dan pengumpulan informasi yang relevan dan informasi terkait dari berbagai sumber;
(2) pembersihan otomatis dan transformasi data; (3) mengumpulkan informasi pada berbagai
tingkat pengumpulan; dan (4) identifikasi dan penandaan data yang berpotensi bermasalah
untuk verifikasi tindak lanjut yang membutuhkan intervensi manusia. Prosedur ini
memungkinkan skala dan cakupan pengumpulan data yang lebih besar, tanpa mengorbankan
kualitas data.
Penulis berfokus pada analisis dispersi harga di antara pengecer elektronik dan
hubungan antara harga, penilaian pelanggan terhadap kualitas layanan, dan tingkat pengecer
kompetisi. Namun, upaya mereka menunjukkan kemampuan untuk mengotomatisasi
pengumpulan jenis dan jangkauan data Internet yang diperlukan untuk implementasi DSS
untuk mendukung keputusan e-retailer tentang harga produk.
Tapi mungkin aplikasi yang paling mudah dan langsung berguna untuk pengecer mana
pun atau pengecer bata-dan-mortir tradisional terletak di area real-time pemeriksaan harga yang
kompetitif dan keputusan penetapan harga yang dinamis. Bahkan penanganan pengecer ribuan
produk individu dapat menggunakan teknologi perayap web untuk melacak harga pesaing
untuk setiap produk. Informasi ini dapat dipantau menggunakan dasbor digital atau format
antarmuka DSS peta panas di mana numerik atau warna sinyal memperingatkan pengecer
untuk situasi di mana harganya jatuh di luar spesifik rentang harga yang kompetitif. Pengecer
 kemudian dapat memutuskan apakah akan mengubah produknya atau tidak penetapan harga.
Keputusan tersebut mungkin memerlukan penyelidikan tambahan termasuk:
1. Apakah pergeseran harga pesaing “khusus” jangka pendek atau apakah mereka mewakili?
pergeseran pasar yang sedang berlangsung?
2. Berdasarkan jenis pasar dan analisis pelanggan yang dirinci sebelumnya, pengecer dapat
menentukan kemungkinan dampak dari menyesuaikan atau tidak menyesuaikan harganya
dalam menanggapi perubahan harga pesaing.
3. Pengecer dapat memanfaatkan pelacakan harga pesaing dan penjualan perbandingan informasi
terkait (misalnya, opsi dan biaya pengiriman, kebijakan pengembalian, pelanggan peringkat
kepuasan) sebagai alat pemasaran; mengingat pelacakan harga waktu nyata, pengecer dapat
melampaui perbandingan keranjang pasar mingguan biasa yang ditawarkan oleh berbagai
supermarket atau perbandingan terbatas yang ditawarkan oleh setidaknya satu mobil
perusahaan asuransi.

4. Pembajakan Dan Hak Kekayaan Intelektual

Seiring dengan semua manfaat dari arus informasi yang ditingkatkan, era digital telah
membawa meningkatkan kemungkinan pembajakan dan ancaman terhadap hak kekayaan
intelektual. Ketika banyak yang telah ditulis tentang pembajakan musik, hanya ada sedikit
pengetahuan yang sebenarnya tentang tingkat aktivitas berbagi hingga penyelidikan terbaru
dikembangkan dan digunakan secara otomatis Proses pengumpulan dan penyimpanan data
internet. Dalam serangkaian makalah, Bhattacharjee dkk. (2005, 2006a, b, c, 2007)
mendemonstrasikan teknik-teknik ini dalam penyelidikan tingkat dan dampak berbagi file di
jaringan peer-to-peer (P2P). Para penulis mengembangkan aplikasi perangkat lunak otomatis
untuk mencari dan menangkap data dari dua situs P2P populer, WinMx dan KaZaA, dan situs
komersial seperti Billboard.com. Dengan demikian, para penulis dapat memperoleh jumlah
total aktivitas berbagi (file yang ditawarkan untuk dibagikan) untuk masing-masing album
grafik billboard pada hari tertentu selama periode yang dipelajari. Milik mereka hasilnya antara
lain sebagai berikut:
1. Rata-rata setiap saat ada 338 + file yang tersedia untuk dibagikan— pengamatan numerik yang
menunjukkan peluang dan aktivitas pembajakan yang signifikan untuk setiap 100 album
teratas;
2. Bukti yang menunjukkan pembajakan pengambilan sampel kualitas pra-pembelian serta
kehilangan penjualan pembajakan—bahkan, mereka menemukan bahwa tingkat aktivitas atau
kesempatan berbagi adalah prediksi yang lebih baik tentang arah penjualan yang akan datang
daripada grafik saat ini posisi.
Karya Bhattacharjee dkk. mengilustrasikan pengumpulan informasi waktu nyata bahwa
dapat berguna dalam DSS yang memberikan panduan berkelanjutan kepada perusahaan dalam
memprediksi penjualan dan tren pasar (peringkat grafik papan reklame didasarkan pada
penjualan) produk mereka. Itu penulis merangkum potensi dengan cara berikut:
Temuan ini bagaimanapun, menunjukkan bahwa inisiatif yang bertujuan untuk menutup
operasi jaringan berbagi online P2P ini akan memiliki 'lemparan' bayi keluar dengan efek air
mandi. Strategi yang membantu mendorong prapembelian pengambilan sampel dan aspek
periklanan dari jaringan berbagi online, sementara meminimalkan efek penjualan yang hilang,
akan memungkinkan industri musik menjadi lebih baik memanfaatkan teknologi informasi di
era baru digitalisasi yang semakin meningkat dari produk musik
Kami menyarankan bahwa pengembangan DSS yang tepat merupakan langkah penting
dalam memungkinkan perusahaan untuk mencapai leverage tersebut. Sementara perusahaan
mungkin berusaha untuk mendorong jenis pembajakan pengambilan sampel tertentu sambil
menghindari pembajakan penjualan yang hilang, regulator dibebankan dengan perlindungan
kekayaan intelektual hak.
Para penulis mengamati dan menganalisis kehadiran P2P dan perilaku berbagi setiap
individu sebelum dan sesudah masing-masing dari empat kejadian utama: (1) ancaman
tindakan hukum RIAA, (2) inisiasi tindakan hukum, (3) kemunduran hukum RIAA (layanan
Internet penyedia tidak dapat diminta untuk mengidentifikasi pelanggan individu), dan (4) a
pengulangan oleh RIAA untuk melanjutkan tindakan hukum melalui tuntutan hukum John
Doe. Itu penulis menemukan bahwa pembagi besar (berbagai laporan menunjukkan bahwa
RIAA adalah menargetkan mereka yang berbagi lebih dari 800 atau lebih dari 1.000 file musik)
secara konsisten mengurangi file yang dibagikan di bawah tingkat ambang batas bendera
merah. Para penulis merangkum hasilnya sebagai berikut:
…perbandingan sebelum dan sesudah acara menunjukkan bahwa, selama empat acara,
mayoritas pembagi substansial mengurangi jumlah file dibagikan, biasanya lebih dari 90%.
Selama periode ini, mayoritas nonsubstansial sharers menjatuhkan aktivitas berbagi, biasanya
sepertiga dari mereka tingkat asli.
Selain itu, penulis mencatat bahwa banyak dari pembagi nonsubstansial hanya berhenti
masuk. Mereka yang terus masuk ke jaringan P2P melakukannya lebih sedikit sering.
Sementara penulis menemukan pola respons individu yang konsisten dengan RIAA
menunjukkan niat untuk mengurangi berbagi file, mereka juga menemukan bahwa signifikan
kesempatan untuk pembajakan tetap ada. Setelah acara terakhir di mana RIAA bertahan dalam
mengajukan sejumlah besar gugatan individu, penulis menemukan rata-rata 351 musik file
yang tersedia untuk dibagikan untuk album apa pun di bagan papan reklame. Paling sedikit
untuk semua album tersebut ada 33 file dan yang terbesar adalah 1.245 file. Jadi, meskipun
individu tindakan sejalan dengan niat RIAA, peluang pembajakan tetap melimpah.
Karya Bhattacharjee dkk. menyajikan wawasan langka tentang bagaimana individu
bereaksi terhadap ancaman dan tindakan hukum. Pendekatan yang ditetapkan oleh
Bhattacharjee et al. menawarkan saran umpan balik tentang perilaku individu—umpan balik
tentang dampak penyelenggaraan pengadilan, yang baru undang-undang, peringatan penipuan
besar, atau peraturan baru.
Umpan balik semacam itu memiliki peluang yang signifikan untuk dimasukkan ke
dalam DSS untuk: pembuat keputusan industri, pembuat kebijakan, dan otoritas pengatur.
Terstruktur dengan baik DSS dapat memberikan kemampuan untuk memantau dan
mengevaluasi secara dinamis tanggapan terhadap tindakan industri, perubahan kebijakan, atau
perubahan peraturan. Dengan waktu nyata seperti itu pemantauan dan analisis, pengambil
keputusan dapat memperoleh keuntungan dari informasi koreksi atau penyesuaian di tengah
jalan jika diperlukan.

5. Kesimpulan
Internet terus tumbuh semakin penting untuk operasi pasokan yang efisien rantai, untuk
memperluas e-ritel, dan untuk pertukaran barang digital. Pertumbuhan ini mengakibatkan
Internet menjadi harta karun—terkadang hanya beberapa detik saja informasi tingkat mikro
yang terperinci. Dimungkinkan untuk melacak perilaku individu dan penyesuaian pasar yang
terjadi di sepanjang jalan menuju penyelesaian, atau kegagalan, dari transaksi. Dengan
mengembangkan sinyal atau dasbor format DSS yang secara otomatis memanen dan
menganalisis informasi ini secara real time, perusahaan dapat mengidentifikasi kondisi di mana
berbagai lelang rantai pasokan optimal dan bergerak cepat ke mengoperasionalkan metode
yang disukai. E-retailer dapat menggunakan DSS untuk membuat dinamis keputusan
penyesuaian harga saat lanskap pasar bergeser atau pesaing mengubah struktur harga.
Mengembangkan dan menerapkan DSS untuk melacak dan menganalisis data perilaku '' on the
fly '' menawarkan pembuat keputusan industri, pembuat kebijakan, dan otoritas pengatur
kemampuan untuk memantau dampak dari keputusan mereka dan membuat koreksi di tengah
jalan jika diperlukan.
 Dalam diskusi yang disajikan di sini, kami telah memanfaatkan karya berbagai peneliti
untuk menggambarkan bagaimana, secara real time sejumlah besar data tingkat mikro dapat
secara otomatis diambil dari Internet. Sebagai langkah alami berikutnya, kami memiliki
menyarankan penggunaan DSS dinamis untuk menggabungkan, menganalisis, dan menyajikan
hasil untuk pembuat keputusan. Argumen kami cukup sederhana. Internet dengan cepat
menjadi baik pusat perdagangan utama dan sumber pengamatan real-time yang paling mudah
diakses dari pilihan, tindakan, dan keputusan tingkat mikro. Penataan dinamis DSS yang
terintegrasi dengan sumber data ini dapat memberikan keuntungan yang signifikan bagi
pengambil keputusan yang cerdas.
Meskipun menyarankan DSS semacam itu cukup mudah, mengembangkan data yang
diperlukan pemanenan, analisis data, dan komponen representasi informasi dari DSS tersebut
tentu saja tugas yang kompleks. Entitas penelitian seperti CIDRIS disusun untuk membantu
meletakkan yayasan. Ada kemajuan signifikan dalam memanen dan menganalisis data waktu
nyata dari situs sumber Internet yang teridentifikasi dengan jelas seperti eBay, uBid.com,
Onsale.com, Pricegrabber.com, winMx, dan KaZaA. Generasi berikutnya dari pengambilan
data otomatis, sekarang sedang dikembangkan di CIDRIS, diarahkan untuk memanfaatkan
pencarian cerdas di seluruh jaringan untuk mengidentifikasi sumber data relevan yang sesuai
dan memanfaatkan adaptasi desain cerdas untuk menangkap, memvalidasi, dan menganalisis
data di berbagai sumber. Faktanya, pencarian cerdas berlanjut atas keputusan cakrawala karena
sumber data yang sesuai dapat berubah secara signifikan dari waktu ke waktu. Baru situs lelang
mungkin sering muncul atau menghilang. Situs yang saat ini relevan mungkin tidak memiliki
lelang atau perdagangan yang relevan hingga hari ini. Ada juga kemungkinan hukum masalah
yang harus dipantau secara hati-hati. Sebagai bagian dari misinya, CIDRIS akan
mempertahankan kutipan dan daftar akses makalah yang diterbitkan, makalah kerja, dan
penelitian yang relevan dalam kegiatan yang sedang berlangsung (lihat
http://www.CIDRIS.org). Tujuannya adalah untuk menumbuhkan komunitas riset yang bebas
berbagi kemajuan dan wawasan. Akan ada banyak tantangan di sepanjang jalan, tetapi
pertimbangkan nilai potensial dari DSS dinamis yang menggabungkan data waktu nyata
multisumber dan yang dapat menghasilkan keluaran waktu nyata dan rekomendasi.
 ARTIKEL 2
Judul : The Internet And DSS: Massive, Real-Time Data Availability Is
Changing The DSS Landscape
Penulis : James R. Marsden
Tahun : 2008

Abstrak
Salah satu komponen sistem pendukung keputusan yang penting adalah machine
learning/data mining. Metode pembelajaran mesin klasik secara implisit mengasumsikan
bahwa atribut instance di bawah klasifikasi tidak berubah untuk memperoleh klasifikasi positif.
Namun, dalam banyak situasi, contoh ini mewakili orang atau organisasi yang dapat secara
proaktif berusaha mengubah karakteristik mereka untuk mendapatkan klasifikasi positif. Kami
berpendapat bahwa mekanisme pembelajaran harus mempertimbangkan kemungkinan
pembelajaran strategis ini selama proses induksi. Kami menyebutnya pembelajaran strategis.
Dalam makalah ini kami mendefinisikan konsep ini, meringkas penelitian terkait, dan
menyajikan sejumlah bidang penelitian masa depan.
Introduction
Lingkungan yang sangat terkomputerisasi saat ini memungkinkan peneliti dan praktisi
untuk mengumpulkan dan menyimpan hampir semua jenis atau jumlah informasi dengan
mudah dalam bentuk elektronik. Akibatnya, sejumlah besar data dalam berbagai format
tersedia untuk dianalisis. Peningkatan ketersediaan dan kemudahan akses ke data ini
memungkinkan banyak perusahaan terus-menerus mencari cara untuk memanfaatkan koleksi
data mereka yang luas untuk menciptakan keunggulan kompetitif dan mengimbangi kebutuhan
pelanggan yang berubah dengan cepat. Permintaan yang kuat untuk memanfaatkan data yang
tersedia telah menciptakan minat baru-baru ini dalam menerapkan algoritme pembelajaran
mesin untuk menganalisis sejumlah besar data perusahaan dan ilmiah, sebuah praktik yang
biasa disebut penambangan data. Di sini kami menggunakan istilah penambangan data dan
pembelajaran mesin secara bergantian.
Baru-baru ini, sebuah paradigma baru telah berkembang yang kami yakini akan menjadi
area baru yang penting untuk penelitian dan praktik dalam penambangan data. Paradigma ini
mempertimbangkan tugas penambangan data tertentu yang melibatkan klasifikasi atas agen
cerdas. Kami menyebutnya konsep pembelajaran strategis. Metode penambangan data
tradisional menggunakan data pelatihan apa adanya tanpa mempertanyakan penggunaan fungsi
induksi di masa mendatang. Lebih khusus lagi, tidak satu pun dari algoritme ini
memperhitungkan kemungkinan bahwa setiap kasus yang diamati di masa depan mungkin
memiliki atribut yang sengaja dimodifikasi oleh sumbernya ketika sumber itu adalah manusia
atau kumpulan manusia. Mereka gagal mengantisipasi bahwa orang (dan kumpulan orang)
mungkin memainkan sistem dan mengubah atribut mereka untuk mencapai klasifikasi yang
diinginkan.
Data mining dan paradigma pembelajaran terawasi: pembelajaran strategis
Sebagai contoh pembelajaran strategis untuk masalah klasifikasi biner, pertimbangkan
skenario persetujuan kartu kredit di mana setiap contoh, x [ X, (yaitu, pemohon kredit)
dijelaskan oleh vektor atribut (seperti usia, status perkawinan, pemeriksaan saldo rekening,
jumlah kartu kredit yang ada, dll). w0 x sering disebut nilai kredit dan pemohon diberikan
kredit jika f xð w0 x b 0 Ada ratusan situs web yang dimaksudkan untuk membantu pemohon
meningkatkan nilai kredit mereka dengan menawarkan cara hukum untuk memanipulasi
informasi mereka sebelum aplikasi kredit.
Namun, jenis perilaku strategis ini biasanya diamati di banyak pengaturan dunia nyata,
seperti yang disarankan oleh contoh di atas. Dengan demikian, masuk akal untuk berpikir
bahwa individu atau perusahaan mungkin mencoba memainkan sistem klasifikasi.
Pembelajaran strategis bertujuan untuk mengembangkan model untuk jenis pengaturan
klasifikasi khusus ini di mana instance yang menjadi subjek klasifikasi diketahui sebagai unit
yang mementingkan diri sendiri, memaksimalkan utilitas, dan pengambilan keputusan yang
cerdas
Pembelajaran strategis: topik penelitian masa depan
Dengan segera, melonggarkan berbagai asumsi tersebut di atas membuka pintu bagi
gagasan dan pendekatan baru. Misalnya, jenis masalah pembelajaran strategis yang dibahas
dalam bab ini mengasumsikan bahwa satu-satunya biaya adalah biaya kesalahan klasifikasi dan
tidak ada biaya yang terkait dengan membuat agen positif sejati mengubah perilaku mereka.
Perpanjangan yang menarik dari pembelajaran strategis (Boylu et al. 2006)
mempertimbangkan kasus kasus ketika tidak realistis untuk membiarkan setiap atribut
dimodifikasi tanpa batas tanpa menimbulkan kendala pada seberapa banyak mereka benar-
benar dapat dimodifikasi. Dengan kata lain, agen dibatasi seberapa banyak dan dengan cara
apa mereka dapat memodifikasi atribut mereka. Untuk itu penulis melihat masalah kategorisasi
spam dimana spammer (agen negatif) hanya diperbolehkan melakukan modifikasi berupa
penambahan atau penghapusan kata dengan batas atas jumlah modifikasi yang diperbolehkan.
Pada dasarnya, mereka merumuskan masalah dengan hanya mengizinkan modifikasi biner,
yang merupakan kendala menarik pada perilaku agen.
Penelitian saat ini mengasumsikan bahwa prinsipal dan agen mengetahui parameter
masing-masing. Dengan kata lain, prinsipal mengetahui dengan baik tentang biaya dan masalah
yang dihadapi agen. Salah satu sudut yang paling menarik untuk penelitian masa depan akan
menghapus asumsi ini. Ini adalah masalah di mana para ekonom memfokuskan analisis mereka
tentang masalah prinsipal-agen (Laffont dan Martimort 2002)