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.