RUNDOWN VIDEO TUGAS BIG DATA

1. COVER TUGAS VIDEO (NAMA, NIM, KELAS)

2. SCENE 1 (INTRODUCTION)
3. SCENE 2 (WEEK 1 : BIG DATA BUSINESS MANDATE). MBA Big Data memperkenalkan
dan menjelaskan konsep, teknik, metodologi, dan latihan langsung untuk mengatasi
mandat bisnis big data. Bisnis dari semua ukuran harus mengubah pembicaraan
mengenai big data dengan para pemimpin bisnis di ruang rapat. Indeks kematangan
model bisnis Big Data memberikan peta jalan tentang bagaimana organisasi dapat
mengintegrasikan data dan analitik ke dalam model bisnis mereka. Indeks
kematangan model Bisnis Big Data terdiri dari lima fase yaitu, pemantauan bisnis,
wawasan bisnis, optimalisasi bisnis, monetisasi data, dan metamorfosis bisnis.
Organisasi harus membuang sebagian besar data konvensional, analitik, dan
pemikiran organisasinya untuk mendapatkan nilai maksimal dari big data. Big data
adalah tentang transformasi ekonomi. Big data tidak boleh diperlakukan seperti
eksperimen sains teknologi lainnya. Kepemimpinan bisnis perlu memimpin inisiatif
big data, untuk meningkatkan dan menjadikan big data sebagai mandat bisnis
utama.
4. SCENE 3 (WEEK 2 : BIG DATA BUSINESS MODEL MATURITY INDEX). Bisnis dari semua
ukuran harus mengubah pembicaraan mengenai big data dengan para pemimpin
bisnis. Bab ini pertama-tama memperkenalkan indeks kematangan model bisnis big
data sebagai kerangka kerja bagi organisasi untuk mengukur seberapa efektif
mereka dalam memanfaatkan data dan analitik untuk memperkuat model bisnis
mereka. Kemudian dibahas mengenai tujuan dan karakteristik dari masing-masing
lima fase indeks kematangan model bisnis big data yang meliputi pemantauan bisnis,
wawasan bisnis, optimalisasi bisnis, monetisasi data, dan metamorfosis bisnis. Bab
ini juga menjelaskan bagaimana keekonomian big data dan empat penggerak nilai
big data dapat memungkinkan organisasi melintasi jurang analitik dan melewati fase
pemantauan bisnis menuju fase wawasan bisnis dan optimalisasi bisnis. Terakhir,
bab ini mengulas beberapa konsep yang membantu organisasi maju melalui fase
indeks kematangan model bisnis big data.
5. SCENE 4 (WEEK 3 : THE BIG DATA STRATEGY DOCUMENT). Dokumen strategi big data
memandu organisasi melalui proses penguraian strategi bisnis dan inisiatif bisnisnya
menjadi potensi kasus penggunaan bisnis big data serta data pendukung dan
persyaratan analitik. Bab ini membahas konsep inisiatif bisnis dan memberikan
beberapa contoh di mana menemukan inisiatif bisnis tersebut. Laporan ini
memperkenalkan dokumen strategi big data sebagai kerangka kerja untuk
membantu organisasi mengidentifikasi kasus penggunaan yang memandu di mana
dan bagaimana mereka dapat memulai perjalanan big data mereka. Bab ini
menyediakan lembar kerja untuk membantu organisasi menentukan nilai bisnis dan
kelayakan implementasi sumber data yang dihasilkan dari proses dokumen strategi
big data. Hal ini menyajikan matriks prioritas sebagai alat yang dapat mendorong
keselarasan bisnis dan TI dalam memprioritaskan kasus penggunaan berdasarkan
nilai bisnis dan kelayakan implementasi dalam jangka waktu 9 hingga 12 bulan.
6. SCENE 5 (WEEK 4 : THE IMPORTANCE OF THE USER EXPERIENCE). Bab ini menantang
pendekatan intelijen bisnis tradisional dalam membangun dasbor dengan berupaya
memanfaatkan wawasan analitik untuk menciptakan dasbor yang dapat
ditindaklanjuti yang memberdayakan karyawan garis depan, memandu mitra
saluran, dan memengaruhi perilaku pelanggan. Panduan ini mengulas contoh
pengalaman pengguna yang tidak cerdas dan menyoroti pentingnya berpikir secara
berbeda dalam membuat dasbor yang dapat ditindaklanjuti dibandingkan
membangun dasbor intelijen bisnis tradisional. Big data dapat mentransformasi
bisnis dengan memungkinkan pengalaman pengguna yang benar-benar baru (UEX)
yang dibangun berdasarkan wawasan dan rekomendasi dibandingkan hanya diagram
dan tabel intelijen bisnis tradisional. Bab ini juga meninjau contoh dasbor yang dapat
ditindaklanjuti yang menargetkan manajer toko garis depan dan mendiskusikan
contoh dasbor lain yang dapat ditindaklanjuti (dasbor penasihat keuangan) yang
menargetkan mitra saluran bisnis-ke-bisnis. Dasbor penasihat keuangan ini
mencakup empat area berbeda untuk memberikan rekomendasi keuangan khusus
klien seperti kontribusi keuangan, analisis pengeluaran, alokasi aset, dan investasi
keuangan lainnya.
7. SCENE 6 (WEEK 5 :DIFFERENCES BETWEEN BUSINESS INTELEGENCE AND DATA
SCIENCE). Banyak organisasi menyadari bahwa ilmu data sangat berbeda dengan
intelijen bisnis (BI) dan keduanya tidak dapat menggantikan yang lain. Bab ini
membahas perbedaan antara BI dan ilmu data dan juga memperkenalkan konsep
ilmu data yang sangat penting yang disebut profil analitik. BI menyediakan laporan
retrospektif untuk membantu pengguna bisnis memantau keadaan bisnis saat ini dan
menjawab pertanyaan tentang kinerja bisnis historis. Model data yang digunakan
dalam gudang data untuk mendukung upaya BI suatu organisasi sangat berbeda
dengan model data yang lebih disukai oleh para ilmuwan data. Organisasi-organisasi
belajar bahwa yang lebih penting daripada mencoba menciptakan profil 360 derajat
pelanggan adalah mengidentifikasi dan mengukur metrik yang lebih sedikit namun
lebih penting yang merupakan prediktor yang lebih baik terhadap kinerja bisnis atau
pelanggan seperti mengoptimalkan proses bisnis utama, mempengaruhi perilaku
pelanggan, dan mengungkap peluang monetisasi baru.
8. SCENE 7 (WEEK 6 : DATA SCIENCE). Bab ini memperkenalkan beberapa algoritma
analitik yang berbeda seperti analisis tren, plot kotak, dekomposisi deret waktu,
analisis klaster, analisis setara kurva normal (NCE) dan analisis asosiasi yang harus
diketahui oleh pengguna bisnis dan didiskusikan kapan waktu yang paling tepat
untuk menggunakan jenis yang mana. algoritma. Hal ini juga memperkenalkan
perusahaan fiktif (Taman Hiburan Dongeng) yang menerapkan berbagai teknik
analitik untuk melihat potensi tindakan bisnis. Analisis geografis sangat berguna bagi
organisasi yang ingin menentukan keberhasilan upaya penjualan dan pemasaran
mereka. Analisis plot berpasangan memberikan pandangan mendalam tentang
berbagai variabel yang mungkin berkorelasi dan dapat menjadi dasar untuk
memandu tim ilmu data dalam mengidentifikasi variabel atau metrik utama untuk
disertakan dalam pengembangan model prediktif. Analisis sentimen dapat
memberikan gambaran luas dan umum mengenai sentimen pelanggan terhadap
perusahaan dan merek.
9. SCENE 8 (WEEK 7 : DATA LAKE). Data lake memanfaatkan inovasi teknologi Big data
baru yang memungkinkan organisasi memperluas dan meningkatkan gudang data
mereka yang sudah ada dan mengekstrak, mentransformasikan, dan memuat
investasi (ETL) sambil memberdayakan analis bisnis dan ilmuwan data untuk
mengeksplorasi sumber data baru dan teknik pengayaan data untuk
memanfaatkannya. wawasan baru yang dapat ditindaklanjuti tentang pelanggan,
produk, dan operasi mereka. Bab ini menunjukkan Federation Business Data Lake
yang telah direkayasa sebelumnya oleh EMC. Organisasi perlu memiliki satu data
lake yang dapat dijadikan sumber data untuk keperluan Business Intelligence
(BI)/data warehousing dan analitik. Bagi banyak organisasi, keputusan gudang data
penuh dengan bias pribadi. Dan pengembangan gudang data dan BI selama
bertahun-tahun, pelatihan personel, dan akuisisi alat akan membuat transisi apa pun
dari platform gudang data sistem manajemen basis data relasional (RDBMS) ke
platform gudang data Hadoop lebih menjadi perdebatan agama daripada masalah
keuangan atau teknologi. keputusan.
10. SCENE 9 (WEEK 9 : THINKING LIKE DATA SCIENTIST). Bab ini memperkenalkan
kerangka kerja, teknik, dan latihan langsung untuk membantu pemangku
kepentingan bisnis berpikir seperti ilmuwan data. Pemikiran seperti kerangka
ilmuwan data membantu pemangku kepentingan bisnis untuk berkolaborasi dengan
 ilmuwan data untuk mengungkap variabel dan metrik yang dapat meningkatkan
kinerja bisnis dan mendorong nilai bisnis dan finansial. Delapan langkah berpikir
seperti kerangka ilmuwan data mencakup mengidentifikasi inisiatif bisnis utama,
mengembangkan persona pemangku kepentingan bisnis, mengidentifikasi kata
benda strategis, mengambil keputusan bisnis, melakukan brainstorming pertanyaan
bisnis, memanfaatkan analisis, menciptakan skor yang dapat ditindaklanjuti, dan
menerapkan analisis ke dalam tindakan. Sebagai hasil dari proses delapan langkah
ini, pemangku kepentingan bisnis dan ilmuwan data harus lebih siap untuk
mengungkap variabel dan metrik yang merupakan prediktor kinerja yang lebih baik.
Bab ini menggunakan contoh Foot Locker untuk membantu memahami konsep dan
teknik dalam delapan langkah berpikir seperti proses data scientist.
11. SCENE 10 (WEEK 10 : BY ANALYSIS TECHNIQUE). Teknik analisis By mendukung
tujuan ilmu data dengan memperkuat kemitraan antara pengguna bisnis dan
ilmuwan data untuk memanfaatkan sumber baru data pelanggan, produk,
operasional, pasar, dan persaingan, ditambah dengan analisis tingkat lanjut, untuk
mengungkap metrik dan variabel yang mungkin menjadi prediktor kinerja bisnis yang
lebih baik. Variasi dimensi dan atribut dimensi yang luas dan beragam yang
ditemukan oleh analisis By sangat penting untuk memandu proses eksplorasi dan
pemodelan analitik tim data science. Analisis Oleh dapat menyarankan variabel dan
metrik tambahan yang mungkin ingin dieksplorasi oleh tim ilmu data dalam
membuat tindakan preskriptif, skor, dan rekomendasi yang digunakan untuk
mendukung inisiatif bisnis yang ditargetkan. Teknik analisis By menekankan kembali
pentingnya berpikir seperti proses data scientist. Tim ilmu data bertanggung jawab
untuk mengukur variabel atau kombinasi variabel mana yang merupakan prediktor
kinerja yang lebih baik.
12. SCENE 11 (WEEK 11 : SCORE DEVELOPMENT TEHNIQUE). Bab ini berfokus pada peran
skor dalam mendukung keputusan bisnis utama organisasi. Skor adalah konsep yang
sangat penting dalam dunia ilmu data. Tujuan dari teknik skor adalah untuk mencari
pengelompokan variabel dan metrik yang umum atau serupa yang dapat disatukan
untuk menghasilkan skor yang dapat memandu pengambilan keputusan seseorang.
Keindahan suatu skor adalah kemampuannya untuk mengintegrasikan berbagai
variabel dan metrik ke dalam satu angka. Skor tersebut merupakan komponen
penting dari pemikiran seperti proses ilmuwan data karena skor tersebut dapat
memandu keputusan yang diambil oleh karyawan garis depan dan/atau
memprediksi kemungkinan tindakan, hasil, atau perilaku pelanggan. Contoh umum
dari suatu skor adalah Intelligence Quotient (IQ). FICO mungkin merupakan contoh
terbaik dari sebuah organisasi yang membangun bisnisnya berdasarkan
pengembangan skor.
13. SCENE 12 (WEEK 12 : MONETIZATION EXERCISE). Bab ini memperkenalkan teknik
yang disebut latihan monetisasi yang berupaya memahami bagaimana produk atau
layanan organisasi digunakan oleh pelanggannya, dan kemudian mengidentifikasi
bagaimana data penggunaan pelanggan dan produk dapat digunakan untuk
menciptakan peluang monetisasi baru. Bab ini menyajikan contoh untuk
menunjukkan bagaimana produsen pelacak kebugaran dapat memanfaatkan praktik
monetisasi untuk menciptakan produk dan layanan baru serta mengungkap peluang
monetisasi baru. Proses monetisasi melibatkan pemahaman karakteristik dan
perilaku penggunaan produk, mengidentifikasi dan memahami berbagai jenis
 pelanggan, dan melakukan brainstorming potensi rekomendasi yang dapat
disampaikan kepada setiap pemangku kepentingan bisnis. Hal ini juga melibatkan
identifikasi sumber data pendukung, penentuan prioritas rekomendasi dari
perspektif nilai bisnis dan kelayakan implementasi, serta pengembangan rencana
monetisasi. Bab ini juga memberikan contoh beberapa sumber data yang ingin
dipertimbangkan untuk mendukung pengembangan rekomendasi.
14. SCENE 13 (WEEK 13 : METHAMORPHOSIS EXERCISE). Fase metamorfosis bisnis
memerlukan perubahan besar dalam model bisnis inti organisasi yang didorong oleh
wawasan analitik yang dikumpulkan saat organisasi melintasi indeks kematangan
model bisnis big data. Bab ini menyajikan ikhtisar beberapa contoh mengenai apa
yang dapat dilakukan organisasi untuk memanfaatkan data, analitik, dan wawasan
analitik yang dihasilkan untuk mengubah model bisnis mereka. Berbagai industri
seperti olahraga profesional, manufaktur, barang kemasan konsumen, ritel,
pendidikan, layanan sosial, dan layanan kesehatan sedang mengalami metamorfosis
model bisnis dengan memanfaatkan kekayaan sumber data yang kaya tentang
pelanggan, produk, dan operasi mereka. Dan organisasi-organisasi terkemuka
sedang belajar memanfaatkan wawasan analitik yang dihasilkan untuk mengubah
keseimbangan kekuatan dalam industri mereka. Industri layanan kesehatan sudah
siap untuk bermetamorfosis menjadi sesuatu yang jauh lebih efisien, efektif, dan
berpusat pada pelanggan (pasien). Saat ini ada perselisihan antara penyedia layanan
kesehatan dan pembayar layanan kesehatan.
15. SCENE 14 (WEEK 14 : POWER OF ENVISIONING). Bab ini membahas lokakarya visi Big
Data EMC sebagai contoh keterlibatan yang dapat mendorong pemikiran kreatif
organisasi untuk mengidentifikasi di mana dan bagaimana memanfaatkan big data
untuk memperkuat model bisnis organisasi. Keterlibatan lokakarya visi Big Data
dimulai dengan mewawancarai pemangku kepentingan bisnis utama. Proses
wawancara berfokus pada pengambilan keputusan yang diperlukan oleh pemangku
kepentingan bisnis untuk mendukung inisiatif bisnis yang ditargetkan dan
menangkap berbagai pertanyaan yang mendukung keputusan tersebut. Bab ini juga
membahas penggunaan matriks prioritas, yang memfasilitasi diskusi antara bisnis
dan pemangku kepentingan TI dalam menentukan kasus penggunaan yang tepat
untuk memfokuskan inisiatif big data. Pemangku kepentingan bisnis bertanggung
jawab atas posisi relatif setiap kasus bisnis pada sumbu nilai bisnis. Pemangku
kepentingan TI bertanggung jawab atas posisi relatif setiap kasus bisnis pada poros
kelayakan implementasi.
16. SCENE 15 (WEEK 15 : ORGANIZATIONAL RAMIFICATIONS). Bab ini mengeksplorasi
peran chief data monetization officer (CDMO) untuk memimpin upaya monetisasi
dan investasi data dan analitik organisasi. Ini mengatasi masalah privasi dan
kepercayaan melalui organisasi tata kelola keputusan yang diformalkan. Bab ini
membahas cara melepaskan pemikiran kreatif organisasi, yang merupakan satu-
satunya hal yang membedakan antara keadaan big data yang biasa-biasa saja dan
metamorfosis big data. CDMO bertugas mengukur nilai data dan memperjuangkan
upaya organisasi untuk memonetisasi data organisasi. Untuk mendorong
keberhasilan monetisasi data, tim intelijen bisnis (BI) dan ilmu data harus benar-
benar memahami inisiatif bisnis utama organisasi, keputusan yang perlu diambil oleh
bisnis, dan pertanyaan yang perlu dijawab oleh bisnis untuk mendukung inisiatif
bisnis tersebut. CDMO perlu bekerja sama dengan departemen Keuangan untuk
mengembangkan perkiraan laba atas investasi (ROI) akuisisi data dan monetisasi
data.