Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/373902584

Memanfaatkan Big Data Analytics dan Business Intelligence untuk

Meningkatkan Pengambilan Keputusan di Perusahaan Terkemuka

Artikel dalam Jurnal Penelitian dan Laporan Ilmiah - September 2023

DOI: 10.9734/JSRR/2023/v29i91785

KUTIPAN MEMBACA

0 406

3 penulis:

Oluwaseun Oladeji Olaniyi Anthony Idoko

University of the Cumberlands Abalaka Universitas
19 PUBLIKASI 20 KUTIPAN Ashland
7 PUBLIKASI 3 KUTIPAN

LIHAT PROFIL LIHAT PROFIL

Samuel Oladiipo Olabanji

7 PUBLIKASI 4 KUTIPAN

LIHAT PROFIL
Semua konten yang mengikuti halaman ini diunggah oleh Oluwaseun Oladeji Olaniyi pada 14 September 2023.

Pengguna telah meminta peningkatan file yang diunduh.

 Jurnal Penelitian dan Laporan Ilmiah

Volume 29, Edisi 9, Halaman 64-72, 2023; Artikel no.JSRR.105812

ISSN: 2320-0227

Memanfaatkan Analisis Big

Data dan Intelijen Bisnis untuk
Pengambilan Keputusan yang Lebih
Baik di Perusahaan Terkemuka
Perusahaan
Oluwaseun Oladeji Olaniyi a++*, Anthony Idoko Abalaka b#
dan Samuel Oladiipo Olabanji c†
a Universityof the Cumberlands, 104 Maple Drive, Williamsburg, KY 40769, Amerika Serikat.
b Ashland University, 401 College Avenue, Ashland OH, 44805, Amerika Serikat.
c Operator Sistem Independen Midcontinent (Miso energy) 720 City Center Drive, Carmel,

Indiana 46032, Amerika Serikat.

Kontribusi penulis

Pekerjaan ini dilakukan dengan kolaborasi di antara semua penulis. Semua penulis telah membaca
dan menyetujui hasil akhir
naskah.

Informasi Artikel
DOI: 10.9734/JSRR/2023/v29i91785

Riwayat Tinjauan Sejawat

Terbuka: Jurnal ini mengikuti kebijakan Tinjauan Sejawat Terbuka Tingkat Lanjut. Identitas Reviewer, Editor dan
Reviewer tambahan, komentar peer review, versi naskah yang berbeda, komentar editor, dan lain-lain tersedia di sini:
https://www.sdiarticle5.com/review-history/105812

Diterima: 02/07/2023
Artikel Penelitian Asli Diterima: 07/09/2023
Dipublikasikan:
14/09/2023

ABSTRAK

Studi ini mengevaluasi analisis data besar Walmart yang ada dengan teknik intelijen bisnis,
menonjolkan kekuatan dan kelemahannya, dan menyarankan perbaikan untuk implementasi dan
pemeliharaan melalui tinjauan literatur dari jurnal ilmiah yang membahas topik serupa. Analisis data
besar menerima banyak perhatian secara global dalam lingkungan bisnis di setiap sektor ekonomi.
Memasukkan rencana kerja sebagai komponen masukan tambahan dalam

++ Peneliti Teknologi Informasi;

# Analisis Data, Kepemimpinan & Perencanaan Strategis;
† Analis Bisnis Senior;

*Penulis yang berkorespondensi: E-mail: oolaniyi00983@ucumberlands.edu;

J. Sci. Res. Rep, vol. 29, no. 9, hal. 64-72, 2023

 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

model mereka akan bermanfaat bagi Walmart untuk meningkatkan ketepatan dan kesesuaian
analisis data dan prosedur pengambilan keputusan mereka. Walmart adalah perusahaan yang
banyak berinvestasi dalam memanfaatkan big data untuk meningkatkan operasinya; ini termasuk
mengoptimalkan pengalaman di dalam toko dan memprediksi tren produk. Artikel-artikel ilmiah
menekankan pentingnya alat analisis data canggih seperti MapReduce dan Apache Spark untuk
strategi big data yang efektif. Konten media sosial memengaruhi keterlibatan dan sentimen. Data
jaringan sosial membantu perkiraan penjualan namun menghadirkan tantangan. Analisis data besar
dengan intelijen bisnis meningkatkan kinerja dan pengambilan keputusan. Keberhasilan Walmart
dalam analisis data besar bergantung pada budaya berbasis data namun menghadapi tantangan
keamanan. Banyak perusahaan Fortune 1000 mengadopsi solusi inovatif untuk meningkatkan
kinerja dan pengalaman pelanggan, namun membutuhkan sumber daya yang signifikan. Merangkul
analisis data besar dengan intelijen bisnis tetap menjadi investasi yang menarik untuk
mempertahankan keunggulan kompetitif. Keberhasilan Walmart dalam analitik data besar
disebabkan oleh budaya berbasis data dan infrastruktur yang canggih, termasuk Data Café.

Kata kunci: Analisis data besar; teknologi informasi; intelijen bisnis; walmart.
pada hari yang sama [4]. Raksasa ritel ini
1. PENDAHULUAN
memiliki lebih dari 10.900 toko, sepuluh situs web
Analisis data besar menerima banyak perhatian aktif, dan basis pelanggan lebih dari
secara global dalam lingkungan bisnis di setiap 245 juta [4]. Perusahaan ini menduduki peringkat
sektor ekonomi [1]. Metode analitik untuk teratas di
memecahkan masalah bisnis yang kritis
menghubungkan intelijen bisnis dan data besar
untuk organisasi [2] Namun,
investasi yang cukup besardalam uang
waktu, dan sumber daya manusia
telah dilakukan dalam analisis data besar untuk
mendorong kemajuan dan kemajuan yang
berkelanjutan di bidang ini [1]. Olaniyi dkk. (2017)
menekankan pentingnya ekspektasi dari
teknologi informasi (TI) di abad ke-
21 untuk bisnis ritel, mengingat jumlah data yang
tersedia untuk dianalisis karena metode
konvensional tidak lagi memenuhi tujuan
tersebut. Meskipun, terlepas dari kesuksesan
yang telah dialami oleh banyak perusahaan bisnis
dengan besar data analitik,
penyelidikan terhadap pernyataan ini tidak
ada di sana maupun di sini [1]. Keadaan spesifik
apa yang diperlukan untuk menjamin hasil yang
menguntungkan dari merangkul besar data
dan masih harus ditentukan [1].
Penelitian ini membedah beberapa literatur
mengenai big data analytics dan business
intelligence, khususnya mengenai Walmart;
perusahaan yang menduduki peringkat pertama
dalam daftar perusahaan Fortune 1000 pada
tahun 2023 [3]. Mengevaluasi analitik big data
Walmart yang sudah ada dengan bisnis
intelijen bisnis dengan teknik
business intelligence, menonjolkan kekuatan dan
kelemahannya, dan menyarankan perbaikan
untuk implementasi dan pemeliharaan melalui
tinjauan literatur dari jurnal ilmiah yang
membahas topik serupa.

Didirikan pada tanggal 2 Juli 1962, Walmart

membuka toko pertamanya di Rogers, Arkansas,
65
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812
media sosial, menghasilkan pengumpulan data
yang signifikan untuk wawasan bisnis [4].
Pendapatan harian Walmart mencapai lebih dari
$36 juta, dan menerima lebih dari 45.000
mention di media sosial setiap harinya [4].
Fokus perusahaan pada intelijen bisnis dan
analisis data besar membantu meningkatkan
kecerdasan emosional (EIQ) pelanggan dan
karyawan, yang mengarah pada pengalaman
pelanggan dan karyawan yang luar biasa
(CEIQ) dan keberlanjutan bisnis [4].

1.1 Walmart Pendekatan untuk Big

Analisis Data dengan
Intelijen Bisnis
Untuk dapat bersaing, perusahaan ini
menggunakan analisis big data dan intelijen
bisnis untuk meningkatkan berbagai aspek
bisnisnya, seperti optimasi di dalam toko,
peramalan permintaan, analisis pasar, dan
prediksi produk [4]. Oleh karena itu, dengan
mengumpulkan 2,5 petabyte data tidak
terstruktur dari satu juta pelanggan setiap enam
puluh menit, perusahaan dapat meningkatkan
efisiensi operasionalnya dan memberikan nilai
kepada pelanggan dan pemegang saham [4].
Namun, untuk lebih memahami pelanggannya,
budaya analitik data Walmart menggunakan
intelijen bisnis dan data besar untuk
menganalisis sentimen, perilaku, preferensi,
emosi, dan perasaan pelanggan, serta
menyusun penawarannya untuk memenuhi
kebutuhan mereka, yang menghasilkan
pengalaman pelanggan yang lebih baik [4].
Lebih lanjut, Walmart menggunakan analisis
data besar untuk memeriksa data karyawan,
termasuk tingkat keterlibatan, keterampilan,
metrik kinerja, dan umpan balik, untuk
mengidentifikasi area di mana pelatihan,
bantuan, dukungan, atau pengakuan tambahan
mungkin diperlukan, menumbuhkan budaya
pembelajaran dan pertumbuhan di antara staf
[4]. Pada tahun 2012, Walmart meningkatkan ke
klaster Hadoop 250 node dan mengakuisisi
Inkiru Inc. untuk meningkatkan pemasaran yang
ditargetkan, wawasan pelanggan,
merchandising, promosi, dan pencegahan
penipuan [4].

66
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

merangkul teknologi baru dan terus

1.2 Apa yang Dilakukan Walmart dengan
menginvestasikan sumber daya yang cukup
Benar besar dalam strategi big data untuk
mempertahankan status pemimpin pasar
Walmart telah membangun Data Café - sebuah dan menghasilkan keuntungan [1].
pusat analisis canggih di Bentonville, Arkansas • Untuk membangun kepercayaan di antara
[5]; sistem canggih ini memungkinkan para pemangku kepentingan, memantau
perusahaan untuk mengumpulkan, menganalisis, etika data, dan mendapatkan wawasan
dan menginterpretasikan data besar dalam yang berharga, Walmart harus
jumlah besar untuk meningkatkan pengalaman memprioritaskan transparansi dalam
berbelanja pelanggan [5]. Perusahaan ini
menggunakan analisis data besar dan alat
intelijen bisnis yang solid untuk meningkatkan
pengalaman berbelanja pelanggannya [4].
Walmart telah mengembangkan beberapa
aplikasi dan alat untuk membantu pelanggan
menabung dan berbelanja dengan lebih baik,
seperti Savings Catcher, eReceipts, dan aplikasi
pemetaan menggunakan Hadoop [4].
Perusahaan ini juga menggunakan Mupd8 untuk
mengumpulkan data dari saluran media sosial
untuk menentukan produk apa yang akan
dipromosikan di toko fisik atau online [4]. Untuk
wawasan yang dipersonalisasi, Walmart
menggunakan teknologi canggih untuk
mengumpulkan data dari transaksi point-of-sale,
pelacakan Wi-Fi di dalam toko, dan klik
Walmart.com [4]. Melalui algoritma dan data
mining, Walmart dapat mengidentifikasi tren
dalam data point of sales (POS) untuk
meningkatkan pengalaman berbelanja bagi
pelanggan [4].

1.3 Kesalahan yang Dilakukan Walmart

Menurut Reed [6], Walmart telah mengalami

beberapa kali pelanggaran data, yang terakhir
pada Januari 2021, ketika perusahaan
mengalami pelanggaran data karena kerentanan
keamanan di situs web mereka di Kanada, yang
memungkinkan akses masuk yang tidak sah ke
data pelanggan. Oleh karena itu, protokol
keamanan yang tidak memadai membahayakan
analisis data besar, yang menyebabkan
ketidakakuratan data dan kerusakan reputasi,
dan dapat menyebabkan sanksi peraturan [7].

1.4 Saran untuk Meningkatkan

Implementasi dan Pemeliharaan Big
Data Analytics dan Business
Intelligence

Untuk mencapai pengambilan keputusan yang

lebih efektif, pengalaman pelanggan yang lebih
baik, dan pertumbuhan yang berkelanjutan,
Walmart dapat memanfaatkan big data dengan
berkonsentrasi pada area-area peningkatan ini:

• Agar tetap kompetitif, Walmart harus

67
 360vol.
Olaniyi dkk.; J. Sci. Res. Rep.
taktik tata kelola informasinya untuk derajat
29, no.t e
9, nhlm.
t a 64-72,
n g konsumen
2023; Artikelmereka untuk
no. JSRR.105812

mengelola data besar dan pelaporan [7]. bersaing dan menghasilkan keuntungan [9].
Perusahaan ini menggunakan alat big data
• Untuk menangani dan mengevaluasi data
seperti Hadoop MapReduce, Apache Spark, dan
dalam jumlah besar secara efisien,
alat yang sesuai lainnya lainnya
Walmart harus mempertimbangkan untuk
menggunakan layanan komputasi awan yang sesuai untukdata analisis dan visualisasi
yang dapat diandalkan, yang untuk memeriksa data historis dan meningkatkan
memungkinkan analisis dan pengambilan
keputusan yang lebih cepat dalam
operasi bisnis mereka [2].
• Untuk memastikan praktik yang adil dan
tidak bias, Walmart harus mengatasi bias
pengambilan keputusan yang tidak
disengaja yang berdampak negatif
terhadap kinerja bisnis dan proses
pengambilan keputusan [8].
• Memasukkan rencana kerja sebagai
komponen input tambahan dalam model
mereka akan bermanfaat bagi Walmart
untuk meningkatkan ketepatan dan
kesesuaian analisis data dan prosedur
pengambilan keputusan mereka [1].
• Menangani data secara bertanggung
jawab dan etis. Walmart harus
mengadopsi praktik AI yang etis yang
memenuhi standar yang ditetapkan oleh
undang-undang dan memastikan bahwa
etika datanya selaras dengan peraturan
privasi data [7].

2. TINJAUAN PUSTAKA

Tinjauan literatur ini menganalisis keberhasilan

integrasi Big Data Analytics dengan Business
Intelligence Walmart yang telah mendapatkan
dominasi dalam industrinya. Selain itu, tinjauan
ini menggabungkan wawasan dari 9 artikel
ilmiah yang telah ditinjau oleh rekan sejawat
mengenai pengintegrasian Big Data Analytics
dan intelijen bisnis, yang menyoroti
kesenjangan dan masalah yang diidentifikasi
dalam literatur. Ulasan ini juga mengeksplorasi
masalah yang lebih luas dan menyoroti
perusahaan lain, seperti Twitter, Walmart,
Toyota, Facebook, Netflix, Microsoft, Nike, dan
Meta, yang telah mencoba untuk mengatasi
masalah ini dengan menggunakan penelitian
ilmiah.

2.1 Wawasan, Pemahaman, dan

Kepuasan Pelanggan untuk
Kesuksesan Bisnis

Masalahnya adalah Toko Walmart mengalami

masalah pengumpulan dan
penanganan wawasan yang relevan
menggunakan yang sesuai
dataanalitik dan alat intelijen bisnis
yang sesuai untuk operasi mereka demi
kepuasan konsumen dan manajemen stok; oleh
karena itu, mereka mencari pandangan holistik
68
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

perkiraan bisnis untuk tahun-tahun berikutnya Bisnis untuk Pemasaran Media Sosial
untuk mendapatkan wawasan yang tak ternilai
dan memahami apa yang diinginkan konsumen Penelitian Chun dkk. [10] mengeksplorasi dampak
di berbagai titik kontak [9]. Pertanyaan penelitian dari jenis dan konten posting halaman penggemar
tidak ditentukan; namun, metodologi ini secara media sosial
kuantitatif menganalisis dataset tiga tahun dari
45 outlet di berbagai lokasi yang berisi data
penjualan mingguan dan variabel lain seperti
suhu, harga bahan bakar, tingkat pengangguran,
dan hari libur yang memengaruhi penjualan [9].
Dalam analisis data tersebut, Apache Spark dan
beragam library-nya berfungsi sebagai alat untuk
menganalisis dataset dan menunjukkan korelasi
antara penjualan dan faktor-faktor yang
mempengaruhi. Selain itu, API Scala dan Python
dari Spark SQL membantu dalam mendapatkan
wawasan baru tentang perilaku konsumen dan
pemahaman yang lebih baik tentang upaya
pemasaran Walmart dan pendekatan berbasis
data, berkat kerangka kerja [9]. Hasilnya
menunjukkan beberapa faktor yang perlu
dipertimbangkan dalam mengembangkan
strategi big data yang menarik, seperti suhu,
tingkat pengangguran, harga bahan bakar, dan
hari libur. Selain itu, untuk mempertahankan
keunggulan kompetitif, alat analisis data canggih
seperti MapReduce dan Apache Spark akan
membantu mendapatkan wawasan yang relevan
dari big data [9].

2.2 Intelijen Bisnis dan Analisis Data

Besar Meningkatkan Analisis Data
Besar

Mariani dkk. [2] mempelajari pengaruh intelijen

bisnis dan big data dalam penelitian akademis
yang terkait dengan perhotelan dan pariwisata
yang diterbitkan pada tahun 2016 untuk
mengenali kesenjangan penelitian dan
perkembangan di masa depan dan menciptakan
ruang untuk penelitian lebih lanjut. Dengan
demikian, metode analisis untuk memecahkan
masalah bisnis yang kritis menghubungkan
intelijen bisnis dan big data untuk organisasi [2].
Penulis tidak menentukan pertanyaan penelitian
tertentu. Metode ini merupakan tinjauan
menyeluruh t e r h a d a p artikel-artikel akademis
yang berkonsentrasi pada berbagai analisis
intelijen bisnis dan big data [2]. Namun, analisis
data menggunakan pendekatan kuantitatif yang
sistematis untuk menganalisis artikel-artikel ini,
topik penelitian, sumber data, pengumpulan, dan
visualisasi [2]. Hasil penelitian menunjukkan
bahwa manajemen perhotelan dan pariwisata
telah menyaksikan peningkatan teknik analisis
untuk menangani data dalam jumlah besar [2].

2.3 Dampak Big Data dan Teknik Intelijen

69
topik pada interaksi pelanggan untuk penulis
Olaniyi dkk.; J. Sci. Res. Rep. vol. 29,menggunakan pemodelan
no. 9, hlm. 64-72, 2023; Artikel no. persamaan
JSRR.105812

menyelesaikan jika ada perbedaan yang nyata struktural untuk analisis data kuesioner dan
di antara topik-topik konten di halaman perangkat lunak DICTION yang dirancang oleh
Facebook Toyota. Perusahaan memiliki Hart (2000; Said et al., [11] untuk menganalisis
masalah dengan analisis data besar dan pernyataan CEO dalam laporan keberlanjutan
intelijen bisnis yang tepat untuk mengubah tahun 2019 [11]. Hasil analisis mengungkapkan
prospek media sosial menjadi penjualan; oleh bahwa analisis data besar
karena itu, perusahaan berusaha memilih teknik
intelijen bisnis yang tepat untuk pemasaran dan
keterlibatan media sosial serta menggunakan
analisis data besar yang tepat untuk
mengevaluasi bobot pemasaran media sosial
[10]. Para penulis tidak membuat pertanyaan
penelitian tetapi mengembangkan tiga hipotesis
untuk menguji apakah aktivitas posting yang
lebih tinggi di halaman penggemar
menyebabkan peningkatan keterlibatan dan
dipengaruhi oleh polaritas sentimen [10].
Metodologi untuk menguji hipotesis tersebut
adalah analisis kuantitatif dari data media sosial
yang dikumpulkan di Facebook [10]. Para
penulis menggunakan R dan SAS dalam
analisis data mereka untuk memodelkan topik
postingan halaman penggemar pelanggan;
dengan demikian, mereka menggunakan model
regresi binomial negatif untuk menganalisis
reaksi dan interaksi sebagai variabel eksploratif
untuk mendefinisikan signifikansi pemasaran
media sosial [10]. Hasilnya menunjukkan bahwa
jenis postingan merupakan elemen stimulasi
yang paling signifikan untuk topik konten,
sentimen postingan, keterlibatan media sosial,
dan komentar [10].

2.4 Efek dari Besar Data

Analisis pada Manajemen
Organisasi

Said dkk. [11] mengeksplorasi pengaruh

kapasitas analisis data besar terhadap
pengungkapan laporan keberlanjutan Facebook.
Penelitian ini juga meneliti bagaimana
karakteristik spesifik dari kepemimpinan
Facebook dapat memoderasi hubungan antara
analisis data besar dan pengungkapan
pelaporan keberlanjutan [11]. Perusahaan
membutuhkan bantuan untuk memastikan
transparansi di seluruh aspek tata kelola
informasi dan manajemen big data analytics
[11]. Banyaknya data yang dihasilkan dari
aktivitas jejaring sosial telah menyebabkan
informasi yang berlebihan, sehingga
menyulitkan pelanggan untuk membuat
keputusan yang tepat [11]. Para peneliti tidak
menyebutkan apa pertanyaan spesifik mereka
untuk penelitian ini. Namun, metodologi ini
menggunakan kombinasi umpan balik kuantitatif
dari kuesioner yang dijawab oleh 320
perusahaan yang terdaftar di Bursa Malaysia
dan analisis kuantitatif dari pernyataan CEO
dalam laporan keberlanjutan 2019 [11]. Para
70
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

kapasitas sangat mempengaruhi meningkatkan keterlibatan pelanggan, yang pada

Pengungkapan laporan akhirnya mengarah pada peningkatan penjualan
keberlanjutan Facebook [11]. dan profitabilitas [13]. Para Para
penulis mengembangkan lima pertanyaan
penelitian tentang bagaimana menganalisis data
2.5 Dampak dari Besar Data
media sosial dapat meningkatkan ketepatan
Penambangan dan Analisis peramalan penjualan Nike, termasuk studi variabel
pada Intelijen Bisnis tunggal dan berganda, data dari berbagai
halaman, dan pencarian kueri data
Rodrigues dkk. [12] menjelaskan esensi dari [13]. Metodologi yang digunakan adalah
dampak penambangan data besar Twitter data kuantitatif dari halaman Facebook Nike,
terhadap jejaring sosial di seluruh dunia. termasuk jumlah likes harian,
Masalahnya adalah Twitter membutuhkan
bantuan untuk melacak berbagai aktivitas
pelanggan untuk menandai postingan yang tidak
semestinya yang melanggar kebijakan datanya;
oleh karena itu, perusahaan melakukan analisis
waktu nyata untuk tata kelola dan deteksi tren
dengan menggunakan kecerdasan buatan (AI)
dan algoritma pembelajaran mesin (machine
learning) [12]. Twitter membutuhkan mekanisme
dan prosedur big data untuk mengekstrak data
yang dapat diterapkan dari aliran informasi yang
tak ada habisnya dari berbagai aktivitas di
platform [12]. Para penulis
melakukan tidak membangun
pertanyaan penelitian. Metode kuantitatif
menggunakan teknik berbasis leksikon teknik
dan perkalian polaritas untuk
mengenali emosi dalam tweet dan algoritme
pembelajaran mesin seperti Naïve Bayes, SVM,
dan KNN untuk analisis emosi [12]. Analisis data
tersebut mengumpulkan data statis dan real-time
di Twitter menggunakan metode dan algoritma
yang berbeda dengan analisis mendalam tentang
efisiensi dan ketepatan berbagai teknik [12].
Hasilnya menunjukkan bahwa Twitter adalah
platform yang beragam dengan basis pengguna
global yang membutuhkan analisis yang kuat
[12]. Oleh karena itu, alat Big Data Apache
SPARK menganalisis tweet real-time secara lebih
efisien dengan efisiensi 83%. Selain itu, LDA dan
Jaccard merupakan prosedur praktis untuk
meneliti data statis dengan efisiensi 74% [12].

2.6 Memanfaatkan Big Data untuk

Peramalan Penjualan yang Akurat

Boldt dkk. [13] meneliti keakuratan prediksi

penjualan untuk Nike dengan menggunakan data
media sosial yang dihasilkan dari media sosial.
Nike menghadapi tantangan prediksi penjualan
yang tidak akurat [13]. Untuk mengatasi hal ini,
mereka menggunakan kerangka kerja penjualan
yang menggabungkan kerangka kerja AIDA ke
dalam strategi pemasaran mereka, yang
memungkinkan Nike untuk memanfaatkan
platform digital untuk membuat keputusan yang
tepat, memaksimalkan upaya pemasaran, dan
71
 danvol.
Olaniyi dkk.; J. Sci. Res. Rep.
komentar, dan postingan yang direkam dan intelijen
29, no. 9,bisnis untuk
hlm. 64-72, 2023;meningkatkan basis
Artikel no. JSRR.105812

tinjauan data historis laporan keuangan Nike pelanggannya [14]. Penulis tidak menyatakan
menggunakan angka penjualan kuartalannya pertanyaan penelitiannya. Metodologi yang
[13]. Analisis data menggunakan Social Set digunakan adalah analisis kualitatif dengan
Visualizer (SoSeVi) untuk menganalisis data menggunakan SWOT dan PESTLE untuk
sekunder kuantitatif dan historis bisnis
menggunakan regresi sederhana dan model
regresi berganda [13]. Hasil analisis
menunjukkan bahwa data jaringan sosial
memang memiliki nilai yang membangun untuk
perkiraan penjualan.

2.7 Big Data Mining dan Kinerja

Organisasi

Bogdan dan Borza [1] melakukan pemeriksaan

meta-analisis yang mendalam terhadap
makalah-makalah praktis yang berkonsentrasi
pada penambangan data besar dan kinerja
organisasi. Tujuannya adalah untuk memeriksa
apakah berbagai investasi dalam bentuk uang,
waktu, dan sumber daya manusia dalam analisis
data besar dan intelijen bisnis untuk mendorong
kemajuan dan kemajuan yang berkelanjutan di
bidang ini membuahkan hasil [1]. Tidak ada
pertanyaan penelitian. Metodologi penelitian ini
menganalisis studi kasus dari tahun 2010 hingga
2019 untuk menentukan manfaat analisis data
besar dalam bisnis; penulis menggunakan
prosedur meta-analisis untuk mengintegrasikan
data dan menunjukkan perbedaan hasil yang
substansial [1]. Analisis data adalah studi
empiris yang mengulas
37 artikel ilmiah tentang meta-analisis [1]. Hasil
penelitian ini menguatkan bahwa memanfaatkan
analisis big data sangat penting untuk
meningkatkan kinerja organisasi [1].

2.8 Analisis Big Data Meningkatkan

Pengalaman Konsumen dan
Menumbuhkan Basis Pelanggan

Menurut Maddodi dan Krishna [14], Netflix

dimulai pada tahun 1997 sebagai layanan DVD
melalui pos. Namun, sejak saat itu berkembang
menjadi organisasi streaming yang
menyediakan berbagai macam film, acara
televisi, dan konten orisinal [14]. Perusahaan ini
memiliki lebih dari 32,5 juta pelanggan [14].
Netflix menggunakan analisis data besar untuk
memahami lingkungan bisnisnya, mendapatkan
wawasan konsumen, dan menawarkan layanan
pelanggan yang lebih baik [14]. Dengan
demikian, perusahaan mengumpulkan sejumlah
besar data dari pelanggannya, termasuk
informasi tentang lokasi mereka, konten yang
mereka gunakan, minat mereka, riwayat
pencarian mereka, dan kapan serta apa yang
mereka tonton dengan menggunakan algoritme
yang selaras dengan daya tarik khas pengguna
[14]. Masalahnya adalah menggunakan big data 72
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

menetapkan bahwa analisis data besar dapat beberapa variabel dari satu halaman
meningkatkan keterlibatan konsumen [14]. Tidak Facebook dalam menghasilkan prakiraan
ada analisis data yang disebutkan; namun, penjualan Nike yang akurat?
kesimpulannya mengungkapkan bahwa analisis 3) Seberapa jauh kombinasi beberapa
data besar meningkatkan pengalaman halaman Facebook dapat meningkatkan
konsumen dan meningkatkan basis pelanggan akurasi perkiraan penjualan?
[14].

2.9 Besar Data Analisis

untuk Analisis Prediktif

Menurut Sen dkk. [8], Microsoft

merekomendasikan untuk mengalokasikan
sumber daya yang cukup untuk kueri data besar
untuk menjamin kinerja maksimum dalam
ekosistem bisnis tanpa server, mengoptimalkan
efisiensi operasional, ketersediaan kapasitas,
dan prediktabilitas kueri sambil meminimalkan
waktu tunggu yang tidak perlu. Masalahnya
adalah sumber daya yang tidak mencukupi untuk
menangani kueri data besar dalam ekosistem
bisnis tanpa server menyebabkan kinerja yang
buruk; penulis menyelidiki efisiensi AutoToken
sebagai prediktor untuk memperkirakan
penggunaan sumber daya dari kueri data besar
yang berulang dengan menggunakan
pengidentifikasi rencana, model pembelajaran
untuk mengurangi alokasi yang berlebihan [8].
Para penulis tidak menyebutkan pertanyaan
penelitian. Metode ini menggunakan model
pembelajaran untuk meminimalkan alokasi yang
berlebihan dan terintegrasi dengan lancar
dengan infrastruktur pengoptimalan beban kerja
Peregrine milik Microsoft [8]. Analisis data
menilai AutoToken pada pekerjaan SCOPE di
cluster produksi dan membuktikan bahwa
AutoToken mengungguli solusi canggih lainnya
untuk estimasi sumber daya puncak [8]. Hasil
penelitian ini mengungkapkan bahwa AutoToken
efektif dalam skala besar, ringan, dan mudah
dieksekusi [8].

3. PERTANYAAN PENELITIAN

Karya ilmiah oleh Singh dkk. [9], Rodrigues dkk.

[12], Chun dkk. [10], Said dkk. [11], Maddodi dan
Krishna [14], Sen dkk. [8], Bogdan dan Borza [1],
dan Mariani dkk. [2] tidak memiliki pertanyaan
penelitian. Sebaliknya, Boldt dkk. [13]
menyajikan serangkaian pertanyaan penelitian
yang berfokus pada peramalan penjualan Nike
menggunakan analisis data besar seperti yang
tercantum di bawah ini:

1) Seberapa besar performa satu variabel di

halaman Facebook dapat memprediksi
penjualan Nike dengan akurat?
2) Seberapa efektifkah penggunaan
73
 beragam
Olaniyi dkk.; J. Sci. Res. Rep.
4) Dengan cara apa data kueri penelusuran
vol. 29,library-nya berfungsi
no. 9, hlm. 64-72, sebagai
2023; Artikel alat untuk
no. JSRR.105812

dapat meningkatkan akurasi prakiraan menganalisis dataset dan menunjukkan korelasi

penjualan? yang tepat antara penjualan dan faktor-faktor
5) Apakah acara Nike di dunia nyata yang mempengaruhi. Pada waktu yang
memengaruhi aktivitas media sosial, bersamaan,
khususnya di Facebook?

4. METODOLOGI
Para penulis menggunakan berbagai teknik
analisis data untuk menyelidiki integrasi analisis
data besar dengan intelijen bisnis; demikian
juga, mereka menggunakan beberapa
metodologi dalam studi yang dilakukan oleh
peneliti yang berbeda. Singh dkk. [9]
menggunakan pendekatan analisis kuantitatif,
mengumpulkan kumpulan data selama tiga
tahun dari 45 gerai untuk memeriksa dampak
variabel seperti suhu, harga bahan bakar,
tingkat pengangguran, dan hari libur terhadap
penjualan. Rodrigues dkk. [12] juga
menggunakan metode kuantitatif, menggunakan
teknik berbasis leksikon dan perkalian polaritas
untuk mengenali emosi tweet. Mereka
menggunakan algoritma pembelajaran mesin
untuk analisis emosi, termasuk Naïve Bayes,
SVM, dan KNN. Chun dkk. [10] berfokus pada
pengujian hipotesis mereka melalui analisis
kuantitatif data media sosial yang dikumpulkan
dari Facebook.

Lebih lanjut, Said dkk. [11] menggabungkan

umpan balik kuantitatif dari kuesioner dengan
analisis kuantitatif pernyataan CEO dalam
laporan keberlanjutan tahun 2019. Boldt dkk.
[13] menggunakan data kuantitatif dari halaman
Facebook Nike, yang mencakup suka,
komentar, dan unggahan harian, serta tinjauan
data historis dari laporan keuangan Nike.
Bogdan & Borza [1] melakukan metodologi
yang melibatkan analisis studi kasus dari tahun
2010 hingga 2019, menggunakan meta-analisis
untuk mengintegrasikan data dan
mengidentifikasi perbedaan hasil yang
signifikan. Maddodi & Krishna [14]
menggunakan teknik analisis kualitatif, seperti
SWOT dan PESTLE, untuk menentukan
potensi peningkatan keterlibatan konsumen
melalui analisis big data. Sen dkk. [8]
menggunakan model pembelajaran yang
meminimalkan alokasi berlebih dan berintegrasi
dengan lancar dengan infrastruktur
pengoptimalan beban kerja Peregrine milik
Microsoft. Terakhir, [2] melakukan tinjauan
komprehensif terhadap artikel-artikel akademis,
dengan fokus pada berbagai analisis intelijen
bisnis dan big data [15-18].
5. ANALISIS DATA
Para penulis menggunakan pendekatan yang
berbeda untuk analisis data. Apache Spark dan
74
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

API Scala dan Python dari Spark SQL membantu dengan merek seperti Nike [13].
dalam mendapatkan wawasan baru mengenai
perilaku konsumen dan pemahaman yang lebih Analisis big data dengan intelijen bisnis dapat
baik mengenai upaya pemasaran Walmart dan meningkatkan kinerja organisasi, pengalaman
pendekatan berbasis data, berkat kerangka kerja konsumen, dan jumlah pelanggan [1]; studi
tersebut [9]. Analisis ini juga mengumpulkan data menekankan pentingnya hal ini untuk
statis dan real-time di Twitter menggunakan pertumbuhan, wawasan,
metode dan algoritma yang berbeda, dengan
analisis mendalam tentang efisiensi dan
ketepatan berbagai teknik [12]. Selain itu, R dan
SAS digunakan dalam analisis data untuk
memodelkan topik postingan halaman
penggemar pelanggan, menggunakan model
regresi binomial negatif untuk menganalisis
reaksi dan interaksi sebagai variabel eksplorasi
untuk mendefinisikan signifikansi pemasaran
media sosial [10,19,20].

Lebih lanjut, studi empiris tentang analisis data

mengulas 37 artikel ilmiah tentang meta-analisis
[1]. Pemodelan persamaan struktural dan
perangkat lunak DICTION yang dirancang oleh
Hart (2000; Said et al., [11] menganalisis
pernyataan CEO dalam laporan keberlanjutan
tahun 2019 [11]. Analisis ini juga melibatkan
penggunaan Social Set Visualizer (SoSeVi)
untuk menganalisis data sekunder kuantitatif dan
historis bisnis [13]. Selain itu, AutoToken dinilai
dalam analisis data pada pekerjaan SCOPE di
klaster produksi, yang membuktikan
keunggulannya dibandingkan solusi canggih
lainnya untuk estimasi sumber daya puncak [8].
Pendekatan analisis data mengadopsi
pendekatan kuantitatif yang sistematis untuk
menganalisis artikel, topik penelitian, sumber
data, pengumpulan, dan visualisasi [2].

6. KESIMPULAN

Hasil dari berbagai artikel ilmiah yang ditinjau

menyoroti beberapa faktor yang perlu
dipertimbangkan ketika mengembangkan strategi
big data yang menarik dan mempertahankan
keunggulan kompetitif; sangat penting untuk
memanfaatkan alat analisis data canggih seperti
MapReduce dan Apache Spark dan masih
banyak lagi, karena memungkinkan penggalian
wawasan yang relevan dari kumpulan data yang
besar [9]. Demikian juga, jenis postingan media
sosial memainkan peran penting dalam
memengaruhi topik konten, sentimen,
keterlibatan media sosial, dan komentar [10].
Meskipun data jaringan sosial dapat memberikan
wawasan yang berharga untuk prakiraan
penjualan, data ini juga menawarkan tantangan
yang berkaitan dengan regresi berganda dan
multikolinieritas yang sempurna, terutama saat
menganalisis peristiwa tertentu yang berkaitan

75
 dikumpulkan
Olaniyi dkk.; J. Sci. Res. Rep.
dan pengambilan keputusan yang tepat untuk dan
vol. 29, no. 9, hlm.disimpan oleh
64-72, 2023; penulis.
Artikel no. JSRR.105812

sebuah organisasi [14]. Walmart adalah

perusahaan yang banyak berinvestasi dalam KEPENTINGAN YANG BERSAING
memanfaatkan big data untuk meningkatkan
Para penulis telah menyatakan bahwa mereka
operasinya; ini termasuk mengoptimalkan
tidak memiliki kepentingan keuangan atau
pengalaman di dalam toko dan memprediksi
kepentingan non-keuangan yang bersaing atau
tren produk. Keberhasilan Walmart dalam
hubungan pribadi yang dapat
analitik big data disebabkan oleh budaya
berbasis data dan infrastruktur yang canggih,
termasuk Data Café (Marr, 2021). Namun,
menjaga keamanan dan privasi data merupakan
hal yang menantang, seperti yang terlihat pada
pelanggaran data Walmart (Reed, 2023).
Protokol keamanan yang tidak memadai dapat
merusak akurasi analitik, menyebabkan
konsekuensi negatif seperti kerusakan reputasi
dan tindakan regulasi [7].

Analisis big data dan intelijen bisnis sangat

penting untuk kesuksesan dan inovasi dalam
bisnis untuk mempertahankan keunggulan
kompetitif, dan mengintegrasikan analisis big
data dengan intelijen bisnis telah merevolusi
pengambilan keputusan bagi banyak organisasi
[2]. Banyak perusahaan Fortune 1000 telah
menerapkan teknik dan platform unik untuk
mengatasi tantangan big data mereka dengan
mengadopsi praktik terbaik dan mengeksplorasi
solusi inovatif; oleh karena itu, bisnis dapat
meningkatkan kinerja, meningkatkan
pengalaman pelanggan, dan mencapai
pertumbuhan yang berkelanjutan [12]. Big data
memiliki beberapa tantangan, terutama saat
menyimpan dan menganalisis data yang tidak
terstruktur, dan mengelola data kompleks
dalam jumlah besar ini cukup menantang,
sehingga membutuhkan banyak upaya untuk
menambang data [1]. Organisasi harus
beradaptasi dengan teknologi yang sedang
berkembang untuk mendapatkan manfaat
penuh dari big data; namun, proses ini akan
menghabiskan sumber daya yang sangat besar
[1] terutama untuk entitas yang lebih besar
seperti perusahaan-perusahaan yang masuk
dalam daftar Fortune 1000 jika mereka ingin
mempertahankan kepemimpinan pasar yang
mereka nikmati; merangkul analisis big data
dengan intelijen bisnis tetap menjadi investasi
yang menarik [1].

PERSETUJUAN

Sesuai dengan standar internasional atau

standar universitas, persetujuan tertulis dari
peserta telah dikumpulkan dan disimpan oleh
penulis.

PERSETUJUAN ETIS

Sesuai standar internasional atau standar

universitas, persetujuan etis tertulis telah
76
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

tampaknya mempengaruhi pekerjaan yang Rekayasa (APWC tentang CSE); 2017; 114-
dilaporkan dalam makalah ini. 119.
Tersedia:https://doi.org/10.1109/APWCon
REFERENSI CSE.2017.00028
10. Chun H, Leem B-H, Suh H. Menggunakan
1. Bogdan M, Borza A. Analisis data besar analisis teks untuk mengukur efek topik
dan kinerja organisasi: studi meta-analisis. dan Sentimen pada keterlibatan media
Tinjauan manajemen dan ekonomi. sosial: Berfokus pada halaman penggemar
2019;4(2),147-162. Facebook Toyota. Jurnal Internasional
Available:https://doi.org/10.24818/mer/201 Manajemen Bisnis Teknik. 2021;13.
9.12-06 Available:https://doi.org/10.1177/18479790
2. Mariani M, Baggio R, Fuchs M, Höepken, 211016268
W. Kecerdasan bisnis dan data besar di 11. Said F, Zainal D, Azlina AJ. Analisis data
bidang perhotelan dan pariwisata: tinjauan besar kemampuan (BDAC) dan
literatur yang sistematis. Jurnal pelaporan keberlanjutan di Facebook:
Internasional Manajemen Perhotelan Apakah nada di bagian atas itu penting?
Kontemporer, 2018;30(12):3514-3554. Cogent Business & Management.
Available:https://doi.org/10.1108/IJCHM- 2023;10(1).
07-2017-0461 https://doi.org/10.1080/23311975.2023.21
3. Fortune. Fortune 500:2023. 86745
Tersedia:https://fortune.com/ranking/fortun 12. Rodrigues AP, Fernandes R, Bhandary A,
e500/ Shenoy AC, Shetty A, Anisha M. Analisis
4. ProjectPro. Bagaimana analisis big data tren Twitter waktu nyata menggunakan
membantu meningkatkan omset penjualan analisis data besar dan teknik
Walmart? Iconiq Inc.2023. pembelajaran mesin. Nirkabel Komunikasi
Tersedia:https://www.projectpro.io/article/h & Komputasi
ow-big-data-analysis-helped-increase- Bergerak (Online); 2021.
walmart-sales-turnover/109 Available:https://doi.org/10.1155/2021/392
5. Marr B. Walmart: analisis data besar di 0325
peritel terbesar di dunia. Bernard Marr &
13. Boldt LC, Vinayagamoorthy V, Winder F,
Co; 2021.
Schnittger M, Ekran M, Mukkamala RR,
Tersedia:https://bernardmarr.com/walmart-
Lassen NB, Flesch B, Hussain A, Vatrapu,
big-data-analytics-di-peritel-terbesar-di-
R. Peramalan penjualan Nike
dunia/
menggunakan data Facebook. Konferensi
6. Reed, C. (2023, April 17). Pelanggaran
Internasional IEEE 2016 tentang Data
data Walmart: garis waktu penuh. Firewall
Besar (Big Data). 2016;2447-2456.
Times; 2023.
https://doi.org/10.1109/BigData.2016.7840
Tersedia:https://firewalltimes.com/walmart-
881
data-breaches/
7. Mühlhoff R. Privasi prediktif: Menuju etika 14. Maddodi S, Krishna PK. Analisis data
terapan analisis data. Etika dan Teknologi besar Netflix - munculnya Rekomendasi
Informasi, 2021;23(4):675- berbasis data. Jurnal Internasional Studi
690. Kasus dalam Bisnis, TI, dan Pendidikan
Available:https://doi.org/10.1007/s10676- (IJCSBE), 2019;3(2):41-51.
021-09606-x Tersedia:https://doi.org/10.5281/zenodo.3
8. Sen R, Jindal A, Patel H, Qiao S. 510316
AutoToken: memprediksi paralelisme 15. Olagbaju OO, Babalola RO, Olaniyi OO.
puncak untuk analisis data besar di Alih Kode di Kelas Bahasa Inggris sebagai
Microsoft. Prosiding VLDB Endowment, Bahasa Kedua: Strategi Komunikasi dan
2020;13(12),3326-3339. Pembelajaran. Nova Science; 2023.
Available:https://doi.org/10.14778/3415478 Tersedia:https://doi.org/10.52305/YLHJ58
.3415554 78
9. Singh M, Ghutla B, Lilo Jnr R, Mohammed 16. Olagbaju OO, Olaniyi OO. Instruksi Fonik
AFS, Rashid MA. Analisis Data Penjualan Eksplisit dan Diferensiasi pada
Walmart - Perspektif Analisis Data Besar. Keterampilan Literasi Murid di Sekolah
2017 Kongres Dunia Asia-Pasifik ke-4 Dasar Gambia. Jurnal Pendidikan dan
tentang Ilmu Komputer dan Studi Sosial Asia. 2023;E 44(2):20-30.

77
 Olaniyi dkk.; J. Sci. Res. Rep. vol. 29, no. 9, hlm. 64-72, 2023; Artikel no. JSRR.105812

Available:https://doi.org/10.9734/ajess/202 Available:https://doi.org/10.9734/ajeba/202
3/v44i2958 3/v23i181055
17. Olaniyi OO, Okunleye OJ, Olabanji SO. 19. Olaniyi OO. Omubo DS. Pentingnya COSO
Memajukan pengambilan keputusan Kerangka Kerja Kepatuhan
berbasis data di kota pintar melalui analisis dalam Informasi Teknologi
data besar: Tinjauan komprehensif Audit dan Manajemen Sumber
terhadap literatur yang ada. Jurnal Ilmu Daya Perusahaan. Internasional
Pengetahuan dan Teknologi Terapan saat Jurnal dari Penelitian
ini. 2023;42(25):10-18. Tersedia & Pengembangan Inovatif; 2023
dari:https://doi.org/10.9734/cjast/2023 Tersedia:https://doi.org/10.24940/ijird/202
/v42i254181 3/v12/i5/MAY23001
18. Olaniyi OO, Olaoye OO, Okunleye OJ. 20. Olaniyi OO, Omubo DS. Kebijakan Data
Pengaruh Tata Kelola Informasi (IG) WhatsApp, Data Keamanan,
terhadap profitabilitas di sektor perbankan Dan Kerentanan Pengguna.
Nigeria. Jurnal Ekonomi, Bisnis dan Jurnal Internasional Penelitian &
Akuntansi Asia. 2023;23(18): 22-35. Pengembangan Inovatif; 2023.
Available:https://doi.org/10.24940/ijird/202
3/v12/i4/APR23021

© 2023 Olaniyi d k k . ; Ini adalah artikel Akses Terbuka yang didistribusikan di bawah ketentuan Lisensi Atribusi Creative
Commons (http://creativecommons.org/licenses/by/4.0), yang mengizinkan penggunaan, distribusi, dan reproduksi tanpa batas
dalam media apa pun, asalkan karya asli dikutip dengan benar.

Riwayat tinjauan sejawat:

Riwayat tinjauan sejawat untuk makalah ini dapat diakses di
sini: https://www.sdiarticle5.com/review-history/105812

78