ISBN978 623 09 3967 9PDFebook - C94

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/371608098
BUSINESS INTELEGENT (Pengantar Business Intelligence dalam Bisnis)
Chapter · June 2023
CITATIONS READS
0 241
9 authors, including:
Rusdin Tahir Gede Surya Mahendra

Universitas Padjadjaran Ganesha University of Education
123 PUBLICATIONS 186 CITATIONS 59 PUBLICATIONS 286 CITATIONS
SEE PROFILE SEE PROFILE
Rony Sandra Yofa Zebua Sepriano M.Kom

Universitas Islam Bandung Universitas Islam Negeri Sulthan Thaha Saifuddin Jambi
33 PUBLICATIONS 85 CITATIONS 20 PUBLICATIONS 6 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
suistainable tourism View project
DSS - PM Method by Gede Surya Mahendra View project
All content following this page was uploaded by Rusdin Tahir on 16 June 2023.
The user has requested enhancement of the downloaded file.

BUSINESS INTELEGENT
(Pengantar Business Intelligence dalam Bisnis)
Penulis :
Antonius Prahendratno, SE.,MSi
Gede Surya Mahendra, S.Pd.,M.Kom
Rony Sandra Yofa Zebua, S.T.,M.Pd
Dr. Drs. Rusdin Tahir, M.Si.,CIQaR.,CIQnR
Sepriano, S.Sos.,M.Kom.,CBPA
I Putu Susila Handika, S.Kom.,M.T
Prastyadi Wibawa Rahayu, S.Kom.,M.Kom
I Gede Iwan Sudipa, S.Kom.,M.Cs
Efitra, S.Kom.,M.Kom
Penerbit:
BUSINESS INTELEGENT
(Pengantar Business Intelligence dalam Bisnis)
Penulis :
Antonius Prahendratno, SE.,MSi
Gede Surya Mahendra, S.Pd.,M.Kom
Rony Sandra Yofa Zebua, S.T.,M.Pd
Dr. Drs. Rusdin Tahir, M.Si.,CIQaR.,CIQnR
Sepriano, S.Sos.,M.Kom.,CBPA
I Putu Susila Handika, S.Kom.,M.T
Prastyadi Wibawa Rahayu, S.Kom.,M.Kom
I Gede Iwan Sudipa, S.Kom.,M.Cs
Efitra, S.Kom.,M.Kom
ISBN : 978-623-09-3967-9(PDF)
Editor :
Yayan Agusdi
Penyunting :
Nur Safitri
Desain sampul dan Tata Letak:
Andra Juansa
Penerbit :
PT. Sonpedia Publishing Indonesia
Redaksi :
Jl. Kenali Jaya No 166 Kota Jambi 36129 Tel +6282177858344
Email: sonpediapublishing@gmail.com
Website: www.sonpedia.com
Anggota IKAPI : 006/JBI/2023
Cetakan Pertama, Juni 2023
Hak cipta dilindungi undang-undang

Dilarang memperbanyak karya tulis ini dalam bentuk dan dengan
cara Apapun tanpa ijin dari penerbit
KATA PENGANTAR
Puji syukur kepada Tuhan yang Maha Esa, telah memberikan rahmat
dan hidayah-Nya sehingga penulis dapat menyelesaikan buku ini
dengan baik. Buku ini berjudul "Bisnis Intelegent : Pengantar Business
Intelligence dalam Bisnis”. Tidak lupa kami ucapkan terima kasih bagi
semua pihak yang telah membantu dalam penulisan dan penerbitan
buku ini.
Di era digital yang terus berkembang, data telah menjadi aset yang
sangat berharga bagi perusahaan. Informasi yang terkandung dalam
data dapat menjadi sumber daya yang sangat kuat jika dikelola
dengan baik. Inilah dimana Business Intelligence hadir sebagai alat
untuk mengubah data menjadi wawasan berharga yang dapat
membantu Anda mengambil keputusan yang lebih baik, lebih cepat,
dan lebih cerdas.
Buku "Business Intelligent : Pengantar Business Intelligence dalam

Bisnis" adalah panduan praktis untuk memahami dan menerapkan
konsep dasar dan teknologi Business Intelligent dalam bisnis. Buku ini
mencakup berbagai topik, mulai dari pengantar dan konsep dasar
hingga teknologi, arsitektur, Tools dan Platform Business Intelligence.
Selain itu, buku ini juga membahas konsep dasar Data Warehouse
dan Data Mining, serta penerapan Business Intelligence dalam
Pengambilan Keputusan.
Melalui buku ini, pembaca akan memahami bagaimana bisnis dapat

memanfaatkan Business Intelligence untuk meningkatkan efisiensi
dan produktivitas, serta bagaimana penerapan Business Intelligence
dapat memberikan keuntungan dalam pengambilan keputusan dan
analisis data. Pembaca juga akan mempelajari tantangan dan peluang
yang terkait dengan implementasi Business Intelligence dalam bisnis.
BUSINESS INTELEGENT ii
Buku ini ditulis dengan bahasa yang mudah dipahami dan dilengkapi
dengan contoh kasus, gambar, dan diagram yang membantu
pembaca memahami konsep dan teknologi yang dibahas. Buku
"Business Intelligent" cocok untuk para pemula maupun praktisi bisnis
yang ingin mempelajari konsep dasar dan menerapkan Business
Intelligence dalam bisnis mereka.
Buku ini mungkin masih terdapat kekurangan, kesalahan dan

kelemahan. Oleh karena itu, saran dan kritik para pemerhati sungguh
penulis harapkan dan siap untuk diperbaiki dan diperbaruhi di masa
akan datang. Semoga buku ini memberikan manfaat dan menambah
khasanah ilmu pengetahuan.
Selamat membaca dan semoga buku ini memberikan wawasan yang

berharga bagi Anda dalam memahami dan menerapkan Business
Intelligent dalam bisnis Anda.
Cilegon, Juni 2023

Tim Penulis
BUSINESS INTELEGENT iii

DAFTAR ISI
KATA PENGANTAR ............................................................................. ii

DAFTAR ISI ........................................................................................ iv
BAGIAN I PENGENALAN DAN KONSEP DASAR BUSINESS
INTELLIGENCE .................................................................................... 1
A. PENGANTAR BISNIS INTELIJEN DAN KEKUATAN BISNIS
INTELIJEN ...................................................................................... 1
B. KONSEP KUNCI INTELIJEN BISNIS ................................................. 2
C. KONSEP, KOMPONEN, dan APLIKASI KECERDASAN BISNIS ........ 10
D. PENTINGNYA INTELIJEN BISNIS. ................................................. 14
E. MANFAAT UTAMA DARI BISNIS INTELIJEN ................................. 15
BAGIAN 2 KONSEP DASAR KEBUTUHAN BISNIS DAN DATA BUSINESS
INTELLIGENCE .................................................................................. 18
A. KEBUTUHAN BISNIS DAN ORGANISASI ....................................... 18
B. KONSEP BUSINESS INTELLIGENCE .............................................. 22
C. KAPABILITAS BUSINESS INTELLIGENCE ....................................... 23
D. MANFAAT BUSINESS INTELLIGENCE DALAM ORGANISASI
BISNIS......................................................................................... 30
BAGIAN 3 TEKNOLOGI INTELEJEN BISNIS ........................................... 32
A. APA ITU BI-TECH ......................................................................... 33
B. TIPE BI-TECH ............................................................................... 35
C. MENGENAL APLIKASI BI .............................................................. 41
BAGIAN 4 ARSITEKTUR BUSINESS INTELLIGENCE ............................... 48
A. PENDAHULUAN .......................................................................... 48
B. KONSEP DASAR ARSITEKTUR BUSSINESS INTELLIGENCE ............ 52
C. ELEMEN KUNCI ARSITEKTUR BUSINESS INTELLIGENCE .............. 57
D. FUNGSI DAN PENTINGNYA BUSINESS INTELLIGENCE................. 60
BUSINESS INTELEGENT iv
E. MODEL ARSITEKTUR BUSINESS INTELLIGENCE........................... 61
BAGIAN 5 TOOLS DAN PLATFORM BUSINESS INTELLIGENCE .............. 71
A. BEBERAPA TOOLS DAN PLATFORM BUSINESS INTELLIGENCE .... 71
B. TABLEAU ..................................................................................... 72
C. POWER BI.................................................................................... 74
D. QLIKVIEW DAN QLIC SENSE ........................................................ 76
E. GOOGLE DATA STUDIO ............................................................... 77
F. S A S ............................................................................................ 80
BAGIAN 6 KONSEP DASAR DATA WAREHOUSE .................................. 82
A. PENGERTIAN DAN MANFAAT ..................................................... 82
B. SEJARAH DATA WAREHOUSE ..................................................... 84
C. KARAKTERISTIK ........................................................................... 86
D. ARSITEKTUR DATA WAREHOUSE ................................................ 92
BAGIAN 7 STRATEGI PENGEMBANGAN PRODUK ............................... 95
A. PENGERTIAN STRATEGI .............................................................. 95
B. PENGERTIAN PRODUK ................................................................ 98
C. STRATEGI PENGEMBANGAN PRODUK...................................... 101
D. HUBUNGAN STRATEGI PENGEMBANGAN PRODUK DAN
TECHNOPRENEURSHIP ............................................................. 103
BAGIAN 8 PENERAPAN BUSINESS INTELLIGENCE DALAM
PENGAMBILAN KEPUTUSAN ........................................................... 107
A. PENGERTIAN BUSINESS INTELLIGENCE .................................... 107
B. TUJUAN PENERAPAN BUSINESS INTELLIGENCE DALAM
PENGAMBILAN KEPUTUSAN ..................................................... 111
C. MANFAAT BUSINESS INTELLIGENCE ......................................... 113
D. PENERAPAN BUSINESS INTELLIGENCE DALAM
PENGAMBILAN KEPUTUSAN ..................................................... 115
E. CONTOH BUSINESS INTELLIGENCE DALAM PENGAMBILAN
KEPUTUSAN .............................................................................. 118
BUSINESS INTELEGENT v
BAGIAN 9 TANTANGAN DAN PELUANG DALAM IMPLEMENTASI
BUSINESS INTELLIGENCE ................................................................. 120
A. TANTANGAN ............................................................................. 120
B. PELUANG .................................................................................. 134
DAFTAR PUSTAKA .......................................................................... 138
TENTANG PENULIS ......................................................................... 151
BUSINESS INTELEGENT vi
BAGIAN I
PENGENALAN DAN KONSEP DASAR BUSINESS
INTELLIGENCE
A. PENGANTAR BISNIS INTELIJEN DAN KEKUATAN BISNIS

INTELIJEN
Kekuatan Bisnis Intelejen adalah ekosistem canggih alat dan teknologi

intelijen bisnis dari Microsoft. Tapi apa sebenarnya intelijen bisnis itu?
Secara sederhana, intelijen bisnis adalah tentang memanfaatkan data
untuk membuat keputusan yang lebih baik. Ini dapat mengambil
banyak bentuk dan tidak harus terbatas pada bisnis saja. Dengan
menggunakan data dalam kehidupan pribadi untuk membuat
keputusan yang lebih baik juga. Misalnya, jika sedang merombak
kamar mandi, maka mendapat banyak penawaran dari berbagai
perusahaan. Harga dan perincian dalam penawaran ini adalah
potongan data yang memungkinkan dalam membuat keputusan
berdasarkan informasi tentang perusahaan mana yang akan dipilih.
Demikian juga dapat meneliti perusahaan-perusahaan ini secara
online. Ini lebih banyak data yang pada akhirnya mendukung
keputusan. Dalam bab ini, mengeksplorasi konsep dasar intelijen
bisnis, serta mengapa intelijen bisnis penting bagi organisasi.
Topik-topik berikut akan dibahas dalam bab ini:
BUSINESS INTELEGENT 1
B. KONSEP KUNCI INTELIJEN BISNIS
Kecerdasan bisnis, dalam konteks organisasi, berkisar pada membuat

keputusan yang lebih baik tentang bisnis. Organisasi peduli dengan
apa yang dapat membuat bisnis lebih efektif, efisien, dan
menguntungkan. Ada banyak pertanyaan yang perlu dijawab oleh
bisnis setiap hari, dan bisnis ini memerlukan data yang digabungkan
dengan alat dan teknik intelijen bisnis untuk menjawab pertanyaan
ini dan membuat keputusan operasional dan strategis yang efektif.
Sementara intelijen bisnis adalah subjek yang sangat luas, konsep
kunci intelijen bisnis dapat dipecah menjadi lima bidang: Domain,
Informasi, Model, Analisis, Visualisasi
Domain
Domain hanyalah konteks di mana intelijen bisnis diterapkan.
Sebagian besar bisnis terdiri dari fungsi atau departemen bisnis yang
relatif standar, seperti berikut ini Penjualan, Pemasaran,
Manufaktur/Produksi, Logistik, Penelitian dan Pengembangan,
Pembelian, Sumber Daya Manusia, Akuntansi/Keuangan. Masing-
masing fungsi atau departemen bisnis ini mewakili domain di mana
intelijen bisnis dapat digunakan untuk menjawab pertanyaan yang
dapat membantu kita membuat keputusan yang lebih baik.
Domain membantu mempersempit fokus mengenai pertanyaan
mana yang dapat dijawab dan keputusan apa yang perlu dibuat.
Misalnya, dalam konteks penjualan, sebuah bisnis mungkin ingin
mengetahui staf penjualan yang mana berkinerja lebih baik dan
personil penjualan mana yang berkinerja lebih buruk. Kecerdasan
bisnis dapat memberikan wawasan ini serta membantu menentukan
aktivitas mana yang memungkinkan profesional penjualan tertentu
mengungguli yang lain. Informasi ini kemudian dapat digunakan
untuk melatih dan membimbing tenaga penjualan yang kinerjanya
lebih buruk. Dalam konteks pemasaran, bisnis dapat menggunakan
kecerdasan bisnis untuk menentukan jenis kampanye/promosi
pemasaran seperti email, radio, media cetak, TV, dan web, yang
paling efektif dalam menarik pelanggan baru. Ini kemudian
menginformasikan bisnis di mana mereka harus membelanjakan
anggaran pemasaran mereka. Dalam konteks manufaktur, sebuah
bisnis dapat menggunakan business intelligence untuk menentukan
mean time between failure (MTBF) untuk mesin yang digunakan
dalam produksi barang. Informasi ini dapat digunakan oleh bisnis
untuk menentukan apakah pemeliharaan pencegahan akan
bermanfaat dan seberapa sering pemeliharaan pencegahan tersebut
harus dilakukan.
Jelas, ada banyak contoh di mana intelijen bisnis dapat membuat

organisasi lebih efisien, efektif, dan menguntungkan. Memutuskan
domain untuk menggunakan teknik intelijen bisnis adalah langkah
kunci dalam memungkinkan usaha intelijen bisnis dalam organisasi
karena domain menentukan pertanyaan kunci mana yang dapat
dijawab, kemungkinan manfaat, serta data mana yang diperlukan
untuk menjawab pertanyaan tersebut.
Informasi
Setelah domain diputuskan, langkah selanjutnya adalah
mengidentifikasi dan memperoleh data yang berkaitan dengan
domain tersebut. Ini berarti mengidentifikasi sumber data yang
relevan. Sumber-sumber ini mungkin internal atau eksternal
organisasi dan mungkin terstruktur, tidak terstruktur, atau semi-
terstruktur.
• Data internal dan eksternal
Data internal adalah data yang dihasilkan dalam organisasi
melalui proses dan operasi bisnisnya. Proses bisnis ini dapat
menghasilkan volume data yang besar yang spesifik untuk
operasi organisasi tersebut. Data ini dapat berupa pendapatan
bersih, penjualan ke pelanggan, akuisisi pelanggan baru,
pergantian karyawan, unit yang diproduksi, biaya bahan baku,
dan lebih banyak deret waktu atau informasi transaksional. Data
historis dan terkini ini berharga bagi organisasi jika mereka ingin
mengidentifikasi pola dan tren, serta untuk peramalan dan
perencanaan masa depan. Yang penting, semua data yang
relevan dengan domain dan pertanyaan hampir tidak pernah
disimpan dalam satu sumber data; organisasi pasti memiliki
berbagai sumber data yang relevan. Selain data internal, intelijen
bisnis paling efektif bila data internal digabungkan dengan data
eksternal. Yang terpenting, data eksternal adalah data yang
dihasilkan di luar batas operasi organisasi. Data eksternal
tersebut mencakup hal-hal seperti kinerja ekonomi global bisnis
secara keseluruhan, informasi sensus, dan harga pesaing. Semua
data ini ada terlepas dari organisasi tertentu.
Setiap domain dan pertanyaan akan memiliki data internal dan
eksternal yang relevan dan tidak relevan untuk menjawab
pertanyaan yang ada. Demikian pula, data eksternal yang
menunjukkan pertumbuhan ekonomi secara keseluruhan
mungkin juga sangat relevan sementara data seperti biaya bahan
baku mungkin sangat tidak relevan.
• Data terstruktur, tidak terstruktur, dan semi terstruktur

Data terstruktur adalah data yang sesuai dengan spesifikasi tabel
yang agak formal dengan baris dan kolom. Pikirkan sebuah
spreadsheet di mana Anda mungkin memiliki kolom untuk ID
transaksi, pelanggan, unit yang dibeli, dan harga per unit. Setiap
baris mewakili transaksi penjualan. Sumber data terstruktur
adalah sumber termudah untuk alat intelijen bisnis untuk
dikonsumsi dan dianalisis. Data tidak terstruktur secara efektif
kebalikan dari data terstruktur. Data tidak terstruktur tidak dapat
diatur ke dalam tabel sederhana dengan baris dan kolom. Data
tersebut mencakup hal-hal seperti video, audio, gambar, dan
teks. Dokumen pengolah kata, email, postingan media sosial,
dan halaman web juga merupakan contoh data yang sebagian
besar tidak terstruktur. Sumber data tidak terstruktur adalah jenis
sumber yang paling sulit untuk digunakan dan dianalisis oleh alat
intelijen bisnis. Data tidak terstruktur juga mencakup apa yang
disebut database NoSQL, yang mencakup penyimpanan data
seperti database dokumen, database grafik, dan penyimpanan
nilai kunci. Basis data ini dirancang khusus untuk menyimpan
data yang tidak terstruktur. Data semi-terstruktur memiliki
struktur tetapi tidak sesuai dengan definisi formal data
terstruktur, yaitu tabel dengan baris dan kolom. Semi-sumber
data terstruktur memiliki struktur yang menentukan sendiri yang
membuatnya lebih mudah untuk dikonsumsi dan dianalisis
daripada sumber data tidak terstruktur, tetapi membutuhkan
lebih banyak pekerjaan daripada sumber data terstruktur yang
sebenarnya
Sebagian besar alat intelijen bisnis, seperti Power Bisnis Intelijen,

dioptimalkan untuk menangani data terstruktur dan semi
terstruktur. Sumber data terstruktur terintegrasi secara native
dengan cara alat intelijen bisnis dirancang. Selain itu, alat
intelijen bisnis dirancang untuk menyerap sumber data semi-
terstruktur dan mengubahnya menjadi data terstruktur. Data
tidak terstruktur lebih sulit tetapi bukan tidak mungkin untuk
dianalisis dengan alat intelijen bisnis. Faktanya, Power Bisnis
Intelijen memiliki sejumlah fitur yang dirancang untuk
memudahkan penyerapan dan analisis sumber data yang tidak
terstruktur. Namun, menganalisis data yang tidak terstruktur
tersebut memiliki keterbatasan.
Model
Model atau model data, mengacu pada cara di mana satu atau lebih
sumber data diatur untuk mendukung analisis dan visualisasi. Model
dibangun dengan mengubah dan membersihkan data, membantu
menentukan tipe data dalam sumber tersebut, serta definisi kategori
data untuk tipe data tertentu. Model bisa sangat sederhana, seperti
tabel tunggal dengan kolom dan baris. Namun, intelijen bisnis
hampir selalu melibatkan banyak hal tabel data, dan paling sering
melibatkan banyak tabel data yang berasal dari berbagai sumber.
Dengan demikian, model menjadi lebih kompleks karena berbagai
sumber dan tabel data harus digabungkan menjadi satu kesatuan
yang kohesif. Hal ini dilakukan dengan mendefinisikan bagaimana
masing-masing sumber data yang berbeda berhubungan satu sama
lain.
Analisis
Setelah domain dipilih dan sumber data digabungkan menjadi
model, langkah selanjutnya adalah melakukan analisis data. Ini
adalah proses kunci dalam intelijen bisnis karena ini adalah saat Anda
mencoba menjawab pertanyaan yang relevan dengan bisnis
menggunakan data internal dan eksternal. Hanya memiliki data
tentang penjualan tidak langsung berguna untuk bisnis. Untuk
memprediksi pendapatan penjualan di masa depan, penting bahwa
data tersebut dikumpulkan dan dianalisis dalam beberapa bentuk.
Misalnya, analisis dapat menentukan rata-rata penjualan suatu
produk, frekuensi pembelian, dan pelanggan mana yang lebih sering
membeli daripada yang lain. Ini adalah informasi yang
memungkinkan pengambilan keputusan yang lebih baik oleh suatu
organisasi. Analisis data dapat mengambil banyak bentuk, seperti
mengelompokkan data, membuat agregasi sederhana seperti
penjumlahan, hitungan, dan rata-rata, serta membuat perhitungan
yang lebih kompleks, mengidentifikasi tren, korelasi, dan peramalan.
Sering kali, organisasi memiliki, atau ingin memiliki, indikator kinerja
utama (KPI), yang dilacak oleh bisnis untuk membantu menentukan
kesehatan atau kinerja organisasi. KPI dapat mencakup hal-hal seperti
tingkat retensi karyawan, skor promotor bersih, akuisisi pelanggan
baru per bulan, margin kotor, dan Penghasilan Sebelum Bunga,
Pajak, Depresiasi, dan Amortisasi (EBITDA). KPI semacam itu
umumnya mengharuskan data dikumpulkan, perhitungan dilakukan
di atasnya, atau keduanya. Agregasi dan perhitungan ini disebut
metrik atau ukuran dan digunakan untuk mengidentifikasi tren atau
pola yang dapat menginformasikan pengambilan keputusan bisnis.
Dalam beberapa kasus, alat analisis lanjutan seperti bahasa
pemrograman, pembelajaran mesin dan kecerdasan buatan,
penambangan data, analitik streaming, dan analitik tidak terstruktur
diperlukan untuk mendapatkan wawasan yang tepat.
Visualisasi
Konsep kunci terakhir dalam intelijen bisnis adalah visualisasi, atau
presentasi aktual dari analisis yang sedang dilakukan. Manusia
berorientasi visual dan dengan demikian harus dapat melihat hasil
analisis yang dilakukan dalam bentuk grafik, laporan, dan
dashboard/ pedoman instrumen. Ini dapat berupa tabel, matriks,
diagram lingkaran, grafik batang, dan tampilan visual lainnya yang
membantu memberikan konteks dan makna pada analisis. Dengan
cara yang sama seperti sebuah gambar bernilai ribuan kata, visualisasi
memungkinkan ribuan, jutaan, atau bahkan triliunan titik data
individu untuk disajikan secara ringkas yang mudah dikonsumsi dan
dimengerti. Visualisasi memungkinkan analis atau penulis laporan
membiarkan data bercerita. Kisah ini menjawab pertanyaan yang
awalnya diajukan oleh bisnis dan dengan demikian memberikan
wawasan yang memungkinkan organisasi membuat keputusan yang
lebih baik. Bagan atau visualisasi individu biasanya menampilkan
agregasi, KPI, dan/atau kalkulasi lain dari data pokok yang telah
dirangkum oleh beberapa bentuk pengelompokan. Bagan ini
dirancang untuk menampilkan aspek atau metrik tertentu dari data
dalam konteks tertentu. Misalnya, satu bagan mungkin menampilkan
jumlah pengunjung situs web menurut negara, sementara bagan lain
mungkin menampilkan jumlah kunjungan halaman situs web per
browser. Alat intelijen bisnis memungkinkan beberapa tabel dan
bagan individual digabungkan pada satu halaman atau laporan. Alat
intelijen bisnis modern seperti Power Bisnis Intelijen mendukung
interaktivitas antara visualisasi individu untuk lebih membantu dalam
proses penemuan dan analisis. Interaktivitas ini memungkinkan
konsumen laporan untuk mengklik bagian dari masing-masing
visualisasi seperti bagan batang, peta, dan tabel untuk menelusuri
informasi yang telah disajikan atau menentukan pengaruh antara
bagian diagram tersebut dan visualisasi lainnya pada laporan.
C. KONSEP, KOMPONEN, dan APLIKASI KECERDASAN BISNIS
Bisnis perlu memahami data pribadi, transaksional, perilaku, atau

sikap yang mereka hasilkan. Menguraikan informasi ini
membutuhkan pemahaman yang kuat tentang konsep intelijen bisnis
dan perangkat lunak yang kuat. Untuk itu, perlu menjelajahi ide-ide
ini dan mendapatkan kejelasan tentang cara kerja alat Bisnis Intelijen.
1. Apa itu Intelijen Bisnis?
Proses intelijen bisnis menganalisis data dan memberikan wawasan
yang dapat ditindaklanjuti yang membantu manajer dan eksekutif
membuat keputusan yang tepat.
Bisnis Intelijen melibatkan beberapa hal seperti mengumpulkan
informasi dari sumber internal dan eksternal, mempersiapkan data
untuk analisis, menjalankan kueri, membuat visualisasi, laporan, dan
dasbor atau pedoman instrumen yang intuitif.
Untuk mengetahui proses intelijen bisnis dapat dilihat dari beberapa
hal berikut :
1. Gudang data menyimpan seluruh data organisasi, sedangkan data
pasar menyimpan subset informasi untuk departemen tertentu.
2. Data Bisnis Intelijen mencakup informasi real-time dan historis dari
berbagai sumber, termasuk file log, teks, dan data sensor yang
digabungkan ke dalam gudang. Untuk dapat menganalisis
informasi ini untuk menggali tren dan pola sambil membuat
prakiraan yang akurat.
3. Proses ini menyaring informasi yang tidak relevan, menimbang
risiko saat ini dan masa depan, melakukan analisis biaya-manfaat
dan menemukan tindakan yang masuk akal.
4. Gambarkan hasil analisis sebagai visualisasi yang kuat sambil
menyusun cerita data yang meyakinkan.
Untuk memahami intelijen bisnis secara mendalam dengan melihat

beberapa kasus penggunaan berikut:
• Informasi dan statistik mengungkap tren pasar-bandingkan
angka penjualan triwulanan untuk melihat apakah produk
tertentu tumbuh atau berkurang.
• Periksa penjualan dari tahun ke tahun di berbagai wilayah
geografis untuk mengidentifikasi wilayah dengan kinerja
tertinggi dan memahami taktik penjualan atau kampanye
pemasaran apa yang meningkatkan penjualan.
• Buat representasi visual seperti bagan atau grafik untuk
mengungkap tren pasar saham sambil membuat keputusan
berdasarkan data.
• Analisis bagaimana-jika memungkinkan Anda menghitung
perbedaan hasil ketika satu atau lebih variabel berubah.
Misalnya, bagaimana diskon memengaruhi pendapatan
penjualan selama sebulan.
2. Konsep Intelijen Bisnis

Empat konsep dasar intelijen bisnis adalah sebagai berikut:
a. Ekstrak Data Mentah
Komponen pertama dari solusi Bsnis Intelijen adalah data dari
catatan penjualan, laporan laba rugi, detail gaji, dan lainnya.
Data organisasi ada di berbagai sistem, termasuk CRM, ERP,
file datar, dan lainnya. Karena fragmentasi ini, solusi Bisnis
Intelijen hadir dengan konektor yang kuat untuk memusatkan
segalanya untuk analisis lanjutan.
b. Konsolidasi Informasi
Gudang data mengintegrasikan database yang berbeda untuk
membuat hubungan. Data mengalir ke gudang dari berbagai
sumber, termasuk sistem transaksional, basis data relasional,
dan lainnya.
c. Mengakses dan Menganalisis Data
Setelah data terkonsolidasi di satu lokasi, penting untuk
memahaminya. Di sini, solusi Bisnis Intelijen mengakses
informasi, menginterpretasikannya untuk tren dan pola, dan
menyajikannya secara intuitif.
d. Buat Pedoman Instrumen dan Laporan
Pedoman Instrumen dan laporan mengambil informasi yang
rumit dan tidak dapat dipahami dan menampilkannya
sebagai pola, tren, dan wawasan yang dapat dicerna. Alat-
alat ini memfasilitasi kolaborasi dalam organisasi untuk
berbagi temuan dan penemuan.
3. Komponen
a. OLAP (On-line Analytical Processing )
Data kueri di berbagai dimensi untuk mengukur berbagai
sudut pandang. OLAP menawarkan tampilan ringkasan data
bisnis yang digunakan untuk pelaporan, analisis, pemodelan,
dan perencanaan. Beberapa operasi OLAP yang berbeda
termasuk roll up, drill down, slice and dice, dan pivot.
Misalnya, pemangku kepentingan dapat meminta laporan
penjualan tas laptop pada bulan Juli di Asia Tenggara dan
membandingkan pendapatan untuk produk tersebut setiap
bulan.
b. Analisis Lanjutan
Komponen ini mencakup teknik seperti pemodelan prediktif,
pembelajaran mesin, pembelajaran mendalam, otomatisasi
proses bisnis, dan teknik statistik lainnya untuk menggali tren,
pola, karakteristik, dan anomali dari berbagai sumber data.
Ini memastikan peramalan yang akurat, mempercepat
pengambilan keputusan, meningkatkan manajemen risiko,
dan mengidentifikasi peluang baru.
c. Manajemen Kinerja Perusahaan
Pedoman instrumen atau dasbor menyatukan beberapa
metrik yang terkait dengan kinerja bisnis untuk
menyampaikan cerita data. Misalnya, pedagang saham
mengawasi instrumen keuangan untuk melacak fluktuasi
pasar, menganalisis tren harga saham jangka pendek dan
jangka panjang, dan menciptakan peluang investasi.
4. Aplikasi dari Bisnis Intelijen diperlukan untuk :
a. Menganalisis Siklus Penjualan
Manfaatkan analitik penjualan untuk melihat kinerja
perwakilan penjualan. Ukur siapa yang berhasil dan gagal
sambil meningkatkan proses yang ada dalam organisasi.
Gunakan pedoman instrumen penjualan untuk menganalisis
siklus penjualan dan membandingkan kinerja manajer.
b. Mengidentifikasi Perilaku Pelanggan
Analisis aktivitas pelanggan di situs web Anda dan bagaimana
mereka menanggapi kampanye atau promosi pemasaran.
Periksa saluran akuisisi pelanggan mana yang mendorong
pendapatan. Berinvestasi di saluran berkinerja tinggi untuk
menarik pelanggan yang menguntungkan.
c. Merencanakan Kegiatan Pemasaran
Manfaatkan analitik prediktif untuk mengidentifikasi
kampanye yang efisien. Ukur performa berbagai promosi
berdasarkan tujuan yang telah ditentukan sebelumnya.
d. Tingkatkan Pengalaman Layanan Pelanggan
Tampilkan KPI layanan pelanggan, termasuk waktu respons
rata-rata, untuk meningkatkan layanan pelanggan, pelatihan
internal, dan inisiatif pengembangan.
D. PENTINGNYA INTELIJEN BISNIS.
Intelijen bisnis memiliki peranan penting dalam suatu organisasi. Hal

ini dapat dilihat dari :
• Memberikan Wawasan Berbasis Data seperti konsep bisnis
intelijen di atas membantu organisasi meningkatkan komunikasi
di dalam dan di luar, memecahkan masalah, menganalisis data,
dan memastikan profitabilitas bisnis dengan wawasan berharga
yang dibuat dari data internal.
• Tetapkan Sasaran Tolok Ukur yang dapat ditindaklanjuti untuk
mendorong kinerja. Merumuskan strategi yang efektif untuk
mencapai tujuan yang telah ditentukan sebelumnya. Evaluasi
kemajuan melalui KPI yang kuat untuk meningkatkan
pendapatan dan ROI.
• Memprediksi Tren dan pola secara akurat untuk memitigasi
risiko dan memanfaatkan keuntungan sebelum pesaing Anda.
• Ciptakan Visual yang Kuat dengan cara mengembangkan
visualisasi untuk menyampaikan cerita data. Ekstrapolasi
informasi yang dapat digunakan dari kumpulan data kompleks
dan sajikan kepada pemangku kepentingan dan anggota tim
untuk diskusi dan perencanaan.
E. MANFAAT UTAMA DARI BISNIS INTELIJEN
Kecerdasan bisnis menawarkan manfaat yang sangat besar, seperti

waktu respons yang lebih cepat terhadap perubahan kondisi
keuangan, preferensi pelanggan, dan gangguan rantai pasokan.
Beberapa manfaat penting lainnya dari Bisnis Intelijen di berbagai
industri antara lain:
• Mengidentifikasi pelanggan yang menguntungkan dan menyusun
strategi untuk memitigasi churn. Buat rencana pemasaran yang
kuat untuk menarik pelanggan baru.
• Melakukan penilaian kredit yang akurat untuk mengukur
profitabilitas pelanggan dan mengekang perilaku curang.
• Tentukan pembelian apa yang ingin dilakukan pelanggan dan
kapan mereka ingin membeli berdasarkan aktivitas masa lalu.
• Dalam industri asuransi, tetapkan tarif yang tepat untuk premi.
• Dalam industri medis, menganalisis uji klinis untuk obat dan
senyawa baru.
• Memanfaatkan pemeliharaan prediktif untuk mengurangi waktu
henti peralatan.
Bisnis Intelijen real-time memfasilitasi akses ke informasi terkini untuk

melakukan pengambilan keputusan strategis. Sebuah organisasi
mempertimbangkan ekspansi ke pasar yang berbeda
menggabungkan data dari berbagai sumber untuk membuat
keputusan yang tepat. Penyiapan ini memerlukan gudang data yang
menggabungkan data dari penjualan, pemasaran, keuangan, operasi,
dan rantai pasokan.
Jadi mempraktikkan konsep intelijen bisnis dasar ini, membantu

menyaring keresahan untuk menemukan informasi berharga dan
mengatasi persaingan. Alat Bisnis Intelijen menawarkan pengenalan
pola tingkat lanjut, kecerdasan buatan, dan kemampuan
pembelajaran mesin untuk memfasilitasi pelacakan penjualan waktu
nyata, menemukan wawasan konsumen, memprediksi pendapatan,
dan lainnya.
BAGIAN 2
KONSEP DASAR KEBUTUHAN BISNIS DAN DATA BUSINESS
INTELLIGENCE
A. KEBUTUHAN BISNIS DAN ORGANISASI
Pada abad ke-21, lingkungan bisnis telah mengalami berbagai

perubahan yang signifikan. Perubahan ini memiliki dinamika yang
mendorong organisasi bisnis untuk mengadaptasi diri demi
kelangsungan mereka. Terdapat berbagai faktor yang memiliki
pengaruh terhadap perubahan yang terjadi di dalam lingkungan
bisnis. Salah satu faktor utama yang menjadi pendorong perubahan
ini adalah globalisasi (Mellita & Elpanso, 2020). Globalisasi terjadi
ketika batasan geografis dan waktu di seluruh dunia menjadi semakin
samar, bahkan hampir terhapuskan. Kemajuan teknologi informasi
dan telekomunikasi juga memainkan peran yang sangat penting
dalam proses ini. Dengan bantuan internet, kita dapat berkomunikasi
dan bertukar informasi dengan cepat, mudah, dan biaya yang
terjangkau.
Perubahan dinamika ini telah memberikan dampak signifikan pada

kondisi pasar saat ini. Persaingan antara perusahaan dalam suatu
industri semakin meningkat secara intensif. Akses yang lebih mudah
terhadap informasi mendorong setiap perusahaan untuk mengadopsi
strategi yang lebih kreatif dan dinamis, guna memastikan bahwa
model bisnis mereka tidak mudah ditiru oleh pesaing (Firmansyah et
al., 2022). Setiap perusahaan berupaya untuk memperoleh
keunggulan kompetitif yang memungkinkan mereka meraih
keberhasilan dalam persaingan dan memperoleh pangsa pasar yang
signifikan. Salah satu pendekatan yang dapat diambil dalam
mencapai hal ini adalah melalui implementasi e-business atau e-
commerce. Dengan memanfaatkan dukungan teknologi informasi,
transaksi jual beli dapat dilakukan secara real-time, sehingga
perusahaan dapat meraih pasar yang lebih luas.
Selain itu, terdapat perubahan yang terjadi pada konsumen. Posisi

tawar pelanggan saat ini semakin kuat dibandingkan dengan masa
lalu (Rizki, 2020). Kemudahan akses terhadap informasi dan
peningkatan jumlah pilihan yang tersedia di pasar telah
menyebabkan penurunan loyalitas terhadap produk tertentu.
Pelanggan dapat dengan mudah beralih ke produk lain yang
menawarkan nilai yang lebih baik dalam hal kualitas, harga, atau
layanan. Pelanggan juga cenderung memiliki tuntutan yang lebih
tinggi saat ini. Mereka secara terus-menerus mengharapkan adanya
personalisasi produk atau layanan yang ditawarkan, serta secara
konsisten membandingkannya dengan produk lain.
Beberapa faktor perubahan dalam lingkungan bisnis, sebagaimana

terlihat dalam Gambar 2.1, tidak dapat dihindari dan menarik
perhatian dunia bisnis. Perubahan ini dapat dianalisis dari dua
perspektif: sebagai tekanan atau peluang. Perubahan dalam
lingkungan bisnis memiliki potensi untuk menciptakan tekanan
karena perusahaan-perusahaan dituntut untuk beradaptasi demi
kelangsungan hidup mereka di industri tersebut. Ketidakresponsifan
atau keterlambatan dalam menghadapi perubahan ini dapat
membahayakan kelangsungan bisnis mereka. Misalnya, dalam
industri ponsel cerdas/smartphone, dapat dilihat bagaimana Nokia
dan Blackberry, yang dulunya menjadi pemimpin pasar, kehilangan
dominasi mereka. Kedua perusahaan ini lambat dalam menyesuaikan
diri dengan perubahan di pasar, di mana konsumen mulai beralih ke
sistem operasi Android dan iOS yang berkembang pesat. Selama
masa transisi tersebut, Nokia terus mengandalkan sistem operasi
Symbian mereka, sementara Blackberry tetap menggunakan
BlackberryOS, yang pada akhirnya menyebabkan mereka secara
perlahan kehilangan daya saing (Lamberg et al., 2021; Miller, 2023).
Gambar 2.1. Faktor Pengubah Lingkungan Bisnis dan Respon

Organisasi (Sumber : Sharda et al., 2014)
Di sisi lain, perubahan dalam lingkungan bisnis juga dapat menjadi

peluang bagi inovasi dan perolehan pasar. Dalam industri
smartphone, terdapat sejumlah pemain baru yang mengganggu
dominasi para pemain mapan. Ini membuka peluang yang luas bagi
perusahaan-perusahaan yang dapat menyesuaikan strategi mereka
dengan perubahan dalam lingkungan bisnis, untuk merebut pasar.
Karena itu, penting bagi perusahaan saat ini untuk merespons setiap
perubahan yang terjadi dalam lingkungan bisnis secara cepat
(Azzahra, 2021). Manajemen, sebagai pengambil keputusan, harus
bersikap reaktif, antisipatif, adaptif, dan proaktif dalam menghadapi
perubahan ini. Mereka tidak boleh bersikap pasif dan berakhir
terlambat dalam mengambil tindakan atau mengambil keputusan.
Kita dapat membandingkan perusahaan dengan tubuh manusia.
Ketika manusia mulai merasa tidak sehat dan mengalami gejala awal
penyakit, mereka segera mengambil tindakan pencegahan untuk
menghindari sakit. Misalnya, mereka mengonsumsi makanan bergizi,
mengambil suplemen vitamin, dan beristirahat yang cukup. Mereka
selalu berusaha untuk tidak sakit karena konsekuensinya lebih parah
dan biaya pengobatannya lebih tinggi. Begitu juga, sebuah organisasi
harus dapat mengidentifikasi gejala atau perubahan yang terjadi
dalam lingkungan bisnisnya. Dengan demikian, manajemen dapat
memberikan respons yang lebih baik secara cepat.
Beberapa respons yang dapat diambil oleh manajemen mencakup

perencanaan strategis, adopsi model bisnis terkini dan inovatif,
peningkatan proses bisnis, terlibat dalam kemitraan bisnis,
meningkatkan sistem informasi perusahaan, meningkatkan
kolaborasi, mendorong inovasi dan kreativitas, meningkatkan
pelayanan dan hubungan dengan pelanggan, bertransisi ke
perdagangan elektronik, menerapkan skema produksi baru,
mengimplementasikan teknologi informasi (TI) untuk memperbaiki
komunikasi, pengaksesan data (utilisasi informasi), dan kolaborasi,
menanggapi pesaing dengan cepat (dalam hal penetapan harga,
promosi, produk, dan layanan baru), otomatisasi berbagai kegiatan,
otomatisasi proses pengambilan keputusan tertentu, dan
meningkatkan proses pengambilan keputusan.
B. KONSEP BUSINESS INTELLIGENCE
Kemampuan suatu perusahaan dalam bersaing dalam kompetisi

secara tanpa keraguan dipengaruhi oleh respons mereka dalam
pengambilan keputusan. Pengambilan keputusan yang optimal
memerlukan adanya informasi pendukung yang relevan terkait
dengan kondisi internal organisasi dan kondisi eksternal lingkungan
bisnis. Mengingat bahwa lingkungan bisnis saat ini semakin dinamis
dan berubah dengan cepat, sistem pendukung tersebut harus
memiliki kemampuan untuk menyampaikan perubahan yang terjadi
secara cepat dan efektif.
Business intelligence, yang dikenal luas sebagai evolusi sistem

pendukung keputusan, pada dasarnya bertujuan untuk menyediakan
akses interaktif ke data, memungkinkan manipulasi data, dan
memberdayakan manajer untuk melakukan analisis bisnis
(Rudiawan, 2021). Dengan kemampuan untuk menganalisis data,
kinerja, dan lingkungan bisnis, manajer dapat membuat keputusan
yang lebih baik. Secara umum, Business intelligence adalah istilah
umum yang menggabungkan berbagai arsitektur, teknik, alat analisis,
aplikasi, dan metodologi yang memungkinkan akses mudah ke data
untuk membantu manajer dalam melakukan analisis bisnis (Bentley,
2017). Business intelligence membantu dalam mengubah data
menjadi informasi (dan pengetahuan), yang kemudian mengarah
pada pengambilan keputusan dan pada akhirnya menghasilkan
tindakan (Sherman, 2015).
C. KAPABILITAS BUSINESS INTELLIGENCE
Business intelligence merupakan istilah payung yang mencakup

berbagai kapabilitas (Grossmann & Rinderle-Ma, 2015), seperti yang
ditunjukkan dalam Gambar 2.2.
Gambar 2.2. Kapabilitas Business intelligence

(Sumber : Sharda et al., 2014)
1. Spreadsheet
Spreadsheet (lembar kerja) adalah alat yang sederhana dan user-
friendly yang berguna untuk menyusun laporan. Alat ini
memungkinkan pengguna untuk dengan mudah mengurutkan
data dan membuat grafik. Fitur-fitur ini memberikan bantuan
bagi manajer dalam proses pengambilan keputusan. Namun,
walaupun penggunaannya yang mudah, lembar kerja memiliki
beberapa kelemahan, di antaranya adalah efisiensi yang kurang
(menghabiskan waktu yang cukup lama untuk menyusun
laporan) dan risiko kesalahan yang relatif tinggi. Hal ini terjadi
karena pengguna dapat langsung memasukkan data ke dalam
lembar kerja tanpa adanya proses validasi.
2. Decision Support System (DSS).
Sistem Pendukung Keputusan (Decision Support System),
merupakan suatu sistem komputerisasi yang digunakan untuk
mengelola dan menganalisis data dengan menggunakan model-
model tertentu guna meningkatkan efektivitas pengambilan
keputusan. Fungsi utamanya adalah memberikan dukungan
yang terencana dan sistematis dalam pengambilan keputusan,
dengan tujuan memperkuat proses pemilihan keputusan yang
dilakukan.
3. Extract, Transform, Load (ETL)
Proses ETL adalah tahapan penting dalam manajemen data yang
melibatkan tiga langkah utama: ekstraksi data dari berbagai
sumber, transformasi data ke dalam format yang sesuai, dan
memuatnya ke dalam gudang data. Tahap ekstraksi dilakukan
dengan mengumpulkan data dari beragam sumber data.
Selanjutnya, tahap transformasi melibatkan pengubahan data
dengan melakukan penggabungan data dengan dimensi yang
serupa dan mengatur formatnya sesuai dengan kebutuhan yang
ditentukan
4. Data warehouse (DW)
Data Warehouse juga dikenal sebagai pusat penyimpanan data,
merupakan tempat utama untuk menyimpan data berharga dan
rahasia perusahaan yang digunakan untuk mendukung proses
pengambilan keputusan. Data yang terdapat di dalam DW
dikumpulkan dari berbagai sumber, baik internal maupun
eksternal, dalam berbagai format. DW digunakan sebagai sarana
untuk memperoleh informasi yang membantu manajer dalam
pengambilan keputusan serta pemecahan masalah yang
dihadapi.
5. Data Mart
Data Mart merupakan sebuah subkelompok dari Data
Warehouse yang berfungsi untuk menyimpan data-data spesifik
yang dibutuhkan oleh pengguna. Berbeda dengan gudang data
yang menyimpan semua data yang ada di perusahaan, data mart
hanya menyimpan subset data yang terkait dengan fungsi atau
divisi tertentu. Tujuan utama dari penggunaan data mart adalah
untuk memenuhi kebutuhan informasi yang spesifik dari
kelompok pengguna tertentu
6. Metadata
Metadata merujuk pada kumpulan informasi yang berkaitan
dengan data yang sedang dibahas. Metadata berfungsi untuk
memberikan deskripsi atau gambaran mengenai data tersebut.
Sebagai contoh, pada sebuah file Microsoft Word, metadata
dapat mengungkapkan informasi seperti jenis file, format,
tanggal pembuatan dan modifikasi, pemilik file, serta elemen-
elemen lainnya yang terkait.
7. Query and Reporting
Proses query and reporting melibatkan penerapan kode atau
rumus yang bertujuan untuk mengolah data dari suatu basis data
dan menyajikan informasi yang diinginkan kepada pengguna,
khususnya manajer. Dalam rangka mencapai tujuan ini,
perangkat lunak memainkan peran penting dalam mempercepat
dan meningkatkan akurasi proses transformasi data menjadi
informasi yang relevan.
8. Executive Information System (EIS)
EIS merupakan suatu sistem pendukung pengambilan keputusan
yang digunakan oleh manajer dalam menjalankan fungsinya.
Sistem ini menampilkan informasi yang krusial mengenai
berbagai aspek kegiatan bisnis perusahaan secara komprehensif,
namun disajikan dalam format yang praktis dan mudah
dimanfaatkan oleh para manajer. Umumnya, EIS menyajikan
informasi dalam bentuk yang singkat dan padat, seperti grafik
atau diagram yang memberikan gambaran visual yang jelas.
9. Financial Reporting
Financial Reporting atau pelaporan keuangan merupakan suatu
proses yang melibatkan penyajian informasi mengenai keuangan
suatu entitas bisnis. Proses ini melibatkan penyusunan laporan
keuangan yang mencakup laporan arus kas, laporan laba rugi,
dan perkiraan manajemen untuk periode yang akan datang.
Dengan menggunakan metode yang efektif dalam
mengkomunikasikan konten yang terdapat dalam laporan
keuangan tersebut, manfaat yang dapat diperoleh dari laporan
keuangan tersebut dapat dioptimalkan.
10. Online Analytical Processing (OLAP)
OLAP merupakan suatu metode analisis data yang berfokus pada
pemahaman yang lebih dalam dan komprehensif melalui
pendekatan multidimensional. Dengan penerapan OLAP, data
dapat diurai dari berbagai sudut pandang yang berbeda,
sehingga menghasilkan informasi yang lebih kaya dan beragam.
Sebagai contoh, dengan melakukan perbandingan data
penjualan secara bulanan (dalam dimensi waktu), manajer
mampu memperoleh wawasan yang lebih luas mengenai bulan
dengan tingkat penjualan tertinggi, sehingga mendapatkan
pemahaman yang lebih mendalam.
11. Dashboard
Dashboard merupakan alat yang digunakan untuk menyajikan
informasi yang singkat mengenai aktivitas atau kinerja
perusahaan melalui visualisasi atau grafik yang serupa dengan
kokpit digital kendaraan. Informasi yang terpampang pada
dasbor diperoleh dari data yang tersimpan di dalam gudang data
dan diolah sesuai dengan kebutuhan yang ada. Informasi yang
ditampilkan pada dasbor akan disesuaikan dengan kebutuhan
pengguna, seperti contohnya departemen atau divisi penjualan
yang memperoleh informasi yang berkaitan dengan penjualan.
12. Scorecard Dashboard
Scorecard Dashboard beroperasi mirip dengan dashboard,
namun juga memuat visualisasi informasi mengenai progres
menuju sasaran strategis perusahaan (target). Pendekatan yang
digunakan dalam hal ini adalah Balanced Scorecard.
13. Workflow
Workflow atau alur kerja mengacu pada rangkaian langkah-
langkah yang melibatkan sejumlah individu dalam rangka
menyelesaikan tugas-tugas perusahaan. Konsep ini
menggambarkan pola kerja berurutan, di mana setiap langkah
saling berinteraksi dan berhubungan satu sama lain. Alur kerja
seringkali diilustrasikan dalam bentuk diagram aliran, yang
memiliki manfaat dalam menggambarkan tahapan-tahapan
yang terlibat dalam proses tersebut.
14. Alert and Notification
Alert and Notification merupakan pesan peringatan yang dikirim
kepada para manajer guna mengindikasikan kondisi yang
penting (atau tidak tepat), sehingga memungkinkan mereka
untuk mengambil keputusan secara cepat. Karena para manajer
tidak mampu melakukan pemantauan terus-menerus terhadap
kondisi perusahaan, mereka mungkin melewatkan informasi-
informasi penting (atau masalah-masalah) yang berakibat pada
penundaan dalam pengambilan keputusan.
15. Data mining
Data mining merupakan suatu proses eksplorasi data yang
bertujuan untuk mengungkap informasi baru dengan
merangkum dan menggabungkannya dengan data lain yang
telah dikumpulkan. Selain itu, teknik penambangan data juga
mampu mengidentifikasi tren atau pola yang terdapat dalam
data tersebut.
16. Predictive Analytics
Predictive Analytics adalah suatu pendekatan yang melibatkan
analisis pola dalam data yang terkumpul dengan tujuan
membandingkan dan mengidentifikasi hubungan antara
berbagai jenis data. Dengan menggunakan pendekatan ini,
informasi mengenai risiko dan peluang terkait dengan tindakan
di masa depan dapat diberikan. Selain itu, analitik prediktif juga
mampu melakukan prediksi terhadap peristiwa-peristiwa masa
depan berdasarkan data yang telah diperoleh.
17. Broadcasting tools
Broadcasting tools digunakan dalam proses distribusi dan
penyebaran informasi kepada pengguna. Selain itu, peralatan
tersebut juga berperan dalam meningkatkan efektivitas
pelaporan.
18. Portal
Portal adalah sebuah sistem yang berperan dalam pengumpulan
serta penyajian semua laporan yang ada dalam suatu
perusahaan. Fungsi utama dari sistem ini adalah untuk
menampilkan laporan dan informasi dalam format yang
terstruktur seperti tabel dan grafik.
Kemampuan yang beragam dari Business intelligence adalah hasil dari

evolusinya seiring waktu. Istilah Business intelligence muncul pada
tahun 1990-an, sebelumya masih berupa Management Information
System dan Executive Information System (Nuryati et al., 2023).
Tahapan evolusi BI ini dapat dilihat pada gambar 2.3.
Gambar 2.3. Tahapan Evolusi Business intelligence

(Sumber : Sharda et al., 2014)
D. MANFAAT BUSINESS INTELLIGENCE DALAM ORGANISASI

BISNIS
MicroStrategy mengategorikan 5 jenis Business intelligence (BI) dan

menawarkan tools untuk setiap kategori (Ahmad et al., 2020).
Pengkategorian tersebut adalah sebagai berikut:
1. Pengiriman laporan dan alert.
2. Pelaporan enterprise (dengan dashboards dan scorecards).
3. Analisis cube (analisis slice-and-dice).
4. Ad-hoc queries.
5. Statistik dan data mining.
Manfaat BI menurut survey, adalah sebagai berikut:

1. Pelaporan lebih cepat dan akurat (81%)
2. Peningkatan dalam pengambilan keputusan (78%)
3. Peningkatan layanan pelanggan (56%)
4. Peningkatan pendapatan (49%)
Automation Decision System (ADS) adalah sistem berbasis aturan

yang menyediakan solusi untuk masalah manajerial yang berulang di
bidang tertentu (Langer & Landers, 2021). Contoh dari hal ini adalah
sistem persetujuan pinjaman. ADS awalnya muncul di industri aviasi,
khususnya dalam sistem optimasi pendapatan. Misalnya, penentuan
harga tiket dinamis berdasarkan permintaan yang sebenarnya. Saat
ini, banyak industri jasa memanfaatkan model penetapan harga
serupa.
BAGIAN 3
TEKNOLOGI INTELEJEN BISNIS
Pembahasan terkait teknologi Intelejen bisnis atau Business

Intelligence Technology (BI-Tech) tidak terlepas dari esensi dari
Intelejen bisnis atau Business Intelligence (BI) itu sendiri. Oleh karena
itu, sebagaimana yang telah dibahas sebelumnya, maka khusus pada
bagian 3 hanya akan sedikit mengulas dan mengingatkan kembali
tentang esensi BI yang telah disampaikan pada bagian 1.
Inti dari BI adalah pengumpulan data dari berbagai sumber,

mengubahnya dan mengolahnya menjadi informasi yang bermakna,
kemudian menyajikannya dalam format yang mudah di mengerti
(Rausch & Stumpf, 2013; Sabherwal & Becerra-Fernandez, 2013;
Sharda et al., 2020; Skyrius, 2021), sehingga dapat ditindaklanjuti
untuk keperluan bisnis (Black, 2023; Sharda et al., 2014, 2020;
Skyrius, 2021). Dengan kata lain, BI merupakan sistem untuk
mengumpulkan, menganalisis, dan menyajikan data yang digunakan
dalam pengambilan keputusan di dunia bisnis. Oleh karena itu, BI
melibatkan proses yang ilmiah dan strategi yang tepat. Selain itu, di
era industry 4.0 dan sosial 5.0 saat ini, pemanfaatan teknologi dalam
BI menjadi sebuah tuntutan yang harus dipenuhi untuk memudahkan
proses dan strateginya (Skyrius, 2021), serta juga untuk mencapai
hasil yang lebih akurat dan handal. Berdasarkan hal ini, maka terlihat
jelas bahwa antara BI dan teknologi tidak bisa dilepaskan.
A. APA ITU BI-TECH
BI-Tech merupakan serangkaian teknologi atau sebuah teknologi

yang dapat menangani proses dan strategi yang dibutuhkan dalam
seluruh proses BI. Teknologi yang digunakan pada dasarnya
merupakan teknologi yang terkait dengan dunia informatika. Oleh
karena itulah, hampir semua inovasi teknologi dalam dunia
informatika digunakan untuk kegiatan BI (Skyrius, 2021).
Teknologi yang digunakan dalam BI dapat berupa gabungan

beberapa teknologi dalam bentuk aplikasi-aplikasi yang
penggunaannya disesuaikan dengan kebutuhan proses dan
strateginya. Selain itu, penggunaan satu teknologi dalam bentuk satu
aplikasi juga dapat dilakukan apabila aplikasi tersebut mampu
menangani berbagai proses dan strategi yang dibutuhkan tersebut.
Teknologi tersebutlah yang “menggerakkan” proses BI dimana
melibatkan berbagai fungsi, perangkat, dan metodologi.
Penggambaran secara umum mengenai hal ini disajikan pada Gambar
3.1.
Perangkat BI-Tech dituntut untuk mampu memproses data yang

besar dari berbagai sumber (Nogués & Valladares, 2017; Sharda et
al., 2020; Skyrius, 2021). Data-data tersebut dapat berupa data
terstruktur maupun tidak terstruktur, yang meliputi data historis dan
juga data yang baru dikumpulkan dari sumber baru (Sharda et al.,
2020). Perangkat BI-Tech haruslah yang mampu untuk
mengumpulkan, menggabungkan, mengolah dan menyajikan data-
data yang besar dari berbagai sumber dan kondisi tersebut (Sharda et
al., 2020; Skyrius, 2021). Proses pengolahan dimulai dari indentifikasi
sampai kepada pengembangan. Kemudian proses penyajian hasil dari
BI-Tech yang dapat dengan mudah digunakan untuk memberikan
suatu inovasi atau ide yang potensial.
Gambar 3.1. Ilustrasi Teknologi sebagai “Penggerak” Proses BI

(Canva.com)
Perangkat-perangkat BI-Tech merupakan satu kesatuan yang
kompleks atau satu perangkat yang mampu melakukan seluruh
proses secara integratif dan komprehensif, seperti yang diilustrasikan
pada Gambar 3.1. Setiap tahapan memiliki karakteristik proses yang
membutuhkan aplikasi atau fitur tertentu. Berdasarkan hal ini, maka
BI-Tech dapat di klasifkasikan menjadi beberapa tipe yang akan
disajikan pada sub bagian berikut.
B. TIPE BI-TECH
Secara umum, klasifikasi jenis atau tipe dari BI-Tech dapat dilakukan
berdasarkan tahapan dari serangkaian proses BI, seperti yang
ditunjukkan pada Gambar 3.1. Tipe BI-Tech secara umum, yaitu (a)
perangkat untuk pengambilan data; (b) perangkat analisis data; (c)
perangkat untuk penyimpanan data; (d) perangkat untuk penyajian
data.
1. Perangkat Pengambilan Data
Karakteristik utama perangkat ini adalah memiliki kemampuan untuk
mengambil data yang eksplisit maupun implisit dari berbagai sumber
yang berbeda dalam jumlah yang besar (e.g. Nogués & Valladares,
2017; Sharda et al., 2020; Skyrius, 2021), Sumber data tersebut dapat
berupa sumber eksternal maupun sumber internal (Skyrius, 2021).
Perangkat ini diharapkan juga memiliki kemampuan untuk

mengorganisasi dan mengintegrasikan data-data yang dari berbagai
sumber tersebut (Sabherwal & Becerra-Fernandez, 2013; Skyrius,
2021). Data yang diperoleh akan membutuhkan pengorganisasian
yang tepat dengan format yang sesuai sebelum selanjutnya disimpan
dalam perangkat penyimpanan data.
Berikut beberapa contoh perangkat pengambilan data, antara lain:

❖ Perangkat Extract Transform Load (ETL)
Perangkat ETL mampu untuk mengekstrak data dari sumber data
yang heterogeny, kemudian mentransformasi data menjadi
format yang sesuai, yang selanjutnya dimuat ke perangkat
penyimpanan data (Nogués & Valladares, 2017; Nordeen, 2020;
Skyrius, 2021). Saat ini, perangkat ETL komersial maupun open
source sangat banyak. Bahkan ada yang menyediakan opsi
berupa layanan cloud yang berfungsi sebagai tempat
penyimpanan data secara online. Contoh ETL adalah SAS Data
Management dan Talend Data Fabric.
Gambar 3.2. Talend Data Fabric (Talend.com)
❖ Perangkat Data Mining
Perangkat ini mengekstrak atau memilah dan mengambil data
atau esensi data tertentu yang dibutuhkan dari sekumpulan data
yang berjumlah besar dan kompleks, (Sharda et al., 2014, 2020;
Skyrius, 2021; Sumathi & Sivanandam, 2006). Selanjutnya,
perangkat data mining dapat digunakan untuk identifikasi pola
dan hubungan dari data tersebut, yang kemudian dapat
dimanfaatkan untuk memprediksi tren yang berpotensi. Contoh
perangkat Data Mining adalah KNIME, Orange Data Mining,
RapidMiner.
Gambar 3.3. Orange Data Mining
❖ Perangkat Web Scraping Atau Web Data Extraction

Perangkat Web Scraping digunakan untuk mengekstrak dan
mengambil data dari halaman web dengan cara otomatis (Smith,
2019; Thapelo et al., 2021). Contoh perangkat web scraping
adalah ScrapingBee dan Octoparse (bisa mengekstrak data dari
website berbasis AJAX, JavaScript, hingga Cookies)
Gambar 3.4. Tampilan ScrapingBee & Octoparse
❖ Perangkat Streaming Data

Perangkat Streaming Data digunakan untuk mengambil data yang
dihasilkan secara terus menerus oleh ribuan sumber data, yang
biasanya mengirimkan rekaman data secara bersamaan, dan
dalam ukuran kecil (urutan Kilobyte) (Gupta & Shilpi, 2016;
Korstanje, 2022),
Gambar 3.5. Tampilan Depan Dataflow (Google Cloud)
Data streaming mencakup beragam data seperti log (Gupta &
Shilpi, 2016) yang dibuat berdasarkan aktivitas dari
penggunakaan aplikasi seluler atau web, pembelian e-niaga,
aktivitas pemain dalam game, informasi dari jejaring sosial, lantai
perdagangan keuangan, atau layanan geospasial, dan telemetri
dari perangkat yang terhubung atau instrumentasi di pusat data.
Contoh perangkat Streaming Data adalah Apache Flume, Apache
Spark Streaming, Apache Storm, dan Dataflow (Google Cloud).
2. Perangkat Analisis Data

Perangkat analisis data adalah perangkat lunak yang digunakan untuk
memproses, menganalisis, dan menginterpretasikan data dalam
rangka mendapatkan wawasan atau informasi yang berharga.
Perangkat analisis data memungkinkan pengguna untuk menggali
pola, tren, dan hubungan dalam data yang besar dan kompleks.
Perangkat analisis data dalam lingkungan BI umumnya telah
terintegrasi pada perangkat pengambilan data seperti pada
perangkat ETL dan Data Mining (Nogués & Valladares, 2017;
Nordeen, 2020; Sharda et al., 2014, 2020; Skyrius, 2021; Sumathi &
Sivanandam, 2006).
3. Perangkat untuk Penyimpanan Data atau Data Warehouse

Data Warehouse merupakan perangkat repositori fisik yang berfungsi
untuk menyimpan data dari berbagai sumber dalam jumlah yang
besar. (Nordeen, 2020; Sharda et al., 2020; Skyrius, 2021). Data
yang disimpan dalam perangkat ini dapat berupa data terstruktur,
semi- terstruktur, maupun yang tidak terstruktur (Nordeen, 2020;
Vaisman & Zimányi, 2022). Data yang disimpan adalah data yang
telah ditransformasi dan diintegrasikan, serta juga telah diproses dan
dapat digunakan oleh perangkat analisis lainnya atau lebih lanjut
maupun perangkat penyajian data. Perangkat yang berfungsi sebagai
Data Warehouse cukup banyak yang ditersedia, diantaranya
MarcLogic, Oracle, dan Amazon RedShift.
Gambar 3.6. Ilustrasi Oracle Data Warehouse (Canva.com)
4. Perangkat untuk Penyajian

Perangkat ini digunakan untuk menyajikan data secara visual agar
mudah dipahami dan digunakan untuk pengambilan keputusan.
Penyajian hasil pemrosesan data dapat berupa grafik, diagram,
infografis, visualisasi Interaktif. Banyak perangkat-perangkat yang
dapat diintegrasikan secara langsung maupun tidak langsung dengan
perangkat BI lainnya agar dapat menghasilkan penyajian tersebut.
Contohnya Tableau, Power BI, QlikView, dan Google Data Studio.
Pemilihan perangkat penyajian data tergantung pada jenis data yang
ingin disajikan, kompleksitas informasi yang ingin ditampilkan, dan
preferensi pengguna. Penggunaan beberapa perangkat yang
dikombinasikan terkadang juga dilakukan untuk memenuhi
kebutuhan penyajian data yang lebih baik.
C. MENGENAL APLIKASI BI
Seiring dengan perkembangan teknologi, telah hadir aplikasi-aplikasi

BI yang memiliki kemampuan untuk memenuhi setiap tahapan yang
dibutuhkan. Pada bagian ini akan memperkenalkan secara umum
beberapa aplikasi yang popular dan handal dalam melaksanakan
fungsi berbagai proses BI secara maksimal. Aplikasi-aplikasi tersebut
adalah:
1. Google Data Studio atau Google Looker Studio
Aplikasi ini merupakan salah satu perangkat atau layanan yang
disediakan oleh Google sejak 15 Maret 2016 (Muret, 2016; Pulipati
& Kelly, 2022) dan dapat berintegrasi dengan produk-produk
Google lainnya. Google Data Studio yang kemudian dinamakan
Google Looker Studio atau Looker Studio pada tahun 2022 (Kukreti,
2023; Lardinois, 2022; Pulipati & Kelly, 2022). Tampilan halaman
utama atau depan dari Looker Studio dapat dilihat pada Gambar 3.7.
Aplikasi berbasis web ini berfungsi untuk mengubah atau

mentransformasi dan mengintegrasikan data dari berbagai sumber
data menjadi informasi strategis melalui visualisasi data yang dapat
disesuaikan dengan berbagai kebutuhan (Google, n.d.; Kemp &
White, 2020; Kukreti, 2023; Pulipati & Kelly, 2022). Visualisasi data
yang dihasilkan menjadikan informasi yang diolah oleh Looker
Studio dapat lebih mudah dipahami dan digunakan secara lebih
tepat.
Gambar 3.7. Tampilan Halaman Utama Looker Studio
Sistem BI pada Looker Studio terbilang lengkap dan mudah untuk

digunakan, bahkan bagi para pemula. Looker Studio memiliki
interactive dashboard (Kukreti, 2023; Pulipati & Kelly, 2022),
sehingga penyusunan laporan lebih mudah dilakukan dan
dimengerti. Looker Studio dapat mengakses banyak sumber data,
seperti Analytics, App Doc, App Sheet, Big Query, dan lainnya
(Kukreti, 2023; Lakshmanan & Tigani, 2019). Dengan demikian,
informasi atau laporan yang dihasilkan mudah untuk didistribusikan
kepada anggota tim maupun klien dan juga dapat menunjukkan
perubahan yang dinamis secara faktual dan real time.
Looker Studio memiliki berbagai fitur unggulan seperti konektivitas
data yang luas, visualisasi data yang kaya, interactive dashboard,
integrasi dengan ekosistem Google, dan fasilitas untuk kolaborasi &
distribusi, (Kemp & White, 2020; Kukreti, 2023; Pulipati & Kelly,
2022).
Gambar 3.8. Contoh Tampilan Analisis Data dari Google Analytics

pada Looker Studio
Fitur konektivitas data yang luas memberikan layanan bagi para

pengguna untuk terhubung dengan berbagai sumber data, termasuk
Google Analytics, Google Sheets, Google Ads, BigQuery, dan banyak
lagi (Kukreti, 2023; Lakshmanan & Tigani, 2019). Dengan fitur ini,
para pengguna dapat mengintegrasikan dan menganalisis data dari
berbagai sumber secara komprehensif dan aktual dengan mudah.
Kemudian fitur visualisasi data pada Looker Studio menyediakan
berbagai jenis bentuk penyajian data seperti grafik batang, grafik
garis, grafik lingkaran, tabel, dan banyak lagi (Holder, 2022; Kemp
& White, 2020; Pulipati & Kelly, 2022). Fitur ini menyediakan
berbagai pengaturan agar dapat menyesuaikan tata letak, gaya, dan
tema visualisasi yang sesuai dengan kebutuhan (Kemp & White,
2020; Pulipati & Kelly, 2022).
Fitur penting lainnya yang ada pada Looker Studio adalah interactive
dashboard dan integrasi dengan ekosistem Google. Interactive
dashboard memberikan pengalaman dan kemudahan kepada
pengguna untuk menghasilkan informasi yang interaktif pada
laporan dan dashboard. Contohnya adalah penambahan filter, filter
waktu, atau pemilihan dimensi untuk memungkinkan pengguna lain
memodifikasi tampilan data sesuai kebutuhan mereka (Kemp &
White, 2020; Kukreti, 2023; Pulipati & Kelly, 2022). Adapun Looker
Studio yang terintegrasi dengan berbagai produk Google lainnya
memberikan kemudahan dan kenyamanan bagi para pengguna
untuk memanfaatkan data yang ada dalam ekosistem tersebut (Kemp
& White, 2020; Pulipati & Kelly, 2022). Contoh produk-produk lain
yang ada dalam ekosistem Google adalah Google Drive, Google
Analytics, dan lain-lain.
Fitur andalan selanjutnya dari Looker Studio adalah fasilitas

kolaborasi dan berbagi. Fitur ini memberikan kemudahan untuk
melakukan kolaborasi dan berbagai data antara anggota tim.
Pengguna dapat mengundang dan mengorganisasikan orang lain
untuk mengulas atau melihat maupun mengedit laporan dan
dashboard, serta membagikannya melalui tautan dengan izin akses
tertentu.
2. Domo
Aplikasi ini berfungsi untuk mengintegrasikan, mengelola,
menganalisis, dan menvisualisasikan data dari berbagai sumber data,
termasuk data real-time, kemudian mentransformasi data tersebut
menjadi informasi yang interaktif dan mudah dipahami (Burtenshaw,
2022; Pulipati & Kelly, 2022). Fitur-fitur Domo juga lengkap untuk
sebuah aplikasi BI, diantaranya konektivitas dan integrasi data yang
luas; visualisasi hasil pengolahan data yang beragam dan interaktif;
fitur keamanan data yang handal; fasilitas untuk kolaborasi &
distribusi; dan mobilitas yang tinggi.
Gambar 3.9. Tampilan Fitur Konektivitas Data pada Domo
Penawaran mobilitas yang tinggi pada Domo disebabkan karena
aplikasi ini tidak hanya berbasis web, tetapi juga tersedia aplikasi
Domo berbasis perangkat ponsel cerdas. Sehingga para pengguna
dapat dengan mudah mengakses fitur-fitur Domo dimanapun dan
kapanpun.
3. Tableau
Tableau merupakan aplikasi yang unggul dalam tampilan dashboard
yang dapat disusun secara interaktif. Aplikasi ini memiliki
kemampuan membuat visualisasi data dengan menganalisis data
langsung tanpa membawa data faktual dan real time secara langsung
ke dalam format pelaporan terpisah (Meier et al., 2021; Sharda et
al., 2020).
Gambar 3.10. Tampilan Fitur Konektivitas Data pada Tableau
Data yang diolah dapat ditampilkan ke dalam berbagai bentuk yang
bukan hanya interaktif dan familiar tetapi juga intuitif (Meier et al.,
2021; Milligan, 2019). Sehingga, aplikasi ini akan membantu
pengguna untuk memperoleh gambaran yang lebih dalam pada
berbagai perspektif.
Esensi fitur yang diuraikan pada Google Looker Studio maupun

Domo juga terdapat pada Tableau. Selain itu, Tableau juga memiliki
kemampuan untuk penggalian data (data mining) (Meier et al.,
2021), interaktifitas, analisis data yang dalam dan kuat (Meier et al.,
2021; Milligan, 2019) Sehingga penggunaan aplikasi ini
dimungkinkan untuk melakukan penggalian data yang lebih dalam,
menemukan wawasan baru, dan menjawab pertanyaan secara real
time.
Selain 3 aplikasi atau platform tersebut diatas, juga terdapat banyak

aplikasi lainnya, antara lain PowerBI, QlikView, SAP Business
Objects, IBM Cognos Analytics, dan lain-lain. Setiap aplikasi yang ada
akan menawarkan fitur dan kehandalan masing-masing yang
mungkin saja selalu mengalami perkembangan setiap waktunya.
Penyajian pada bagian ini tidak dimaksudkan untuk memberikan
rekomendasi khusus terhadap suatu aplikasi. Namun penulis
menyarankan, sebaiknya para praktisi BI menguasai minimal satu
aplikasi yang memungkin baginya secara mendalam. Setelah itu baru
mempelajari aplikasi lainnya yang disesuaikan dengan tren dan
kebutuhan.
BAGIAN 4
ARSITEKTUR BUSINESS INTELLIGENCE
A. PENDAHULUAN
Intelijen bisnis (Bussiness Intelligence), merupakan pengolahan data

yang khusus untuk informasi bisnis. Intelijen bisnis mempunyai
komponen berupa seperangkat teori, metodologi, proses, arsitektur,
dan teknologi yang mampu mengubah data mentah menjadi
informasi yang bermakna dan berguna untuk tujuan bisnis.
Intelijen bisnis dapat menangani sejumlah besar informasi untuk

membantu mengidentifikasi dan mengembangkan peluang baru
dalam dunia bisnis. Dengan memanfaatkan intelijen bisnis, akan
dapat mendapatkan peluang baru dan menerapkan strategi yang
efektif, sehingga mampu menghasilkan keuntungan pasar kompetitif
dan stabilitas jangka panjang.
Dengan bantuan teknologi Informasi, intelijen bisnis mampu

memberikan gambaran tentang sejarah operasi bisnis, kondisi bisnis
saat ini dan prediksi operasi bisnis dimasa datang. Fungsi umum dari
teknologi intelijen bisnis adalah melaporkan, pengolahan analisis
online, data mining, pengolahan informasi kompleks, bisnis
manajemen kinerja, analisis prediktif dan analisis preskriptif.
Istilah Bussiness Intelligence pertama kali digunakan oleh Hans Peter,

seorang peneliti di IBM, dalam sebuah artikel pada tahun 1958.
Bussiness Intelligence merupakan evolusi dari sistem pendukung
keputusan Decision Support Systems (DSS) yang dimulai pada tahun
1960 dan dikembangkan pada tahun 1980-an. Decision Support
Systems merupakan implementasi sebuah model dengan bantuan
komputer yang dirancang guna membantu pengambilan keputusan
(Executive Information Systems-EIS) dan perencanaan selanjutnya.
Metamorfosa dalam implementasi Decision Support Systems

menghasilkan sebuah sistem yang mampu mengumpulkan data dari
beragam sumber data yang berbeda (Data Warehouse), kemudian
dirancang sebuah Sistem Informasi Eksekutif (executive information
system), dari hasil executive information system dilakukan
pemrosesan analitik online (Online analytical processing) dan
akhirnya menjadi intelijen bisnis.
Business Intelligent
Online analytical
Information System
Warehouse Data
processing
Executive
Systems
Suport
Den
Gambar 4.1 Konsep Dasar Business Intelligent
Howard Dresner (1989), seorang analis Gartner Group, mengusulkan
supaya istilah intelijen bisnis digunakan untuk menggambarkan
konsep dan metodologis untuk meningkatkan pengambilan
keputusan bisnis dengan menggunakan sistem pendukung berbasis
empiris. Pada akhir tahun 1990, Bussiness Intelligence menjadi
berkembang demikian pesat.
Seringkali aplikasi Bussiness Intelligence menggunakan data yang

dikumpulkan dari data warehouse atau data mart. Sebuah gudang
data yang merupakan salinan dari data transaksional yang
memfasilitasi dukungan keputusan. Namun, tidak semua gudang data
yang digunakan untuk kepentingan Bussiness Intelligence, dan tidak
semua aplikasi Bussiness Intelligence memerlukan data Warehouse.
Saat ini istilah Bussiness Intelligence dapat dimaknai sebagai

seperangkat metodologi, proses, arsitektur, dan teknologi yang
mengubah data mentah menjadi informasi yang bermakna dan
berguna bagi penyusunan strategis yang lebih efektif untuk jangka
panjang, cara taktis untuk jangka pendek, dan cukup operasional
dalam pengambilan keputusan. Bussiness Intelligence juga berkaitan
erat dengan teknologi, seperti integrasi data, kualitas data, data
pergudangan, magister manajemen data, teks dan analisis konten.
Banyak user dan/atau stakeholder’s dalam pasar bersinggungan
segmen manajemen Informasi.
Bussiness Intelligence umumnya diimplementasikan sebagai driver

dalam mencapai tujuan bisnisdan peningkatan nilai bisnis, seperti:
Pengukuran (Measurement), sebagai aplikasi atau program yang
mampu mendorong terciptanya hirarki metrik kinerja dan
benchmarking yang menginformasikan pemimpin bisnis tentang
kemajuan menuju tujuan bisnis; Analysis (Analytics), sebagai aplikasi
atau program yang mampu membangun proses kuantitatif bisnis
sampai pada keputusan yang optimal dalam meningkatkan
pengetahuan dan mengimplementasikan dalam proses bisnis. Pada
proses analisis ini, sering melibatkan: data mining, data proccess,
analisis statistik, analisis prediktif, pemodelan prediktif, pemodelan
proses bisnis, pengolahan informasi kompleks dan analisis preskriptif.
Selain itu Bussiness Intelligence juga diimplementasikan dalam

pelaporan (report), sebagai aplikasi atau program yang mampu
membangun infrastruktur untuk pelaporan strategis guna melayani
manajemen strategis bisnis, bukan pelaporan operasional. Dalam hal
ini sering melibatkan visualisasi data, sistem informasi eksekutif dan
Online analytical processing. Bussiness Intelligence juga membantu
dalam Kolaborasi (Platform Colaboration), sebagai aplikasi atau
program yang mampu mendapatkan area pembeda, baik di dalam
maupun di luar bisnis, guna membangun kerja sama melalui berbagi
data dan pertukaran data elektronik.
Bussiness Intelligence juga menambah pengetahuan manajemen,

sebagai aplikasi atau program yang mampu memicu data perusahaan
melalui strategi dan praktek guna mengidentifikasi, menciptakan,
merepresentasikan, mendistribusikan, dan memungkinkan adopsi
wawasan dan pengalaman berupa pengetahuan bisnis yang optimal.
B. KONSEP DASAR ARSITEKTUR BUSSINESS INTELLIGENCE
Di masa lalu, keputusan bisnis sering didasarkan pada pengalaman

sebelumnya, akumulasi pengetahuan atau intuisi. Tetapi alat intelijen
bisnis telah menggantikan manajemen dengan firasat dengan
pengambilan keputusan berbasis data. BI menggabungkan analisis
data, visualisasi data, dan kemampuan pelaporan untuk mengungkap
informasi yang dapat ditindaklanjuti dan menyampaikannya kepada
eksekutif, manajer, dan pengguna bisnis lainnya. Inteligensi bisnis
perusahaan membantu memandu pengambilan keputusan
operasional dan perencanaan strategis dalam suatu organisasi.
Aplikasi BI menghasilkan wawasan tentang kinerja, proses, dan tren
bisnis, memungkinkan tim manajemen untuk mengidentifikasi
masalah dan peluang baru dan kemudian mengambil tindakan untuk
mengatasinya. Itu dapat menghasilkan operasi bisnis yang lebih
efisien dan produktif, pemasaran yang lebih efektif, keunggulan
kompetitif dibandingkan saingan industri dan, pada akhirnya,
pendapatan dan keuntungan yang lebih tinggi.
Perangkat lunak BI muncul pada awal 1990-an dan banyak

digunakan di perusahaan, baik perusahaan besar mapun perusahaan
kecil. Seperti pengembangan alat intelijen bisnis swalayan, dan baru-
baru ini, ditambah fitur analitik berdasarkan teknologi Artifisial
Intelijen dan mesin pembelajaran. Kemudahan penggunaan
perangkat lunak, memungkinkan analis dan manajer bisnis untuk
menganalisis data sendiri dengan mengandalkan profesionalisme
Intelijen Bisnis untuk menjalankan kueri untuk mereka.
Namun tim intelijen bisnis dan manajemen data masih menghadapi
berbagai tantangan dalam praktik, mengelola dan mendukung sistem
intelijen bisnis, mulai dari mendapatkan persetujuan dan pendanaan
program intelijen bisnis untuk mengintegrasikan kumpulan data guna
kepentingan analisis, memilih perangkat lunak intelijen bisnis,
melatih pengguna, dan memelihara implementasi intelijen bisnis
swalayan di unit bisnis yang berbeda dari devolusi menjadi
lingkungan yang kacau dan menghasilkan analitik yang tidak
konsisten.
Hasil penelitian Mrdalj (2011) mengungkapkan bahwa dalam dekade

terakhir, Business Intelligence telah menjadi salah satu bidang ter-
update dalam Teknologi Informasi. Sementara itu, mengajar kursus
Business Intelligence untuk program Magister Administrasi Bisnis
menghadapi berbagai tantangan. Salah satu rintangan utama dalam
menawarkan kursus Business Intelli-gence adalah infrastruktur
komputasi yang kompleks dan mahal yang diperlukan untuk
perangkat lunak yang digunakan dalam kursus tersebut. Salah satu
solusi yang mungkin adalah dengan menggunakan komputasi awan.
Cloud computing menawarkan akses fleksibel perangkat lunak dan
perangkat keras yang diperlukan melalui Internet. Ini menjadi sangat
populer karena model bisnis on-demand dan pay-per-use.
Pengumpulan data adalah komponen penting bagi sebagian besar

aplikasi intelijen bisnis untuk membuat keputusan terbaik mengenai
perusahaan. Keberhasilan penerapan intelijen bisnis adalah seberapa
besar aplikasi ini dapat memberikan data yang berguna bagi
pengambil keputusan untuk mencapai tujuan penting perusahaan
seperti mencapai atau melampaui pendapatan, peluang untuk
mengurangi biaya, dll (Belghith, et al., 2023). Namun, 80 persen
penerapan BI memiliki masalah untuk menghasilkan data yang
berguna karena masalah integrasi data. Masalah ini terjadi karena
meningkatnya jumlah data., kesulitan integrasi, dan kompleksitas
tinggi. Model integrasi data universal diperlukan untuk menyediakan
data yang berguna dalam aplikasi BI. Misal hasil penelitian Belghith,
et al., 2023 menunjukkan bahwa NXD dan JSON adalah dua
pendekatan yang telah diterapkan dalam integrasi data. Pendekatan
ini terbukti efisien untuk integrasi data dalam hal waktu respons
penyisipan data dan waktu respons pemrosesan kueri. Berdasarkan
NXD dan JSON, yang diusulkan Native JSON (N-JSON) sebagai
integrasi data alternatif baru untuk aplikasi BI. Tiga percobaan seperti
waktu respons penyisipan data, waktu respons pemrosesan kueri dan
penggunaan CPU telah dilakukan dengan menggunakan dua set data
yang berbeda; SigmodRecord dan DBLP. Hasilnya menunjukkan
bahwa N-JSON menghasilkan kinerja yang lebih baik dibandingkan
NXD. Akibatnya, N-JSON dapat digunakan sebagai integrasi data
alternatif untuk aplikasi BI dalam menyediakan data yang berguna
bagi pengambil keputusan.
Lawton (2022) mengungkapkan bahwa Ketika bisnis dari semua

ukuran bergegas untuk memahami pertumbuhan volume data yang
mereka kumpulkan, mereka menghadapi berbagai tantangan
intelijen bisnis yang mempersulit upaya untuk membuat proses BI
produktif, efektif, dan bermanfaat. Tantangan dibentuk oleh
berbagai faktor, termasuk infrastruktur data yang beragam, masalah
manajemen data, jenis kemampuan BI baru dan berbagai tingkat
literasi data dalam angkatan kerja. Di satu sisi, tim BI harus
memastikan bahwa tata kelola data dan perlindungan keamanan
yang tepat diterapkan; di sisi lain, mereka perlu menunjukkan
bagaimana BI dapat menguntungkan pekerja, termasuk yang kurang
melek data.
Serangkaian tantangan intelijen bisnis lainnya berpusat di sekitar

perubahan dalam cara alat intelijen bisnis digunakan dalam
organisasi untuk memandu keputusan bisnis. Intelijen bisnis
tradisional biasanya melibatkan data dan aplikasi yang dikuratori
dengan dukungan infomasi teknologi (Thorndike, 2023). Selanjutnya
Thorndike (2023) mengatakan bahwa pendekatan tradisional
memberikan informasi kepada pengguna bisnis melalui dasbor,
laporan, dan portal, dengan alur kerja yang terdefinisi dengan baik,
kata Thorndike. Sebaliknya, inisiatif intelijen bisnis modern sering
dipicu oleh unit bisnis yang menggunakan intelijen bisnis Grocery
store, persiapan data, dan alat visualisasi data untuk mencari
wawasan
Panduan luas untuk intelijen bisnis di perusahaan ini memberikan

wawasan dan saran tentang cara mengelola proyek intelijen bisnis
dengan sukses. Anda akan mempelajari tentang penggunaan BI kasus
umum, fungsi utama alat intelijen bisnis, berbagai komponen sistem
intelijen bisnis dan intelijen bisnis proses penyebaran; Anda juga akan
mendapatkan detail lebih lanjut tentang manfaat bisnis intelijen bisnis
dan tantangan yang ditimbulkannya. Sepanjang panduan, Anda akan
menemukan hyperlink ke TechTarget terkait Artikel yang menggali
lebih dalam topik yang sedang dibahas.
Arsitektur intelijen bisnis merupakan kerangka kerja untuk berbagai

teknologi yang digunakan perusahaan untuk menjalankan aplikasi
dan analisis intelijen bisnis, termasuk sistem Teknologi Informasi dan
perangkat lunak yang digunakan untuk mengumpulkan,
mengintegrasikan, menyimpan dan menganalisis data intelijen bisnis
dan kemudian menyajikan informasi tentang operasi bisnis dan tren
bisnis kepada eksekutif perusahaan dan pengguna bisnis lainnya.
Arsitektur Intelijen Bisnis mengacu pada kerangka kerja dan

infrastruktur yang memungkinkan perusahaan untuk mengumpulkan,
mengelola, menganalisis, dan memvisualisasikan data untuk
membuat keputusan bisnis yang tepat. Arsitektur Intelijen Bisnis
mencakup berbagai komponen, teknologi, dan proses yang bekerja
sama untuk mendukung kemampuan BI suatu organisasi.
Konsep dasar Arsitektur intelijen bisnis merupakan komponen

penting dalam pelaksanaan program intelijen bisnis yang sukses
dalam menggunakan analisis data dan pelaporan untuk membantu
perusahaan dalam meningkatkan kinerja bisnis, merampingkan
operasi bisnis, menemukan peluang pendapatan baru, memperkuat
perencanaan strategis, dan umumnya membuat keputusan yang lebih
baik.
C. ELEMEN KUNCI ARSITEKTUR BUSINESS INTELLIGENCE
Elemen kunci yang biasanya disertakan dalam arsitektur Business

Intelligence:
1. Data Sources
Data Sources ini termasuk berbagai sistem, database, aplikasi, dan
sumber eksternal dari mana data dikumpulkan. Sumber-sumber ini
dapat mencakup database transaksional, gudang data, spreadsheet,
sistem CRM, platform media sosial, dll.
2. Data Integration
Data dari berbagai sumber perlu dikonsolidasikan dan diintegrasikan
untuk membuat tampilan terpadu. Proses Extract, Transform, dan
Load (ETL) atau alat integrasi data digunakan untuk mengekstrak
data, menerapkan transformasi, dan memuatnya ke repositori pusat
atau gudang data.
3. Data Warehouse
Data Warehouse merupakan pusat repositori yang menyimpan data
secara terstruktur, historis, dan terintegrasi dari berbagai sumber
data. DW ini memberikan dasar untuk analisis data dan pelaporan.
DW dirancang untuk mendukung kueri kompleks dan memberikan
tampilan data yang terkonsolidasi.
4. Data Modeling
Data modeling ini melibatkan rancangan struktur dan hubungan
dalam gudang data. Ini termasuk membuat model data,
mendefinisikan dimensi, fakta, hierarki, dan hubungan antara entitas
data. Teknik pemodelan data umum termasuk skema bintang dan
skema kepingan salju.
5. Data Transformation
Data mungkin perlu diubah dan dibersihkan untuk memastikan
kualitas dan konsistensi. Data Transformation ini melibatkan tugas-
tugas seperti pembersihan data, validasi data, pengayaan data, dan
membuat kolom atau pengukuran kalkulasi untuk tujuan analisis.
6. Business Analytics
Setelah data diubah dan disimpan, berbagai alat dan teknik analitik
dapat digunakan untuk memperoleh wawasan. Ini termasuk analisis
deskriptif (meringkas dan memvisualisasikan data), analisis diagnostik
(mengidentifikasi tren dan pola), analisis prediktif (meramalkan hasil
di masa depan), dan analisis preskriptif (menyarankan tindakan
berdasarkan wawasan).
7. Reporting and Dashboards
Platform BI sering menyediakan alat pelaporan untuk membuat dan
mendistribusikan laporan. Dasbor adalah visualisasi interaktif yang
memberikan snapshot real-time dari indikator kinerja utama (KPI)
dan metrik. Pengguna dapat menelusuri data untuk analisis
terperinci.
8. Data Visualization
Memvisualisasikan data dengan cara yang bermakna membantu
pengguna memahami informasi yang kompleks dengan mudah. Alat
BI menawarkan berbagai opsi visualisasi seperti bagan, grafik, peta,
dan tabel. Representasi visual ini membantu dalam menemukan tren,
anomali, dan pola.
9. Data Security and Governance
Keamanan dan tata kelola data adalah aspek penting dari arsitektur
BI. Ini melibatkan pendefinisian kontrol akses, memastikan privasi
data, mematuhi peraturan, dan menetapkan kebijakan tata kelola
data untuk menjaga kualitas, integritas, dan konsistensi data.
10. User Interfaces
Platform BI menyediakan antarmuka pengguna untuk berbagai jenis
pengguna, termasuk pengguna bisnis, analis, dan ilmuwan data.
Antarmuka harus intuitif, ramah pengguna, dan dapat disesuaikan
untuk memenuhi beragam kebutuhan pengguna.
11. Scalability and Performance
Arsitektur BI harus dapat diskalakan untuk menangani volume data
yang besar dan permintaan pengguna yang terus meningkat. Ini
membutuhkan infrastruktur perangkat keras yang sesuai,
pengoptimalan basis data, dan penyetelan kinerja untuk memastikan
waktu respons kueri yang cepat.
12. Integration with other Systems
Sistem BI kadangkala perlu berintegrasi dengan sistem perusahaan
lain seperti Enterprise Resource Planning (ERP), Customer
Relationship Management (CRM), dan sistem analitis atau
operasional lainnya untuk memberikan wawasan yang
komprehensif.
Secara keseluruhan, arsitektur intelijen bisnis yang dirancang dengan

baik memungkinkan organisasi untuk mengakses wawasan yang
akurat, tepat waktu, dan dapat ditindaklanjuti dari data, mendorong
pengambilan keputusan berdasarkan informasi dan keunggulan
kompetitif. Komponen dan teknologi spesifik yang digunakan dapat
bervariasi tergantung pada persyaratan organisasi, sumber data, dan
infrastruktur Teknologi Informasi.
D. FUNGSI DAN PENTINGNYA BUSINESS INTELLIGENCE
Arsitektur intelijen bisnis menentukan platform dan alat khusus yang

akan digunakan, serta standar untuk teknologi, manajemen data, dan
praktik analisis yang mendukung organisasi intelijen bisnis. Arsitektur
intelijen bisnis berfungsi sebagai alat pengumpulan, transformasi, dan
pengarsipan data untuk data intelijen bisnis, yang kemudian tersedia
untuk analisis, visualisasi data, dan penggunaan lainnya. Arsitektur
intelijen bisnis yang kompleks juga menggabungkan kebijakan untuk
memodifikasi penggunaan komponen teknologi.
Menempatkan kerangka kerja seperti itu di tempat memungkinkan

tim BI untuk bekerja dengan cara yang terkoordinasi dan disiplin
untuk membangun program BI perusahaan yang memenuhi
kebutuhan analisis data organisasinya. Arsitektur BI juga membantu
BI dan manajer data menciptakan proses yang efisien untuk
menangani dan mengelola data yang ditarik ke lingkungan.
Perusahaan mendapat manfaat dari arsitektur BI yang efektif dengan

menggunakan wawasan yang dihasilkan oleh alat intelijen bisnis
untuk membuat keputusan berbasis data yang membantu
meningkatkan pendapatan dan laba. Untuk memastikan kebutuhan
mereka terpenuhi, seperti manajer eksekutif, manajer bisnis, dan
pengguna bisnis lainnya yang mengandalkan analisis data untuk
merumuskan strategi dan memandu pengambilan keputusan mereka
harus memiliki kepentingan dalam menciptakan arsitektur.
E. MODEL ARSITEKTUR BUSINESS INTELLIGENCE
Arsitektur intelijen bisnis merupakan kerangka kerja untuk mengatur

komponen data, manajemen informasi, dan teknologi yang
digunakan untuk membangun sistem intelijen bisnis untuk pelaporan
dan analitik data.
Komponen data dari arsitektur BI mencakup sumber data yang perlu

diakses dan dianalisis oleh eksekutif perusahaan dan pengguna akhir
lainnya untuk memenuhi persyaratan bisnis mereka. Kriteria penting
dalam proses pemilihan sumber meliputi mata uang data, kualitas
data dan tingkat detail dalam data. Data terstruktur dan tidak
terstruktur mungkin diperlukan sebagai bagian dari arsitektur BI, serta
informasi dari sumber internal dan eksternal.
Komponen arsitektur manajemen informasi digunakan untuk

mengubah data transaksi mentah menjadi seperangkat informasi
yang konsisten dan koheren yang cocok untuk penggunaan intelijen
bisnis. Misalnya, bagian dari arsitektur intelijen bisnis ini biasanya
mencakup integrasi data, pembersihan data, dan pembuatan dimensi
data dan aturan bisnis yang sesuai dengan pedoman arsitektur. Ini
juga dapat menentukan struktur untuk pergudangan data atau untuk
pendekatan federasi data yang mengumpulkan informasi dalam
database virtual alih-alih gudang data fisik atau data mart.
Komponen teknologi digunakan untuk menyajikan informasi kepada

pengguna bisnis dan memungkinkan mereka untuk menganalisis
data. Ini termasuk rangkaian perangkat lunak Intelijen Bisnis atau alat
Intelijen Bisnis yang akan digunakan dalam suatu organisasi serta
infrastruktur TI pendukung, yaitu, perangkat keras, perangkat lunak
basis data, dan perangkat jaringan. Terdapat berbagai jenis aplikasi
Intelijen Bisnis yang dapat dibangun ke dalam arsitektur: pelaporan,
kueri adhoc, penambangan data, dan alat visualisasi data, ditambah
perangkat lunak pemrosesan analitik online (Online analytical
processing-OLAP), dasbor kecerdasan bisnis, dan kartu skor kinerja.
Beberapa Model Arsitektur Business Intellegence, yang dapat

diilustrasikan sebagai berikut:
Sumber: Gazzaingichki’s (2023)
Gambar 4.2 Model of Business Intelligence Architecture
Sumber: Rick Van der Linden (2022)

Sumber: Habibu (2013)

Sumber: Habibu (2013)
Sumber: Kindley (2023)

Sumber: Goilkar (2020)
Sistem Business Intelligence mencakup tiga komponen utama, yaitu:

1. Sumber Data
2. Gudang Data dan Data Mart
3. Metodologi Inteligensi Bisnis
Sumber Data, meliputi:

1. Data disimpan dalam berbagai sumber primer dan sekunder,
yang merupakan tipe heterogen.
2. Sumber terdiri dari sebagian data milik sistem operasional, tetapi
dokumen tidak terstruktur seperti email dan data yang diterima
dari penyedia eksternal
Data Warehouse dan Data Mart

1. Istilah Data Warehouse menunjukkan seluruh rangkaian kegiatan
yang saling terkait dalam merancang, mengimplementasikan, dan
menggunakan gudang data.
2. Data mart adalah sistem yang mengumpulkan semua data yang
dibutuhkan oleh departemen perusahaan tertentu, seperti
pemasaran atau logistik.
Extract, transform, and load (ETL)

ETL merupakan singkatan dari Extract, Transform, dan Load.
Didalam ETL, data akan dikombinasikan dari berbagai sumber.
Kemudian data disimpan dalam data warehouse. Extract, transform,
and load (ETL) bekerja dengan memindahkan data dari sistem
sumber ke sistem tujuan secara berkala. Proses ETL bekerja dalam tiga
langkah: Ekstrak data yang relevan dari basis data sumber.
Ekstraksi (Extract), dimaksudkan bahwa Data diekstraksi dari sumber

internal dan eksternal yang tersedia. Proses extract merupakan tahap
pertama dari sistem ETL. Dalam proses extract, seorang praktisi data
melakukan proses pemilihan dan pengambilan data dari satu atau
beberapa sumber kemudian mengakses data yang diambil. Namun
perlu diperhatikan juga beberapa prinsip dasar dalam ekstraksi data.
(1) Volume data yang digunakan berukuran besar
(2) Proses ekstraksi dilakukan secepat mungkin sehingga
membutuhkan memory yang cukup besar
(3) Proses ekstraksi dilakukan sebisa mungkin menjadi kecil
Transformasi, dimaksudkan dari fase pembersihan dan transformasi

adalah untuk meningkatkan kualitas data yang diekstraksi dari
berbagai sumber. Memuat (load), dimaksudkan setelah ekstraksi dan
transformasi, data dimuat ke dalam tabel gudang data.
Menggunakan alat ETL, data yang berasal dari sumber yang berbeda
disimpan dalam database. Database ini biasanya disebut sebagai
gudang data dan data mart.
Setelah data diambil melalui proses extract, selanjutnya dilakukan

cleaning data dengan menghilangkan data yang tidak dibutuhkan
(misalnya data anomali). Kemudian mengubah data dari bentuk
aslinya menjadi bentuk yang sesuai dengan kebutuhan.
Prinsip-prinsip transformasi data dalam prosesnya yaitu :
1. Leakage (kebocoran) terjadi ketika proses ETL mengunduh data
secara lengkap dari sumber data, namun pada kenyataannya
terdapat beberapa record data yang hilang.
2. Recoverability (pemulihan) berarti bahwa selama proses ETL
harus robust. Robust merupakan kemampuan algoritma untuk
mengembalikan hasil yang benar, sehingga jika terjadi kegagalan,
hal tersebut bisa segera dipulihkan tanpa kehilangan atau
kerusakan data
Selanjutnya, proses Extract, transform, and load (ETL), sbb:
Gambar 4.7a Process of Extract, transform, and load
Gambar 4.7b Contoh Process of Extract, transform, and load
Tujuan dari ETL adalah untuk mengumpulkan, menyaring,

mengolah, menggabungkan data dari berbagai sumber untuk
disimpan ke dalam data warehouse.
Data warehouse tidak mungkin ada tanpa adanya proses ETL, karena
Proses ETL merupakan suatu landasan dari sebuah data warehouse.
Proses ETL ini sangat penting karena sangat berperan terhadap
kualitas data dalam data warehouse, sehingga data warehouse
nantinya dapat digunakan untuk keperluan business intelligence atau
aktivitas analisis yang lain.
Jadi Intelijen bisnis (Bussiness Intelligence), merupakan pengolahan

data yang khusus untuk informasi bisnis. Intelijen bisnis mempunyai
komponen berupa seperangkat teori, metodologi, proses, arsitektur,
dan teknologi yang mampu mengubah data mentah menjadi
informasi yang bermakna dan berguna untuk tujuan bisnis.
Intelijen bisnis dapat menangani sejumlah besar informasi untuk
membantu mengidentifikasi dan mengembangkan peluang baru
dalam dunia bisnis. Dengan memanfaatkan intelijen bisnis, akan
dapat mendapatkan peluang baru dan menerapkan strategi yang
efektif, sehingga mampu menghasilkan keuntungan pasar kompetitif
dan stabilitas jangka panjang.
Dengan bantuan teknologi Informasi, intelijen bisnis mampu

memberikan gambaran tentang sejarah operasi bisnis, kondisi bisnis
saat ini dan prediksi operasi bisnis dimasa datang. Fungsi umum dari
teknologi intelijen bisnis adalah melaporkan, pengolahan analisis
online, data mining, pengolahan informasi kompleks, bisnis
manajemen kinerja, analisis prediktif dan analisis preskriptif.
Alat intelijen bisnis (Business intelligence tools) sebagai aplikasi

perangkat lunak yang digunakan untuk mengumpulkan, menyimpan,
dan menganalisis data. Alat kecerdasan bisnis dapat digunakan untuk
membuat laporan, dasbor, dan visualisasi lain yang membantu bisnis
memahami data mereka. Alat intelijen bisnis sangat penting untuk
bisnis karena memungkinkan bisnis memahami data mereka. Tanpa
alat intelijen bisnis, bisnis akan dibiarkan dengan banyak data mentah
yang sulit dipahami.
Berbagai model yang ditemukan dan dikembangkan ilmuan dalam

10 tahun terakhir dalam rangka memperkokoh Arsitektur Business
Intelligence, hampir semua senada dengan menggunakan elemen
berupa Data Sources, Data Integration, Data Warehouse, Data
Modeling, Data Transformation, Business Analytics, Reporting and
Dashboards, Data Visualization, Data Security and Governance, User
Interfaces, Scalability and Performance, dan Integration with other
Systems.
BAGIAN 5
TOOLS DAN PLATFORM BUSINESS INTELLIGENCE
A. BEBERAPA TOOLS DAN PLATFORM BUSINESS

INTELLIGENCE
Ada beberapa tools dan platform yang digunakan dalam bisnis

intelligensia, berikut beberapa di antaranya:
Tableau: Tableau adalah platform visualisasi data yang
memungkinkan pengguna untuk menganalisis, menggali, dan
memvisualisasikan data dengan cara yang intuitif. Ini menawarkan
berbagai fitur, termasuk kemampuan untuk membuat dashboard
interaktif, grafik, dan laporan.
Power BI: Power BI adalah platform business intelligence dari

Microsoft. Ini memungkinkan pengguna untuk mengumpulkan data
dari berbagai sumber, menganalisisnya, dan memvisualisasikannya
melalui dashboard dan laporan yang dapat dibagikan dengan
pengguna lain.
QlikView dan Qlik Sense: QlikView dan Qlik Sense adalah platform
BI yang kuat untuk analisis data dan visualisasi. Mereka
memungkinkan pengguna untuk menjelajahi data dari berbagai
sumber, membuat visualisasi interaktif, dan membagikan hasilnya
dengan pengguna lain.
Microsoft Excel: Excel bukanlah platform BI khusus, tetapi tetap
merupakan alat yang populer untuk analisis data dan pembuatan
laporan. Dengan menggunakan fitur seperti tabel dinamis, grafik, dan
rumus-rumus yang kompleks, Excel dapat digunakan sebagai alat BI
yang cukup efektif.
Google Data Studio: Google Data Studio adalah platform visualisasi

data yang memungkinkan pengguna untuk menggabungkan data
dari berbagai sumber, seperti Google Analytics, Google Sheets, dan
Google BigQuery. Pengguna dapat membuat dashboard dan laporan
interaktif yang dapat dibagikan dengan orang lain.
SAS: SAS adalah platform yang kuat untuk analisis data dan business
intelligence. Ini menawarkan berbagai alat dan fitur untuk
pemrosesan data, pemodelan prediktif, dan pelaporan.
B. TABLEAU
Tableau adalah salah satu platform terkemuka dalam bidang business

intelligence dan visualisasi data. Platform ini memungkinkan
pengguna untuk menghubungkan, menganalisis, dan
memvisualisasikan data dari berbagai sumber dengan cara yang
intuitif dan interaktif.
Berikut beberapa fitur dan keunggulan dari Tableau:

Visualisasi Data yang Kuat: Tableau menawarkan berbagai jenis
visualisasi data yang kaya dan menarik, seperti grafik, diagram, peta,
tabel, dan sebagainya. Ini membantu pengguna dalam memahami
dan mengkomunikasikan data dengan lebih efektif.
Koneksi Data yang Mudah: Tableau dapat terhubung dengan

berbagai sumber data, termasuk database, spreadsheet, file teks, dan
sumber data online. Ini memudahkan pengguna dalam
menggabungkan data dari berbagai sumber untuk analisis yang
komprehensif.
Kemampuan Analisis yang Kuat: Tableau menyediakan berbagai fitur

analisis yang memungkinkan pengguna untuk menggali data lebih
dalam. Pengguna dapat melakukan perhitungan, filter,
pengelompokan, dan pemodelan data dengan mudah.
Interaktif dan Real-Time: Tableau memungkinkan pengguna untuk

membuat dashboard dan laporan interaktif yang dapat diakses secara
real-time. Pengguna dapat menjelajahi data dengan melakukan filter,
menyorot, atau melakukan drill-down untuk mendapatkan wawasan
yang lebih mendalam.
Kolaborasi dan Berbagi: Tableau menyediakan fitur kolaborasi yang

memungkinkan pengguna untuk berbagi visualisasi, dashboard, dan
laporan dengan pengguna lain. Ini memudahkan tim untuk bekerja
bersama dan berbagi wawasan yang ditemukan dari data.
Mobile Analytics: Tableau juga menawarkan aplikasi mobile yang

memungkinkan pengguna untuk mengakses dan menganalisis data
dari perangkat seluler. Ini memungkinkan pengguna untuk tetap
terhubung dengan data dan analisis di mana saja dan kapan saja.
Tableau telah digunakan secara luas oleh berbagai industri dan

organisasi untuk mendapatkan wawasan bisnis yang lebih baik
melalui analisis data dan visualisasi yang kuat.
C. POWER BI
Power BI adalah platform business intelligence (BI) yang

dikembangkan oleh Microsoft. Ini memungkinkan pengguna untuk
mengumpulkan data dari berbagai sumber, menggabungkannya, dan
menganalisisnya untuk mendapatkan wawasan bisnis yang berharga.
Berikut adalah beberapa fitur dan keunggulan dari Power BI:
Integrasi dengan Sumber Data: Power BI memungkinkan pengguna
untuk terhubung dengan berbagai sumber data, termasuk database,
file Excel, layanan cloud seperti Azure, Salesforce, Google Analytics,
dan banyak lagi. Ini mempermudah pengguna dalam
menggabungkan data dari berbagai sumber untuk analisis yang
komprehensif.
Visualisasi Data yang Kuat: Power BI menawarkan berbagai jenis

visualisasi data yang dapat digunakan untuk membuat grafik,
diagram, peta, dan tabel interaktif. Pengguna dapat dengan mudah
mengubah visualisasi, menerapkan filter, dan melakukan drill-down
untuk mengeksplorasi data dengan lebih mendalam.
Pembuatan Laporan Interaktif: Dengan Power BI, pengguna dapat
membuat laporan interaktif yang dapat dibagikan dengan pengguna
lain. Laporan ini memungkinkan pengguna untuk mengeksplorasi
data, mengubah tampilan, dan menerapkan filter sesuai kebutuhan
mereka.
Analisis Data yang Mendalam: Power BI menyediakan alat analisis

yang kuat, termasuk kemampuan pemodelan data, perhitungan, dan
penggalian data. Pengguna dapat membuat pengukuran dan metrik
kustom, menerapkan aturan bisnis, dan melaksanakan analisis
statistik yang lebih kompleks.
Mobile Analytics: Power BI juga memiliki aplikasi mobile yang

memungkinkan pengguna untuk mengakses dan menganalisis data
dari perangkat seluler. Ini memungkinkan pengguna untuk
mengakses laporan dan dashboard saat bepergian dan tetap
terhubung dengan data bisnis mereka.
Integrasi dengan Ekosistem Microsoft: Power BI terintegrasi dengan

alat dan layanan Microsoft lainnya, seperti Excel, Azure, SharePoint,
Teams, dan Dynamics 365. Hal ini memudahkan pengguna dalam
menggabungkan data dan melanjutkan analisis di platform Microsoft
yang sudah ada.
Kemampuan Berbagi dan Kolaborasi: Power BI memungkinkan

pengguna untuk berbagi laporan dan dashboard dengan pengguna
lain dalam organisasi. Pengguna dapat mengatur izin akses, membuat
alat pembelajaran dan pengejaran, serta bekerja secara bersama-
sama pada proyek BI.
Power BI merupakan platform yang populer dan digunakan secara

luas oleh berbagai organisasi dalam berbagai industri untuk
menganalisis dan memvisualisasikan data mereka, serta mengambil
keputusan berdasarkan wawasan bisnis yang dihasilkan.
D. QLIKVIEW DAN QLIC SENSE
QlikView dan Qlik Sense adalah dua platform bisnis intelligence yang
dikembangkan oleh perusahaan Qlik. Meskipun keduanya dibuat
oleh perusahaan yang sama, mereka memiliki perbedaan dalam hal
fungsionalitas dan penggunaan. Berikut adalah penjelasan tentang
keduanya:
QlikView: QlikView adalah platform BI yang lebih tua dan telah ada
sejak lama. QlikView menggunakan pendekatan "associative data
model" yang memungkinkan pengguna untuk menjelajahi data
secara bebas tanpa batasan dari hierarki atau dimensi yang telah
ditentukan sebelumnya. Ini berarti pengguna dapat menemukan
hubungan antara data dengan cara yang intuitif. QlikView juga
menawarkan kemampuan yang kuat dalam hal visualisasi data dan
analisis interaktif.
Qlik Sense: Qlik Sense adalah generasi berikutnya dari platform Qlik.
Qlik Sense juga menggunakan pendekatan "associative data model"
seperti QlikView, tetapi dengan antarmuka pengguna yang
ditingkatkan dan lebih intuitif. Qlik Sense dirancang dengan fokus
pada self-service analytics, yang memungkinkan pengguna bisnis
yang tidak memiliki latar belakang teknis atau analitik yang
mendalam untuk membuat analisis, visualisasi, dan laporan sendiri
dengan mudah. Qlik Sense juga menawarkan fitur pembuatan
visualisasi yang lebih fleksibel dan pilihan tata letak yang lebih
variatif.
Perbedaan utama antara QlikView dan Qlik Sense adalah dalam

pengalaman pengguna dan kemampuan self-service analytics.
QlikView lebih cocok untuk pengguna yang lebih terampil secara
teknis dan analitik, sedangkan Qlik Sense lebih cocok untuk pengguna
bisnis yang ingin membuat analisis dan visualisasi sendiri tanpa
bergantung pada tim IT atau analisis.
Baik QlikView maupun Qlik Sense adalah platform yang kuat dalam
memungkinkan pengguna untuk menggali data, membuat visualisasi
yang menarik, dan mendapatkan wawasan bisnis yang berharga
melalui analisis data. Pilihan antara keduanya tergantung pada
kebutuhan, tingkat keahlian, dan preferensi pengguna.
E. GOOGLE DATA STUDIO
Google Data Studio adalah platform visualisasi data yang

dikembangkan oleh Google. Platform ini memungkinkan pengguna
untuk mengumpulkan data dari berbagai sumber,
menggabungkannya, dan membuat laporan dan dashboard interaktif
yang dapat dibagikan dengan orang lain.
Berikut adalah beberapa fitur dan keunggulan dari Google Data

Studio:
Integrasi Sumber Data: Google Data Studio memungkinkan
pengguna untuk terhubung dengan berbagai sumber data, termasuk
Google Analytics, Google Sheets, Google Ads, Google BigQuery,
database, file CSV, dan masih banyak lagi. Ini mempermudah
pengguna dalam menggabungkan data dari berbagai sumber untuk
analisis yang komprehensif.
Visualisasi Data Interaktif: Google Data Studio menawarkan berbagai

jenis visualisasi data yang dapat digunakan untuk membuat grafik,
diagram, tabel, dan peta yang interaktif. Pengguna dapat
menyesuaikan tampilan, menerapkan filter, dan melakukan drill-
down untuk mengeksplorasi data dengan lebih mendalam.
Pembuatan Laporan dan Dashboard: Dengan Google Data Studio,

pengguna dapat membuat laporan dan dashboard interaktif yang
dapat disesuaikan dengan kebutuhan mereka. Pengguna dapat
menambahkan grafik, tabel, gambar, teks, dan elemen lainnya untuk
menyampaikan informasi secara efektif.
Kolaborasi dan Berbagi: Google Data Studio memungkinkan

pengguna untuk berbagi laporan dan dashboard dengan pengguna
lain. Pengguna dapat mengatur izin akses, memberikan komentar,
dan bekerja secara bersama-sama untuk mengembangkan laporan
yang lebih baik.
Kustomisasi dan Pengayaan: Google Data Studio memungkinkan

pengguna untuk mengkustomisasi tata letak, tema, dan gaya visual
laporan mereka. Selain itu, terdapat juga fitur pengayaan yang
memungkinkan pengguna untuk menambahkan fitur tambahan
seperti filter dinamis, tampilan waktu, tombol tindakan, dan
sebagainya.
Integrasi dengan Ekosistem Google: Google Data Studio terintegrasi

dengan berbagai layanan dan alat Google, seperti Google Drive,
Google Sheets, Google Ads, dan Google Analytics. Hal ini
memudahkan pengguna untuk mengakses data dari layanan Google
yang sudah mereka gunakan dan melanjutkan analisis di platform
Google yang sudah dikenal.
Google Data Studio merupakan platform yang populer karena

sifatnya yang intuitif, kemampuan kolaborasi yang baik, dan integrasi
yang kuat dengan ekosistem Google. Dengan Google Data Studio,
pengguna dapat menggali data, membuat visualisasi yang menarik,
dan berbagi wawasan bisnis dengan tim dan pemangku kepentingan
lainnya.
F. SAS
SAS (Statistical Analysis System) adalah platform business intelligence

(BI) yang sangat populer yang digunakan untuk analisis data,
pemodelan prediktif, dan pelaporan. SAS menyediakan berbagai fitur
dan alat yang kuat untuk mengumpulkan, mengelola, menganalisis,
dan memvisualisasikan data. Berikut adalah beberapa fitur dan
keunggulan dari platform SAS:
Analisis Data yang Mendalam: SAS menyediakan berbagai teknik
analisis statistik yang kuat, termasuk analisis deskriptif, analisis regresi,
analisis multivariat, analisis klaster, dan banyak lagi. Pengguna dapat
menerapkan teknik analisis yang canggih untuk mendapatkan
wawasan yang mendalam dari data mereka.
Pemodelan Prediktif: SAS menyediakan kemampuan pemodelan

prediktif yang kuat untuk membantu pengguna dalam membangun
model yang dapat digunakan untuk melakukan prediksi dan
peramalan. Pemodelan ini dapat digunakan untuk mengidentifikasi
pola, tren, dan hubungan dalam data serta untuk membuat prediksi
masa depan.
Integrasi Data yang Kuat: SAS dapat terhubung dengan berbagai

sumber data, termasuk database, file teks, dan sumber data lainnya.
Pengguna dapat menggabungkan dan mentransformasi data dari
berbagai sumber untuk analisis yang komprehensif.
Pelaporan dan Visualisasi: SAS menyediakan alat untuk membuat

laporan dan visualisasi data yang kaya. Pengguna dapat membuat
laporan yang disesuaikan dengan menggunakan berbagai elemen
visual seperti grafik, tabel, dan dashboard interaktif. Laporan ini
dapat dibagikan dengan pengguna lain untuk berkolaborasi dan
berbagi wawasan.
Keamanan Data dan Kepatuhan: SAS memiliki fitur keamanan data

yang kuat untuk melindungi data sensitif dan memastikan kepatuhan
dengan peraturan privasi dan keamanan data yang berlaku. Ini
penting terutama dalam lingkungan bisnis yang memiliki kebutuhan
kepatuhan yang tinggi.
Skalabilitas dan Kinerja: SAS dirancang untuk mengelola volume data

yang besar dengan kinerja yang tinggi. Ini memungkinkan pengguna
untuk bekerja dengan dataset yang besar dan kompleks serta
melaksanakan analisis secara cepat dan efisien.
SAS digunakan secara luas di berbagai industri seperti keuangan,

kesehatan, manufaktur, pemasaran, dan banyak lagi. Platform ini
memiliki sejarah yang panjang dan terus berkembang dengan
memperkenalkan fitur-fitur baru yang mengikuti perkembangan
teknologi dan kebutuhan pengguna.
BAGIAN 6
KONSEP DASAR DATA WAREHOUSE
A. PENGERTIAN DAN MANFAAT
Data warehouse adalah tempat penyimpanan data yang terpisah dan

didesain untuk mendukung pengambilan keputusan bisnis. Data
warehouse biasanya mencakup data dari berbagai sumber, termasuk
sistem operasional internal dan eksternal. Data ini kemudian
diintegrasikan, dirapikan, dan disimpan dalam format yang lebih
mudah dipahami dan diakses oleh pengguna bisnis. Beberapa
pengertian data warehouse menurut beberapa ahli adalah sebagai
berikut:
1) Bill Inmon: "Data warehouse adalah suatu subjek-orientasi,
terintegrasi, tidak berubah seiring waktu, dan dapat dipakai
untuk mendukung pengambilan keputusan." (Inmon, 2005, p.
34)
2) Ralph Kimball dan Margy Ross: "Data warehouse adalah suatu
sistem yang didesain untuk menyimpan, mengintegrasikan, dan
memperbaiki data dari berbagai sumber sehingga data tersebut
dapat digunakan untuk tujuan analitis dan pelaporan." (Kimball
& Ross, 2015, p. 1)
3) W. H. Inmon, Daniel Linstedt, dan Mary Levins: "Data
warehouse adalah suatu koleksi data yang digunakan untuk
mendukung pengambilan keputusan bisnis. Data warehouse
adalah subjek-orientasi, terintegrasi, dan berisi data yang
diorganisir untuk analisis dan pengambilan keputusan." (Inmon,
Linstedt, & Levins, 2011, p. 5)
4) Paulraj Ponniah: "Data warehouse adalah sistem penyimpanan
data yang didesain untuk membantu organisasi mengambil
keputusan bisnis yang lebih baik. Data warehouse adalah subjek-
orientasi, terintegrasi, dan memuat data yang sudah dirapikan
dan disederhanakan untuk memudahkan akses dan analisis."
(Ponniah, 2010, p. 4)
Data warehouse sangat penting bagi organisasi karena memiliki

beberapa manfaat yang signifikan dalam mendukung pengambilan
keputusan bisnis. Berikut adalah beberapa alasan mengapa data
warehouse itu penting:
1) Memungkinkan pengambilan keputusan yang lebih baik dan
cepat: Data warehouse menyediakan akses yang mudah dan
cepat ke informasi yang penting bagi pengambilan keputusan
bisnis, sehingga memungkinkan para pemimpin bisnis untuk
mengambil keputusan yang lebih baik dan lebih cepat.
2) Integrasi data dari berbagai sumber: Data warehouse
mengintegrasikan data dari berbagai sumber seperti sistem
operasional, data eksternal, dan lain-lain. Hal ini memungkinkan
organisasi untuk melihat gambaran besar dan menyeluruh
tentang bisnis mereka.
3) Meningkatkan efisiensi dan produktivitas: Dengan
mengorganisir data secara terstruktur dan mudah diakses, data
warehouse dapat membantu meningkatkan efisiensi dan
produktivitas bisnis, serta mengurangi waktu yang diperlukan
untuk mengumpulkan dan memproses data.
4) Memberikan informasi yang akurat dan konsisten: Data
warehouse menyediakan informasi yang akurat dan konsisten
kepada pengguna bisnis. Hal ini memungkinkan para pemimpin
bisnis untuk membuat keputusan berdasarkan fakta yang
terpercaya.
B. SEJARAH DATA WAREHOUSE
Data warehouse adalah konsep yang berkembang sejak awal tahun

1980-an dan terus berkembang hingga saat ini. Berikut adalah
sejarah singkat data warehouse:
1) Era Sistem Informasi Manajemen (SIM) (awal 1960-an -
pertengahan 1980-an): Pada era ini, sistem informasi manajemen
digunakan untuk membantu organisasi dalam pengolahan data
dan informasi. Namun, sistem ini cenderung terfokus pada
pengolahan transaksi sehari-hari dan kurang cocok untuk
kebutuhan pengambilan keputusan bisnis jangka panjang.
2) Konsep Data Mart (akhir 1980-an - awal 1990-an): Konsep data
mart pertama kali diperkenalkan oleh Bill Inmon pada akhir
1980-an. Data mart adalah data warehouse kecil yang berfokus
pada satu area bisnis atau departemen tertentu. Konsep ini
memungkinkan organisasi untuk memulai dengan data
warehouse yang lebih kecil dan lebih terfokus, dan kemudian
memperluasnya ke data warehouse yang lebih besar.
3) Konsep Data Warehouse (awal 1990-an): Konsep data
warehouse pertama kali diperkenalkan oleh Bill Inmon pada
awal 1990-an. Data warehouse adalah tempat penyimpanan
data yang dirancang untuk mendukung pengambilan keputusan
bisnis jangka panjang. Data warehouse biasanya mencakup data
dari berbagai sumber, termasuk sistem operasional internal dan
eksternal.
4) Konsep Data Mining (pertengahan 1990-an): Konsep data
mining muncul pada pertengahan 1990-an dan berfokus pada
analisis data untuk menemukan pola dan tren dalam data yang
berguna untuk pengambilan keputusan bisnis.
5) Konsep Big Data (awal 2000-an): Konsep big data muncul pada
awal 2000-an sebagai respons terhadap jumlah data yang
semakin besar dan kompleks. Konsep big data mencakup
teknologi dan metodologi untuk mengelola, menyimpan, dan
menganalisis data yang besar dan beragam.
6) Konsep Cloud Data Warehouse (akhir 2000-an - saat ini):
Konsep cloud data warehouse muncul pada akhir 2000-an
sebagai respons terhadap kebutuhan organisasi untuk akses cepat
dan mudah ke data dari mana saja. Cloud data warehouse
adalah data warehouse yang disimpan di awan dan dapat
diakses melalui internet.
7) Secara keseluruhan, sejarah data warehouse menunjukkan
bahwa konsep ini telah berkembang dan terus berkembang
seiring dengan kemajuan teknologi dan kebutuhan organisasi
untuk mengambil keputusan bisnis yang lebih baik dan lebih
cepat.
C. KARAKTERISTIK
Sampai saat ini, Data warehouse memiliki 4 karakteristik dalam

pengembangannya. Karakteristik yang pertama adalah berorientasi
subjek yang mengacu pada pendekatan dalam pemodelan dan
pengorganisasian data dalam data warehouse berdasarkan pada
subjek atau tema bisnis tertentu. Dalam pendekatan ini, data disusun
dan diintegrasikan berdasarkan pada subjek atau area bisnis tertentu
yang relevan. Contohnya adalah data warehouse yang
dikembangkan untuk menyediakan informasi total penjualan.
Penjualan merupakan sebuah subjek. Berbeda dengan data transaksi
atau yang sering disebut dengan OLTP (Online Transactional
Processing), data yang tersimpan merupakan data-data yang bersifat
detail dan bersumber dari berbagai sistem. Misalnya, sistem kasir,
sistem informasi e-commerce, dll. Data warehouse dapat juga disebut
sebagai OLAP (Online Analytical Processing), dimana sumber
datanya berasal dari OLTP. Pendekatan subjek-oriented dalam data
warehouse memiliki beberapa keunggulan, antara lain (Kimball, R.,
& Ross, M., 2015):
1) Fokus pada kebutuhan bisnis: Dengan menggunakan
pendekatan subjek-oriented, data warehouse dapat difokuskan
pada kebutuhan bisnis yang spesifik. Data yang relevan untuk
subjek atau area bisnis tertentu dapat digabungkan secara
terpusat dalam satu tempat, membuatnya lebih mudah diakses
dan dianalisis oleh pengguna.
2) Kemudahan dalam analisis: Dengan menyusun data berdasarkan
subjek, pengguna data warehouse dapat melakukan analisis yang
lebih mendalam dan komprehensif terkait dengan subjek bisnis
yang spesifik. Ini memungkinkan pengguna untuk menjawab
pertanyaan bisnis yang lebih mendalam dan memahami
hubungan antara entitas-entitas yang terkait dengan subjek
tersebut.
3) Pengambilan keputusan yang lebih baik: Orientasi subjek
membantu dalam pengambilan keputusan yang lebih baik
dengan menyediakan informasi yang lebih terfokus dan relevan.
Dengan memiliki data yang terorganisir berdasarkan subjek
bisnis, pengambilan keputusan dapat melihat gambaran yang
lebih lengkap dan akurat tentang subjek tersebut, membantu
mereka membuat keputusan yang lebih informasional dan
terarah.
4) Peningkatan produktivitas: Dengan menyusun data warehouse
berdasarkan subjek, pengguna dapat mengakses dan
menganalisis data dengan lebih efisien. Data yang terkait dengan
subjek bisnis tertentu dapat ditemukan dengan mudah, tanpa
harus melibatkan data yang tidak relevan. Ini meningkatkan
produktivitas pengguna dalam mencari informasi yang mereka
butuhkan.
Karakteristik yang kedua adalah terintegrasi yang merupakan salah

satu karakteristik penting yang berkaitan dengan penggabungan
data dari berbagai sumber yang berbeda (database relational, flat
file, transaksi online) ke dalam satu tempat yang terpusat. Hal ini
melibatkan proses mengumpulkan, mengintegrasikan, menyatukan,
dan memperbaharui data dari berbagai sistem operasional yang ada
di organisasi ke dalam data warehouse.
Gambar 6.1 Itegrasi (Inmon, 2005)
Berikut adalah beberapa poin penting terkait karakteristik integrasi

data warehouse (Inmon, W. H., Linstedt, D., & Levins, M., 2011):
1) Penggabungan data: Integrasi data warehouse melibatkan
penggabungan data dari berbagai sumber yang terpisah. Ini
termasuk sistem operasional yang mungkin menggunakan
format, struktur, dan bahasa pemrograman yang berbeda. Data
dari berbagai sumber ini diambil, diubah formatnya (jika
diperlukan), dan digabungkan ke dalam format yang konsisten
di dalam data warehouse. Contohnya data jenis kelamin pada
sistem A memiliki format L untuk laki-laki, dan format P untuk
perempuan. Sementara pada sistem B format jenis kelamin laki-
laki adalah m dan format jenis kelamin perempuan adalah f.
Perbedaan jenis format data ini harus dikodekan ulang agar
dapat tersimpan pada datawarehouse.
2) Transformasi data: Selama proses integrasi, data seringkali harus
diubah atau ditransformasi untuk memastikan keseragaman dan
konsistensi. Hal ini dapat meliputi pengubahan format data,
penghapusan data yang tidak relevan atau duplikat, perhitungan
tambahan, atau penggabungan data berdasarkan kriteria
tertentu.
3) Konsistensi data: Integrasi data warehouse bertujuan untuk
menciptakan keseragaman dan konsistensi data di seluruh
organisasi. Data dari berbagai sumber yang semula tidak terkait
diintegrasikan dan disatukan ke dalam satu kesatuan yang
terpusat. Ini memastikan bahwa data yang digunakan untuk
analisis dan pengambilan keputusan bersifat akurat, konsisten,
dan dapat diandalkan.
4) Sinkronisasi data: Data warehouse biasanya memerlukan
pembaruan data secara teratur untuk mencerminkan perubahan
yang terjadi di sistem operasional yang mendasarinya. Oleh
karena itu, integrasi data warehouse melibatkan sinkronisasi data
secara berkala agar data yang disimpan dalam data warehouse
selalu mutakhir.
5) Metadata: Metadata merupakan informasi yang menjelaskan
atau menggambarkan data yang ada dalam data warehouse.
Integrasi data warehouse juga melibatkan pengumpulan dan
integrasi metadata yang berkaitan dengan sumber data.
Metadata ini digunakan untuk menjelaskan dan
menggambarkan struktur, hubungan, dan karakteristik data yang
ada dalam data warehouse.
Karakteristik selanjutnya pada datawarehouse adalah nonvolatile

atau konsisten. Artinya data warehouse dirancang untuk menyimpan
data yang bersifat statis dan tidak berubah secara teratur. Data
warehouse tidak hanya menyimpan data saat ini, tetapi juga
menyimpan sejarah data. Ini berarti data yang dimasukkan ke dalam
data warehouse biasanya tidak diubah atau dihapus, melainkan
ditambahkan ke dalam struktur yang ada. Dengan cara ini, data
warehouse memungkinkan analisis dan pemahaman tentang
perubahan seiring waktu, tren bisnis, dan pola historis.
Gambar 6.2. Nonvolatile (Inmon, 2005)
Data warehouse umumnya digunakan untuk keperluan analisis dan

pemahaman data, bukan untuk operasi transaksional atau
pembaruan data. Pengguna data warehouse biasanya melakukan
operasi baca terhadap data yang ada di dalamnya, seperti
pemrosesan analitis, pelaporan, dan penggalian data. Data yang ada
dalam data warehouse tidak dimodifikasi secara langsung oleh
penggunaan sehari-hari seperti pada sistem operasional. Karakteristik
nonvolatile memungkinkan data warehouse untuk mempertahankan
kesatuan dan konsistensi data dalam jangka waktu yang panjang.
Data yang dimasukkan ke dalam data warehouse diperoleh dari
berbagai sumber dan diintegrasikan menjadi satu set data yang
terpusat. Dalam kondisi nonvolatile, data tersebut tetap konsisten
dan tidak berubah, memastikan bahwa hasil analisis dan laporan
yang dihasilkan dari data warehouse adalah stabil dan dapat
diandalkan.
Karakteristik terakhir pada datawarehouse adalah time variant.
Karakteristik ini mengacu pada kemampuan data warehouse untuk
menyimpan dan menganalisis data dalam konteks waktu yang
berbeda. Data warehouse tidak hanya menyimpan data saat ini,
tetapi juga menyimpan sejarah data. Data yang dimasukkan ke dalam
data warehouse dilengkapi dengan informasi waktu yang
mencerminkan kapan data tersebut valid atau relevan. Dengan
adanya informasi waktu, memungkinkan pengguna untuk melihat
perubahan dan evolusi data seiring waktu, membantu dalam analisis
tren, pola, dan perubahan dalam bisnis (Kimball, R., & Ross, M.,
2015).
D. ARSITEKTUR DATA WAREHOUSE
Arsitektur data warehouse adalah struktur dan komponen yang

membentuk desain dan implementasi sebuah sistem data
warehouse. Arsitektur tersebut mencakup elemen-elemen kunci
yang terlibat dalam pengumpulan, penyimpanan, pengolahan, dan
pengiriman data yang digunakan untuk analisis dan pengambilan
keputusan bisnis.
Gambar 6.3. Arsitektur Data Warehouse (Vaisman & Zimányi,
2014).
Secara umum arsitektur datawarehouse dibagi menjadi beberapa

bagian, yaitu:
1) Data Source, merupakan sumber data data warehouse.
Contohnya adalah database relational, flat file, transaksi online,
dll.
2) Back End Tier, merupakan proses pembersihan data,
penggabungan data dari berbagai sumber, lalu mengirimkan
data ke data warehouse atau sering disebut sebagai proses
Extract Transform Load (ETL). Proses ETL menggunakan data
staging dalam prosesnya.
3) Data warehouse Tier, merupakan penyimpanan data hasil dari
proses ETL. Data yang tersimpan merupakan data summary yang
siap digunakan untuk analisa.
4) OLAP Tier, menyediakan informasi multidimensi dari data
warehouse atau data mart pengguna bisnis atau knowledge
worker pada sebuah perusahaan.
5) Fron-end Tier, adalah sistem yang memungkinkan pengguna
untuk melihat informasi yang disediakan oleh data warehouse.
Contohnya adalah sistem untuk melihat laporan, sistem untuk
melihat data statistik dari sebuah perusahaan, sistem untuk data
mining, dll.
BAGIAN 7
STRATEGI PENGEMBANGAN PRODUK
A. PENGERTIAN STRATEGI
Desain Strategi adalah rencana atau serangkaian keputusan yang

dibuat untuk mencapai tujuan tertentu. Strategi bisa diterapkan di
berbagai bidang, seperti bisnis, pemasaran, militer, politik, dan lain
sebagainya. Strategi berfungsi untuk memandu tindakan yang akan
dilakukan untuk mencapai tujuan tersebut.
Dalam bisnis, strategi adalah rencana jangka panjang untuk

mengembangkan bisnis dan mencapai tujuan perusahaan. Strategi
bisnis meliputi pemilihan pasar yang tepat, pengembangan produk,
manajemen risiko, alokasi sumber daya, pengembangan keunggulan
bersaing, dan lain sebagainya.
Strategi juga melibatkan pemilihan taktik atau langkah konkret yang

akan dilakukan untuk mencapai tujuan. Taktik biasanya bersifat
jangka pendek dan dapat diubah sesuai dengan kondisi pasar dan
bisnis yang berubah-ubah. Strategi dan taktik merupakan dua hal
yang saling terkait dan harus disesuaikan satu sama lain untuk
mencapai tujuan yang diinginkan.
Berikut adalah beberapa pengertian strategi menurut para ahli:

Michael Porter: Strategi adalah memilih segmen pasar tertentu dan
menetapkan posisi unik di dalamnya.
Henry Mintzberg: Strategi adalah pola dalam tindakan yang
berbeda-beda, dilakukan atas dasar suatu rencana, atau konsep yang
membedakan organisasi dengan lingkungannya.
Chandler: Strategi adalah penetapan tujuan jangka panjang, tujuan

korporasi, dan penetapan program tindakan serta alokasi sumber
daya untuk mencapai tujuan tersebut.
Kenneth Andrews: Strategi adalah pola tindakan perusahaan dalam

mencapai tujuan tertentu yang mencakup penempatan sumber daya,
dan lingkungan ekonomi, serta sosial yang dihadapi perusahaan.
Alfred Chandler: Strategi adalah suatu karya seni, karena melibatkan

pola tindakan yang terus-menerus untuk mencapai tujuan dalam
lingkungan yang terus-menerus berubah.
Secara umum, pengertian strategi adalah rencana jangka panjang

yang dirancang untuk mencapai tujuan tertentu, dan melibatkan
pengambilan keputusan tentang alokasi sumber daya dan
penggunaan taktik atau langkah konkret untuk mencapai tujuan
tersebut. Strategi juga melibatkan pemilihan pasar yang tepat,
pengembangan produk, manajemen risiko, alokasi sumber daya,
pengembangan keunggulan bersaing, dan lain sebagainya.
Strategi dalam pengembangan produk merujuk pada serangkaian

langkah dan rencana yang diambil oleh perusahaan untuk
menciptakan dan mengembangkan produk baru atau meningkatkan
produk yang sudah ada agar sesuai dengan kebutuhan dan keinginan
konsumen serta pasar yang sedang berkembang.
Strategi pengembangan produk mencakup penentuan target pasar,

mengidentifikasi kebutuhan pelanggan, pengembangan konsep
produk, pengujian, dan peluncuran produk baru ke pasar. Tujuannya
adalah untuk menghasilkan produk yang lebih baik dan lebih inovatif
yang dapat memenuhi kebutuhan pelanggan dan meningkatkan daya
saing perusahaan di pasar.
Strategi pengembangan produk juga dapat melibatkan perbaikan

produk yang sudah ada melalui perubahan desain, fitur, atau
teknologi, sehingga produk tersebut dapat memenuhi permintaan
pasar yang berubah. Perusahaan juga dapat menggunakan strategi
diversifikasi produk, yaitu mengembangkan produk baru yang
berbeda dari produk yang sudah ada untuk memperluas pasar dan
mengurangi risiko ketergantungan pada satu produk atau segmen
pasar tertentu.
Strategi dalam pengembangan produk adalah rencana yang dibuat

oleh perusahaan untuk mencapai tujuan bisnisnya dengan
menciptakan, memperbaiki, dan memasarkan produk yang sesuai
dengan kebutuhan dan keinginan pelanggan. Strategi pengembangan
produk melibatkan proses analisis pasar, pemilihan ide produk,
pengembangan prototipe, uji coba produk, peluncuran produk, dan
pemantauan kinerja produk.
Pengembangan produk adalah proses untuk menciptakan produk
yang baru atau memperbaiki produk yang sudah ada. Strategi
pengembangan produk bertujuan untuk menciptakan produk yang
lebih baik daripada produk yang sudah ada, atau menciptakan
produk yang benar-benar baru yang memenuhi kebutuhan dan
keinginan pelanggan. Strategi ini juga mencakup pemilihan pasar
yang tepat, harga yang kompetitif, dan promosi yang efektif untuk
memastikan produk tersebut sukses di pasaran.
B. PENGERTIAN PRODUK
Produk adalah suatu barang atau jasa yang dihasilkan oleh

perusahaan atau individu untuk memenuhi kebutuhan atau keinginan
konsumen. Produk dapat berupa benda fisik, seperti produk
makanan, pakaian, kendaraan, atau peralatan elektronik, dan juga
dapat berupa jasa, seperti jasa keuangan, jasa pendidikan, atau jasa
konsultasi.
Sebuah produk memiliki karakteristik fisik, fungsi, dan atribut yang

memberikan nilai tambah pada konsumen, serta membedakan
produk dari produk yang serupa di pasaran. Selain itu, produk juga
meliputi packaging, merek, dan pelayanan yang diberikan kepada
konsumen. Produk yang baik harus memenuhi kebutuhan dan
keinginan konsumen, memiliki kualitas yang baik, mudah digunakan,
aman, dan memiliki harga yang sesuai dengan nilai yang diberikan.
Produk menjadi bagian penting dari strategi pemasaran perusahaan,
dan perusahaan harus terus melakukan pengembangan produk untuk
memenuhi kebutuhan dan keinginan konsumen yang terus berubah.
Produk yang sukses akan membawa manfaat bagi perusahaan, yaitu
meningkatkan penjualan, meningkatkan keuntungan, dan
memperkuat merek perusahaan.
PRODUK DIGITAL
Produk digital adalah produk yang dihasilkan dan dikonsumsi secara
elektronik, melalui media digital seperti internet, perangkat mobile,
atau komputer. Produk digital dapat berupa aplikasi, game, musik,
film, e-book, dan sebagainya. Produk digital juga dapat berupa
layanan online, seperti layanan e-commerce, layanan streaming, dan
layanan perbankan online.
Karakteristik dari produk digital adalah dapat diakses dan dikonsumsi

kapan saja dan di mana saja selama terhubung ke internet atau
perangkat digital. Produk digital juga dapat dengan mudah
dikustomisasi dan diperbarui, dan dapat disebarkan ke seluruh dunia
secara cepat dan murah.
Produk digital dapat menjadi bagian penting dari strategi bisnis

perusahaan karena memungkinkan perusahaan untuk menciptakan
pengalaman konsumen yang unik dan menarik. Produk digital dapat
membantu perusahaan untuk memperluas pangsa pasar,
meningkatkan loyalitas pelanggan, dan memperkuat merek
perusahaan.
Namun, produk digital juga dapat menimbulkan tantangan bagi
perusahaan, seperti keamanan data, perlindungan hak cipta, dan
persaingan yang ketat di pasar digital yang terus berkembang. Oleh
karena itu, perusahaan harus memperhatikan faktor-faktor tersebut
dalam mengembangkan dan memasarkan produk digital.
Era digital membawa banyak peluang bagi pengembangan produk.

Berikut adalah beberapa peluang tersebut:
Peningkatan aksesibilitas: Era digital memungkinkan produk untuk

dapat diakses dengan mudah melalui internet atau perangkat mobile,
sehingga produk dapat menjangkau pasar yang lebih luas.
Personalisasi: Produk digital memungkinkan personalisasi untuk

memenuhi kebutuhan dan preferensi konsumen secara lebih spesifik.
Inovasi: Era digital memungkinkan pengembangan produk yang

lebih inovatif dengan memanfaatkan teknologi terbaru seperti
kecerdasan buatan (AI), Internet of Things (IoT), dan blockchain.
Peningkatan efisiensi: Teknologi digital dapat meningkatkan efisiensi

produksi, manajemen inventaris, dan pengiriman produk yang dapat
membantu perusahaan untuk meningkatkan profitabilitas.
Analisis data: Era digital memungkinkan pengumpulan dan analisis

data konsumen yang lebih akurat dan real-time, sehingga perusahaan
dapat mengambil keputusan berdasarkan informasi yang lebih tepat
dan efektif.

Pemasaran digital: Pemasaran digital memungkinkan perusahaan
untuk mencapai pasar yang lebih luas dengan biaya yang lebih murah
dan dapat memungkinkan peningkatan awareness dan penjualan
produk.
Kemitraan digital: Perusahaan dapat memanfaatkan kemitraan digital

dengan perusahaan lain untuk mengembangkan produk yang lebih
inovatif dan dapat memperluas pasar.
Dalam mengembangkan produk pada era digital, perusahaan harus

memperhatikan faktor-faktor lingkungan yang mempengaruhi bisnis,
seperti peraturan pemerintah, persaingan, dan perkembangan
teknologi. Perusahaan juga harus memperhatikan kebutuhan
konsumen dan ketersediaan sumber daya yang dimiliki untuk
mengembangkan produk atau jasa yang berkualitas dan inovatif.
C. STRATEGI PENGEMBANGAN PRODUK
Strategi pengembangan produk dalam pengembangan

Technopreneurship adalah suatu rencana jangka panjang yang dibuat
oleh perusahaan teknologi atau technopreneur untuk
mengembangkan dan memperluas produk atau jasa teknologi yang
telah ada atau menciptakan produk baru yang inovatif. Strategi
pengembangan produk Technopreneur harus memperhatikan aspek
inovasi, pasar, teknologi, dan keuangan.

Berikut adalah beberapa strategi pengembangan produk
Technopreneur yang dapat dilakukan:
Meningkatkan fitur produk: Technopreneur dapat mengembangkan
fitur tambahan pada produk teknologi yang sudah ada untuk
memenuhi kebutuhan dan keinginan konsumen yang terus berubah.
Menambah variasi produk: Technopreneur dapat menambah variasi

produk dengan menciptakan produk baru yang memiliki nilai
tambah dan memenuhi kebutuhan konsumen yang belum terpenuhi.
Meningkatkan kualitas produk: Technopreneur harus memastikan

produk teknologi yang dihasilkan memiliki kualitas yang baik agar
konsumen merasa puas dan loyal terhadap produk tersebut.
Memperluas pasar: Technopreneur dapat memperluas pasar dengan

menargetkan segmen pasar baru dan mengembangkan produk atau
jasa yang sesuai dengan kebutuhan dan keinginan segmen pasar
tersebut.
Meningkatkan keunggulan bersaing: Technopreneur harus terus
mengembangkan keunggulan bersaing dari produk atau jasa yang
ditawarkan agar dapat bersaing dengan produk atau jasa sejenis di
pasar.
Memanfaatkan teknologi terbaru: Technopreneur harus selalu

mengikuti perkembangan teknologi terbaru dan memanfaatkannya
dalam mengembangkan produk atau jasa yang lebih inovatif dan
canggih.

Mengembangkan jaringan kerjasama: Technopreneur dapat
mengembangkan jaringan kerjasama dengan perusahaan lain atau
lembaga riset untuk mengembangkan produk atau jasa yang lebih
baik dan inovatif.
Dalam menerapkan strategi pengembangan produk Technopreneur,

perusahaan teknologi harus memperhatikan faktor-faktor lingkungan
yang mempengaruhi bisnis, seperti peraturan pemerintah,
persaingan, dan perkembangan teknologi. Selain itu, perusahaan juga
harus memperhatikan kebutuhan konsumen dan ketersediaan
sumber daya yang dimiliki untuk mengembangkan produk atau jasa
yang berkualitas dan inovatif.
D. HUBUNGAN STRATEGI PENGEMBANGAN PRODUK DAN

TECHNOPRENEURSHIP
Strategi pengembangan produk dan Technopreneurship memiliki

hubungan yang erat dalam pengembangan produk pada era digital.
Technopreneurship adalah konsep pengembangan bisnis yang
mengintegrasikan teknologi dan kewirausahaan untuk menciptakan
produk atau jasa inovatif yang dapat memenuhi kebutuhan pasar.
Strategi pengembangan produk, di sisi lain, adalah rencana jangka
panjang yang dibuat oleh perusahaan untuk mengembangkan dan
memperluas produk atau jasa teknologi yang telah ada atau
menciptakan produk baru yang inovatif.

Kedua konsep tersebut saling terkait dan saling mempengaruhi.
Technopreneurship memberikan konsep inovatif dalam
pengembangan produk, sedangkan strategi pengembangan produk
memberikan arah dan rencana jangka panjang untuk
mengembangkan produk atau jasa yang inovatif. Pengembangan
produk yang inovatif adalah kunci utama dari Technopreneurship
yang bertujuan untuk menciptakan produk atau jasa yang berbeda
dari yang sudah ada dan dapat memenuhi kebutuhan pasar.
Dalam Technopreneurship, strategi pengembangan produk harus

diatur dengan baik untuk mencapai tujuan pengembangan produk
yang inovatif dan memenuhi kebutuhan pasar. Strategi
pengembangan produk harus memperhatikan aspek inovasi, pasar,
teknologi, dan keuangan. Technopreneurship juga dapat
memperluas konsep strategi pengembangan produk dengan
mempertimbangkan sisi kewirausahaan dalam mengembangkan
produk atau jasa yang inovatif. Hal ini dapat memungkinkan
pengembangan produk atau jasa yang lebih inovatif dan memiliki
nilai tambah yang lebih tinggi di pasar.
Dalam kesimpulannya, strategi pengembangan produk dan

Technopreneurship memiliki hubungan yang erat dalam
pengembangan produk pada era digital. Strategi pengembangan
produk memberikan rencana jangka panjang yang dibuat oleh
perusahaan untuk mengembangkan produk atau jasa inovatif,
sedangkan Technopreneurship memberikan konsep kewirausahaan
dan teknologi yang dapat menghasilkan pengembangan produk yang

inovatif. Kedua konsep tersebut saling mempengaruhi dan saling
terkait dalam pengembangan produk yang inovatif dan sukses di
pasar.
Atau dengan kata lain Strategi pengembangan produk dan

technopreneurship erat kaitannya karena technopreneurship adalah
bisnis yang berbasis teknologi atau inovasi yang bertujuan untuk
menciptakan nilai tambah bagi konsumen dan masyarakat. Strategi
pengembangan produk adalah rencana jangka panjang untuk
mengembangkan dan memperluas produk yang telah ada atau
menciptakan produk baru yang inovatif.
Dalam konteks technopreneurship, strategi pengembangan produk

sangat penting karena teknologi dan inovasi adalah fokus utama
dalam bisnis tersebut. Technopreneur harus terus mengembangkan
produk dan jasa yang inovatif agar dapat memenuhi kebutuhan
konsumen dan memenangkan persaingan di pasar.
Beberapa strategi pengembangan produk yang dapat dilakukan oleh

technopreneur antara lain meningkatkan fitur produk, menambah
variasi produk, meningkatkan kualitas produk, memperluas pasar,
meningkatkan keunggulan bersaing, memanfaatkan teknologi
terbaru, dan mengembangkan jaringan kerjasama. Strategi-strategi ini
harus selaras dengan visi dan misi technopreneur dan harus mampu
menciptakan nilai tambah bagi konsumen.
Technopreneurship juga memerlukan strategi pengembangan produk

yang berkelanjutan karena teknologi dan kebutuhan konsumen terus

berkembang. Oleh karena itu, strategi pengembangan produk harus
disesuaikan dengan perubahan lingkungan bisnis dan teknologi.
Technopreneur harus selalu mencari peluang untuk mengembangkan
produk baru yang inovatif dan memenuhi kebutuhan konsumen
yang belum terpenuhi.

BAGIAN 8
PENERAPAN BUSINESS INTELLIGENCE DALAM
PENGAMBILAN KEPUTUSAN
A. PENGERTIAN BUSINESS INTELLIGENCE
Business Intelligence (BI) merupakan pengumpulan, proses

pengolahan, analisis dan juga presentasi informasi pada sebuah bisnis
yang relevan dalam mendukung pengambilan keputusan serta
perencanaan strategis dalam sebuah organisasi. Tujuan utama dari
business intelligence ialah untuk mengubah data bisnis yang tersedia
menjadi sebuah informasi atau wawasan yang mempunyai arti dan
berguna dan dapat digunakan dalam mengidentifikasi suatu peluang,
mengidentifikasi tren pasar, memahami perilaku pelanggan,
meningkatkan efisiensi operasional, dan mencapai keunggulan
kompetitif.
Business Intelligence melibatkan pemakaian teknologi, alat analisis,

dan metode untuk mengumpulkan data dari berbagai sumber
internal ataupun eksternal, menjalankan analisis yang mendalam
terhadap data tersebut, serta menyajikan hasil dalam bentuk laporan,
halaman dashboard, visualisasi data, dan alat pengambilan
keputusan interaktif lainnya(Božič & Dimovski, 2019; Sudipa,
Sarasvananda, et al., 2023). Hal ini membantu para pemangku
kepentingan bisnis, seperti manajemen eksekutif, manajer
departemen, dan analis bisnis, dalam memahami kondisi bisnis saat

ini, mengidentifikasi tren dan juga pola yang relevan, serta membuat
keputusan yang lebih baik berdasarkan wawasan yang didapat (Shao
et al., 2022; Sudipa, Wardoyo, et al., 2023).
Komponen utama dari sistem business intelligence meliputi

pengumpulan data, pengolahan serta integrasi data, analisis data,
penyimpanan dan juga manajemen data serta presentasi serta
pelaporan data. Selain itu, teknologi seperti data warehousing, OLAP
(Online Analytical Processing), data mining, analisis prediktif, dan
visualisasi data sering digunakan dalam implementasi sistem business
intelligence (Ain et al., 2019).
Pada era digital dan juga era data yang terus mengalami
perkembangan, business intelligence menjadi semakin penting untuk
sebuah organisasi agar tetap bersaing serta mengambil keputusan
yang cerdas. Dengan menggunakan business intelligence secara
efektif, perusahaan dapat mengoptimalkan proses bisnis mereka,
meningkatkan kinerja operasional, mengurangi biaya, dan
merespons perubahan pasar dengan lebih cepat dan tepat (Rana et
al., 2022).
Perkembangan business intelligence telah mengalami beberapa

perubahan yang signifikan dalam beberapa tahun terakhir. Berikut
perkembangan terkini dalam business intelligence.
1. Peningkatan Analitik Lanjutan
Perkembangan teknologi dan analitik telah membuat
pengembangan alata dan teknik analitis yang lebih canggih dalam

business intelligence. Analisis prediktif, analisis teks, pemodelan
statistic kompleks, dan juga kecerdasan bauta semakin digunakan
dalam business intelligence dalam mendapatkan wawasan yang
lebih mendalam serta prediksi yang lebih akurat(Zhang & Chen,
2020)v.
2. Integrasi dengan Big Data

Dengan adanya ledakan data yang terus meningkat, integrasi
business intelligence dengan big data telah menjadi fokus utama.
Business Intelligence telah berkembang dalam mengatasi
tantangan pengolahan dan analisis data besar (Kwintiana et al.,
2023), termasuk data yang tidak terstruktur dan data semi
terstruktur, seperti teks, gambar, dan data sensor. Integrasi
dengan teknologi big data seperti Hadoop dan platform
penyimpanan data NoSQL memungkinkan organisasi untuk
memanfaatkan potensi penuh data besar untuk mengambil
keputusan.
3. Mobile Business Intelligence

Perkembangan teknologi mobile telah menghasilkan
kemampuan dalam menjangkau informasi business intelligence
dari perangkat mobile seperti smartphone dan tablet. Aplikasi
mobile business intelligence memungkinkan pengambilan
keputusan dalam mengakses laporan, dashboard, dan informasi
bisnis kunci secara real-time di mana saja dan kapan
saja(Pandawana et al., 2022), memfasilitasi pengambilan
keputusan yang lebih cepat dan responsive.

4. Self-Service Business Intelligence
Konsep self-service business intelligence memberikan
kemampuan kepada pengguna bisnis nonteknis untuk melakukan
analisis dan mendapatkan wawasan dari data sendiri tanpa
bergantung pada tim IT atau analis data. Platform business
intelligence telah berkembang dalam menjadi lebih intuitif dan
mudah digunakan, memungkinkan pengguna bisnis untuk
menjelajahi data membuat laporan, serta melaksanakan analisis
tanpa keterampilan teknis yang mendalam.
5. Visualisasi Data
Visuallisasi data yang interaktif terus berkembang dalam business
intelligence. Alat yang digunakan dalam visuallisasi data yang
lebih kuat dan juga fleksibel memungkinkan pengambilan
keputusan untuk mengeksplorasi data dengan lebih baik, melihat
tren dan pola dengan lebih jelas, dan menjalankan simulasi dan
juga analisis langsung pada visualisasi data (Dewi et al., 2021;
Saputra et al., 2022). Hal ini memungkinkan pengambilan
keputusan untuk memahami data dengan lebih baik dan
menggali wawasan yang lebih dalam.
6. Integrasi AI dan Machine Learning

Integrasi kecerdasan buatan dan juga machine learning
dalambusiness intelligence memungkinkan pengambilan
keputusan yang lebih cerdas dan otomatis. Algoritma machine
learning digunakan dalam mengidentifikasi pola,
mengklasifikasikan data, dan memberikan rekomendasi

berdasarkan data historis dan tren(Atmaja et al., 2022;
Dirgayusari et al., 2021). Dengan adanya integrasi ini, business
intelligence dapat menjadi lebih adaptif dan mendukung
pengambilan keputusan yang lebih tepat waktu dan akurat.
B. TUJUAN PENERAPAN BUSINESS INTELLIGENCE DALAM

Penerapan Business Intelligence (BI) dalam pengambilan keputusan

mempunyai beberapa tujuan penting, diantaranya :
1. Meningkatkan Pengambilan Keputusan yang Lebih Cepat
Business Intelligence memungkinkan jangkauan secara real-time
atau mendekati real-time terhadap data yang relevan. Dengan
adanya informasi yang tersedia cepat dan juga akurat, pengambil
keputusan dapat merespons dengan lebih cepat terhadap
perubahan pasar, tren atau situasi yang mempengaruhi
perusahaan.
2. Meningkatkan Akurasi Keputusan

Dengan menggunakan business intelligence dalam mengambil
keputusan dapat mempunyai akses terhadap data yang
terkonsolidasi serta terstruktur dengan baik. Hal ini membantu
mengurangi risiko kesalahan atau keputusan yang didasarkan
pada intuisi semata. Dengan informasi yang akurat, keputusan
yang akan diambil mempunyai dasar yang lebih kuat.

3. Mendukung Keputusan Berbasis Fakta
Business Intelligence membantu dalam pengambilan keputusan
yang mengandalkan fakta dan juga bukti dalam proses
pengambilan keputusan. Dengan visuallisasi data yang jelas serta
ringkas, pengambil keputusan dapat melihat pola, tren, dan
hubungan yang ada dalam data(Sudipa, Kharisma, et al., 2023).
Hal ini membantu menghindari keputusan berdasarkan asumsi
atau persepsi yang tidak dapat dipertanggungjawabkan.
4. Meningkatkan Efisiensi dan Produktivitas

Business Intelligence dapat membantu dalam mengoptimallisasi
proses pengumpulan, pengolahan, dan juga analisis data. Dengan
adanya bantuan dari business intelligence yang terbaru,
pengambil keputusan dapat menjangkau informasi dengan lebih
mudah dan cepat tanpa harus menghabiskan waktu yang
berlebihan untuk mencari serta mengolah data secara manual. Ini
dapat meningkatkan efisiensi serta produktivitas dalam proses
pengambilan keputusan.
5. Mendukung Pengambilan Keputusan yang Strategis

Business Intelligence memberikan informasi yang komprehensif
serta menyeluruh mengenai kinerja bisnis, tren pasar, dan faktor-
faktor yang mempengaruhi perusahaan. Dengan data dan
melakukan analisis yang mendalam, pengambilan keputusan
dapat membuat keputusan yang lebih strategis serta berorientasi
ke depan(Wiguna et al., 2022). Business intelligence membantu
dalam mengidentifikasi peluang, memahami risiko, dan

merumuskan strategi yang tepat dalam mencapai tujuan jangka
panjang perusahaan.
Keseluruhan tujuan penerapan business intelligence dalam

pengambilan keputusan ialah menaikkan kualitas keputusan dengan
menggunakan informasi yang akurat, real-time, dan berbasis fakta.
Hal tersebut dapat mengarah kepada peningkatan efisiensi,
produktivitas, dan keseluruhan kinerja bisnis perusahaan.
C. MANFAAT BUSINESS INTELLIGENCE
Business Intelligence (BI) memberikan berbagai manfaat untuk

sebuah organisasi dalam mengambil keputusan yang lebih baik,
meningkatkan kinerja bisnis, serta mencapai keunggulan kompetitif.
Berikut beberapa manfaat utama dari penerapan business
intelligence:
1. Pengambilan Keputusan
Business Intelligence memberikan ilmu atau wawasan yang
terkait dengan data bisnis yang relevan, dapat memungkinkan
pengambilan keputusan yang lebih baik serta lebih terinformasi.
Dengan analisis data yang akurat dapat membuat pemangku
kepentingan bisnis dapat membuat keputusan yang didukung
oleh bukti dan mengurangi tingkat ketidakpastian.
2. Identifikasi Peluang dan Tren Pasar
Business Intelligence memberikan bantuan dalam
mengidentifikasi peluang bisnis baru serta tren pasar yang dapat

dimanfaatkan. Dengan menganalisis data historis serta data pasar
saat ini, organisasi dapat mengenali perubahan dalam perilaku
konsumen, preferensi pelanggan, serta permintaan pasar yang
dapat membuka pintu dalam pertumbuhan serta inovasi.
3. Pemantauan Kinerja Bisnis
Dengan adanya laporan fisik, halaman dashboard, dan juta
metrik kinerja kunci (KPI), business intelligence memungkinkan
pemantauan kinerja bisnis secara real-time. Hal ini membantu
pimpinan sebuah organisasi serta pemangku kepentingan untuk
mengukur pencapaian tujuan, mengidentifikasi area yang perlu
diperbaiki, serta mendeteksi kemajuan terhadap target bisnis.
4. Penghematan Waktu dan Biaya
Dengan melakukan penerapan alat dan juga teknologi business
intelligence, proses pengumpulan, pengolahan, dan juga analisis
data dapat diotomatisasi. Ini mengurangi waktu yang diperlukan
dalam tugas secara manual yang rumit dan memungkinkan
pengguna untuk fokus pada analisis dan juga interpretasi data
yang penting. Selain hal tersebut, business intelligence dapat
membantu mengidentifikasi peluang penghematan biaya, seperti
mengoptimalkan rantai pasokan, mengurangi biaya produksi,
atau meningkatkan efisiensi operasional.
5. Pengintegrasian Data yang Komprehensif
Business Intelligence mengintegrasikan data yang berasal dari
berbagai sumber yang berbeda, termasuk dari sistem internal dan
juga eksternal, yang menjadi satu sumber informasi yang
komprehensif. Ini memungkinkan pengguna untuk mendapatkan

pandangan holistik tentang bisnis serta mendapatkan
pemahaman yang lebih baik tentang hubungan antara data yang
berbeda.
6. Perencanaan Strategis yang Lebih Baik
Business Intelligence mendukung perencanaan strategis dengan
menyediakan informasi yang relevan serta akurat. Pemangku
kepentingan bisnis dapat mengidentifikasi informasi yang relevan
dan juga akurat. Pemangku kepentingan bisnis dapat
mengidentifikasi tren jangka panjang, mengukur kinerja historis,
dan juga dapat memprediksi rencana bisnis yang akan dijalankan
agar menjadi lebih efektif dan merespons perubahan pasar
dengan lebih cepat.
D. PENERAPAN BUSINESS INTELLIGENCE DALAM

Penerapan business intelligence (BI) dalam melakukan pengambilan

keputusan membantu suatu organisasi dalam menghasilkan wawasan
yang lebih baik serta mendukung proses pengambilan keputusan
yang lebih efektif. Berikut ialah cara penerapan business intelligence
yang dapat meningkatkan pengambilan keputusan :
1. Pengumpulan dan Integrasi Data
Business Intelligence (BI) mengumpulkan data sari berbagai
sumber internal serta eksternal seperti sistem perusahaan, basis
data pelanggan, data pasar, dan juga media sosial. Integrasi data
ini membantu dalam memperoleh gambaran yang lengkap serta

akurat terkait tentang bisnis. Dengan data yang telah terorganisasi
dengan baik dan terpadu(Chen & Siau, 2020), membuat
pengambilan keputusan mempunyai jangkauan informasi yang
konsisten dan terbarukan.
2. Analisis Data Mendalam
Business Intelligence memungkinkan analisis data yang mendalam
dengan menggunakan alat dan juga teknik analisis yang terbaru.
Pengambilan keputusan dapat menjalankan analisis statistic,
pemodelan prediktif, analisis tren dan segmentasi data untuk
mendapatkan wawasan yang lebih dalam tentang faktor-faktor
yang mempengaruhi bisnis. Analisis ini membantu dalam
mengidentifikasi pola, hubungan kausal, dan juga tren yang
dapat digunakan untuk menginformasikan keputusan.
3. Visuallisasi Data dan Pelaporan
Business Intelligence (BI) menyediakan visuallisasi data yang
menarik dan juga laporan yang dapat dengan mudah dipahami.
Melalui sebuah halaman dashboard interaktif, grafik, tabel dan
laporan yang disesuaikan, pengambil keputusan dapat
memvisualisasikan data secara intuitif. Ini memudahkan
pemahaman terhadap tren, perbandingan, dan perubahan dalam
data, yang membantu pengambil keputusan untuk
mengidentifikasi pola dan mengambil Tindakan yang
dibutuhkan.
4. Pengambilan Keputusan secara Real-time
Business Intelligence memungkinkan pengambilan keputusan
secara real-time dengan memberikan akses langsung ke informasi

bisnis yang terkini. Dengan data yang diperbarui secara real-time
dan alat notifikasi atau pemberitahuan, pengambilan keputusan
dapat merespons perubahan pasar dengan cepat serta mengambil
Tindakan yang tepat waktu.
5. Prediksi dan Simulasi
Dengan menggunakan teknik analisis prediktif, business
intelligence dapat membantu pengambilan keputusan dalam
membuat prediksi tentang hasil bisnis di masa depan.
Pengambilan keputusan dapat menguji scenario serta melakukan
simulasi untuk memahami dampak dari berbagai keputusan
potensial sebelum mengimplementasikannya.
6. Kolaborasi dan Berbagi Informasi
Business Intelligence memfasilitasi kolaborasi dan berbagai
informasi antara pengambil keputusan serta pemangku
kepentingan bisnis lainnya. Melalui akses yang terpusat ke data
dan juga laporan yang konsisten, anggota tim dapat
berkolaborasi dalam proses pengambilan keputusan, berbagai
wawasan, dan membuat keputusan berdasarkan pemahaman
yang seragam.
Dengan penerapan business intelligence yang efektif, sebuah

organisasi dapat meningkatkan kualitas keputusan, mengurangi
ketidakpastian, dan merespons perubahan pasar dengan lebih baik.
Penting untuk memahami kebutuhan bisnis yang spesifik dan memilih
alat business intelligence yang sesuai dalam memastikan penerapan
yang sukses dan optimal.

E. CONTOH BUSINESS INTELLIGENCE DALAM PENGAMBILAN
KEPUTUSAN
Berikut beberapa contoh penerapan Business Intelligence (BI) dalam

pengambilan keputusan :
1. Analisis Penjualan
Dengan menggunakan business intelligence, suatu organisasi
dapat melakukan analisis data penjualan, contohnya volume
penjualan, tren penjualan, dan juga performa produk. Dengan
wawasan ini, pengambilan keputusan dapat mengidentifikasi
produk yang paling sukses, mengidentifikasi faktor yang
mempengaruhi penjualan, dan mengarahkan upaya pemasaran
serta promosi dengan lebih efektif.
2. Analisis Pelanggan
Business Intelligence dapat membantu dalam menganalisis data
pelanggan, seperti perilaku pembelian, preferensi, dan umpan
balik. Pengambilan keputusan dapat mengidentifikasi sebuah
segmen pelanggan yang paling berharga, memahami preferensi
serta kebutuhan mereka, dan juga mengembangkan strategi
pemasaran yang sesuai untuk meningkatkan retensi pelanggan
serta memperoleh pelanggan baru.
3. Analisis Kinerja
Business Intelligence dapat dipakai dalam melakukan analisis data
operasional, seperti biaya produksi, efisiensi proses, dan
penggunaan sumber daya. Dengan melakukan analisis ini,
pengambil keputusan dapat mengidentifikasi area di mana

efisiensi dapat ditingkatkan, biaya dapat dikurangi, serta
peningkatan produktivitas dapat tercapai.
4. Analisis Rantai Pasokan
Business Intelligence dapat membantu dalam melakukan analisis
data rantai pasokan, termasuk persediaan, pengiriman, serta
keandalan pemasok. Dengan informasi tersebut, pengambil
keputusan dapat mengoptimalkan rantai pasokan,
mengidentifikasi risiko dan juga kelemahan, serta mengambil
langkah-langkah yang dibutuhkan dalam memastikan pasokan
yang lancar serta efisien.
5. Analisis Keuangan
Business Intelligence dapat digunakan dalam menganalisis data
keuangan, seperti laporan laba rugi, neraca dan aliran kas.
Dengan informasi tersebut, pengambilan keputusan dapat
memahami kinerja keuangan perusahaan, mengidentifikasi tren
dan juga pola, serta membuat keputusan terkait pengelolaan
keuangan, investasi, dan juga alokasi anggaran.
6. Analisis Pemasaran
Business Intelligence dapat membantu dalam melakukan analisis
data pemasaran serta kampanye, seperti data kampanye iklan,
respons pelanggan dan pengeluaran pemasaran. Pengambil
keputusan dapat mengevaluasi efektivitas promosi (Wijaya et al.,
2022), mengidentifikasi saluran pemasaran yang paling efisien
dan juga dapat mengarahkan sumber daya dalam upaya
pemasaran yang memberikan hasil terbaik.

BAGIAN 9
TANTANGAN DAN PELUANG DALAM IMPLEMENTASI
BUSINESS INTELLIGENCE
Era Digital, tantangan dan peluang dalam implementasi Business

Intelligence (BI) dapat beragam, tergantung pada konteks
perusahaan dan lingkungannya. Berikut adalah beberapa tantangan
dan peluang umum yang terkait dengan implementasi Business
Intelligence. Meskipun Business Intelligence memiliki manfaat yang
signifikan dalam bisnis saat ini.
A. TANTANGAN
Ada beberapa tantangan yang perlu diatasi dalam penerapannya.

Beberapa tantangan utama dalam mengimplementasikan Business
Intelligence dalam bisnis meliputi:
1. Kualitas Data
Untuk Meningkatkan kualitas data merupakan tantangan utama
dalam implementasi Business Intelligence. Berikut adalah
beberapa langkah yang dapat membantu meningkatkan kualitas
data:
1) Pemahaman dan dokumentasi yang baik: Penting untuk
memahami dan mendokumentasikan sumber data yang
digunakan. Hal ini mencakup mengidentifikasi sumber data,

definisi data, metode pengumpulan, serta struktur dan format
data.
2) Pembersihan data: Melakukan pembersihan data secara teratur
untuk menghilangkan duplikasi, kesalahan penulisan, dan data
yang tidak konsisten. Dapat menggunakan algoritma atau
aturan yang ditetapkan untuk memverifikasi dan memperbaiki
data yang tidak valid.
3) Integrasi data yang baik: Mengintegrasikan data dari berbagai
sumber menjadi satu tampilan yang terpadu dan konsisten. Ini
melibatkan pencocokan dan pemadanan data dari berbagai
sumber, serta menetapkan kebijakan dan standar integrasi
data.
4) Validasi data: Melakukan validasi data secara berkala untuk
memastikan kualitas dan keakuratan data. Hal ini dapat
dilakukan dengan membandingkan data dengan sumber yang
dapat dipercaya atau dengan menggunakan algoritma validasi
data.
5) Pengaturan dan pemantauan data: Menetapkan pengaturan
dan proses untuk memantau data secara berkala. Ini termasuk
pemantauan data secara real-time, pemantauan kesalahan, dan
pemberitahuan jika ada masalah dengan kualitas data.
6) Pelatihan dan kesadaran pengguna: Melakukan pelatihan
kepada pengguna BI tentang pentingnya kualitas data dan
bagaimana mereka dapat berkontribusi dalam memelihara
kualitas data. Meningkatkan kesadaran tentang pentingnya

kualitas data dapat membantu mengurangi kesalahan manusia
dalam pengumpulan dan input data.
7) Kebijakan dan prosedur data: Menetapkan kebijakan dan
prosedur yang jelas terkait dengan pengumpulan,
penyimpanan, dan penggunaan data. Hal ini termasuk
mengatur hak akses pengguna, kebijakan keamanan, dan
standar kualitas data.
8) Penggunaan alat bantu kualitas data: Memanfaatkan alat bantu
kualitas data, seperti perangkat lunak validasi data atau
algoritma machine learning, untuk membantu mendeteksi dan
memperbaiki kesalahan data secara otomatis.
2. Integrasi Data
Integrasi data merupakan proses menggabungkan data dari
berbagai sumber yang terpisah menjadi satu tampilan yang
terpadu dan konsisten. Tujuan utama dari integrasi data adalah
untuk menggabungkan informasi yang tersebar menjadi satu
sumber data yang dapat diakses dan dimanfaatkan secara efisien.
Berikut adalah beberapa langkah yang dapat membantu dalam
proses integrasi data:
1) Identifikasi sumber data: Langkah pertama adalah
mengidentifikasi sumber data yang akan diintegrasikan. Sumber
data ini dapat berasal dari sistem internal seperti database
perusahaan, aplikasi bisnis, file Excel, atau sistem eksternal
seperti API dari pihak ketiga.

2) Penetapan struktur data: Setelah mengidentifikasi sumber data,
langkah selanjutnya adalah menetapkan struktur data yang
konsisten. Ini melibatkan pengenalan entitas, atribut, relasi,
dan skema data yang akan digunakan dalam proses integrasi.
3) Pemetaan data: Setelah struktur data ditetapkan, langkah
berikutnya adalah memetakan data dari setiap sumber ke
dalam skema data yang telah ditentukan. Hal ini melibatkan
mencocokkan kolom atau atribut data dari setiap sumber
dengan kolom yang sesuai dalam skema data yang ditentukan.
4) Transformasi data: Proses transformasi data melibatkan
mengubah format, ukuran, dan kualitas data dari sumber yang
berbeda agar sesuai dengan skema data yang ditentukan. Ini
bisa termasuk menggabungkan data yang terpisah,
membersihkan data yang tidak konsisten, atau mengubah
format data menjadi seragam.
5) Penggabungan data: Setelah data dipetakan dan
ditransformasi, langkah berikutnya adalah menggabungkan
data dari berbagai sumber menjadi satu sumber data yang
terpadu. Ini dapat dilakukan dengan menggunakan alat atau
teknologi ETL (Extract, Transform, Load) untuk mengekstraksi
data dari sumber, mentransformasikannya sesuai dengan
skema data yang ditentukan, dan memuatnya ke dalam sistem
penyimpanan data yang terpusat.
6) Validasi dan pemantauan data: Setelah integrasi data
dilakukan, penting untuk melakukan validasi dan pemantauan
data secara berkala. Hal ini melibatkan memverifikasi

keakuratan data yang diintegrasikan, mendeteksi dan
memperbaiki kesalahan, serta memastikan data tetap konsisten
dan terkini.
7) Kebijakan dan tata kelola data: Penting untuk menetapkan
kebijakan dan tata kelola data yang jelas terkait dengan
integrasi data. Hal ini melibatkan penetapan aturan keamanan
data, hak akses pengguna, dan kebijakan penggunaan data
yang konsisten.
8) Skalabilitas dan fleksibilitas: Saat merencanakan integrasi data,
penting untuk mempertimbangkan skalabilitas dan fleksibilitas
solusi. Perubahan dalam sumber data atau penambahan
sumber data baru harus dapat diakomodasi dengan mudah
dalam proses integrasi.
3. Keamanan dan Privasi Data

Keamanan dan privasi data adalah aspek penting dalam
implementasi Business Intelligence. Mengingat data bisnis yang
sensitif dan rahasia dapat digunakan dalam proses BI, perusahaan
perlu memastikan bahwa data tersebut dilindungi secara akurat.
Identifikasi dan klasifikasikan data sensitif: Identifikasi jenis data
yang termasuk dalam kategori sensitif, seperti data pelanggan,
data keuangan, atau data pribadi. Klasifikasikan data berdasarkan
tingkat sensitivitas dan risiko yang terkait.
1) Akses yang terkontrol: Batasi akses ke data sensitif hanya pada
pengguna yang membutuhkannya. Terapkan kebijakan akses

yang ketat dan hak akses pengguna berdasarkan peran dan
tanggung jawab.
2) Enkripsi data: Gunakan enkripsi untuk melindungi data saat
transit dan saat penyimpanan. Enkripsi memastikan bahwa
data hanya dapat diakses oleh pihak yang memiliki kunci
dekripsi yang sesuai.
3) Pengamanan fisik dan logis: Pastikan bahwa infrastruktur dan
sistem penyimpanan data dilindungi secara fisik dan logis. Ini
mencakup penggunaan sistem keamanan yang memadai,
seperti firewall, anti-malware, dan sistem deteksi intrusi.
4) Penyaringan data: Gunakan mekanisme penyaringan data
untuk mencegah data sensitif keluar dari sistem BI ke pengguna
yang tidak berwenang. Hal ini dapat mencakup penyaringan
berdasarkan aturan atau algoritma untuk membatasi tampilan
atau akses ke data sensitif.
5) Audit dan pemantauan: Lakukan audit dan pemantauan
terhadap aktivitas pengguna dalam sistem BI. Hal ini dapat
membantu mendeteksi aktivitas mencurigakan atau
pelanggaran keamanan data.
6) Kebijakan keamanan data: Tetapkan kebijakan keamanan data
yang jelas dan terdokumentasi. Pastikan semua pengguna
sistem BI memahami dan mematuhi kebijakan tersebut.
7) Pelatihan pengguna: Lakukan pelatihan yang teratur kepada
pengguna BI tentang pentingnya keamanan data dan praktik
terbaik untuk melindungi data sensitif. Tingkatkan kesadaran
pengguna tentang ancaman keamanan dan privasi data.

8) Kepatuhan peraturan: Pastikan bahwa implementasi BI
mematuhi peraturan privasi dan keamanan data yang berlaku,
seperti GDPR (General Data Protection Regulation) di Uni
Eropa atau CCPA (California Consumer Privacy Act) di
California, Amerika Serikat.
9) Penghapusan data yang aman: Jika data sensitif tidak lagi
diperlukan, pastikan data tersebut dihapus secara aman sesuai
dengan kebijakan dan peraturan yang berlaku.
4. Budaya dan Perubahan Organisasi

Ada beberapa langkah yang dapat diambil untuk mengatasi
tantangan budaya dan mendorong perubahan organisasi yang
diperlukan dalam implementasi BI:
1) Komunikasi dan pemahaman: Komunikasikan dengan jelas visi
dan manfaat implementasi BI kepada seluruh anggota
organisasi. Jelaskan bagaimana BI dapat membantu dalam
pengambilan keputusan yang lebih baik dan meningkatkan
kinerja bisnis secara keseluruhan. Pastikan pemahaman yang
baik tentang kebutuhan dan manfaat BI di semua tingkatan
organisasi.
2) Dukungan dan kepemimpinan dari manajemen tingkat atas:
Dukungan dari manajemen tingkat atas sangat penting dalam
mengatasi perubahan budaya. Manajemen perlu
mendemonstrasikan komitmen mereka terhadap implementasi
BI, memberikan sumber daya yang diperlukan, dan menjadi

contoh yang baik dalam mengadopsi penggunaan data dalam
pengambilan keputusan.
3) Pelibatan karyawan: Melibatkan karyawan dari berbagai
departemen dalam proses implementasi BI. Dengan melibatkan
mereka dalam tahap perencanaan dan desain, karyawan akan
merasa memiliki dan memiliki minat yang lebih besar dalam
keberhasilan implementasi. Berikan pelatihan yang diperlukan
agar karyawan dapat mengerti dan menggunakan BI dengan
efektif.
4) Promosi dan penghargaan: Berikan penghargaan dan
pengakuan kepada karyawan yang aktif menggunakan BI
dalam pekerjaan mereka dan mencapai hasil yang baik.
Promosikan keberhasilan penggunaan BI dan contoh-contoh
praktik terbaik dalam organisasi untuk memotivasi dan
menginspirasi karyawan lainnya.
5) Peluang pengembangan: Berikan kesempatan kepada
karyawan untuk mengembangkan keterampilan dan
pengetahuan dalam penggunaan BI. Ini dapat mencakup
pelatihan lanjutan, sertifikasi, atau pengalaman praktis dalam
menerapkan konsep BI dalam pekerjaan sehari-hari.
6) Penyesuaian proses kerja: Perhatikan proses kerja yang ada
dalam organisasi dan lihat bagaimana BI dapat diintegrasikan
ke dalamnya. Lakukan evaluasi dan penyesuaian proses kerja
yang mungkin diperlukan untuk mendukung penggunaan BI
secara efektif. Ini dapat melibatkan perubahan dalam cara
pengambilan keputusan, pelaporan, atau analisis data.

7) Pembangunan budaya berbasis data: Upayakan untuk
membangun budaya organisasi yang berbasis data. Dorong
penggunaan data dan analisis dalam pengambilan keputusan
sehari-hari dan dalam memecahkan masalah. Sediakan akses
yang mudah ke data dan alat analisis bagi karyawan untuk
mendorong adopsi yang lebih luas.
8) Evaluasi dan penyesuaian: Lakukan evaluasi terus-menerus
terhadap adopsi BI dan perubahan budaya. Identifikasi area
yang memerlukan perbaikan dan lakukan penyesuaian yang
diperlukan.
5. Kemampuan untuk berkembang

Berikut adalah beberapa faktor yang dapat membantu organisasi
meningkatkan kemampuan mereka dalam mengadopsi dan
mengembangkan BI:
1) Keterlibatan dalam pelatihan dan pengembangan: Organisasi
perlu berinvestasi dalam pelatihan dan pengembangan
karyawan terkait BI. Hal ini termasuk menyediakan pelatihan
tentang konsep BI, alat dan teknologi terkait, dan keterampilan
analisis data. Pelatihan dapat dilakukan melalui sesi kelas,
kursus online, atau melalui mentor internal.
2) Membangun tim yang berkompeten: Merekrut dan
mempertahankan tim yang memiliki keahlian dan pengetahuan
tentang BI sangat penting. Memiliki tim yang terampil dalam
analisis data, pemodelan, pemrograman, dan pemahaman

bisnis akan memungkinkan organisasi untuk mengoptimalkan
penggunaan dan pengembangan BI.
3) Memanfaatkan sumber daya eksternal: Jika organisasi tidak
memiliki sumber daya internal yang cukup, pertimbangkan
untuk bekerja sama dengan konsultan atau perusahaan pihak
ketiga yang memiliki keahlian dalam implementasi dan
pengembangan BI. Mereka dapat membantu dalam
perencanaan, desain, dan implementasi solusi BI yang sesuai
dengan kebutuhan organisasi.
4) Mengikuti tren dan inovasi: Tetap mengikuti tren terkini dan
inovasi dalam domain BI. Pelajari tentang perkembangan
terbaru dalam analisis data, teknologi BI, dan praktik terbaik
dalam industri. Terus-menerus belajar dan mengeksplorasi cara
baru untuk memanfaatkan data dalam pengambilan keputusan
dan meningkatkan kinerja bisnis.
5) Memprioritaskan eksperimen dan pembelajaran: Jangan takut
untuk melakukan eksperimen dengan data dan solusi BI yang
ada. Ciptakan lingkungan yang mendukung eksplorasi dan
inovasi. Melalui eksperimen, organisasi dapat menguji dan
memvalidasi gagasan baru, mengidentifikasi peluang baru, dan
belajar dari pengalaman tersebut.
6) Memiliki infrastruktur teknologi yang fleksibel: Pastikan
organisasi memiliki infrastruktur teknologi yang memadai
untuk mendukung penggunaan dan pengembangan BI.
Infrastruktur ini meliputi perangkat keras, perangkat lunak, dan

sumber daya komputasi yang diperlukan untuk mengelola dan
menganalisis data dengan efisien.
7) Mengadopsi pendekatan agile: Terapkan pendekatan
pengembangan agile dalam implementasi dan pengembangan
BI. Ini melibatkan pemecahan proyek menjadi iterasi yang
lebih kecil, mempercepat waktu ke pasar, dan memungkinkan
respons yang lebih cepat terhadap perubahan dan umpan
balik.
8) Evaluasi dan peningkatan terus-menerus: Selalu lakukan
evaluasi terhadap penggunaan dan pengembangan BI. Tinjau
apakah solusi dan proses yang ada masih relevan, efektif, dan
menghasilkan nilai bisnis yang diinginkan. Identifikasi area
untuk perbaikan
6. Keterampilan dan Pengetahuan

Keterampilan dan pengetahuan yang tepat sangat penting dalam
implementasi Business Intelligence (BI). Berikut adalah beberapa
keterampilan dan pengetahuan yang perlu dipertimbangkan:
1) Analisis data: Kemampuan untuk menganalisis data dengan
menggunakan teknik statistik, analisis prediktif, pemodelan
data, dan visualisasi data sangat penting dalam BI. Ini
melibatkan pemahaman tentang teknik analisis seperti regresi,
klasifikasi, cluster, dan pemahaman tentang konsep seperti
metrik kinerja, tren, dan pola data.
2) Keterampilan teknis: Keterampilan teknis yang diperlukan
dalam implementasi BI mencakup pemahaman tentang basis

data, SQL (Structured Query Language), ETL (Extract,
Transform, Load), dan alat analisis data seperti Microsoft
Power BI, Tableau, atau Qlik. Kemampuan pemrograman juga
bisa sangat berguna, terutama dalam mengolah data dengan
menggunakan bahasa pemrograman seperti Python atau R.
3) Pengetahuan bisnis: Untuk dapat menerapkan BI dengan
efektif, penting untuk memahami konteks bisnis dan memiliki
pengetahuan tentang proses bisnis yang sedang dianalisis. Ini
memungkinkan pengembangan metrik yang relevan,
pemahaman tentang kebutuhan bisnis, dan interpretasi yang
benar terhadap hasil analisis.
4) Kemampuan komunikasi dan presentasi: Kemampuan untuk
mengomunikasikan temuan analisis dengan jelas dan efektif
kepada para pemangku kepentingan adalah keterampilan
penting dalam implementasi BI. Ini melibatkan kemampuan
menyajikan informasi dengan cara yang mudah dimengerti dan
menyesuaikan gaya komunikasi dengan audiens yang berbeda.
5) Kemampuan pemecahan masalah: Dalam implementasi BI,
seringkali akan muncul tantangan atau masalah yang perlu
diatasi. Kemampuan pemecahan masalah yang baik dan
kemauan untuk mencari solusi kreatif dan inovatif adalah
keterampilan yang penting dalam menghadapi tantangan
tersebut.
6) Keterampilan manajemen proyek: Implementasi BI dapat
melibatkan proyek yang kompleks dengan jadwal yang ketat.
Memiliki pemahaman tentang prinsip-prinsip manajemen

proyek, termasuk perencanaan, pengorganisasian,
pengendalian, dan manajemen risiko, akan membantu dalam
mengelola proyek implementasi BI dengan sukses.
7) Keterampilan interpersonal: Kemampuan untuk bekerja secara
kolaboratif, berkomunikasi dengan baik, dan berinteraksi
dengan berbagai pemangku kepentingan dalam organisasi
merupakan aspek penting dalam implementasi BI. Kemampuan
untuk membangun hubungan kerja yang baik dan
mempengaruhi orang lain akan membantu memperoleh
dukungan dan adopsi yang lebih luas dari organisasi.
8) Pengalaman praktis: Mendapatkan pengalaman praktis dalam
mengimplementasikan solusi BI dan bekerja dengan data riil
akan membantu memperdalam pemahaman tentang aplikasi
praktis dan tantangan yang mungkin timbul dalam konteks
nyata.
7. Investasi yang memadai

Investasi yang memadai dalam implementasi Business Intelligence
(BI) adalah kunci untuk mencapai kesuksesan dalam
mengoptimalkan penggunaan data dan mendorong pertumbuhan
bisnis. Berikut adalah beberapa area investasi yang penting dalam
konteks BI:
1) Infrastruktur teknologi: Investasi dalam infrastruktur teknologi
yang memadai sangat penting. Ini meliputi perangkat keras,
perangkat lunak, dan sistem penyimpanan data yang
diperlukan untuk mengelola, menyimpan, dan mengakses data

dengan efisien. Memastikan bahwa organisasi memiliki
infrastruktur yang skalabel, aman, dan dapat diandalkan
adalah langkah penting dalam mengimplementasikan BI.
2) Alat dan platform BI: Memilih dan menginvestasikan dalam
alat dan platform BI yang sesuai dengan kebutuhan organisasi
adalah langkah penting. Ada banyak alat dan platform BI yang
tersedia, seperti Microsoft Power BI, Tableau, atau Qlik, yang
menawarkan fungsionalitas analisis data dan visualisasi yang
kuat. Memilih alat yang tepat dan memperoleh lisensi yang
diperlukan adalah investasi yang penting dalam
mengoptimalkan penggunaan data.
3) Sumber daya manusia: Investasi dalam sumber daya manusia
yang berkualitas sangat penting. Ini mencakup merekrut,
melatih, dan mempertahankan karyawan yang memiliki
keterampilan dan pengetahuan yang diperlukan dalam analisis
data, penggunaan alat BI, dan pemahaman bisnis. Memiliki tim
yang kompeten dan terlatih akan membantu organisasi
mengoptimalkan penggunaan dan nilai dari implementasi BI.
4) Pelatihan dan pengembangan: Investasi dalam pelatihan dan
pengembangan karyawan terkait BI adalah langkah penting.
Organisasi perlu menyediakan pelatihan reguler yang
mencakup aspek teknis, analisis data, konsep BI, dan
pemahaman bisnis. Pelatihan ini dapat dilakukan melalui sesi
kelas, kursus online, pelatihan internal, atau melalui kolaborasi
dengan penyedia pelatihan eksternal.

5) Konsultan dan ahli BI: Jika organisasi tidak memiliki sumber
daya internal yang cukup, investasi dalam jasa konsultan atau
ahli BI dapat sangat berguna. Mereka dapat membantu dalam
perencanaan strategis, desain solusi, implementasi, dan
pelatihan. Mereka membawa pengalaman dan pengetahuan
yang mendalam dalam mengimplementasikan BI dengan
sukses.
6) Keamanan data: Investasi dalam keamanan data adalah
langkah penting dalam mengimplementasikan BI. Melindungi
data bisnis yang sensitif dan mengamankan infrastruktur dan
sistem penyimpanan data adalah investasi yang penting dalam
menjaga integritas, kerahasiaan, dan ketersediaan data.
7) Perencanaan dan pengembangan jangka panjang: Investasi
dalam perencanaan dan pengembangan jangka panjang
merupakan langkah penting dalam mengoptimalkan
penggunaan dan pengembangan BI. Ini meliputi
pengembangan rencana strategis, penilaian risiko, pembaruan
teknologi, dan pengembangan kemampuan BI yang lebih maju
seiring berjalannya waktu.
B. PELUANG
Dalam Implementasi business intelligence (BI) memberikan banyak

peluang bagi organisasi dalam meningkatkan kinerja bisnis dan
mengambil keputusan yang lebih baik berdasarkan data. Berikut
adalah beberapa peluang dalam implementasi BI:

1. Analisis Data yang Lebih Mendalam: Dengan menggunakan BI,
organisasi dapat menganalisis data bisnis mereka secara lebih
mendalam. BI memungkinkan integrasi data dari berbagai sumber
yang berbeda, termasuk data internal dan eksternal, sehingga
memberikan wawasan yang lebih kaya dan lebih komprehensif
tentang operasi bisnis.
2. Visualisasi Data yang Menarik: BI menyediakan berbagai alat
visualisasi data yang dapat membantu organisasi dalam
memahami data secara lebih intuitif. Melalui grafik, dashboard,
dan laporan interaktif, pengguna BI dapat dengan mudah
mengeksplorasi data, mengidentifikasi tren, dan melihat
hubungan antara variabel-variabel yang berbeda.
3. Pengambilan Keputusan yang Lebih Cepat: Dengan akses real-time
terhadap data bisnis yang diperbarui secara berkala, BI
memungkinkan pengambilan keputusan yang lebih cepat.
Organisasi dapat mengidentifikasi masalah atau peluang secara
lebih dini, melakukan analisis langsung, dan mengambil tindakan
yang diperlukan dengan cepat untuk mengoptimalkan kinerja
bisnis.
4. Pengembangan Strategi yang Lebih Efektif: BI membantu
organisasi dalam mengembangkan strategi yang lebih efektif
berdasarkan pemahaman yang mendalam tentang tren pasar,
perilaku pelanggan, dan kinerja bisnis. Dengan data dan wawasan
yang kuat, organisasi dapat mengidentifikasi peluang baru,
memprediksi hasil masa depan, dan mengarahkan sumber daya
mereka dengan lebih efisien.

5. Penghematan Biaya dan Peningkatan Efisiensi: Dengan analisis
data yang cermat, organisasi dapat mengidentifikasi area di mana
mereka dapat mengurangi biaya dan meningkatkan efisiensi
operasional. Misalnya, BI dapat membantu mengidentifikasi
kegiatan yang tidak produktif, mengoptimalkan rantai pasokan,
dan meningkatkan pengelolaan inventaris.
6. Penggunaan Data yang Terpusat: Implementasi BI memungkinkan
organisasi untuk mengkonsolidasikan data mereka menjadi satu
sumber terpusat. Hal ini memungkinkan akses mudah dan
konsisten terhadap data bagi pengguna di seluruh organisasi. Data
yang terpusat juga membantu dalam mengurangi kebingungan
dan kesalahan yang terkait dengan menggunakan data yang tidak
konsisten atau tidak akurat.
7. Identifikasi Tren dan Pola Bisnis: Dengan analisis BI, organisasi
dapat mengidentifikasi tren dan pola bisnis yang relevan.
Misalnya, BI dapat membantu dalam memahami preferensi
pelanggan, tren penjualan, atau perilaku pasar yang sedang
berkembang. Informasi ini dapat membantu organisasi untuk
mengoptimalkan strategi pemasaran, mengembangkan produk
yang tepat, atau menyesuaikan operasi mereka dengan kebutuhan
pasar.
8. Analisis Prediktif: BI tidak hanya memberikan wawasan tentang
apa yang telah terjadi, tetapi juga dapat membantu dalam
melakukan analisis prediktif. Dengan menggunakan algoritma dan
model statistik, BI dapat membantu organisasi dalam memprediksi

hasil masa depan, melakukan peramalan penjualan, dan
mengidentifikasi peluang atau risiko potensial.
Maka disimpulkan, untuk mengimplementasikan BI yang efektif

memungkinkan organisasi untuk menjadi lebih cerdas secara bisnis.
Dengan memanfaatkan data secara optimal, organisasi dapat
mengambil keputusan yang lebih baik, meningkatkan efisiensi,
mengoptimalkan strategi, dan mendapatkan keuntungan kompetitif
di pasar, bisnis tetap tumbuh dan sukses.

DAFTAR PUSTAKA
Ahmad, S., Miskon, S., Alabdan, R., & Tlili, I. (2020). Towards
Sustainable Textile and Apparel Industry: Exploring the Role of
Business intelligence Systems in the Era of Industry 4.0.
Sustainability, 12(7), 2632.
https://doi.org/10.3390/su12072632
Ain, N., Vaia, G., DeLone, W. H., & Waheed, M. (2019). Two
decades of research on business intelligence system adoption,
utilization and success–A systematic literature review. Decision
Support Systems, 125, 113113.
AlSuwaidan, L. (2021). Concurrency and Computation: Practice and

Experience. 33(23),e6031. https://doi.org/10.1002/cpe.6031
Alter, S. (1980), Decision Support Systems: Current Practices and

Continuing Challenges. Reading, MA: Addison-Wesley.
Ansoff, H. I., & McDonnell, E. J. (2018). Implanting strategic

management. Springer.
Atmaja, K. J., Pascima, I. B. N., Asana, I. M. D. P., & Sudipa, I. G. I.

(2022). Implementation of Artificial Neural Network on Sales
Forecasting Application. Journal of Intelligent Decision Support
System (IDSS), 5(4), 124–131.
Azzahra, B. (2021). Akuntan 4.0: Roda Penggerak Nilai

Keberlanjutan Perusahaan Melalui Artificial Intelligence & Tech
Analytics pada Era Disruptif. Jurnal Riset Akuntansi dan
Keuangan, 16(2), 87.
https://doi.org/10.21460/jrak.2020.162.376

Belghith, M., Ben Ammar, H., Masmoudi, F., Elloumi, A. (2023).
Data Visualization for Industry 4.0: Developing Dashboards
with Power BI – A Case Study in a Pharmaceutical Company.
Lecture Notes in Mechanical Engineering. pp. 402-408.
https://doi.org/10.1007/978-3-031-14615-2_45
Bentley, D. (2017). Business intelligence and Analytics. Library Press.
Black, K. (2023). Business Statistics: For Contemporary Decision

Making. John Wiley & Sons.
Božič, K., & Dimovski, V. (2019). Business intelligence and analytics

use, innovation ambidexterity, and firm performance: A
dynamic capabilities perspective. The Journal of Strategic
Information Systems, 28(4), 101578.
Burtenshaw, J. (2022). Data Democratization with Domo: Bring

together every component of your business to make better
data-driven decisions using Domo. Packt Publishing Ltd.
Business Analytics: Data Analysis & Decision Making, S. Christian

Albright, Wayne L. Winston, dan Christopher Zappe (2018).
Chen, X., & Siau, K. (2020). Business analytics/business intelligence

and IT infrastructure: impact on organizational agility. Journal
of Organizational and End User Computing (JOEUC), 32(4),
138–161.
Codd, E.F. (1993), Providing OLAP (On-line Analytical Processing)

to User-Analysts: An IT Mandate. Palo Alto, CA
Cooper, R. G. (2014). Winning at new products: accelerating the

process from idea to launch. Basic Books.

Data Science for Business: What You Need to Know about Data
Mining and Data-Analytic Thinking, Foster Provost dan Tom
Fawcett (2013).
Data Visualization: A Successful Design Process, Andy Kirk (2016).
Davenport, T.H. and J.G. Harris (2007), Competing on Analytics:

The New Science of Winning. Boston, MA: Harvard Business
School Press.
Dewi, I. G. A. M. P., Parwita, W. G. S., & Setiawan, I. M. D. (2021).

Algoritma Decision Tree untuk Klasifikasi Calon Debitur LPD
Desa Adat Anggungan. Jurnal Krisnadana, 1(1), 23–36.
Dirgayusari, A. M., Asana, I. M. D. P., Sudipa, I. G. I., Komalasari, R.,

& Dwipayani, S. A. (2021). Application for determining
shipping routes at cargo companies with genetic algorithms.
Jurnal Mantik, 5(2), 1034–1044.
Firmansyah, D., Rifa’i, A. A., & Suryana, A. (2022). Human

Resources: Skills and Entrepreneurship in Industry 4.0. Formosa
Journal of Applied Sciences, 1(6), 1221–1240.
https://doi.org/10.55927/fjas.v1i6.1899
Google. (n.d.). Welcome to Looker Studio! Google. Retrieved June

4, 2023, from https://support.google.com/looker-
studio/answer/6283323?hl=en
Gray,P.(1983), The Student’s Guide to the Interavtive Financial

Planning System (IFPS), New York, NY : McGraw-HilL
Grossmann, W., & Rinderle-Ma, S. (2015). Fundamentals of Business

intelligence (1st ed. 2015.). Springer.
Gupta, S., & Shilpi. (2016). Real-Time Big Data Analytics. Packt
Publishing Ltd.

Holder, S. (2022). Starting an Online Business and Internet Marketing
2023: Ultimate Guide to Setting Up an E-Commerce Website
and Digital Marketing For Business. Sonja Holder.
Hou, C.-K. (2016b). Using the balanced scorecard in assessing the

impact of BI system usage on organizational performance: An
empirical study of Taiwan’s semiconductor industry.
Information Development, 32, 1545-1569.
Hurley, A. E., Scandura, T. A., Brannick, M. T., & Vandenberg,R. J.

(1997). Exploratory and confirmatory factoranalysis:
Guidelines, issues, and alternatives. Journal of Organizational
Behavior, 18, 667-683.
Information Dashboard Design: Displaying Data for At-a-Glance

Monitoring, Stephen Few (2013).
Inmon, W. H. (2005). Building the data warehouse (4th ed.). Wiley

Publishing, Inc.
Inmon, W. H., Linstedt, D., & Levins, M. (2011). DW 2.0: The

architecture for the next generation of data warehousing.
Morgan Kaufmann.
Inmon,W.H.(1992), Building the Data Warehouse, New York, NY:

Wiley.
Julien, P. A., & Ramangalahy, C. (2003). Competitive strategy and

performance of exporting SMEs: An empirical investigation of
the impact of their export information search and
competencies. Entrepreneurship Theory and Practice, 27, 227-
245.
Kaplan, R.S. and D.P.Norton (1996), The Balanced Scorecard:

Translating Strategy into Action. Boston,MA: Harvard
University Press.

Kemp, G., & White, G. (2020). Google Data Studio for Beginners:
Start Making Your Data Actionable. Apress.
Kim, W. C., & Mauborgne, R. (2015). Blue ocean strategy, expanded

edition: How to create uncontested market space and make
the competition irrelevant. Harvard Business Review Press.
Kimball, R., & Ross, M. (2015). The data warehouse toolkit: The
definitive guide to dimensional modeling (3rd ed.). Wiley
Publishing, Inc.
Korstanje, J. (2022). Machine Learning for Streaming Data with

Python: Rapidly build practical online machine learning
solutions using River and other top key frameworks. Packt
Publishing Ltd.
Kotler, P., & Keller, K. L. (2012). Marketing Management. Pearson

Education.
Kowalczyk, M., & Buxmann, P. (2014). Big data and information

processing in organizational decision processes. Business and
Information Systems Engineering, 5(5), 267–278.
https://doi.org/10.1007/s12599-014-0341-5
Kukreti, P. (2023). Google Cloud Platform All-In-One Guide: Get

Familiar with a Portfolio of Cloud-based Services in GCP. BPB
Publications.
Kwintiana, B., Nengsih, T. A., Baradja, A., Harto, B., Sudipa, I. G. I.,
Handika, I. P. S., Adhicandra, I., & Gugat, R. M. D. (2023).
DATA SCIENCE FOR BUSINESS: Pengantar & Penerapan
Berbagai Sektor. PT. Sonpedia Publishing Indonesia.
Lakshmanan, G., & Manish, P. (2009). How the cloud stretches the
SOA scope. Retrieved from https://blogs.msdn.microsoft.com/

innov8showcase/2009/09/28/architect-journal-service-orienta
tion-today-and-tomorrow/
Lakshmanan, V., & Tigani, J. (2019). Google BigQuery: The

Definitive Guide: Data Warehousing, Analytics, and Machine
Learning at Scale. O’Reilly Media, Inc.
Lamberg, J.-A., Lubinaitė, S., Ojala, J., & Tikkanen, H. (2021). The
Curse of Agility: The Nokia Corporation and the Loss of
Market Dominance in Mobile Phones, 2003-2013. Business
History, 63(4), 574–605.
https://doi.org/10.1080/00076791.2019.1593964
Langer, M., & Landers, R. N. (2021). The Future of Artificial

Intelligence at Work: A Review on Effects of Decision
Automation and Augmentation on Workers Targeted by
Algorithms and Third-Party Observers. Computers in Human
Behavior, 123, 106878.
https://doi.org/10.1016/j.chb.2021.106878
Lardinois, F. (2022). Google unifies its BI services under the Looker

brand. Techcrunch.
https://techcrunch.com/2022/10/11/google-unifies-its-bi-
services-under-the-looker-brand/
Larson, B. (2012). Delivering Business Intelligence with Microsoft SQL

Server(TM) 2012 3/E. New York: McGraw-Hill.
Linnenbrink-Garcia, L., Pugh, K. J., Koskey, K. L., & Stewart, V. C.

(2012). Developing conceptual understanding of natural
selection: The role of interest, efficacy and basic prior
knowledge. Journal of Experimental Education, 80(1), 45–68.
https://doi.org/10.1080/00220973.2011.559491
Liu, Z., Gu, N., & Yang, G. (2007, 26-27 July). A reliability evaluation
framework on service oriented architecture. Paper presented at

the Annual IEEE Computer Conference, 2nd International
Conference on Pervasive Computing and Applications, ICPCA
2007 (pp. 466-471)), Birmingham, UK.
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh,
C., & Hung Byers, A. (2011). Big data: The next frontier for
innovation, competition and productivity. Mckinsey &
Company.
March, S. T., & Hevner, A. R. (2007). Integrated Decision Support

Systems: A data warehousing perspective. Decision Support
Systems, 43(3), 1031–1043.
https://doi.org/10.1016/j.dss.2005.05.029
May, T. (2009). The New Know: Innovation Powered by Analytics.

Boston, MA: John Wiley and Sons.
Mayer, R. E., & Moreno, R. (2003). Nine Ways to Reduce Cognitive

Load in Multimedia Learning. Educational Psychologist, 38(1),
43–52. https://doi.org/10.1207/S15326985EP3801_6
McLean, B. and P. Elkind (2003), Smartest Guys in the Room: The

Amazing Rise and Scandalous Fall of Enron. New York, NY :
Penguin
Meier, J. D. (2009). A language for software architecture. The

Architecture Journal TechEd Special Edition, 19, 36-41.
Meier, M., Baldwin, D., & Strachnyi, K. (2021). Mastering Tableau

2021: Implement advanced business intelligence techniques
and analytics with Tableau. Packt Publishing Ltd.
Mellita, D., & Elpanso, E. (2020). Model Lewin Dalam Manajemen

Perubahan Teori Klasik Menghadapi Disrupsi Dalam
Lingkungan Bisnis. MBIA, 19(2), 142–152.
https://doi.org/10.33557/mbia.v19i2.989

Miller, R. (2023). Explaining the Downfall of BlackBerry in the
Smartphone Market: The Role of Leadership. Bulletin of Osaka
Jogakuin Junior College, 52(1), 173–181.
Milligan, J. N. (2019). Learning Tableau 2019 - Third Edition. In Packt

Publishing Ltd. Packt Publishing.
Mudzana, T., & Maharaj, M. (2017, June). Prioritizing the factors

influencing the success of business intelligence systems: A Delphi
study. Indian Journal of Science and Technology,10(25),1-6.
https://doi.org/10.17485/ijst/2017/v10i25/99981.
Mulik, S., Ajgaonkar, S., & Sharma, K. (2008). Where do you want
to go in your SOA Adoption Journey? IEEE Xplore IT
Professional, 10(3), 36-39.
https://doi.org/10.1109/MITP.2008.61.
Müller, R. M., Linders, S., & Pires, L. F. (2010). Business intelligence

and service-oriented architecture: A Delphi study. Information
Systems Management, 27, 168-187.
Muret, P. (2016). Introducing the Google Analytics 360 suite.

Google.
https://www.blog.google/products/marketingplatform/360/in
troducing-google-analytics-360-suite/
Negash, S., Gray, P. (2008). Business Intelligence. In: Handbook on

Decision Support Systems 2. International Handbooks
Information System. Springer, Berlin, Heidelberg
Niu, l., Lu, J., & Zhang, G. (2009). Cognition-Driven Decision

Support for Business Intelligence. Berlin: Springer-Verlag.
Nogués, A., & Valladares, J. (2017). Business Intelligence Tools for

Small Companies. In Business Intelligence Tools for Small

Companies. Apress. https://doi.org/10.1007/978-1-4842-2568-
4
Nordeen, A. (2020). Learn Data Warehousing in 24 Hours. Guru99.
Nuryati, T., Malik, A. F., Ernawati, F. A., Juliacahya, L., Nawawi, M.

R., Restyananda, R., Jati, S. M. D., & Indah, Y. (2023).
Meningkatkan Keuntungan Bisnis dengan Pemanfaatan Fungsi
Bussiness Inteligence. Jurnal Ekonomi Manajemen Sistem
Informasi, 4(5), 901–910.
https://doi.org/10.31933/jemsi.v4i5.1513
Pandawana, I. D. G. A., Radhitya, M. L., Sandhiyasa, I. M. S., &

Bramstya, B. T. (2022). APLIKASI E-SEWA BARANG BERBASIS
MOBILE. Jurnal Krisnadana, 1(3), 26–36.
Ponniah, P. (2010). Data warehousing fundamentals: A

comprehensive guide for IT professionals. Wiley Publishing,
Inc.
Pulipati, S., & Kelly, N. (2022). Data Storytelling with Google Looker
Studio: A hands-on guide to using Looker Studio for building
compelling and effective dashboards. Packt Publishing Ltd.
Rana, N. P., Chatterjee, S., Dwivedi, Y. K., & Akter, S. (2022).

Understanding dark side of artificial intelligence (AI) integrated
business analytics: assessing firm’s operational inefficiency and
competitiveness. European Journal of Information Systems,
31(3), 364–387.
https://doi.org/10.1080/0960085X.2021.1955628
Rausch, P., & Stumpf, M. (2013). Linking the Operational, Tactical

and Strategic Levels by Means of CPM: An Example in the
Construction Industry. In P. Rausch, A. F. Sheta, & A. Ayesh
(Eds.), Business Intelligence and Performance Management:

Theory, Systems and Industrial Applications (p. 269). Springer
Science & Business Media.
Richards, G. S., & Duxbury, L. (2014). Work-group knowledge

acquisition in knowledge intensive public sector organizations:
An exploratory study. Journal of Public Administration:
Research and Theory. https://doi.org/10.1093/jopart/muuo34
Rizki, N. D. (2020). Perencanaan Bisnis Perumahan pada PT PJM.

MANNERS, 3(2), 149–168.
Rudiawan, H. (2021). Pemanfaatan Sistem Bisnis Intelijen (BI) dalam

Pengambilan Keputusan Manajemen Perusahaan. Jurnal
Ekonomi, 23(3), 190–200.
https://doi.org/10.37721/je.v23i3.871
Sabherwal, R., & Becerra-Fernandez, I. (2013). Business Intelligence:

Practices, Technologies, and Management. John Wiley & Sons.
Saputra, I. K. D. A., Satwika, I. P., & Utami, N. W. (2022). Analisis

Transaksi Penjualan Barang Menggunakan Metode Apriori
pada UD. Ayu Tirta Manis. Jurnal Krisnadana, 1(2), 11–20.
Shao, C., Yang, Y., Juneja, S., & GSeetharam, T. (2022). IoT data
visualization for business intelligence in corporate finance.
Information Processing and Management, 59(1).
https://doi.org/10.1016/j.ipm.2021.102736
Sharda, R., Delen, D., & Turban, E. (2014). Business intelligence: A

Managerial Perspective on Analytics (10th ed.). Prentice Hall
Press.
Sharda, R., Delen, D., & Turban, E. (2014). Business Intelligence and
Analytics: Systaems for Decision Support. In Higher Education
Strategy and Planning. Pearson Education Limited.
https://doi.org/10.4324/9781315206455-12

Sharda, R., Delen, D., & Turban, E. (2020). Analytics, Data Science,
& Artificial intelligence: System for Decision Support (Vol. 11).
Pearson Education.
Sherman, R. (2015). Business intelligence Guidebook: From Data

Integration to Analytics (p. 901). Elsevier Inc.
https://www.sciencedirect.com/science/article/pii/B97801237
51065000038
Skyrius, R. (2021). Business Intelligence: A Comprehensive Approach

to Information Needs, Technologies and Culture. Springer
Nature.
Smith, V. (2019). Go Web Scraping Quick Start Guide: Implement the

power of Go to scrape and crawl data from the web. Packt
Publishing Ltd.
Sudipa, I. G. I., Kharisma, L. P. I., Waas, D. V., Sari, F., Sutoyo, M.

N., Rusliyadi, M., Setiawan, I., Martaseli, E., Sandhiyasa, I. M.
S., & Sulistianto, S. W. (2023). PENERAPAN DECISION
SUPPORT SYSTEM (DSS) DALAM BERBAGAI BIDANG
(Revolusi Industri 4.0 Menuju Era Society 5.0). PT. Sonpedia
Publishing Indonesia.
Sudipa, I. G. I., Sarasvananda, I. B. G., Prayitno, H., Putra, I. N. T.

A., Darmawan, R., & WP, D. A. (2023). Teknik Visualisasi Data.
PT. Sonpedia Publishing Indonesia.
Sudipa, I. G. I., Wardoyo, R., Hatta, H. R., Sagena, U., Gunawan, I.

M. A. O., Zahro, H. Z., & Adhicandra, I. (2023). MULTI
CRITERIA DECISION MAKING: Teori & Penerapan Metode
Pengambilan Keputusan dengan MCDM. PT. Sonpedia
Publishing Indonesia.
Sumathi, S., & Sivanandam, S. N. (2006). Introduction to Data

Mining and its Applications. Springer.

Thapelo, T. S., Namoshe, M., Matsebe, O., Motshegwa, T., &
Bopape, M.-J. M. (2021). SASSCAL WebSAPI: A Web Scraping
Application Programming Interface to Support Access to
SASSCAL’s Weather Data. Data Science Journal., 20.
https://doi.org/10.5334/dsj-2021-024
Ulaga, W., & Reinartz, W. J. (2011). Hybrid offerings: How

manufacturing firms combine goods and services successfully.
Journal of Marketing, 75(6), 5-23.
Vaisman, A., & Zimányi, E. (2014). Data warehouse systems : design

and implementation. Springer Berlin Heidelberg.
Vaisman, A., & Zimányi, E. (2022). Data Warehouse Systems: Design

and Implementation. Springer Nature.
Wiguna, I. K. A. G., Mustafida, A. N., Santika, P. P., Ariantini, M. S.,

& Sudipa, I. G. I. (2022). Customer Satisfaction Analysis of PLN
Mobile Services Using the Naïve Bayes Classifier Method.
INFOKUM, 10(5), 52–58.
Wijaya, B. K., Sudipa, I. G. I., Waas, D. V., & Santika, P. P. (2022).

Selection of Online Sales Platforms for MSMEs using the OCRA
Method with ROC Weighting. Journal of Intelligent Decision
Support System (IDSS), 5(4), 146–152.
Yang, M., Han, C. (2021). Stimulating innovation: Managing peer

interaction for idea generation on digital innovation platforms.
Journal of Business Research. 125, pp. 456-465.
https://doi.org/10.1016/j.jbusres.2019.08.005.
Yusof, M.K., Man, M., Wan Hamzah, W.A.F., Safei, S., Ismail, I.
(2022). Native Json Model For Data Integration In Business
Intelligent Applications. Journal of Theoretical and Applied
Information Technology. 100(18), pp. 5384-5395.

Zhang, C., & Chen, Y. (2020). A review of research relevant to the
emerging industry trends: Industry 4.0, IoT, blockchain, and
business analytics. Journal of Industrial Integration and
Management, 5(01), 165–180.

TENTANG PENULIS
Antonius Prahendratno, S.E., M.Si., seorang

Manager pada salah satu Bank BUMN di
Indonesia dan Dosen Praktisi Prodi
Keuangan dan Perbankan pada Institut
Teknologi dan Bisnis Banten. Penulis
menyelesaikan pendidikan program Sarjana
(S1) Manajemen tahun 2001 dan program
Pasca Sarjana (S2) Administrasi
Pengembangan SDM pada Universitas
Indonesia tahun 2007. Aktivitas lain sebagai praktisi di bidang
Human Capital dan Operasional Perbankan.
Alamat Email : hendro.oke@gmail.com
Gede Surya Mahendra, S.Pd., M.Kom, Lahir di

Singaraja, Provinsi Bali dan telah menyelesaikan
pendidikan S2 di Program Pascasarjana Program
Studi Ilmu Komputer di Universitas Pendidikan
Ganesha dengan spesialisasi di bidang Decision
Support System. Penulis merupakan dosen pada
Program Studi Sistem Informasi, Jurusan Teknik
Informatika, Fakultas Teknik dan Kejuruan,
Universitas Pendidikan Ganesha sejak tahun
2022. Sebelumnya penulis pertama kali menjadi
Dosen pada Institut Bisnis dan Teknologi
Indonesia (INSTIKI) sejak 2018 hingga 2022, Mata Kuliah yang
pernah diampu diantaranya Decision Support System, Artificial

Intelligence, Business intelligence, Business Process Analysis serta
Web-Based Programming.
Alamat website : www.suryamahendra.com
Rony Sandra Yofa Zebua, S.T., M.Pd. lebih

dikenal sebagai praktisi dan peneliti di bidang
Pendidikan Formal dan Pembelajaran Sosial.
Namun, penulis juga merupakan praktisi dan
penggerak dunia digital, analisis data, dan
bisnis yang telah dilakukannya semenjak masih
duduk di bangku perkuliahan di Teknik Fisika
(Konsentrasi Instrumen & Kontrol), Fakultas
Teknik, Universitas Gadjah Mada. Pada masa
ini, sekitar 20 tahun yang lalu. Pengetahuan dan keterampilan penulis
semakin terasah ketika penulis menjalankan kegiatan usaha melalui
toko online sejak tahun pertengahan tahun 2007 dan juga
bergabungnya penulis pada beberapa kegiatan bisnis yang terkait
langsung dengan teknologi internet dan analisis data sejak akhir
tahun 2007, baik skala nasional maupun internasional. Dengan latar
belakangnya ini, penulis terbantu untuk selalu mengembangkan diri,
kreatif, inovatif, menganalisa situasi dari hal-hal yang sifatnya faktual
& komprehensif, dan berusaha mencari solusi yang sifatnya integratif
& kontekstual.
Jika ada pertanyaan ataupun hal positif lainnya, silahkan
menghubungi penulis melalui
Instagram (IG): @ronysyzebua
Google Scholar ID: m4z5A2oAAAAJ
Scopus ID: 57226712702

Rusdin Tahir, seorang Penulis dan Dosen pada
Prodi Ilmu Administrasi Bisnis, Universitas
Padjadjaran. Lahir di Desa Cakkeware,
Kabupaten Bones, Sulawesi Selatan, 14 Agustus
1966. Penulis merupakan anak ketiga dari tiga
bersaudara dari pasangan Bapak H. Tahir dan
Ibu Hj. Zaenabe. Ia menamatkan pendidikan
program Sarjana (S1) di Universitas Pendidikan
Indonesia (d/h IKIP Bandung) Prodi Administrasi
Bisnis (d/h Tata Niaga) dan menyelesaikan
program Pascasarjana (Magister-S2) pada
Universitas Padjadjaran Prodi Ilmu Manajemen. Selanjutnya
menyelesaikan Program Doktor Ilmu Manajemen (S3) pada
Universitas Padjadjaran.
Alamat website :
www.rusdintahir.com
https://www.researchgate.net/profile/Rusdin-Tahir/research
Channel Youtube :
https://www.youtube.com/channel/UCOXZYe24NoJDFvH1RU9lu
Kw
Sepriano, S,Sos., M.Kom., CBPA.

Seorang Technopreneur dan Dosen di Prodi
Sistem Informasi Fakultas Sains dan Teknologi
Universitas Islam Negeri Sulthan Thaha Saifuddin
Jambi. Penulis sampai saat ini telah
mempublikasikan 25 judul buku baik personal
maupun kolaborasi dengan judul buku sebagai
berikut: Simulasi Monte Carlo, Dasar-dasar
Photoshop, Mengenal CorelDraw, Interaksi
Manusia dengan Komputer, Pemrograman Web
I, Belajar Web itu Mudah, Hasilkan Uang Dari Personal Branding
Blog, Digital Marketing Saat ini, Penerapan & Implementasi Big Data
di Berbagai Sektor, Development of Artificial Intelligance
Applications, Pengantar 15 Bahasa Pemrograman Terbaik di Masa
Depan, Teknologi Informasi & SDGs, Pengantar Framework Populer

Mobile Apps, Sumber & Pengembangan Media Pembelajaran,
Dimensi Media Pembelajaran, Multimedia : Teori dan Aplikasi dalam
Dunia Pendidikan, Mastering Cloud Computing, Ekonomi Syariah di
Indonesia, Pengantar & Tren Sistem Operasi, Psikologi Marketing,
Multi Criteria Decision Making (MCDM), Alamat website:
www.sepriano.com Instagram: @sepriano99 Facebook: Sepriano
I Putu Susila Handika, S.Kom., M.T. seorang

Penulis dan Dosen Jurusan Teknik Informatika
Institut Bisnis dan Teknologi Indonesia. Lahir di
Desa Kukuh Kabupaten Tabanan Provinsi Bali, 5
Juli 1990. Penulis merupakan anak pertama dari
dua bersaudara dari pasangan Bapak I Made
Arka dan Ibu Made Artini. Penulis menamatkan
pendidikan program Sarjana (S1) di Universitas
Brawijaya Malang prodi Ilmu Komputer dan
menyelesaikan program Pasca Sarjana (S2) di
Universitas Udayana Jurusan Teknik Elektro
Konsentrasi Manajemen Sistem Informasi dan Komputer.
I Gede Iwan Sudipa, S.Kom., M.Cs.,

Penulis lahir di Singaraja, Bali. Penulis
menyelesaikan pendidikan Strata I pada STMIK
AKAKOM Yogyakarta dan Pendidikan Magister
(S2) bidang Ilmu Komputer di Universitas
Gadjah Mada Yogyakarta. Penulis menjadi
Dosen tetap program studi Teknik Informatika
pada Institut Bisnis dan Teknologi Indonesia
(INSTIKI). Penulis juga aktif dalam menulis Karya
Tulis Ilmiah dalam bidang Sistem Pendukung Keputusan, khususnya
tentang Multi Criteria Decision Analysis dan Data Mining. Penulis saat

ini juga aktif sebagai editor in chief jurnal nasional serta reviewer
jurnal nasional terakreditasi.
Email : iwansudipa@instiki.ac.id
Efitra, S.Kom., M.Kom.

Seorang penulis dan dosen tetap Prodi Sistem
Informasi Fakultas Sains dan Teknologi
Universitas Islam Negeri Sulthan Thaha Saifuddin
Jambi. Lahir di desa Biaro Baru, 26 Desember
1991 Sumatera Selatan. Penulis merupakan anak
ke-empat dari delapan bersaudara dari pasangan
bapak Suandi Arsi dan Ibu Laitipah. Pendidikan
program Serjana (S1) Universitas Nurdin
Hamzah Prodi Sistem Informasi dan menyelesaikan program Pasca
Sarjana (S2) di Universitas Putra Indonesia “YPTK” Padang prodi
Teknik Informatika konsentrasi di bidang Sistem Informasi. Buku
yang telah ditulis dan terbit berjudul di antaranya: Pemrograman
Aplikasi Menggunakan Visual Studio.Net Database MySQL, Belajar
Dasar Pemrograman Java Via Smartphone Android, Pengantar
Praktikum Basis Data, Simulasi Monte Carlo dalam Memprediksi
Peserta Didik Baru,Transintegrasi Ilmu bidang Literasi Pemrograman,
Pengantar & Praktikum Sistem Operasi, Hasilkan Uang dari Personal
Branding Blog, Big Data di berbagai Sektor, Evelopment of Artificial
Intelligence Applications, Mahasiswa Kaya Karya, Kisah Para Pejuang
NIP "Syukur", Tren Bisnis Digital, Digital Marketing Saat ini, Mastering
Cloud Computing,Logika Informatika, Model & Metode
Pembelajaran Inovatif Era Digital, Pengantar & Tren Sistem
Operasi,Metode Penelitian Bidang Ilmu Informatika, Pengantar
Framework Populer Mobile Apps, dll.

Penerbit :
PT. Sonpedia Publishing Indonesia
Redaksi :
Jl. Kenali Jaya No 166
Kota Jambi 36129
Tel +6282177858344
Email: sonpediapublishing@gmail.com
Website: www.sonpedia.com
View publication stats

ISBN978 623 09 3967 9PDFebook - C94

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

ISBN978 623 09 3967 9PDFebook - C94

Diunggah oleh

Hak Cipta:

Format Tersedia

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

BUSINESS INTELEGENT (Pengantar Business Intelligence dalam Bisnis)

Chapter · June 2023

Rusdin Tahir Gede Surya Mahendra

SEE PROFILE SEE PROFILE

Rony Sandra Yofa Zebua Sepriano M.Kom

SEE PROFILE SEE PROFILE

suistainable tourism View project

DSS - PM Method by Gede Surya Mahendra View project

The user has requested enhancement of the downloaded file.

Anggota IKAPI : 006/JBI/2023

Cetakan Pertama, Juni 2023

Hak cipta dilindungi undang-undang

Buku "Business Intelligent : Pengantar Business Intelligence dalam

Melalui buku ini, pembaca akan memahami bagaimana bisnis dapat

Buku ini mungkin masih terdapat kekurangan, kesalahan dan

Selamat membaca dan semoga buku ini memberikan wawasan yang

Cilegon, Juni 2023

BUSINESS INTELEGENT iii

KATA PENGANTAR ............................................................................. ii

A. PENGANTAR BISNIS INTELIJEN DAN KEKUATAN BISNIS

Kekuatan Bisnis Intelejen adalah ekosistem canggih alat dan teknologi

Kecerdasan bisnis, dalam konteks organisasi, berkisar pada membuat

Jelas, ada banyak contoh di mana intelijen bisnis dapat membuat

• Data terstruktur, tidak terstruktur, dan semi terstruktur

Sebagian besar alat intelijen bisnis, seperti Power Bisnis Intelijen,

Bisnis perlu memahami data pribadi, transaksional, perilaku, atau

Untuk memahami intelijen bisnis secara mendalam dengan melihat

2. Konsep Intelijen Bisnis

D. PENTINGNYA INTELIJEN BISNIS.

Intelijen bisnis memiliki peranan penting dalam suatu organisasi. Hal

E. MANFAAT UTAMA DARI BISNIS INTELIJEN

Kecerdasan bisnis menawarkan manfaat yang sangat besar, seperti

Bisnis Intelijen real-time memfasilitasi akses ke informasi terkini untuk

Jadi mempraktikkan konsep intelijen bisnis dasar ini, membantu

A. KEBUTUHAN BISNIS DAN ORGANISASI

Pada abad ke-21, lingkungan bisnis telah mengalami berbagai

Perubahan dinamika ini telah memberikan dampak signifikan pada

Selain itu, terdapat perubahan yang terjadi pada konsumen. Posisi

Beberapa faktor perubahan dalam lingkungan bisnis, sebagaimana

Gambar 2.1. Faktor Pengubah Lingkungan Bisnis dan Respon

Di sisi lain, perubahan dalam lingkungan bisnis juga dapat menjadi

Beberapa respons yang dapat diambil oleh manajemen mencakup

B. KONSEP BUSINESS INTELLIGENCE

Kemampuan suatu perusahaan dalam bersaing dalam kompetisi

Business intelligence, yang dikenal luas sebagai evolusi sistem

C. KAPABILITAS BUSINESS INTELLIGENCE

Business intelligence merupakan istilah payung yang mencakup

Gambar 2.2. Kapabilitas Business intelligence

Kemampuan yang beragam dari Business intelligence adalah hasil dari

Gambar 2.3. Tahapan Evolusi Business intelligence

D. MANFAAT BUSINESS INTELLIGENCE DALAM ORGANISASI

MicroStrategy mengategorikan 5 jenis Business intelligence (BI) dan

Manfaat BI menurut survey, adalah sebagai berikut:

Automation Decision System (ADS) adalah sistem berbasis aturan

Pembahasan terkait teknologi Intelejen bisnis atau Business

Inti dari BI adalah pengumpulan data dari berbagai sumber,

BI-Tech merupakan serangkaian teknologi atau sebuah teknologi

Teknologi yang digunakan dalam BI dapat berupa gabungan

Perangkat BI-Tech dituntut untuk mampu memproses data yang

Gambar 3.1. Ilustrasi Teknologi sebagai “Penggerak” Proses BI

Perangkat ini diharapkan juga memiliki kemampuan untuk

Berikut beberapa contoh perangkat pengambilan data, antara lain: