Artikel

Pengaruh Business Intelligence terhadap Efisiensi

Operasional Bank dan Persepsi Profitabilitas
Md. Mominur Rahman

Departemen Administrasi Bisnis, Universitas Utara Bangladesh (NUB), Dhaka 1230, Bangladesh;
mominurcou@gmail.com

Abstrak:Tujuan dari penelitian ini adalah untuk menguji pengaruh business intelligence terhadap bank
efisiensi operasional dan persepsi profitabilitas. Studi ini didasarkan pada 259 tanggapan dari
27 cabang bank komersial, menggunakan teknik simple random sampling. Penelitian ini
menggunakan metode Partial Least Square-Structural Equation (PLS-SEM) untuk menguji
hipotesis.Studi ini memverifikasi reliabilitas konstruk dan validitas konstruk dari model pengukuran, dan
tes
kesesuaian model struktural. Studi ini menemukan bahwa intelijen bisnis berhubungan positif
dengan efisiensi operasional dan profitabilitas. Selanjutnya, penelitian ini mengungkapkan bahwa efisiensi operasional
melalui business intelligence berpengaruh positif terhadap profitabilitas bank. Berdasarkan teori kompetitif, ini
penelitian menyatakan bahwa intelijen bisnis memungkinkan entitas produktif menghasilkan margin yang unggul
dibandingkan dengan pesaing pasarnya. Dengan demikian, bank dapat menawarkan opsi yang lebih baik dengan lebih murah
daripada saingannya
dan dengan demikian memastikan keunggulan kompetitif. Selanjutnya, berdasarkan teori pandangan berbasis sumber daya, penelitian
berpendapat bahwa intelijen bisnis sebagai sumber daya strategis dapat memberikan landasan untuk mengembangkan bank
kemampuan yang dapat menghasilkan kinerja yang unggul dari waktu ke waktu. Oleh karena itu, penelitian ini menyiratkan bisnis
aplikasi intelijen di perusahaan perbankan dan membantu efektivitas pengambilan keputusan untuk
badan pengelola bank, akademisi, dan pembuat kebijakan.

Kata kunci:intelijen bisnis; efisiensi operasional; profitabilitas; tampilan berbasis sumber daya; kinerja bank

Kutipan:Rahman, M.M. Pengaruh Business Intelligence terhadap Efisiensi Operasional

wawasan yang bisamenghasilkan praktik manajemen yang
Bank dan
lebih cerdas dan keputusan bisnis [5–7]. Untuk itu,ada
Persepsi Profitabilitas.FinTech2023,2, 99–119. https://doi.org/ 10.3390/fintech2010008
beberapa cara organisasi perbankan dan keuangan
Editor Akademik: David Roubaud memanfaatkan BisnisIntelijen (BI) teknologi untuk
meningkatkan profitabilitas, mengurangi risiko, dan
Diterima: 20 Januari 2023
mendapatkan daya saingtepian. Kecerdasan bisnis
Revisi: 16 Februari 2023
memungkinkan bank bereaksi terhadap perubahan kondisi
Diterima: 20 Februari 2023
ekonomi di keduanyamasa ekonomi normal dan kacau [8].
Diterbitkan: 23 Februari 2023
Secara global, metode dan teknologi intelijen bisnis (BI)
membantu bank memperoleh keuntungan yang lebih
baikpemahaman tentang operasi mereka, klien mereka,
dan prospek mereka. Selain itu, BI bisamembuka jalan
Hak cipta:© 2023 oleh penulis. Penerima Lisensi MDPI, Basel, Swiss. Artikel ini adalah
artikel akses terbuka yang didistribusikan berdasarkan syarat dan ketentuan lisensi
untuk efisiensi dengan menyoroti area yang matang untuk
Creative Commons Attribution (CC BY) (https:// creativecommons.org/licenses/by/ inisiatif pemotongan biaya, barupeluang bisnis, dan lainnya.
4.0/). Kecerdasan bisnis perbankan membantu pengguna untuk
1. Perkenalan berintegrasiset sistem yang banyak dan berbeda untuk
Industri perbankan dan keuangan sedang mengalami menyajikan dasbor visualisasi data yang dinamis papan yang
transformasi sebagai akibat darikemajuan teknologi [1–3]. tidak akan mampu berkomunikasi lintas platform jika tidak
Lembaga keuangan sekarang menghadapi persaingan adaintelijen bisnis perbankan [9,10]. Standarisasi bahwa
yang semakin ketat,kebutuhan klien yang berkembang, dan informasi perbankan adalah raksasausaha yang
persyaratan untuk kontrol yang ketat dan manajemen risiko membutuhkan banyak pekerja untuk menghabiskan
di pasar yang sangat dinamis. Secara bersamaan, beberapa minggu setiap bulan untuk
teknologi telah memungkinkan pengembanganalat intelijen menyelesaikannya.Itulah keadaan saat ini bagi sebagian
bisnis yang canggih [4]. Ada teknologi yang perbankan besar bank yang mencoba menerapkan bisnis intelijen di
danindustri keuangan dapat memanfaatkan untuk perbankan. Pertimbangkan untuk memasang lapisan
mengeksploitasi data konsumen untuk mendapatkan perangkat lunak di atas semua yang berbeda itu
 FinTech2023,2, 99–119. https://doi.org/10.3390/fintech2010008 https://www.mdpi.com/journal/fintech
FinTech2023,2100

penyimpanan data layanan perbankan yang menghubungkan mereka semua dan memungkinkan pelaporan "langsung" dari
semua data di
waktu yang sama. Meskipun kedengarannya seperti obat yang paling sederhana, banyak pekerjaan yang harus dilakukan
dilakukan untuk membakukan data yang mendasarinya sebelum dapat digunakan secara efektif [6,11].
Bank tidak bisa begitu saja menambah pekerja untuk meningkatkan pendapatan [1,12–14]. Mereka
harus selalu mencari cara untuk meningkatkan efisiensi karyawan mereka saat ini. Bank
dapat memanfaatkan alat intelijen bisnis untuk memeriksa operasi operasional untuk membantu
meminimalkan biaya berkelanjutan dan/atau memaksimalkan sumber daya dan keahlian yang tersedia. Bank
dapat mengidentifikasi metode untuk meningkatkan dan meningkatkan pengalaman pelanggan pada titik-of
kontak dengan menilai kinerja pekerja cabang yang terlibat dengan pelanggan
basis. Bank menggunakan teknologi intelijen bisnis untuk memantau pelanggan, produk, dan
profitabilitas cabang [4,15,16]. Bank meningkatkan profitabilitas dan melacak peningkatan
melalui strategi penetapan harga yang efektif dan operasi bisnis yang efisien. Selain itu, bisnis
teknologi intelijen digunakan untuk analitik prediktif untuk menentukan pelanggan mana
mungkin tertarik untuk memperoleh barang apa, kapan, dan bagaimana (secara langsung, melalui web, atau
surat langsung) [5]. Bank dapat menggunakan data tambahan ini untuk mengembangkan barang baru dan yang
disempurnakan dan
layanan yang lebih memenuhi keinginan klien dan meningkatkan daya saing pasar mereka. Bersenjata
dengan profitabilitas dan data demografis pada rumah tangga pelanggannya, bank akan memiliki a
ide yang lebih baik tentang seperti apa prospek yang bagus dan akan dapat mempromosikan lebih banyak kepada
mereka
secara efektif. Upaya cross-selling dan up-selling bisa lebih berhasil jika bank mengetahui yang mana
pelanggan untuk menargetkan [3,17]. Selain itu, sistem intelijen bisnis dapat digunakan untuk menganalisis
perkembangan di luar bank untuk mengembangkan alternatif rencana investasi. Investor
dapat memperoleh wawasan khusus tentang sentimen dan membangun sinyal perdagangan dengan menganalisis
data
dari media sosial [18]. Melalui penggunaan analitik dan teknologi intelijen bisnis,
kategori investasi yang sama sekali baru sedang berkembang. Lembaga keuangan harus ramping
dan seefisien mungkin dalam industri yang sangat kompetitif saat ini. Dengan menganalisis operasional
proses dengan alat intelijen bisnis, bank dapat mengurangi biaya berkelanjutan dan memaksimalkan
sumber daya dan pengetahuan yang tersedia [19]. Organisasi dapat mengidentifikasi metode untuk meningkatkan
dan tingkatkan pengalaman pelanggan pada titik kontak dengan menilai kinerja
staf yang menghadapi pelanggan seperti perwakilan penjualan, teller, dan manajer akun.
Sejumlah kecil studi intelijen bisnis (BI) telah ditemukan diBangladesh [12,20–24].
Tumpa, Saifuzzaman [20] mempelajari BI yang mencakup sektor perawatan kesehatan
mental di Bangladesh; Arefin, Hoque [21] mempelajari budaya organisasi dan BI; Al-Hasan,
Selengkapnya [22] disajikan
Model BI untuk industri tekstil; babu [12] menyatakan tantangan kecerdasan buatan di
Bangladesh; Nahar, Naheen [23] mempelajari kecerdasan buatan dan survei api; Dan
Biswas, Rahman [24] menyatakan peran kecerdasan emosional. Namun, ada celah kembali
garding asosiasi intelijen bisnis dengan efisiensi operasional dan persepsi
profitabilitas bank di Bangladesh.
Selain itu, hanya sedikit studi tentang intelijen bisnis yang ditemukan di dunia internasional
sekutu [17,18,25–30]. Lim, Chen [18] mempelajari analitik dan operasi intelijen bisnis
tetapi tidak menghubungkan profitabilitas; Ranjan [25] menunjukkan hubungan antara BI dan keputusan strategis
pembuatan; Elbashir, Collier [17] menemukan kaitan antara BI dan kinerja bank; Sahay dan
Ranjan [26] mempelajari BI dan analitik rantai pasokan; Nofal dan Yusof [ 27] meneliti BI
dan perencanaan sumber daya perusahaan; I¸sik, Jones [28] menemukan kaitan BI dengan lingkungan
keputusan dan efisiensi operasional; Olszak [29] mempelajari penerapan BI dengan mengumpulkan
menggunakan data kualitatif; Yiu, Yeong [31] menghubungkan BI dan profitabilitas; dan Lawrence [30] ditemukan
keterkaitan BI dengan efisiensi operasional di rumah sakit. Dengan demikian, ada kesenjangan dalam asosiasi
tion BI dengan efisiensi operasional bank dan profitabilitas dalam intelijen bisnis
sastra internasional.
Studi ini menemukan kelangkaan studi intelijen bisnis di perusahaan perbankan di
baik secara nasional (Bangladesh) maupun internasional. Selanjutnya, Tumpa, Saifuzzaman [20],
Al-Hasan, Aktar[22], Biswas, Rahman [24], Lim, Chen [18], Elbashir, Collier [17], Ol
Besar [29], dan Lawrence [30] menyarankan studi lebih lanjut karena BI memiliki implikasi pada bisnis.
Di Bangladesh, perusahaan perbankan akan menerapkan BI untuk mencapai bisnis yang kuat
 bingkai. Dengan demikian, penelitian ini mengembangkan model penelitian (lihat Gambar1) yang menghubungkan
bisnis
,,

Al-Hasan, Aktar [22], Biswas, Rahman [24], Lim, Chen [18], Elbashir, Collier [17], Olszak [29], dan Lawrence [30]
menyarankan studi lebih lanjut karena BI memiliki implikasi pada bisnis. Di dalamFinTech2023,2101Bangladesh,
perusahaan perbankan akan menerapkan BI untuk mencapai bisnis yang kuat bingkai. Dengan demikian, penelitian ini
mengembangkan model penelitian (lihat Gambar 1) yang menghubungkan bisnis di dalamnya
kecerdasan dengan efisiensi operasional dan profitabilitas bank. Lebih khusus lagi, theintelijen dengan efisiensi
operasional dan profitabilitas bank. Lebih khusus lagi, the
studi mencari jawaban atas pertanyaan-pertanyaan berikut: “Apa dampak bisnis Intelli
studi mencari jawaban atas pertanyaan-pertanyaan berikut: “Apa dampak intelijen bisnis
gen pada efisiensi operasional bank?” dan “Apa dampak bisnis intel
pada efisiensi operasional bank?” dan “Apa dampak dari intelijen bisnis
kewajiban pada profitabilitas bank?” Dengan demikian, penelitian ini bertujuan untuk menguji pengaruh bus
pada profitabilitas bank?” Dengan demikian, penelitian ini bertujuan untuk menguji pengaruh bisnis
ness intelijen pada efisiensi operasional dan profitabilitas bank. Gambar 1 menunjukkanintelijen pada efisiensi
operasional dan profitabilitas bank. Angka1menunjukkan
model konseptual penelitian.
model konseptual penelitian.

Gambar 1.Model konseptual dengan hipotesis yang dikembangkan oleh penulis.

Gambar 1.Model konseptual dengan hipotesis yang dikembangkan oleh penulis.

Studi ini menggunakan 259 tanggapan dari manajer umum, pejabat senior, pejabat umum,
Studi ini menggunakan 259 tanggapan dari manajer umum, pejabat senior, pejabat umum,
dan karyawan dari 27 cabang bank komersial di Bangladesh, mempekerjakan sederhana
dan karyawan dari 27 cabang bank komersial di Bangladesh, mempekerjakan sederhanateknik sampling acak. Penelitian
ini menggunakan persamaan struktural kuadrat terkecil parsial
teknik sampling acak. Penelitian ini menggunakan persamaan struktural kuadrat terkecil parsial
metode pemodelan (PLS-SEM) untuk menguji hipotesis. Studi ini memverifikasi keandalan konstruk
metode pemodelan tion (PLS-SEM) untuk menguji hipotesis. Studi ini memverifikasi konstruk berdasarkan pemuatan
faktor, alfa Cronbach, nilai rho, dan reliabilitas komposit saat memverifikasi
reliabilitas dengan pemuatan faktor, alfa Cronbach, nilai rho dan reliabilitas komposit sementaravaliditas konstruk
dengan varians rata-rata yang diekstraksi dan kriteria Fornell-Larcker untuk
memverifikasi validitas konstruk dengan varians rata-rata yang diekstraksi dan kriteria Fornell-Larcker
model pengukuran. Kemudian, studi menguji kebugaran model struktural melalui
untuk model pengukuran. Kemudian, studi menguji kebugaran model strukturalf-kuadrat, R-kuadrat, akar standar
berarti residu kuadrat, dan indeks kecocokan bernorma
melalui f-square, R-square, standardized root mean square residual, dan normed fitmetode. Studi ini menemukan bahwa
kecerdasan bisnis secara positif signifikan dalam peningkatan
metode indeks. Studi ini menemukan bahwa kecerdasan bisnis secara positif signifikan dalam im
efisiensi operasional dan profitabilitas cabang. Lebih lanjut, penelitian ini mengungkapkan hal itu
membuktikan efisiensi operasional dan profitabilitas cabang. Selanjutnya, studiefisiensi operasional melalui
kecerdasan bisnis secara positif mempengaruhi profitabilitas
mengungkapkan bahwa efisiensi operasional melalui kecerdasan bisnis secara positif mempengaruhicabang-cabang.
Berdasarkan teori kompetitif, penelitian ini menyatakan bahwa intelijen bisnis
profitabilitas cabang. Berdasarkan teori persaingan, penelitian ini menyatakan bahwa bus
memungkinkan entitas produktif untuk menghasilkan margin yang unggul dibandingkan dengan pesaing
pasarnya.kecerdasan ness memungkinkan entitas produktif untuk menghasilkan margin superior dibandingkan
denganDengan demikian, bank dapat menawarkan opsi yang lebih baik dengan lebih murah daripada pesaing mereka
dan dengan demikian memastikan
saingan pasar. Dengan demikian, bank dapat menawarkan opsi yang lebih baik dengan lebih murah daripada
saingannya dankeunggulan kompetitif. Selanjutnya, berdasarkan teori pandangan berbasis sumber daya, penelitian
sehingga memastikan keunggulan kompetitif. Selanjutnya berdasarkan resource-based view tersebut
berpendapat bahwa intelijen bisnis sebagai sumber daya strategis dapat memberikan landasan untuk berkembang
ory, penelitian tersebut berpendapat bahwa intelijen bisnis sebagai sumber daya strategis dapat memberikan sebuah
temuan
kemampuan bank yang dapat menghasilkan kinerja yang unggul dari waktu ke waktu.
untuk mengembangkan kapabilitas bank yang dapat mengarah pada kinerja yang unggul dari waktu ke waktu.
Studi ini memberikan kontribusi setidaknya dalam empat hal. Pertama, penelitian ini menunjukkan positif dan
Studi ini memberikan kontribusi setidaknya dalam empat hal. Pertama, penelitian ini menunjukkan positif dan
hubungan yang signifikan antara kecerdasan bisnis dan efisiensi operasional di bank. hubungan yang signifikan antara
kecerdasan bisnis dan efisiensi operasional di bank.
Temuan ini unik dalam literatur nasional dan internasional. Dengan demikian, manajemen
Temuan ini unik dalam literatur nasional dan internasional. Dengan demikian, manajemen
badan dan pembuat kebijakan dapat mengimplementasikan temuan ini di perusahaan perbankan untuk meningkatkan
badan dan pembuat kebijakan dapat mengimplementasikan temuan ini di perusahaan perbankan untuk meningkatkan
efisiensi operasional. Temuan ini agak melengkapi Tumpa, Saifuzzaman [20],
efisiensi operasional. Temuan ini agak melengkapi Tumpa, Saifuzzaman
I¸sik, Jones [28], Olszak [29], dan Lawrence [30] yang membuat konsep BI dalam arah yang sama
[20], Işık, Jones [28], Olszak [29], dan Lawrence [30] yang mengonsepkan BI dengan cara yang sama
tion. Selanjutnya, penelitian ini menemukan bahwa intelijen bisnis secara signifikan meningkatkan
arah. Selain itu, studi ini menemukan bahwa intelijen bisnis meningkat secara signifikan
profitabilitas bank. Dengan demikian, temuan ini akan menciptakan wawasan bagi bank dan khususnya untuk
profitabilitas bank. Dengan demikian, temuan ini akan memberikan wawasan bagi perbankan dan khususnya
perusahaan perbankan. Temuan ini juga melengkapi Arefin, Hoque [ 21], Biswas,bagi perusahaan perbankan. Temuan
ini juga melengkapi Arefin, Hoque [21], Biswas,
Rahman [24], Rjan [25], Elbashir, Collier [17], dan Olszak [29]. Kedua, studi mempekerjakan
teori pandangan berbasis sumber daya intelijen bisnis untuk menjelaskan hubungan antara BI,
efisiensi operasional, dan profitabilitas bank. Dengan demikian, penelitian ini memiliki kontribusi teoritis
tion dalam hal ini. Ketiga, pemodelan persamaan struktural melalui teknik PLS, yaitu
menawarkan evaluasi kebugaran model untuk reliabilitas dan validitas masing-masing diuji
FinTech2023,2102

konstruk dan model keseluruhan, dipekerjakan untuk kontribusi metodologis. Dengan demikian,
temuan penelitian ini berasal dari model yang paling cocok dan membuat metodologi
kontribusi untuk penelitian sebelumnya [8,12,20,28,32–36].
Sisa makalah menyajikan tinjauan literatur dan pengembangan hipotesis di
Bagian2, metodologi penelitian di Bagian3, analisis dan hasil di Bagian4, Akhir dua
bagian mencakup diskusi dan kesimpulan, masing-masing.

2. Kajian Pustaka dan Pengembangan Hipotesis

2.1. Tampilan Berbasis Sumber Daya dari Kecerdasan Bisnis
Istilah “intelijen bisnis” (BI) telah berkembang dari waktu ke waktu, dari aslinya
definisi oleh Grup Garner pada pertengahan 1990-an, untuk memasukkan berbagai pendekatan,
alat, dan teknologi di bidang pengumpulan, analisis, dan pelaporan data [ 30]. Itu
tanggung jawab utama intelijen bisnis adalah memungkinkan organisasi menganalisis data
secara real-time untuk membantu pragmatisme dalam pengambilan keputusan strategis. Akibatnya, dengan
akses interaktif ke data real-time, ahli strategi sampai pada kesimpulan strategis yang terdidik
berdasarkan data saat ini dan sebelumnya [25]. Informasi ini dapat digunakan untuk rentang
tujuan, termasuk pemasaran, promosi penjualan, persyaratan bangunan di masa depan, dll. BI
adalah proses yang memanfaatkan berbagai macam alat dan aplikasi untuk mengubah data menjadi
informasi yang dapat digunakan, yang kemudian dapat diubah menjadi tindakan untuk mengaktifkan manajer kunci
membuat pilihan yang berpendidikan. BI dapat memberi bank keunggulan kompetitif. Menurut
ke Barney [37], teori keunggulan kompetitif berbasis sumber daya didasarkan pada
anggapan bahwa bank beragam dalam kepemilikan sumber daya strategis kritis dan
bahwa sumber daya tidak sepenuhnya dapat dipindahkan antar bank. Sumber daya bank didefinisikan sebagai
kekuatan yang dapat dimanfaatkan bisnis untuk merumuskan dan melaksanakan strategi mereka. Fisik
 sumber daya modal, sumber daya modal manusia, dan sumber daya modal organisasi adalah
klasifikasi sumber daya. Sumber daya modal fisik meliputi teknologi fisik, tanaman
dan peralatan, posisi geografis, dan akses ke bahan baku [ 37]. Modal manusia
sumber daya terdiri dari pendidikan, pengalaman, penilaian, kecerdasan, hubungan, dan
persepsi manajemen dan karyawan perusahaan. Sumber daya modal organisasi
terdiri dari struktur pelaporan formal, perencanaan informal dan formal, koordinasi, dan
mekanisme pengaturan, hubungan informal antar kelompok di dalam perusahaan, dan
agen lain di lingkungan perusahaan [37].
Untuk memahami mengapa bisnis tertentu lebih sukses daripada yang lain, ada baiknya
untuk melihat bagaimana masing-masing menggunakan sumber daya dan keterampilannya
untuk memenuhi permintaan pelanggannya.Menurut RBV, sumber daya perusahaan adalah
faktor terpenting dalam menentukan
kinerjanya, dan mereka bahkan dapat membantunya mempertahankan keunggulan di pasar [ 38]. Bank
mungkin tampil lebih baik jika sulit bagi mereka untuk meniru mereka yang sudah
sukses. Perusahaan mendapatkan keunggulan kompetitif melalui akumulasi sumber
daya dan kemampuan
kombinasi yang unik untuk mereka. Sistem BI menyertakan sejumlah fitur yang memungkinkan
mereka untuk mengumpulkan, menautkan, mengatur, dan menganalisis data dari banyak sumber, termasuk konsumen,
rantai pasokan, dan saingan, dan kemudian menyajikan informasi ini sebagai pengetahuan untuk manajerial
keputusan. Sistem BI memberi perusahaan informasi yang mereka butuhkan secara efektif
merencanakan dan mengkoordinasikan kegiatan manajemen mereka dalam menanggapi perubahan operasional
keadaan, kinerja pemasaran, dan variabel eksternal [17]. Bisnis dapat memperoleh
perspektif baru dan wawasan organisasi dari data manajemen mereka dengan bantuan
alat BI yang melampaui produksi laporan standar. Organisasi yang menempatkan BI
sistem yang digunakan dapat memperoleh akses ke pasar yang berharga dan data internal secara real time, menyediakan
keunggulan kompetitif yang dikompresi secara sementara dan bergantung pada rute [27].
Kemampuan perusahaan untuk mendapatkan keunggulan kompetitif tidak hanya bergantung pada kepemilikannya
sumber daya yang berharga, tidak biasa, unik, dan tidak tergantikan [39]. Namun, secara berurutan
untuk menjadi kompetitif, bisnis membutuhkan kemampuan untuk mengoordinasikan sumber daya mereka, mengemasnya
menjadi kemampuan, dan kemudian mengeksploitasi kemampuan tersebut untuk
memajukan tujuan mereka sendiri.40].Bank yang menggunakan sistem BI secara ekstensif
berada dalam posisi yang lebih baik untuk diterapkan secara strategis
sumber daya mereka, jadi menyinkronkan upaya manajemen mereka di seluruh fungsi organisasi
FinTech2023,2103

tions dan mengintegrasikan kapasitas operasional dengan pengetahuan manajerial akhirnya mengarah ke
kinerja yang lebih besar [41]. BI memungkinkan perusahaan untuk secara proaktif menyelidiki data tentang
operasi dan manajemen dalam upaya untuk meningkatkan produktivitas [42].
MejaA1menunjukkan ringkasan tinjauan literatur (Lihat LampiranA).

2.2. Kecerdasan Bisnis dan Efisiensi Operasional

Intelijen bisnis adalah seperangkat alat, teknologi, aplikasi, dan
prosedur untuk mengumpulkan, mengintegrasikan, mengatur, dan menganalisis data untuk menyediakan
wawasan yang dapat ditindaklanjuti [11,40]. Ini memberikan gambaran konsolidasi data perusahaan dan dapat
memberikan wawasan historis, sekarang, dan prediktif yang mengubah angka mentah menjadi tindakan
rencana. Dengan jumlah besar data yang dihasilkan oleh operasi perusahaan dan klien
interaksi, para ahli mungkin menjadi kewalahan dan bingung. Sebagai pemilik bisnis atau
operator, mereka sekarang harus lebih dari sebelumnya belajar bagaimana menguraikan dan mengontrol data tersebut
keuntungan bisnis mereka. Pengguna akhir bank dan organisasi jasa keuangan
dapat mengembangkan visualisasi data interaktif menggunakan SAAS (perangkat lunak sebagai layanan) dalam konteksnya
intelijen bisnis di perbankan [2]. Power BI, Tableau, Tibco Spotfire, dan Domo
beberapa solusi intelijen bisnis perbankan yang paling sering digunakan. Bisnis perbankan
aplikasi intelijen dapat divirtualisasi atau disesuaikan untuk dijalankan di server pribadi khusus
bank jasa keuangan dengan persyaratan keamanan data yang ketat [5,43].
Intelijen perusahaan adalah kumpulan konsep yang digunakan untuk mengoptimalkan kinerja bisnis
mance melalui penggunaan cerdas dari data yang dapat diakses [30]. Dalam intelijen bisnis, teknologi
digunakan untuk mengubah data yang diperoleh dari banyak sumber menjadi informasi yang relevan untuk digunakan
dalam bisnis. Pergeseran ini memfasilitasi pengambilan keputusan pada tingkat strategis. Dengan kata lain,
itu menjalankan bisnis menggunakan alat dan teknologi cerdas. Ada banyak
definisi intelijen bisnis, tetapi yang paling sederhana adalah menjalankan bisnis dengan incorpo
menilai kecerdasan eksternal [26,44]. Efisiensi operasional mengacu pada standar kerja
 dilakukan oleh organisasi dari awal sampai akhir. Ini mencakup semua proses
sistem.Kecerdasan bisnis adalah elemen yang berkontribusi pada efisiensi operasional
sistem
peningkatan [14,30,40]. Banyak organisasi meningkatkan efisiensi operasional mereka
melalui penggunaan intelijen bisnis [15]. Kita hidup di era yang digerakkan oleh data di mana
perusahaan menerapkan solusi mutakhir untuk memanfaatkan data ini sebaik-baiknya. Dengan
spektrum teknologi yang meluas sejauh ini, perusahaan harus beradaptasi dengan lingkungan
dan tetap di depan kurva [45]. Akibatnya, mereka bekerja keras membangun mutakhir
solusi intelijen bisnis. Solusi ini biasanya melibatkan perangkat lunak yang memungkinkan
penciptaan nilai dari data besar [43,46].
Setiap organisasi memiliki beberapa ukuran unik yang digunakan oleh intelijen bisnis
sistem untuk menganalisis data masa lalu dan saat ini untuk mendapatkan wawasan dan meramalkan
masa depan [22,44]. Peramalan ini memungkinkan bisnis untuk mengembangkan
strategi untuk digunakan di masa mendatang. Setiap hari, teknologi maju. Sangat
penting bagi organisasi untuk memantau perubahan ini
dan meningkatkan kemampuan teknologi mereka. Alhasil, bijak, efisien, dan efektif
sistem intelijen bisnis diperlukan untuk menghadapi keadaan saat ini. Ada
banyak cara di mana intelijen bisnis dapat menguntungkan bank [2,40]. Ini menganjurkan untuk
pembentukan kebijakan manajemen hubungan pelanggan yang kuat. Cara ini membuatnya
sederhana untuk menguraikan perilaku pelanggan dan kebiasaan pembelian. Hal ini memungkinkan CEO untuk
membuat
penilaian yang baik. Selain itu, intelijen bisnis membantu dalam identifikasi pengurangan biaya
prospek bisnis baru, dan mengidentifikasi area bisnis yang berkinerja buruk. Efisiensi di
operasi tidak datang dengan mudah [13,15]. Dibutuhkan tenaga kerja yang berkomitmen dan pemikiran yang matang
keluar rencana untuk mengidentifikasi kemacetan proses dan mempengaruhi semua tingkat bisnis. Bisnis
solusi cerdas memiliki dampak signifikan pada semua aspek utama bisnis, dan demikian juga
potensi untuk meningkatkan efisiensi operasional juga [3,4,47].
Menurut penelitian sistem dan teknologi bank baru-baru ini, banyak bank dan lainnya
lembaga keuangan di Amerika Serikat bisa mendapatkan keuntungan dari menginstal intelli bisnis
sistem gen [14,40]. “Bank bertujuan untuk memanfaatkan data tingkat pelanggan pada kepemilikan produk,
aktivitas saluran, dan profitabilitas untuk meningkatkan penargetan iklan online dan untuk
FinTech2023,2104

merampingkan dan mengotomatiskan aplikasi akun dan prosedur pendanaan”, Chandrasekhar

dan sonar [45] dinyatakan. Dengan menganalisis data organisasi dengan solusi intelijen bisnis
tion, bank dapat terus meningkatkan dan merampingkan efisiensi operasional, memungkinkan mereka untuk
tidak hanya memperkuat strategi penjualan dan pemasaran serta mengembangkan layanan pelanggan yang lebih baik
program, tetapi juga memitigasi risiko melalui pengembangan risiko yang lebih tepat
mekanisme mitigasi. Survei perbankan global yang dilakukan oleh KPMG menemukan peningkatan pada keduanya
volume dan nilai penipuan keuangan [17,19]. Ini telah meningkatkan pencegahan penipuan
dan deteksi ke bagian atas daftar prioritas setiap bank. Akibatnya, ketika serikat kredit
bank yang berlokasi di Kanada mendekati Rishabh Software untuk merancang penipuan yang komprehensif
sistem manajemen, mereka menyediakan platform intelijen bisnis pencegahan risiko yang
ditingkatkanmembentuk [15]. Ini memungkinkan klien untuk memproses 1 juta transaksi
per detik dengan absolut
presisi. Solusinya juga membuat pemrosesan pembayaran lebih mudah, mengingatkan bisnis untuk mengambil
tindakan sebelum sesuatu yang buruk terjadi, memantau transaksi dalam proses secara real-time, dan
memblokir kartu kredit palsu dan pembayaran secara real-time [6,11,43,45]. Studi ini mendalilkan
hipotesis alternatif berikut ini:
H1:Kecerdasan bisnis meningkatkan efisiensi operasional bank.

2.3. Business Intelligence dan Persepsi Profitabilitas Bank

Profitabilitas bank berfungsi sebagai indikator keberhasilan bank [10,40]. Dalam urutan
bagi sebuah bank untuk menghasilkan uang, ia harus menghasilkan lebih banyak uang daripada yang
dibelanjakannya. Sebagian besar bank
pendapatan berasal dari biaya layanan dan bunga yang dikumpulkan atas asetnya, keduanya
sumber keuntungan utama [2]. Adalah mungkin untuk mengukur keberhasilan sebuah bank dengan mengukurnya
efisiensi operasional, serta kemampuannya untuk mendiversifikasi pendapatannya melalui non-bunga
aktivitas pendapatan dan manajemen biaya, dengan menggunakan pengukuran berbasis
profitabilitas [15]. Ketika sistem perbankan menjadi lebih kompleks dan terintegrasi,
 begitu pula dengan berbagai risiko
variabel. Bank tentu harus memfokuskan upaya mereka untuk mengurangi penipuan sebagai perhatian utama. Dia
penting untuk mengawasi aktivitas yang tidak biasa pada rekening giro atau kartu kredit Anda
[9].Bahaya tuntutan hukum dan penggelapan dapat dikurangi dengan memantau aktivitas
karyawan
untuk transaksi, penarikan, pengeluaran, dan pinjaman yang tidak biasa. Melacak iuran yang lewat
dan pembayaran dapat mengungkapkan tren umum, seperti penurunan ekonomi. Mempertahankan
konsumen saat ini adalah strategi bisnis yang sangat menguntungkan dan tahan lama, membuat bisnis
alat intelijen salah satu aset paling berharga yang tersedia. Sebuah bank akan dapat memasarkan
produk dan layanan yang paling relevan dengan persyaratan dan preferensi konsumen jika
ia memiliki informasi terbaru tentang kliennya. Informasi dapat dikumpulkan oleh
bank untuk menentukan produk mana yang memerlukan perbaikan dan mana yang dapat dipensiunkan [2,10].
Industri perbankan dan keuangan telah ikut serta dalam kereta musik personalisasi
dengan cepat. Keunggulan kompetitif sangat penting karena ini. Personalisasi konsumen
interaksi menjadi mudah dengan alat intelijen bisnis dan data yang Anda miliki saat ini
[9,48].Tren pasar dapat dipantau untuk mengidentifikasi peluang investasi baru,
pelanggan
perilaku dapat diprediksi menggunakan analitik, dan produk dapat disesuaikan untuk memenuhi
tuntutan khusus dari setiap klien. Data manajemen hubungan pelanggan (CRM) dapat diungkapkan
profitabilitas operasi pemasaran [49]. Mengukur kinerja email, iklan
pengeluaran, dan keberhasilan kampanye secara keseluruhan dapat membantu bank mengidentifikasi area di mana
pesan beresonansi dengan pelanggan dan kemungkinan untuk meningkatkannya. Untuk
memperkirakan keberhasilan upaya cross-selling prospektif, sistem BI dapat digunakan untuk melakukan
analisis data menang-kalah [1]. Cross-selling produk asuransi adalah tujuan keuangan
perusahaan jasa di Asia. Untuk ini, mereka membutuhkan sistem pintar yang dapat menganalisis CRM
data, mendeteksi tren pelanggan, dan mengidentifikasi pelanggan yang kemungkinan besar akan berkonversi
berdasarkan
pembelian produk lain sebelumnya [16]. Kecerdasan bisnis yang dirancang pelanggan
dan meja dukungan analitik memfasilitasi pembuatan laporan analitik berbasis Excel dan
identifikasi calon pelanggan yang kemungkinan besar akan berkonversi berdasarkan pembelian mereka
perilaku dan profil [45]. Peningkatan pendapatan dan biaya yang lebih rendah untuk alat statistik yang mahal
dicapai dengan menggunakan metode ini [4].
FinTech2023,2105

Melacak aliran pendapatan individu menggunakan solusi BI membantu bank mengidentifikasi keuntungan
produk dan layanan dan yang tidak menguntungkan [24]. Namun, kelebihannya tidak
berakhir di sana. Lembaga keuangan juga dapat menggunakan sistem intelijen bisnis untuk menganalisis
sejumlah besar data klien untuk mempelajari lebih lanjut tentang perbankan pelanggan mereka
kebutuhan dan sikap, yang kemudian dapat mereka gunakan untuk meningkatkan
produk dan layanan mereka.50].Dengan menggunakan contoh, dapat diketahui bahwa
pelanggan mencari yang lebih efisien
metode pelacakan dan analisis pendapatan dan pengeluaran mereka. Pelanggan mungkin berharap
menerima lebih banyak peringatan tepat waktu dari institusi [ 6], atau mereka menginginkan aplikasi dan pendanaan
proses yang lebih sederhana dan tidak memakan waktu. Organisasi dapat memperoleh persaingan
tepi dengan menggunakan jenis informasi ini untuk menghasilkan barang keuangan baru dan ditingkatkan
dan layanan yang lebih memuaskan kebutuhan klien [27,29]. Penipuan kartu kredit adalah salah satu yang paling
banyak
jenis penipuan umum yang dapat dideteksi dan dicegah oleh bank karena kapasitasnya
untuk melacak transaksi klien. Memantau komunikasi internal dan perilaku perdagangan
membantu perusahaan mematuhi kerangka peraturan baru yang dihasilkan dari tahun 2008 keuangan
krisis dan kasus perdagangan orang dalam baru-baru ini [ 9,31,51]. Bank global mungkin bisa lebih baik
mengestimasi risiko kredit untuk rekanan di semua kelas aset jika data dari sebelumnya diisolasi
sistem dapat diakses. Manfaat mitigasi risiko lainnya dari BI adalah kemampuannya untuk secara akurat
memperkirakan risiko pinjaman klien berdasarkan parameter penting seperti pendapatan peminjam
kemampuan dan menyajikan aset keuangan, serta set data baru dan ekonomi saat ini
iklim [52]. Kasus kenakalan dapat dideteksi sejak dini dengan bantuan teknologi BI, dan
tindakan cepat dapat diambil untuk menghindarinya.
Menurut Acharya, Engle III [53], harga saham bank jatuh karena modal yang lebih tinggi
penyangga selama COVID-19. COVID-19 berdampak negatif terhadap profitabilitas bank
[54,55].Selama pandemi, operasional bank sangat terhambat akibat lockdown, dan
sehingga bank menjadi kurang efisien dalam beroperasi [56]. Pandemi COVID-19 dan globalnya
 efek pada hampir setiap sektor, termasuk sistem kesehatan, perdagangan internasional,
pasar modal dan keuangan, dan industri perbankan, merupakan fenomena yang belum
pernah terjadi sebelumnya.Boubaker, [57] memproyeksikan penurunan 3,1% dalam tingkat
pertumbuhan ekonomi global dan 8,2%
penurunan volume perdagangan global pada tahun 2020 akibat COVID-19. COVID-19 menciptakan luar biasa
guncangan di beberapa bidang, termasuk pasokan tenaga kerja, premi risiko ekuitas ekonomi
sektor, biaya manufaktur, permintaan konsumen, efisiensi bank, profitabilitas bank,
dan pengeluaran pemerintah [54–56,58].
Dimungkinkan untuk memvisualisasikan strategi pengalaman pelanggan melalui penggunaan BI dan
alat analitik di bidang keuangan [11,59]. Strategi seperti itu akan meningkatkan produk dan layanan yang ditargetkan
keburukan, menyesuaikan kampanye pemasaran, tetap di atas persaingan, dan sebagai
konsekuensinya,mendorong profitabilitas dengan pemrosesan data yang benar. Melacak
berbagai aliran pendapatan bisa
juga mengungkapkan item dan layanan mana yang tidak beresonansi dengan pelanggan dan mana yang lebih
menguntungkan bagi bisnis [7,10,60]. Layanan keuangan tradisional tetap penting, tetapi
sektor ini menghadapi tantangan yang signifikan karena perluasan data besar, lebih kompetitif
tion, dan meningkatkan ekspektasi digital klien di setiap area manajemen kekayaan. Dari
meningkatkan operasi internal dan transparansi untuk meningkatkan koneksi dan individual
penawaran layanan, aplikasi BI di bidang keuangan menawarkan sejumlah motivasi yang layak untuk masa depan
pengalaman digital dalam manajemen keuangan [8,25,26]. Studi ini mendalilkan sebagai berikut
hipotesis alternatif:
H2:Kecerdasan bisnis meningkatkan profitabilitas bank.

2.4. Efisiensi Operasional dan Persepsi Profitabilitas Bank

Setiap industri dapat memperoleh keuntungan dari data yang mudah dipahami dan diterapkan di dunia nyata
pengambilan keputusan [61]. Memahami sejumlah besar data yang tersedia di seluruh perbankan
dan industri keuangan bukanlah tugas kecil. Menyelesaikan tugas ini secara manual akan melelahkan,
menakutkan, dan memakan banyak waktu. Memperoleh gambaran lengkap tentang Anda
pelanggan dan bisnis bisa jadi sulit tidak peduli seberapa besar atau kecilnya perusahaan Anda
berapa banyak data yang tersebar di berbagai aplikasi dan layanan [62]. Data tunggal
agregat harus dimiliki untuk mendapatkan keuntungan dari metode intelijen bisnis. Sebagai
FinTech2023,2106

Akibatnya, organisasi beralih ke perangkat lunak untuk membantu mereka mengevaluasi dan mengambil nilai darinya
sejumlah besar data. Efektivitas organisasi internal bank sama pentingnya
keberhasilan perusahaan sebagai pengalaman yang dimiliki pelanggan dengan itu [ 5,18,21]. Untuk mengevaluasi
sumber daya, prosedur, dan staf bank, perangkat lunak intelijen bisnis menyediakan data
metode yang didukung. Untuk menghemat uang, meningkatkan layanan pelanggan, dan meningkatkan operasional
efisiensi, bank dapat menggunakan data bisnis.
Produksi data global sekarang melebihi 2,5 miliar gigabyte setiap hari [ 12]. Keuangan
lembaga dapat memperoleh keunggulan kompetitif dengan menggunakan data mereka [7,14,15,20,23]. Dia
juga memungkinkan untuk menyatukan data dari berbagai aplikasi menggunakan kecerdasan bisnis
alat, menciptakan satu sumber informasi yang dapat digunakan oleh semua orang di
bank. Persaingan, manajemen risiko, dan harapan klien yang berubah adalah beberapa
masalah
dihadapi oleh industri BFSI [29]. Untuk mendapatkan wawasan berharga dari data pelanggan, mereka
menggunakan teknologi BI. Membantu dalam analisis tren, menemukan pola, dan menyediakan
pelaporan real-time adalah beberapa fungsi dari alat ini. Mereka mungkin menggunakan BI
kemampuan beradaptasi dan transparansi untuk meningkatkan operasi dan keputusan keuangan mereka. Dalam urutan
agar tetap relevan dalam industri perbankan, penting bagi bank untuk berkembang bersama
kebutuhan pelanggan mereka [12,19,46]. Untuk memberikan wawasan yang bermakna, solusi BI menganalisis
dan menghubungkan pola pasar dengan data. Ini terdiri dari data tentang kebiasaan, keinginan,
dan preferensi pelanggan individu. Dengan mempermudah pengelolaan data, bank bisa
memberikan layanan keuangan yang lebih baik.
Volume throughput, waktu siklus pengiriman layanan, tingkat kesalahan, dan kepuasan pelanggan
survei faksi (CSAT) hanyalah beberapa metrik yang digunakan oleh intelijen bisnis di
industri jasa keuangan untuk mengawasi berbagai departemen dan pekerja [17]. Organ
perusahaan dapat memperoleh pemahaman yang lebih baik tentang operasi mereka dengan menggunakan data ini. Biarkan
saya memberi
Anda ilustrasi dari apa yang saya maksud. Kecerdasan bisnis bank digunakan untuk memahami
 apa yang diinginkan pelanggan, dan bagaimana personel mereka dapat menyediakan kebutuhan tersebut [14]. Jadi, bank
dapat memberikan tingkat layanan yang unggul kepada klien mereka. Pieket Weeserik dan Spruit [ 11]
berpendapat bahwa dengan menggunakan dashboard visual, bank dapat menyediakan layanan visualisasi data itu
membantu dalam membuat keputusan yang lebih baik berdasarkan informasi visual. Mereka membantu dalam melihat pola,
melacak tujuan perusahaan, dan membandingkan kinerja berbagai kategori-produk
dan layanan. Lembaga keuangan sekarang memiliki akses ke data real-time yang dapat ditindaklanjuti dalam berbagai
variasi
bidang seperti penjualan, penjualan silang, dan kepatuhan terhadap peraturan [ 9,60]. Penggunaan alat BI
memungkinkan lembaga keuangan untuk lebih memahami mengapa konsumen mereka meninggalkan mereka untuk mereka
pesaing. Apa yang diinginkan klien adalah cara yang lebih mudah untuk mengukur pendapatan dan pengeluaran. Dia
adalah mungkin untuk meningkatkan retensi dan loyalitas klien dengan improvisasi dan penyediaan yang lebih baik
produk dan layanan [22]. Segmentasi pelanggan, metode cross-selling dan upselling, dan
penelitian sentimen pelanggan semuanya berkontribusi pada pengalaman pelanggan yang
mulus. Di dalam
cara, profitabilitas bank dapat dipengaruhi oleh efisiensi operasional melalui BI
[15].Dimungkinkan untuk mengungkap pola perilaku konsumen dan hambatan
sistem potensial
melalui penggunaan business intelligence (BI) di sektor perbankan [ 45]. Teknologi ini
niques memberikan pengetahuan yang tepat tentang pemanfaatan sumber daya, kinerja teller, penggunaan counter,
dan waktu tunggu untuk menerima cuplikan janji temu secara real-time dengan visibilitas real-time
operasi. Untuk mencapai tujuan yang optimal, bank perlu menggunakan visual alat BI
sinyal [46]. Data dapat disaring berdasarkan berbagai kriteria seperti lokasi geografis,
cabang bank, penawaran produk atau layanan, dan jenis transaksi. Gagal beradaptasi
perubahan di pasar dan peraturan baru dapat berdampak negatif pada perusahaan
profitabilitas. Bank dapat menurunkan risiko kerugian dan risiko operasional dengan membentuk yang baru
sistem pelaporan risiko yang mencakup agregasi data, alur kerja/manajemen kualitas data,
dan penggunaan teknologi [3,5,40]. Perubahan organisasi membutuhkan teknologi baru untuk membantu
penyedia layanan keuangan menutup kesenjangan efisiensi sambil juga membantu dengan keputusan strategis
di pasar yang semakin kompetitif [16].
Uang tidak pernah mudah untuk ditangani, dan bahkan lebih sulit sekarang karena
penyedia jasa keuangan perlu mengkoordinasikan organisasi untuk menciptakan re
siliency dalam model bisnis mereka. Seseorang tidak dapat melakukannya sendiri; itu membutuhkan diminyaki dengan
baik
FinTech2023,2107

mesin [4,14]. Saat digunakan dengan dasbor KPI dan korelasi metrik, alat BI membuatnya
mungkin untuk pertukaran informasi transaksional sistem yang konstan antara pengguna, seperti
serta untuk berbagi data terpadu dan pelaporan manual otomatis [13]. Kemampuan untuk mengelola
kinerja adalah manfaat alat BI yang terkenal. Setiap aspek kesuksesan perusahaan
Anda,termasuk prosedur operasional, produktivitas tim, pola manajemen pelanggan,
teknologi
efisiensi nologis, dan seterusnya, mungkin dihitung dalam satu skor dengan data yang Anda simpan
sistem Anda. Hal ini memungkinkan untuk menilai kesehatan keseluruhan organisasi dan
efisiensi setiap prosedur operasional [5]. Dunia yang terhubung dan disesuaikan telah dibuat
manajemen uang komoditas. Sangat penting untuk menganalisis luas dengan cepat dan akurat
jumlah data yang dihasilkan oleh layanan BFSI (perbankan, layanan keuangan, dan asuransi)
[14].Sosok nyata dapat menilai di mana bisnis berada, menemukan pendorong dan
pengembangan nilai
prospek, dan kemudian memantau KPI keuangan/non-keuangan terhadapnya. Potensi BI
teknologi adalah data sesuai permintaan. Penanganan data real-time disederhanakan dan dipercepat
solusi BI yang diimplementasikan dengan baik [2,22]. Analisis investasi dan profitabilitas di seluruh
dimensi yang berbeda dari bisnis keuangan (produk, pelanggan, layanan, dan saluran)
dapat digunakan untuk lebih menyusun strategi penilaian atau optimalisasi pertumbuhan [ 11,18]. Sebagai akibat,
lembaga keuangan sekarang memiliki bukti kuat untuk mendukung strategi masuk ke pasar di masa depan dan
peningkatan layanan keuangan secara umum [1,3,5,31,61,63]. Studi ini mendalilkan sebagai berikut
hipotesis alternatif:
H3:Efisiensi operasional meningkatkan profitabilitas bank.
Studi ini meninjau studi yang ada dan mengembangkan TabelA1(Lihat LampiranA).

3. Metodologi Penelitian
 Sampel penelitian terdiri dari 27 cabang dari 38 cabang komersial
perbankan di Bangladesh. Rambut, Hult [64] menyatakan bahwa metode pengambilan sampel acak sederhana memastikan
pemilihan sampel yang tidak bias. Oleh karena itu, penelitian ini menggunakan simple random sampling
dalam memilih semua cabang. Generator angka acak (https://www.random.org/diakses
pada 2 Januari 2022) telah digunakan untuk memastikan pemilihan cabang secara acak. Para
peneliti mengumpulkan nomor kontak dari situs web bank
(https://www.sonalibank.com.bd/diakses pada 25 November 2021) dan dikomunikasikan
melalui perangkat seluler
telepon. Sedangkan 32 cabang yang setuju untuk ikut dalam penelitian akhirnya hanya 27 cabang
memberi kami garis waktu yang tepat untuk melanjutkannya. Sebagai Alvarez, Núñez-Cortés [65] berdebat
bahwa sampel 10% sesuai untuk analisis PLS-SEM, kami mencapai kisaran 71%
(27/38). Kami menyebarkan 10 kuesioner yang ditujukan untuk manajer (1), pejabat senior (3), jenderal
petugas (3), dan karyawan (3). Dengan demikian, total responden harus 270 (27×10) tetapi
kami menemukan 7 kuesioner kosong dan 4 kuesioner sebagian lengkap. Studi ini menggunakan 259 (270−11)
tanggapan dalam analisis utama di mana tingkat tanggapan adalah 96% (259/270).
Studi ini mengikuti survei berbasis web untuk mendistribusikan kuesioner ke bank
cabang sebagai Dillman, Smyth [41] menyatakan bahwa metode ini memungkinkan pengumpulan data dari a
sampel besar di area yang tersebar dengan biaya yang relatif lebih rendah tetapi kecepatan lebih tinggi. Itu
studi menerapkan pedoman survei web dan seluler dari Dillman, Smyth [ 41] untuk merancang
dan melaksanakan survei. Kami menggunakan skala Likert tujuh poin yang berkisar dari tujuh untuk
“sangat setuju” hingga satu untuk “sangat tidak setuju”. Untuk tujuan administrasi,
studimengadopsi metode pretesting dari Mokhtar, Jusoh [66]. Kami melakukan pretest
kuesioner dengan
dua dosen akuntansi dan dua akuntan biaya dan manajemen. Kemudian, kami merevisi
kuesioner sesuai input pretesting. Kami selanjutnya memodifikasi kuesioner sementara
mengemudikan mereka dengan sepuluh akuntan praktik yang dikenal. Penelitian mengikuti penelitian
etika dan pedoman sesuai dewan peninjau kelembagaan. Profil responden
dan bank ditunjukkan pada Tabel1.
FinTech2023,2108

Tabel 1.Profil bank dan responden.

Kategori Variasi Frek. %

Profil Peserta (Total 259 Responden)
Pria 168 64%
Jenis kelamin Penamaan
Perempuan 91 36%Jumlah 259 100%
Kurang dari 30 tahun 83 32% 30–45 tahun 148 57% Lebih dari 45
tahun 28 11%Jumlah 259 100%
Usia General Manager 25 10% Senior Officer 74 29% General Officer 81
31% Karyawan 79 30%Jumlah 259 100%
Profil Bank (Total 27 Cabang)
Kurang dari 10 tahun 6 22%
Tahun beroperasi (Usia Bank) (Ukuran Bank)
10–20 tahun 13 48% Lebih dari 20 tahun 8 30%Jumlah 27 100%
Kurang dari 25 7 26% 25–40 9 33% Lebih dari 40 11 41%Jumlah 27
100%
Jumlah Karyawan
Sumber: Perhitungan penulis berdasarkan data yang dikumpulkan.

Ada dua bagian instrumen survei. Profil bank dan pesertatercakup dalam bagian
satu dan bagian dua mencakup pernyataan intelijen bisnis, efisiensi operasional, dan
profitabilitas bank. Studi ini mengadopsi tiga item dari Nithyadan Kiruthika [ 6], dua item dari
Lim, Chen [18], dan tiga item dari Ranjan [25] hal Andayakin variabel intelijen bisnis (BI).
Kemudian untuk mengukur efisiensi operasional bank (OE), penelitian mengadopsi tiga item
dari Lim, Chen [18], tiga item dari I¸sık, Jones [ 28], dan satu item dari Olszak [ 29].
Terakhir, mengadopsi dua item dari Nithya dan Melarikan diri [6], satu item dari Richards,
Yeoh [63], dua item dari Yiu, Yeung [31], dua itemdari Owusu [51], dan dua item dari
Bordeleau, Mosconi [16], kami mengukur Profitabilitas (BP). Studi ini mempertimbangkan dua
variabel kontrol ukuran cabang (jumlah karyawan) dan umur cabang (tahun operasi) karena
studi sebelumnya berpendapat bahwa ukuran bank dan umur bank mungkinmempengaruhi
hubungan profitabilitas, efisiensi operasional, dan intelijen bisnis.
Penelitian ini menggunakan model persamaan struktural kuadrat terkecil parsial (PLS-
SEM) untuk menguji hubungan model penelitian. Menurut Hair, Matthews [67], Sarstedt,
 Rambut [68], DanShmueli, Sarstedt [69], disarankan untuk menggunakan PLS-SEM karena
paling cocokuntuk menguji hipotesis dan cukup maju untuk menguji teori serta kriteria
kesesuaian, dan karena itu juga kompeten dalam menguji hubungan antara beberapa
variabel laten secara bersamaan. PLS-SEM adalah pilihan yang sangat baik untuk
menganalisisdata dari penelitian ini karena kami membangun model konseptual (lihat
Gambar1) yang terdiri dari beberapa variabel untuk menguji beberapa asosiasi,
menjadikannya cocok untuk data. Beberapa aspek reliabilitas dan validitas model,
termasuk validitas konvergendan validitas diskriminan, bias non-respons dan bias
metode umum, kebaikankecocokan, kinerja model dan pengujian hipotesis, serta
pemeriksaan ketahanan, telah dilakukandibahas lebih mendalam pada bagian analisis.

4. Analisis dan Hasil

4.1. Model Pengukuran
Meja1mewakili profil bank dan peserta. Profil bank mencakup keduanya usia bank dan
ukuran bank sedangkan profil peserta menunjukkan jenis kelamin, usia, dan penunjukan.
Dari responden yang mengisi kuesioner dan menunjukkan ketertarikan pada tujuan
penelitian, 64% adalah laki-laki, dan 36% adalah perempuan. Dalam hal tingkat usia,
32% dari
FinTech2023,2109

peserta berusia kurang dari 30 tahun, 57% peserta berusia 30-45 tahun, dan 11% dari
peserta berusia lebih dari 45 tahun. Dengan demikian, terlihat bahwa sebagian besar peserta
berusia 30-45 tahun, dan kelompok terbesar berikutnya berusia di bawah 30 tahun.
BuluLebih lanjut, responden ditanya tentang posisi mereka di bank. 10% responden
adalah manajer umum, 29% adalah pejabat senior, 31% adalah pejabat umum, dan 30% adalah
karyawan. Dalam hal profil bank, 22% bank berusia kurang dari 10 tahun, 48% berusia
berusia 10–20 tahun, dan 30% berusia lebih dari 20 tahun. Selanjutnya, 26% dari bank memiliki
kurang dari 25 karyawan, 33% memiliki 25–40 karyawan, dan 41% memiliki lebih dari 40
karyawan.Untuk menguji reliabilitas dan validitas konstruk, peneliti melakukan
analisis model pengukuran disajikan pada Tabel2. Meja2menunjukkan konstruksi laten dan
item pengukuran mereka. Analisis model pengukuran meliputi rata-rata, standar
deviasi (SD), pemuatan faktor (FL), alfa Cronbach (A), nilai-rho, keandalan komposit
(CR), dan varians rata-rata diekstrak (AVE). Menurut Tabel2, alfa Cronbach
untuk setiap konstruk lebih besar dari 0,80, seperti Hair, Hult [64] disarankan untuk memastikan keandalan
dan konsistensi internal dari konstruksi. Selanjutnya, mengikuti saran dari
Rambut, Hult [64], Shmueli, Sarstedt [69], dan Sarstedt, Ringle [70], para peneliti melaporkan
nilai rho yang lebih besar dari 0,81 untuk setiap konstruk. Konsistensi internal dari
skala pengukuran melalui composite reliability (CR) juga telah diuji. Nilai CR
masing-masing skala adalah 0,865 untuk BI, 0,885 untuk OE, dan 0,913 untuk BP, seperti Hair, Hult [64] dan Shmueli,
Sarstedt [69] disarankan.

Meja 2.Variabel laten dan pernyataan pengukuran.

Kode Konstruksi dan Item Berarti SD FL *Aya CR AVE

BI Business Intelligence 4.418 1.035 0.82 0.82 0.87 0.55“Bank kami secara efektif menggunakan spreadsheet sebagai a
BI1 memanipulasi bankdata" 4.220 1.319 0.839
intelijen bisnis untuk memodelkan dan

BI2“Bank kami secara visual menarik secara grafis

representasi untuk mendapatkan wawasan dengan cepat.4.831 1.271 0.932
BI3“Bank kami menggunakan platform online untuk berkomunikasi
klien”4.198 1.014 0.844
BI4“Bank kami menggunakan dasbor metrik cepat
dirancang untuk mendukung keputusan yang lebih baik”3.401 1.782 0.632
BI5“Bank kami menyimpan data semua departemen dalam satu data
gudang"5.108 1.281 0.732
BI6“Bank kami menggunakan big data secara strategis dan taktis
 proses pengambilan keputusan”4,403 1,294 0,742
BI7“Bank kami menggunakan intelijen bisnis untuk sebuah
kueri analitis dari data yang disiapkan ”4.173 1.290 0.848
“Bank kami menggunakan intelijen bisnis untuk menyiapkan kunci
BI8

indikator kinerja kepada klien”5.319 1.371 0.826

Efisiensi Operasional OE 5.502 1.189 0.85 0.87 0.89 0.53 OE1“Bank kami menyederhanakan operasi melalui bisnis

alat intelijen”4.948 1.014 0.758

OE2“Bank kami meningkatkan konsistensi proses dengan
alat intelijen bisnis”4,482 1,734 0,812
OE3“Bank kami menjamin tepat waktu, akurat, dan relevan
informasi pengguna dengan alat intelijen bisnis”5.264 1.290 0.825
OE4“Bank kami menjamin kepuasan nasabah melalui
fungsi operasional yang efisien”4,037 1,017 0,738
“Bank kami menyediakan layanan yang aman berdasarkan bisnis
OE5

intelijen"5.129 1.873 0.794

OE6 “Bank kami menjalankan fungsi dengan biaya lebih rendah” 4,672 1,701 0,863
OE7 “Bank kami menjalankan fungsi dengan pengurangan risiko” 5.112 1.939 0.882
Profitabilitas BP Bank 5.016 1.004 0.86 0.86 0.91 0.70BP1“Bank kami menghasilkan lebih banyak keuntungan setelah mengadopsi

intelijen bisnis”4.839 1.187 0.803

FinTech2023,2110

Meja 2.Lanjutan

“Bank kami menghasilkan lebih banyak margin pelanggan melalui

Kode Konstruksi dan Item Berarti SD FL *Aya CR AVEBP2

strategi penjualan silang intelijen bisnis”5.851 1.871 0.684

BP3“Bank kita meningkatkan net interest margin melalui
adopsi intelijen bisnis”5.382 1.193 0.739
BP4“Bank kami meningkatkan pengembalian aset melalui
adopsi intelijen bisnis”5.041 1.173 0.918
BP5“Bank kami meningkatkan laba atas investasi melalui
adopsi intelijen bisnis”4,582 1,276 0,832
BP6“Bank kami menjamin potensi profitabilitas dengan
meningkatkan kemampuan analitik data”4,423 1,103 0,851
BP7“Bank kami meningkatkan laba atas ekuitas melalui
adopsi intelijen bisnis”5.146 1.126 0.943
BP8“Bank kami meningkatkan profitabilitas melalui pengurangan
kegiatan penipuan”4,605 1,869 0,674
BP9“Bank kami meningkatkan penjualan melalui bisnis
adopsi intelijen”4.582 1.158 0.814
Keterangan: SD = standar deviasi, FL = factor loading, * Semua indikator signifikan padaP< 0,01. Sumber: Dikembangkan
oleh penulis berdasarkan keluaran Smart PLS.

Menurut Saunders, Lewis [71] dan Sarstedt, Ringle [72], varians rata-rata diekstrak
(AVE) adalah ukuran variasi yang dikumpulkan oleh konstruk dibandingkan dengan varians
disebabkan oleh kesalahan pengukuran. Sebagai aturan umum, dan untuk memastikan sesuai
konvergensi, AVE minimal 0,50 sangat disarankan [64,71,72]. Menurut Rambut,
Hult [64], AVE kurang dari 0,50 menunjukkan bahwa item survei memperhitungkan lebih banyak kesalahan
dari varians dalam komponen survei. Untuk setiap konstruk dalam model pengukuran apa
 pun,AVE harus ditentukan dan minimal harus 0,50 [64,69]. Dalam kasus penelitian ini,
Nilai AVE untuk semua konstruksi lebih besar dari 0,50 (lihat Tabel2).
Nilai factor loading tiap item lebih besar dari 0,70 kecuali BI4 (0,63),
BP2 (0,68), dan BP8 (0,67). Sarstedt, Ringle [72] berpendapat bahwa pemuatan faktor lebih besar dari
0,70 dapat diterima untuk estimasi SEM sementara Hair, Hult [64] disarankan untuk tidak mengambil nilai
kurang dari 0,60 untuk pemuatan faktor item pengukuran untuk analisis jalur. Sebagai studi
mencapai nilai yang lebih baik di CR, AVE,A, dan nilai rho, dan lebih dari 0,60 untuk faktor tersebut
memuat, BI4, BP2, dan BP8 tidak dihapus dari pernyataan penelitian.
Shmueli, Sarstedt [69] mendefinisikan validitas diskriminan sebagai perbedaan statistik
antara dua variabel laten yang mewakili konsepsi teoretis yang berbeda, dan itu diperlukan
dalam analisis jalur PLS-SEM. Menurut Tabel3Dan4, validitas diskriminan telah
ditetapkan sebagai kriteria Fornell-Larcker, Rasio heterotrait-monotrait (HTMT), dan
persilanganmuatan memenuhi nilai ambang batas. Menurut Fornell dan Larcker [ 73],
kuadrat
korelasi dari konstruksi laten harus antara akar kuadrat dari AVE, dan ini
studi memenuhi kriteria juga (lihat Tabel3). Shmueli, Sarstedt [69] dan Rambut, Hult [64]
berpendapat bahwa HTMT adalah ukuran seberapa mirip dua variabel laten. Untuk menunjukkan
validitas diskriminan, HTMT harus jelas kurang dari satu. Dalam kasus penelitian ini,
Nilai HTTP kurang dari 1; dengan demikian, validitas diskriminan telah ditetapkan.

Tabel 3.Validitas diskriminan dengan HTMT.

BI OE BP
dengan 0,7420,541 0,440
APAKAH KAMU0,4030,7280,563
BP0,528 0,4620,836
Nilai diagonal: “Akar kuadrat dari AVE”. Di bawah diagonal: Matriks korelasi. Di atas
diagonal: Nilai HTTP.
Sumber: Dikembangkan sendiri berdasarkan output PLS.
FinTech2023,2111

Tabel 4.Pemuatan silang.

BI OE BP
BI10,8390,371 0,217
BI20,9320,469 0,362
BI30,8440,418 0,316
BI40,6320,416 0,303
BI50,7320,311 0,167
BI60,7420,429 0,250
BI70,8480,370 0,278
BI80,8260,417 0,278
OE10,3670,7580,382
OE20,2750,8120,386
OE30,4610,8250,324
OE40,3820,7380,276
OE50,2230,7940,425
OE60,2680,8630,424
OE70,2190,8820,461
BP10,204 0,2170,803
BP20,417 0,2760,684
BP30,273 0,3050,739
BP40,312 0,2310,918
BP50,427 0,4120,832
BP60,276 0,3800,851
BP70,317 0,4230,943
BP80,206 0,4270,674
BP90,349 0,3220,814
Sumber: Penulis membangun berdasarkan keluaran PLS.

4.2. Ukuran Kebugaran Model

Para peneliti memeriksa kebugaran model melalui f kuadrat, R kuadrat, R disesuaikan
kuadrat, sisa kuadrat rata-rata akar standar (SRMR), indeks ft bernorma (NFI), dan akar
mean square error of approximation (RMSEA). Sarstedt, Ringle [72] menyatakan bahwa f-kuadrat
 varians terukur cukup menjelaskan setiap variabel independen dalam persamaan. Itu
ukuran efek f-kuadrat harus lebih dari 0,35, menunjukkan efek yang lebih besar. Dalam kasus
penelitian ini, nilai f kuadrat lebih besar atau sama dengan 0,40 (lihat Tabel5), menunjukkan bahwa
variabel eksogen menjelaskan variabel endogen dengan pengaruh yang lebih besar. Mengikuti
pelajaran sebelumnya [64,69,74], good-of-fit model jalur diukur menggunakan Rnilai
kuadrat. R-kuadrat adalah ukuran statistik seberapa dekat data dengan garis jalur
yang telah dipasang ke kumpulan data [69]. Dalam model jalur, statistik R-kuadrat mencerminkan caranya
banyak varian dalam variabel dependen dapat dijelaskan oleh variabel independen [64].Nilai
R kuadrat harus mendekati 1 [64,69]. Menurut Hair, Hult [64], nilai dari
setidaknya 0,25 untuk R-kuadrat harus ditemukan untuk model jalur untuk menjelaskan pengaruh dari
variabel eksogen. Dalam kasus penelitian ini, nilai R square adalah 0,624 (menunjukkan
hubungan antara BI dan OE) dan 0,772 (mewakili hubungan BP melalui
BI dan OE). Shmueli, Sarstedt69] nyatakan bahwa R-kuadrat harus disesuaikan saat menggunakan a
model regresi dengan variabel bebas berganda. Mempertimbangkan konsep Shmueli,
Sarstedt [69], para peneliti melaporkan R-kuadrat yang disesuaikan juga di Tabel5.

Tabel 5.Ukuran kesesuaian model.

Variabel f Kuadrat R Kuadrat Adj. R Square SRMR NFI RMSEA

DENGAN
ANDA 0,531 0,624 0,609 0,045 0,93 0,049
BP 0,428–0,583 0,772 0,764 0,045 0,93 0,049
Sumber: Dikembangkan sendiri berdasarkan output PLS.
FinTech2023,2112

Selanjutnya peneliti merepresentasikan nilai SRMR, NFI, dan RMSEA sebagai

studi sebelumnya [36,64,69,72,74] pelaporan yang disarankan. Menurut Hair, Hult [ 64],
Shmueli,Sarstedt [69], dan Sarstedt, Ringle [72], nilai ambang SRMR harus kurang dari
0,08, RMSEA harus lebih kecil dari 0,06, dan NFI harus lebih besar dari 0,80. Berdasarkan
Meja5, nilai SRMR dibawah 0.05, dan nilai RMSEA dibawah 0.06, dan
Nilai NFI di atas 0,80. Dengan demikian, modelnya paling pas.

4.3. Pengujian Hipotesis

Meja6dan Gambar2mewakili analisis jalur dan keluaran model struktur, masing-masing
secara aktif. Studi ini menemukan bahwa business intelligence (BI) berpengaruh positif terhadap operasional
efisiensi (OE) bank yang signifikan pada tingkat signifikansi kurang dari 0,001. Koefisien
beta dari BI dan OE (BI→OE) hubungan adalah 0,374, danT-nilai
adalah 15.165. Dengan demikian, Hipotesis 1 (H1) didukung. Hal ini menunjukkan bahwa ketika praktik
intelijen bisnis meningkat di bank, efisiensi operasional bank ditingkatkan.Dengan
demikian, bank dapat meningkatkan efisiensi operasionalnya sebesar 0,374% melalui
peningkatan
intelijen bisnis sebesar 1%.

Tabel 6.Analisis jalur.

Koefisien Relasi. (B)T-NilaiP-Nilai Keputusan VIF

Efek langsung
DENGAN→OE 0,374 15,165 0,000 *** 1,114 H1 didukung
DENGAN→BP 0,369 12,486 0,000 *** 1,217 H2 didukung
APAKAH KAMU→BP 0,521 27,328 0,000 *** 1,125 H3 didukung
Efek Mediasi
DENGAN→APAKAH KAMU→BP 0,133 3,127 0,023 ** 1,211Mediasi Parsial
*** signifikan pada <1% dan ** signifikan pada <5%. Sumber: Keluaran Smart-PLS.

Dalam kasus hubungan antara business intelligence (BI) dan profitabilitas bank
(BP) (BI→BP), koefisien beta adalah 0,369, termasuk aT-nilai 12,486, yang juga
signifikan positif pada tingkat signifikansi kurang dari 0,001 (lihat Tabel6). Ini menunjukkan
bahwa semakin besar penerapan business intelligence di bank, semakin tinggi profitabilitasnya
bank. Dengan demikian, Hipotesis 2 (H2) didukung. Oleh karena itu, dapat dikatakan bahwa bank
profitabilitas dapat ditingkatkan dengan meningkatkan penerapan business intelligence di
perbankan.Terakhir, studi ini menguji apakah efisiensi operasional bank
mempengaruhi bank
 profitabilitas. Koefisien beta hubungan (OE→BP) antara OE dan BP adalah 0,521,denganT-
nilai sebesar 27,328 yang juga signifikan positif pada tingkat signifikansi kurang
dari 0,001 (lihat Tabel6). Dengan demikian, Hipotesis 3 (H3) juga didukung. Nilai VIF adalah
di bawah nilai ambang 3,3 menunjukkan bahwa masalah multikolinieritas tidak ada di
model jalur [64]. Penelitian ini menggunakan ukuran cabang dan umur cabang sebagai variabel kontrol
dapat mempengaruhi hubungan profitabilitas, efisiensi operasional, dan intelijen
bisnis.Angka2menunjukkan bahwa ukuran cabang dan umur cabang tidak signifikan
sepanjang tahun
hubungan struktural.
Selanjutnya, temuan penelitian menunjukkan bahwa efisiensi operasional (OE) par
memediasi hubungan antara business intelligence (BI) dan profitabilitas bank
(BP). Artinya pengaruh BI terhadap BP tidak sepenuhnya langsung tetapi juga sebagian ex
Hal ini terlihat dari perbaikan OE akibat penerapan BI. Dengan kata lain, kapan
bank meningkatkan praktik BI mereka, tidak hanya secara langsung meningkatkan profitabilitas mereka tetapi juga
secara tidak langsung meningkatkannya melalui peningkatan efisiensi operasional. Temuan ini menyoroti
pentingnya efisiensi operasional sebagai mediator antara BI dan BP dan menyarankan
bahwa bank harus fokus pada BI dan OE untuk meningkatkan profitabilitas mereka. Secara keseluruhan,
temuan studi menunjukkan bahwa intelijen bisnis dapat secara positif memengaruhi operasional bank
efisiensi dan profitabilitas, dan efek ini sebagian dapat dijelaskan oleh mediasi
peran efisiensi operasional.
FinTech2023,2, UNTUK PEER REVIEW 15

FinTech2023,2113DENGAN→APAKAH KAMU→BP 0,133 3,127 0,023 ** 1,211 Mediasi Parsial

*** signifikan pada < 1% dan ** signifikan pada < 5%. Sumber: Keluaran Smart-PLS.

Gambar 2.Perhitungan penulis.

Gambar 2.Perhitungan penulis.

5. Diskusi
Dalam hal hubungan antara business intelligence (BI) dan profit bank
Studi ini menemukan bahwa penerapan business intelligence meningkatkan operasional
Bility (BP) (BI→BP), koefisien beta adalah 0,369, termasuk aT-nilai 12,486, yaitu
efisiensi bank, menunjukkan bahwa peningkatan 1% dalam implementasi intelijen bisnis
 juga positif signifikan pada tingkat signifikansi kurang dari 0,001 (lihat Tabel 6). indi ini
meningkatkan efisiensi operasional bank sebesar 0,374%. Analisis data di tingkat lokal adalah
menunjukkan bahwa semakin besar penerapan business intelligence di bank, semakin tinggi prof
secara substansial difasilitasi oleh intelijen bisnis, yang menjamin tingkat akurasi yang tinggi [22].
itabilitas bank. Dengan demikian, Hipotesis 2 (H2) didukung. Oleh karena itu, dapat dikatakan demikian
Arus kas setiap cabang, komposisi personel, dan kebutuhan mendesak dapat dinilai dengan cepat
profitabilitas bank dapat ditingkatkan dengan meningkatkan penerapan business intelligence
dan secara terpisah. Hasilnya, ini adalah alat yang efektif untuk memastikan, misalnya, bahwa setiap
di bank.
cabang bank memiliki situasi keuangan yang sehat. Analitik prediktif yang ditambahkan ke BI menjadikannya a
Terakhir, studi ini menguji apakah efisiensi operasional bank mempengaruhi bank
alat yang ampuh untuk meningkatkan efisiensi cabang dengan mengotomatiskan proses yang sebelumnya manual [5].
profitabilitas. Koefisien beta hubungan (OE→BP) antara OE dan BP adalah 0,521,
Manajemen data yang ditingkatkan juga membuat tim lebih tersedia, memungkinkan mereka untuk berkonsentrasi
denganT-nilai sebesar 27,328 yang juga signifikan positif pada tingkat signifikansi kurang dari
pada tugas bisnis utama mereka setiap hari. Janji BI adalah teknologi itu
0,001 (lihat Tabel 6). Dengan demikian, Hipotesis 3 (H3) juga didukung. Nilai VIF berada di bawah
akan membantu organisasi menjadi lebih responsif dan fleksibel, memungkinkan mereka untuk mengambil
nilai threshold 3.3 menunjukkan bahwa masalah multikolinearitas tidak ada dalam model jalur
keuntungan dari peluang baru dan berinovasi di pasar yang sangat kompetitif [6]. Di antara
[64]. Penelitian ini menggunakan ukuran cabang dan umur cabang sebagai variabel kontrol yang dapat
mempengaruhi
hal lain, menjanjikan untuk memungkinkan perusahaan untuk menganalisis dan mengeksploitasi volume besar
hubungan profitabilitas, efisiensi operasional, dan intelijen bisnis. Gambar 2 menunjukkan
data heterogen dengan cara yang lebih efisien dan tepat. Menghubungkan sistem terpisah di
bahwa ukuran cabang dan umur cabang tidak signifikan di seluruh hubungan struktural.
perbankan menghilangkan kebutuhan untuk menyiapkan laporan secara manual untuk masing-masing. Penggunaan bisnis
Selanjutnya, temuan penelitian menunjukkan bahwa efisiensi operasional (OE) sebagian
intelijen di perbankan memungkinkan institusi untuk mengumpulkan data dalam jumlah yang belum pernah terjadi
sebelumnya
memediasi hubungan antara business intelligence (BI) dan profitabilitas bank (BP). Ini
konsumen mereka, memungkinkan mereka untuk melayani klien mereka dengan lebih baik [ 23]. Dengan perbankan BI,
bank
berarti pengaruh BI terhadap BP tidak sepenuhnya langsung tetapi juga sebagian dijelaskan oleh
dapat memperoleh pemahaman yang lebih baik tentang konsumen mereka, memungkinkan mereka untuk menangani
masalah sebelumnya
perbaikan OE akibat penerapan BI. Dengan kata lain, ketika bank membaik
mereka muncul. Kecerdasan bisnis dalam perbankan menghilangkan kebutuhan untuk mengatur data secara manual
praktik BI mereka, tidak hanya secara langsung meningkatkan profitabilitas mereka tetapi juga secara tidak langsung
meningkat
dengan menghubungkan langsung ke database sistem inti [ 23,63]. Pengambil keputusan akan mampu
melalui peningkatan efisiensi operasional. Temuan ini menyoroti pentingnya opera
memperoleh keunggulan kompetitif dengan menerapkan solusi BI yang berlaku di seluruh perusahaan.
efisiensi nasional sebagai mediator antara BI dan BP dan menyarankan agar bank fokus pada
Membuat keputusan berdasarkan data meningkatkan kemungkinan bahwa keputusan tersebut akan benar,
baik BI maupun OE untuk meningkatkan profitabilitas mereka. Secara keseluruhan, temuan penelitian menunjukkan
hal itu
karena unsur tebak-tebakan dihilangkan [63]. Semua orang akan lebih bahagia, lebih kaya, dan
bijaksana sebagai hasil dari intelijen bisnis. Temuan ini, dengan demikian, menciptakan wawasan tentang bagaimana
industri perbankan dapat meningkatkan efisiensi operasionalnya.
FinTech2023,2114

Selanjutnya, penelitian ini menemukan bahwa intelijen bisnis meningkatkan profitabilitas

bank, yang menunjukkan bahwa profitabilitas bank meningkat sebesar 0,369% jika terjadi peningkatan 1%.
dalam implementasi intelijen bisnis. Ketika perusahaan dapat dengan cepat mengidentifikasi dan
bertindak berdasarkan data operasional penting, mereka lebih cenderung meningkatkan efisiensi penjualan dan
margin keuntungan. Kabar baiknya adalah sebagian besar bank mampu membeli business intelligence (BI)
solusi yang diperlukan untuk memfasilitasi analisis data ini [63]. Ketika analisis yang mendasarinya adalah
didukung oleh data yang benar, beban peramalan dapat sangat dikurangi dan perkiraannya
 kehandalan sangat meningkat. Dengan bantuan perangkat lunak intelijen bisnis (BI), manajer
memiliki akses cepat dan mudah ke data penjualan historis [ 68]. Kemampuan untuk dengan cepat dan mudah
akses data penjualan dari masa lalu membantu meningkatkan akurasi perkiraan serta pengadaan dan
pengambilan keputusan persediaan.
Akhirnya, studi ini menemukan bahwa efisiensi operasional meningkatkan profitabilitas bank,
menunjukkan bahwa peningkatan 1% dalam efisiensi operasional bank meningkatkan profitabilitas sebesar
0,521%. Kunci untuk menghindari kejutan akhir bulan yang tidak menyenangkan adalah mengenali dan bertindak
informasi terpercaya sesegera mungkin melalui BI. Untuk tetap di atas perusahaan terbaru
berita, tim penjualan di zaman modern mengandalkan solusi intelijen bisnis (BI). Dalam hal ini
perusahaan, manajer, dan perwakilan penjualan dapat dengan cepat memahami yang besar
gambar dan kemudian telusuri untuk menemukan area khusus yang menjadi perhatian,
seperti barang individual,akun, dan/atau wilayah penjualan atau perwakilan [ 26,61,66].
Organisasi yang mengajukan
upaya untuk mencapai tujuan penjualan dan pemasaran ini dapat memperoleh banyak manfaat dari memiliki
informasi yang tepat terstruktur dengan cara yang efisien. Alat BI yang sesuai mungkin
membantu organisasi menggunakan data mereka dengan cara baru dan lebih efisien, terlepas dari apakah atau tidak
tidak mereka sudah memiliki data yang mereka butuhkan. Teknologi BI saat ini mudah diadopsi dan
membayar sendiri dalam hitungan bulan untuk banyak bank [ 7]. Temuan, dengan demikian, menciptakan
wawasan ke dalam industri perbankan untuk meningkatkan profitabilitas.
Penelitian ini menarik dan orisinal karena memberikan bukti empiris tentang
dampak positif dari intelijen bisnis pada efisiensi operasional dan profitabilitas
bank. Penelitian ini menggunakan pendekatan komprehensif untuk mengukur reliabilitas dan validitas
konstruksi dan uji kesesuaian model struktural, yang meningkatkan kredibilitas
temuan. Selain itu, penelitian ini mengambil perspektif yang unik dengan menerapkan dua teori,
teori kompetitif dan teori pandangan berbasis sumber daya, untuk mendukung argumen bisnis itu
intelijen adalah sumber daya strategis yang dapat memberikan keunggulan kompetitif dan mengarah ke
kinerja yang unggul dari waktu ke waktu.
Selain itu, penelitian ini asli dalam arti dilakukan pada sampel
dari 27 cabang bank komersial, yang memberikan wawasan tentang pengaruh bisnis
intelijen di tingkat lokal. Pendekatan ini berbeda dengan penelitian sebelumnya yang kebanyakan
fokus pada efek intelijen bisnis di tingkat organisasi. Temuan penelitian
memiliki implikasi praktis bagi industri perbankan, karena merekomendasikan penggunaan bisnis
intelijen sebagai alat untuk meningkatkan efektivitas pengambilan keputusan dan memastikan kompetitif
keuntungan. Secara keseluruhan, penelitian ini berkontribusi pada berkembangnya literatur tentang dampak
intelijen bisnis pada kinerja organisasi, khususnya di sektor perbankan.Ini memberikan
perspektif unik dan bukti empiris tentang manfaat menggunakan bisnis
intelijen dan menawarkan implikasi praktis bagi para pembuat keputusan industri perbankan.

6. Kesimpulan
Tujuan dari penelitian ini adalah untuk menguji pengaruh business intelligence pada bank
efisiensi operasional dan persepsi profitabilitas. Studi ini menggunakan 259 tanggapan dari
manajer umum, pejabat senior, pejabat umum, dan karyawan dari 27 cabang com
bank komersial di Bangladesh, menggunakan teknik simple random sampling. Pembelajaran
menemukan bahwa intelijen bisnis secara positif signifikan untuk meningkatkan efisiensi
operasional.Temuan ini agak konsisten dengan Tumpa, Saifuzzaman [ 20], I¸sık, Jones
[28], OlBesar [29], dan Lawrence [30] yang mengkonseptualisasikan BI ke arah yang sama.
Studi ini menemukan
bahwa intelijen bisnis secara signifikan meningkatkan profitabilitas bank. Penemuan ini
juga menambah nilai studi Arefin, Hoque [21], Biswas, Rahman [24], Rjan [25],
FinTech2023,2115

Elbashir, Collier [17], dan Olszak [29]. Selanjutnya, penelitian ini mengungkapkan bahwa operasional
efisiensi melalui business intelligence berpengaruh positif terhadap profitabilitas bank. Itu
temuan menunjukkan bahwa sistem intelijen bisnis dapat memastikan keunggulan kompetitif
melalui peningkatan efisiensi operasional dan peningkatan profitabilitas.
Bukti anekdot tentang manfaat sistem BI masih kurang sampai sekarang, tapi ini
studi mengisi celah itu dengan bukti empiris yang dikumpulkan menggunakan teknik PLS-SEM. Ini
bukti empiris, yang berasal dari negara berkembang, sangat penting karena ada
kurangnya penelitian tentang subjek dalam literatur intelijen bisnis. Menurut Ini
penelitian, sistem BI dapat meningkatkan efisiensi operasional dan profitabilitas bank dengan
mengimplementasikan solusi BI. Hal ini telah memberikan pemahaman kepada para manajer dan pembuat kebijakan
 tentang pentingnya menggunakan pendekatan holistik saat menganalisis dampak TI, seperti
Sistem BI, karena beberapa manfaatnya tidak berwujud. Penggunaan bisnis
teknologi intelijen (BI) juga harus didorong oleh manajer bank untuk melakukannya
menuai imbalan finansial dalam jangka panjang. Vendor dan pembuat keputusan lainnya dalam mengembangkan
negara dapat memanfaatkan bukti empiris studi untuk membantu meningkatkan kesadaran tentang BI
sistem di negara-negara tersebut.
Temuan penelitian ini memiliki implikasi teoritis yang signifikan, terutama dari
perspektif teori pandangan berbasis sumber daya (RBV). Menurut RBV, re
perusahaansumber dan kemampuan memainkan peran penting dalam mencapai dan
mempertahankan keunggulan kompetitif
dan kinerja unggul. Teori ini berpendapat bahwa perusahaan dengan sumber daya yang unik dan berharga
dapat memperoleh keunggulan kompetitif atas para pesaingnya. Studi ini menunjukkan
bahwa bisnis intelligence dapat dipandang sebagai sumber daya strategis bagi bank. Studi
menunjukkan bahwa ketika bank
menggunakan intelijen bisnis, mereka dapat meningkatkan efisiensi operasional mereka, yang positif
mempengaruhi profitabilitas mereka. Selain itu, penelitian ini menunjukkan bahwa penerapan bisnis
intelijen dapat mengarah pada pengembangan kemampuan bank, yang pada akhirnya dapat mengarah pada
kinerja yang unggul dari waktu ke waktu. Dengan kata lain, temuan penelitian ini menunjukkan bahwa
intelijen bisnis dapat dianggap sebagai sumber daya strategis yang memberikan landasan
untuk pengembangan kapabilitas bank, yang dapat mengarah pada daya saing yang berkelanjutan
keuntungan dan kinerja yang unggul dalam jangka panjang. Ini merupakan kontribusi penting
literatur tentang teori RBV, karena menunjukkan pentingnya intelijen bisnis
sebagai sumber daya strategis bagi bank, yang dapat berkontribusi pada kesuksesan jangka panjang dan
keunggulan kompetitif.
Penelitian ini memiliki beberapa keterbatasan. Pertama, studi ini menargetkan cabang-cabang bank (tunggal
bank tetapi banyak cabang); dengan demikian, hasilnya mungkin tidak berlaku untuk bank lain
cabang diatur di bawah kerangka peraturan yang sama. Kedua, penelitian ini
cross-sectional, dan dengan demikian, studi masa depan dapat memilih pendekatan data panel seperti
studi tentang Salehi dan Arianpoor [75]. Ketiga, penelitian ini menggunakan bank dari Bangladesh, dan
dengan demikian, temuan ini tidak dapat digeneralisasikan untuk ekonomi lain. Keempat, kajian berbasis
hanya pada data kuantitatif. Studi selanjutnya dapat mempertimbangkan pendekatan metode campuran untuk dibuat
temuan lebih menarik dan praktis [76–78]. Kelima, penelitian ini dapat memberikan
wawasan yang lebih bernuansa ke dalam mekanisme yang melalui berbagai jenis bisnis
kecerdasan mempengaruhi kinerja bank. Dengan demikian, penelitian di masa depan harus mengeksplorasi efek dari
jenis intelijen bisnis tertentu, seperti penambangan data, analitik prediktif, dan data
visualisasi, pada efisiensi operasional dan profitabilitas di sektor perbankan [79].
Akhirnya,penelitian ini dapat menjelaskan faktor-faktor kontekstual yang mempengaruhi
efektivitas
intelijen bisnis di sektor perbankan, dan dapat menginformasikan perkembangan lebih lanjut
strategi intelijen bisnis yang disesuaikan untuk berbagai jenis bank. Dengan demikian, penelitian masa depan
bisa menyelidiki bagaimana faktor-faktor organisasi, seperti budaya organisasi, kepemimpinan
gaya, dan infrastruktur TI, memoderasi hubungan antara kecerdasan bisnis dan
kinerja bank.

Pendanaan:Penelitian ini tidak menerima pendanaan eksternal.

Pernyataan Dewan Peninjau Kelembagaan:Tak dapat diterapkan.

Pernyataan Persetujuan yang Diinformasikan:Tak dapat diterapkan.

FinTech2023,2116

Pernyataan Ketersediaan Data:Data dan materi tersedia atas permintaan yang wajar melalui
Penulis yang sesuai.
Ucapan terima kasih:Penulis ingin mengucapkan terima kasih atas dukungan karyawan dan
pejabatcabang bank komersial, yang mencurahkan waktu untuk mengisi dan mengembalikan kuesioner
yang dikirim ke
mereka. Kami juga berterima kasih kepada para pengumpul data. Kami mengucapkan terima kasih kepada rekan-rekan yang telah
membantu kami
penelitian ini.

Konflik kepentingan:Penulis menyatakan tidak ada konflik kepentingan.

Lampiran A
 Tabel A1.Tinjauan studi yang ada tentang BI, efisiensi operasional dan profitabilitas bank.

Penulis Judul Periode Temuan Model/Metode

Arefin, Hoque [21] Tidak ada [12] Kecerdasan buatan di 2015 PLS-SEM 2021 Kualitatif efisien daripada yang tidak.
Bangladesh, penerapannya di
Penerapan kecerdasan buatan
berbagai sektor dan tantangan
menjaga kebijakan bank,
yang relevan bagi pemerintah:
keamanan informasi, peraturan,
Dampak intelijen bisnis terhadap sebuah analisis BI membenahi organisasi
dan efektivitas operasional.
efektivitas organisasi: studi empiris efektivitas. Bank dengan BI lebih

Bhatiasevi dan Naglis [13] kinerja bank: kerangka kerja konseptual

Sastra 2021Adopsi BI berdampak positif
Sistem intelijen bisnis dan terhadap kinerja bank.

Elbashir, SEM 2018BI berhubungan positif dengan

Collier [17] kinerja bank dan pemrosesan internal.

Fethi dan 2008 KualitatifSistem BI meningkatkan proses

Pasiouras [43] bisnis dan kinerja bank.

Nithya dan Kiruthika [6]

Menjelaskan faktor-faktor penentu adopsi
intelijen bisnis dan kinerja organisasi
Mengukur efek sistem intelijen bisnis: The
hubungan antara proses bisnis dan organisasi
pertunjukan
Menilai efisiensi dan kinerja bank dengan riset
operasional dan teknik kecerdasan buatan: Sistem BI tidak terkait langsung
Survei Efisiensi dan kinerja bank
2010 Kualitatif
Dampak Adopsi Business Intelligence pada memiliki
asosiasi positif dengan AI.
Owusu [51] Yiu, Yeong [31] Campuran 2016 PLS-SEM perencanaan tetapi kurang terkait
kinerja bank di Ghana: dengan pengukuran.
Pendekatan balanced scorecard
BI memiliki dampak positif yang
Efektivitas Intelijen Bisnis dan kuat terhadap keuntungan bank.
Richards, Yeoh [63] Manajemen Kinerja Perusahaan: Kualitatif 2020 Bank dengan BI dapat memimpin
Sebuah Analisis Empiris pendukung keputusan yang efektif.
Model dampak bisnisintelijen pada
Ada asosiasi positif
Rouhani, dukungan keputusan danmanfaat 2005–
antarakecerdasan buatan dan
Ashraf [8] organisasi
2014Kualitatif kinerja bank.
Pengaruh kecerdasan buatan
dengan kinerja bank tetapi
pada kinerja bank: nilai bisnis
Wamba-Taguimdje, Fosso Wamba proyek transformasi berbasis AI memiliki dampak tidak langsung. BI meningkatkan profitabilitas bank
danmengurangi risiko. BI perbaiki
[10] BI memiliki asosiasi positif dengan operasionalefisiensi.
Dampak sistem intelijen bisnis
manajemen kinerja perusahaan. BI
pada profitabilitas dan risiko bank
sangat terkait dengan
PLS-SEM 2017 2019 Metode
FinTech2023,2117

Tabel A1.Lanjutan

Penulis Judul Periode Temuan Model/Metode

Kimbel dan keputusan
Milolidakis [42] Data Besar dan Kecerdasan Bisnis:

Membongkar Mitos 2015 KualitatifData besar dan BI meningkatkan membuat efektivitas.

Varshney dan Varshney [38]
Referensi
Kelincahan tenaga kerja dan Sumber: Konstruksi penulis. meningkatkan dua kinerja, yaitu
hubungannya dengan kecerdasan adaptif
emosional dan kinerja dan kontekstual
kinerja tenaga kerja: Sebuah studi Kualitatif 2020 kinerja tetapi tidak mempengaruhi
tentang kewirausahaan kecil Kecerdasan emosional kinerja tugas.
1.Abusweilem, M.; Abualoush, S. Dampak proses manajemen pengetahuan dan intelijen bisnis pada organisasipertunjukan.Kelola.
Sains. Lett.2019,9, 2143–2156. [CrossRef]
2.Ayadi, R.; Bongini, P.; Casu, B.; Cucinelli, D. Migrasi Model Bisnis Bank di Eropa: Penentu dan Efek.Sdr. J.manag.2021,32, 1007–1026.
[CrossRef]
3.Liang, T.-P.; Liu, Y.-H. Lansekap Penelitian Kecerdasan Bisnis dan analitik Data Besar: Studi bibliometrik.Sistem
Pakar.Aplikasi2018,111, 2–10. [CrossRef]
4.Côrte-Real, N.; Ruivo, P.; Oliveira, T. Tahapan Difusi Business Intelligence & Analytics (BI&A): Pemetaan SistematisBelajar.Lanjut
Technol.2014,16, 172–179. [CrossRef]
5.Drake, BM; Walz, A. Mengembangkan Kecerdasan Bisnis dan Analisis Data di Perguruan Tinggi.Dir. Baru Inst. Res.2018,2018, 39–52.
[CrossRef]
6.Nithya, N.; Kiruthika, R. Dampak Adopsi Business Intelligence pada kinerja bank: Sebuah kerangka kerja konseptual.J.AmbientIntel.
Humanis. Akun2021,12, 3139–3150. [CrossRef]
7.Popovic, A.; Puklavec, B.; Oliveira, T. Membenarkan adopsi sistem intelijen bisnis di UKM.Ind.Manajemen. Sistem Data2019,119, 210–
228.[CrossRef]
8.Rouhani, S.; Ashrafi, A.; Zare Ravasan, A.; Afshari, S. Model dampak intelijen bisnis terhadap pendukung keputusan danmanfaat
organisasi.J. Enterp. Inf. Kelola.2016,29, 19–50. [CrossRef]
9.Saura, JR; Bennett, D.R. Metode Tiga Tahap untuk Penambangan Teks Data: Menggunakan UGC dalam Analisis Kecerdasan
Bisnis.Simetri2019,11, 519. [CrossRef]
10.Wamba-Taguimdje, S.-L.; Common Fosso, S.; Kala Kamdjoug, J.R.; Tchatchouang Wanko, C.E. Pengaruh kecerdasan
buatan(AI) pada kinerja perusahaan: Nilai bisnis proyek transformasi berbasis AI.Bis. Manajemen Proses. J.2020,26, 1893–
1924.[CrossRef]
11.Pieket Weeserik, B.; Spruit, M. Meningkatkan Manajemen Risiko Operasional Menggunakan Teknologi Manajemen Kinerja
Bisnis.Keberlanjutan2018,10, 640. [CrossRef]
12.Babu, K.-E.K. Kecerdasan buatan di Bangladesh, penerapannya di berbagai sektor dan tantangan yang relevan bagi
pemerintah:Sebuah analisis.Int. J. Kebijakan Hukum Publik2021,7, 319–333. [CrossRef]
13.Bhatiasevi, V.; Naglis, M. Menjelaskan faktor penentu adopsi intelijen bisnis dan kinerja organisasi.Inf.Dev.2018,36, 78–96.
[CrossRef]
14. Ji, F.; Tia, A. Pengaruh blockchain pada efisiensi intelijen bisnis bank.Cybernet2022,51, 2652–2668. [CrossRef] 15.Bitar, M.;
Puktuanthong, K.; Walker, T. Pengaruh rasio modal terhadap risiko, efisiensi dan profitabilitas bank: Bukti darinegara-negara OECD.J.Int.
Keuangan Tanda. Inst. Uang2018,53, 227–262. [CrossRef]
16.Bordeleau, F.-E.; Mosconi, E.; dari St Eulalia, LA. Kecerdasan bisnis dan penciptaan nilai analitik di Industri 4.0: Kelipatanstudi kasus di
perusahaan menengah manufaktur.Melecut. Rencana. Kontrol2020,31, 173–185. [CrossRef]
17.Elbashir, MZ; Collier, PA; Davern, M.J. Mengukur efek sistem intelijen bisnis: Hubungan antaraproses bisnis dan kinerja
organisasi.Int. J.Akun. Inf. Sistem.2008,9, 135–153. [CrossRef] 18.Lim, E.-P.; Chen, H.; Chen, G. Kecerdasan dan Analisis Bisnis: Arah
Penelitian.ACM Trans. Kelola. Inf. Sistem.2013,3, 1–10.[CrossRef]
19.Moro, S.; Cortez, P.; Rita, P. Kecerdasan Bisnis di Perbankan: Analisis Literatur 2002-2013 Menggunakan Text Mining dan
LatenAlokasi Dirichlet.Sistem Pakar. Aplikasi2015,42, 1314–1324. [CrossRef]
20.Tumpa, Z.N.; Saifuzzaman, M.; Rabby, S.F.; Crearie, L.; Stansfield, M. Memahami Kecerdasan Bisnis dalam KonteksSektor
Perawatan Kesehatan Mental Bangladesh untuk Meningkatkan Layanan Kesehatan. Dalam Prosiding 2020 IEEE 8th R10
KemanusiaanKonferensi Teknologi (R10-HTC), Kuching, Malaysia, 1–3 Desember 2020.
21.Arefin, MS; Hoque, MR; Bao, Y. Dampak intelijen bisnis terhadap efektivitas organisasi: Studi empiris.J.Syst.Inf. Technol.2015,17, 263–
285. [CrossRef]
22.Al-Hasan, M.; Aktar, MR; Al Seraj, M.S. Solusi Kecerdasan Bisnis Ekonomis dan Modern untuk Industri Tekstil
diBangladesh.Gumpal. J.Komput. Sains. Technol.2018,18, 11.
FinTech2023,2118

23.Nahar, N.; Naheen, IT; Hasan, S.J. Penerapan Kecerdasan Buatan dalam Manajemen Klaim & Survei Kebakaran dalam
konteksBangladesh.Bimaquest2020,20, 48–56.
24.Biswas, M.; Rahman, M.S.; Ferdausy, F. Peran Kecerdasan Emosi dalam Penyelesaian Masalah di Bank Umum Swasta
PTBangladesh.Comilla Univ. J.Bus. Pejantan.2017,4, 51–66.
25. Ranjan, J. Pembenaran bisnis dengan intelijen bisnis.MERAMBAT2008,38, 461–475. [CrossRef]
26.Sahay, BS; Ranjan, J. Kecerdasan bisnis waktu nyata dalam analitik rantai pasokan.Inf. Kelola. Komputer. Aman.2008,16, 28–
48.[CrossRef]
27.Nofal, M.I.; Yusof, Z.M. Integrasi Intelijen Bisnis dan Perencanaan Sumber Daya Perusahaan dalam
Organisasi.LanjutkanTechnol.2013,11, 658–665. [CrossRef]
28.I¸sık, Ö.; Jones, MC; Sidorova, A. Kesuksesan intelijen bisnis: Peran kapabilitas BI dan lingkungan keputusan.Inf. Kelola.2013,50, 13–
23. [CrossRef]
29.Olszak, C.M. Menuju Pemahaman yang Lebih Baik dan Penggunaan Kecerdasan Bisnis dalam Organisasi.Inf. Sistem. Kelola.2016,33,
105–123.[CrossRef]
30.Lawrence, D. Kecerdasan bisnis: Sekarang, lebih dari sebelumnya, rumah sakit perlu mengidentifikasi dan melacak metrik kinerja
utama untuk meningkatkanefisiensi operasional.Sembuh. Inf.2009,25, 47–49.
31.Yiu, LMD; Yeung, ACL; Cheng, T.C.E. Dampak sistem intelijen bisnis pada profitabilitas dan risiko perusahaan.Int. J.Melecut.
Res.2021,59, 3951–3974. [CrossRef]
32.Tabassum, M.; Begum, N.; Rana, MS; Faruk, MO; Miah, M.M. Faktor-faktor yang mempengaruhi Pemberdayaan Perempuan di
Bangladesh.Sains.Technol. Kebijakan publik2019,3, 1–7. [CrossRef]
33.Akhter, J.; Cheng, K. Inisiatif Pemberdayaan Berkelanjutan di antara Wanita Pedesaan melalui Pinjaman Kredit Mikro di
Bangladesh.Keberlanjutan2020,12, 2275. [CrossRef]
34.Islam, N.; Ahmed, M. Faktor-faktor yang mempengaruhi perkembangan kewirausahaan perempuan di Bangladesh.Elektron
 SSRN. J.2016.[CrossRef]
35. Lohani, M.; Aburida, L. Pemberdayaan Perempuan: Kunci Pembangunan Berkelanjutan.Soc. ION2017,6, 26–29. [CrossRef]
36.Rahman, M.M.; Akhter, B. Dampak investasi modal manusia terhadap kinerja bank: Bukti dari Bangladesh.Masa depanBis. J.2021,7,
61. [CrossRef]
37.Barney, J.B. Teori keunggulan kompetitif berbasis sumber daya: Retrospeksi sepuluh tahun pada pandangan berbasis sumber
daya.J.Manag.2001,27, 643–650. [CrossRef]
38.Varshney, D.; Varshney, N.K. Kelincahan tenaga kerja dan kaitannya dengan kecerdasan emosional dan kinerja tenaga kerja:
Sebuah studi tentangperusahaan wirausaha kecil di India.Gumpal. Bis. Organ. Unggul.2020,39, 35–45. [CrossRef]
39.Yang, X. Dampak Kecerdasan Emosional Perusahaan terhadap Inovasi: Pengamatan dari China.Gumpal. Bis. Organ.
Unggul.2016,36, 87–97. [CrossRef]
40.Almaqtari, F.A.; Al-Homaidi, EA; Tabash, MI; Farhan, N.H. Penentu profitabilitas bank komersial India: Apendekatan data panel.Int. J.
Financ. Ekon.2019,24, 168–185. [CrossRef]
41.Dillman, DA; Smyth, JD; Kristen, L.M.Survei Internet, Telepon, Surat, dan Mode Campuran: Metode Desain yang Disesuaikan; John
Wiley &Putra: Hoboken, NJ, AS, 2014.
42.Kimble, C.; Milolidakis, G. Big Data dan Business Intelligence: Membongkar Mitos.Gumpal. Bis. Organ. Unggul.2015,35, 23–34.
[CrossRef]
43.Fethi, MD; Pasiouras, F. Menilai efisiensi dan kinerja bank dengan riset operasional dan kecerdasan buatanteknik: Survei.eur.
J.Opera. Res.2010,204, 189–198. [CrossRef]
44.Abu-Alkheil, A.M.; Burghof, H.-p.; Khan, W.A. Islamic commercial banking in Europe: A cross-country and inter-bank analysisdari kinerja
efisiensi.Int. Bis. Ekon. Res. J.2012,11, 647–676. [CrossRef]
45.Chandrasekhar, M.; Sonar, R.M. Dampak teknologi informasi pada efisiensi dan produktivitas faktor total bank India.J.Manag Asia
Selatan.2008,15, 74–99.
46. Masak, WD; Hababou, M. Pengukuran kinerja penjualan di cabang bank.Akhir2001,29, 299–307. [CrossRef] 47.Cohen, C.Intelijen
Bisnis: Efektivitas Intelijen Strategis dan Dampaknya terhadap Kinerja Organisasi; John Wiley& Putra: Hoboken, NJ, AS, 2013.
48. Ubiparipovi´c, B.; Ðurkovi´c, E. Penerapan intelijen bisnis di industri perbankan.Kelola. Inf. Sistem.2011,6, 23–30. 49.Vercellis,
C.Kecerdasan Bisnis: Penambangan Data dan Pengoptimalan untuk Pengambilan Keputusan; John Wiley & Sons: Hoboken, NJ, AS, 2011.
50.Negash, S.; Gray, P. Kecerdasan bisnis. Di dalamBuku Panduan Sistem Pendukung Keputusan 2; Peloncat: Berlin/Heidelberg, Jerman,
2008;hlm. 175–193.
51.Owusu, A. Sistem intelijen bisnis dan kinerja bank di Ghana: Pendekatan balanced scorecard.Bus Cogent. Kelola.2017,4, 1364056.
[CrossRef]
52.Papadopoulos, T.; Kanellis, P. Jalan menuju implementasi Business Intelligence yang berhasil: Contoh dari HellenicSektor
perbankan.ATAU Wawasan2010,23, 15–26. [CrossRef]
53.Acharya, V.V.; Engle III, R.F.; Steffen, S.Mengapa Saham Bank Jatuh Selama COVID-19?Biro Riset Ekonomi
Nasional:Cambridge, MA, AS, 2021.
54.Akhtaruzzaman, M.; Boubaker, S.; Sensoy, A. Penularan keuangan selama krisis COVID–19.Keuangan Celah. Menjadi.2021,38,
101604.[CrossRef]
FinTech2023,2119

55.Elnahass, M.; Trinh, V.Q.; Li, T. Stabilitas perbankan global dalam bayang-bayang wabah COVID-19.J.Int. Keuangan Tanda.
Inst. Uang2021,72, 101322. [CrossRef]
56.Wu, D.D.; Olson, D.L. (Eds.) Pengaruh COVID-19 Terhadap Sektor Perbankan. Di dalamManajemen Risiko Pandemi di Operasi
danKeuangan: Memodelkan Dampak COVID-19; Penerbitan Internasional Springer: Cham, Swiss, 2020; hlm. 89–99. [CrossRef]
57.Boubaker, S.; Le, T.D.Q.; Ngo, T. Mengelola kinerja bank di bawah COVID-19: Pendekatan efisiensi DEA terbalik baru.Int.Trans.
Operasi. Res.2022. [CrossRef]
58.Mirzaei, A.; Saad, M.; Emrouznejad, A. Kinerja Saham Bank Selama Krisis COVID-19: Apakah Efisiensi Menjelaskan Mengapa Islami?
bank bernasib relatif lebih baik?Ann. Operasi. Res.2022. [CrossRef] [PubMed]
59. Williams, S.; Williams, N.Dampak Laba dari Intelijen Bisnis; Elsevier: Amsterdam, Belanda, 2010. 60.Puklavec, B.; Oliveira, T.;
Popoviˇc, A. Memahami faktor penentu tahapan adopsi sistem intelijen bisnis.Di dalam.Kelola. Sistem Data2018,118, 236–261.
[CrossRef]
61.Vieira, A.; Sehgal, A. Bagaimana Bank Dapat Lebih Baik Melayani Pelanggannya Melalui Teknik Buatan. Di dalamPasar Digital
Diluncurkan; Linnhoff-Popien, C., Schneider, R., Zaddach, M., Eds.; Peloncat: Berlin/Heidelberg, Jerman, 2018; hlm. 311–326.
[CrossRef]
62.Stylos, N.; Zwiegelaar, J. Big Data sebagai Game Changer: Bagaimana Ini Membentuk Kecerdasan Bisnis Dalam Pariwisata dan
PerhotelanKonteks Industri? Di dalamData Besar dan Inovasi dalam Pariwisata, Perjalanan, dan Perhotelan: Pendekatan, Teknik,
dan Aplikasi Manajerial;Sigala, M., Rahimi, R., Thelwall, M., Eds.; Springer Singapura: Singapura, 2019; hal. 163–181. [CrossRef]
63.Richards, G.; Yeoh, W.; Chong, A.Y.L.; Popoviˇc, A. Efektivitas Kecerdasan Bisnis dan Manajemen Kinerja Perusahaan:Analisis
Empiris.J.Komput. Inf. Sistem.2019,59, 188–196. [CrossRef]
64.Rambut, JF; Hult, GTM; Ringle, CM; Sarstedt, M.Primer pada Partial Least Squares Structural Equation Modeling (PLS-SEM);
SagePublikasi: Thousand Oaks, CA, AS, 2021.
65.Alvarez, G.; Núñez-Cortés, R.; Sol, saya.; Sitja-Rabert, M.; Benteng-Vanmeerhaeghe, A.; Fernández, C.; Bonfill, X.; Urrútia, G.
Contohukuran, lama studi, dan kontrol yang tidak adekuat adalah keterbatasan yang diakui sendiri paling umum dalam uji
coba terapi manual: Atinjauan metodologis.J.Clin. Epidemiol.2021,130, 96–106. [CrossRef] [PubMed]
66.Mokhtar, N.; Jusoh, R.; Zulkifli, N. Karakteristik perusahaan dan implementasi akuntansi manajemen lingkungan (EMA):Bukti dari
perusahaan publik Malaysia (PLC).J.Bersih. Melecut.2016,136, 111–122. [CrossRef] 67.Rambut, JF; Matthews, LM; Matthews, RL;
Sarstedt, M. PLS-SEM atau CB-SEM: Pedoman yang diperbarui tentang metode mana yang akan digunakan.Int. J.Multivar. Data
Anal.2017,1, 107–123. [CrossRef]
68.Sarstedt, M.; Rambut, JF; Cheah, J.-H.; Becker, J.-M.; Ringle, C.M. Cara menentukan, memperkirakan, dan memvalidasi konstruksi
tingkat tinggi diPLS TIDAK.Australia. tanda J.2019,27, 197–211. [CrossRef]
69.Shmueli, G.; Sarstedt, M.; Rambut, JF; Cheah, J.-H.; Ting, H.; Vaithilingam, S.; Ringle, C.M. Penilaian model prediktif dalam PLS-
SEM:Panduan penggunaan PLSpredict.eur. J.Mark.2019,53, 2322–2347. [CrossRef]
70. Sarstedt, M.; Ringle, CM; Hair, J.F. Pemodelan persamaan struktural kuadrat terkecil parsial.Handb. Tanda. Res.2017,26, 1–40. 71.
Saunders, M.; Lewis, P.; Thornhill, A.Metode Penelitian untuk Mahasiswa Bisnis; Pearson Education: London, Inggris, 2019. 72.Sarstedt,
M.; Ringle, CM; Smith, D.; Rim, R.; Hair Jr, J.F. Pemodelan persamaan struktural kuadrat terkecil parsial (PLS-SEM): A alat yang
berguna untuk peneliti bisnis keluarga.J. Fam. Bis. Strategi2014,5, 105–115. [CrossRef]
73.Fornell, C.; Larcker, D.F.Model Persamaan Struktural dengan Variabel Tak Teramati dan Kesalahan Pengukuran: Aljabar dan Statistik;
SagePublikasi Sage CA: Los Angeles, CA, USA, 1981.
74.Rahman, M.M.; Rahman, M.S.; Deb, B.C. Keunggulan Biaya Kompetitif: Aplikasi Akuntansi Lingkungan danPendekatan
Manajemen dengan referensi ke Bangladesh.Manajemen Biaya.2021,49, 47–59.
75.Salehi, M.; Arianpoor, A. Hubungan antara aspek finansial dan non finansial terhadap kinerja keberlanjutan bisnis:Bukti dari data
panel Iran.TQM J.2021,33, 1447–1468. [CrossRef]
76.Lyng, KD; Rathleff, MS; Dekan, B.J.F.; Kluzek, S.; Holden, S. Strategi manajemen saat ini di Osgood Schlatter: Sebuah
persilanganstudi metode campuran sectional.Pindai. J.Med. Sains. Olahraga.2020,30, 1985–1991. [CrossRef] [PubMed]
77.Mikalef, P.; Boura, M.; Lekakos, G.; Krogstie, J. Analisis data besar dan kinerja perusahaan: Temuan dari pendekatan metode
campuran.J.Bus. Res.2019,98, 261–276. [CrossRef]
78.Thiel, A.; Diehl, K.; Giel, KE; Schnell, A.; Schubring, A.M.; Mayer, J.; Zipfel, S.; Schneider, S. Atlet Muda Olimpiade JermanStudi
Manajemen Gaya Hidup dan Kesehatan (Studi GOAL): Desain studi metode campuran.Kesehatan Masyarakat BMC2011,11, 410.
[CrossRef]79. Allen, F.; Gu, X.; Jagtiani, J. Survei penelitian fintech dan diskusi kebijakan.Putaran. perusahaan Keuangan.2021,1, 259–
339. [CrossRef]

Penafian/Catatan Penerbit:Pernyataan, pendapat, dan data yang terkandung dalam semua publikasi semata-mata milik
individupenulis dan kontributor dan bukan dari MDPI dan/atau editor. MDPI dan/atau editor melepaskan tanggung jawab atas kerugian apa
pun padaorang atau properti yang dihasilkan dari ide, metode, instruksi, atau produk apa pun yang dirujuk dalam konten.