Anda di halaman 1dari 8

BISNIS CERDAS

Karina Ryzananda P

160441100030
Penting ‘bisnis cerdas’

Bisnis cerdas merupakan pemahaman yang lebih baik tentang konteks


komersial dalam organisasi, seperti pelanggan, pasar, pasokan dan sumber
daya meraka bersaing. Contoh termasuk, laporan, pemrosesan analisi
online, menejemen kinerja bisnis, kecerdasan kompetiti, benchmarking,
dan analisis prediktif.
seberapa “penting bisnis cerdas” ?
banyak bisnis yang mungkin tidak dapat melakukan analysis pasar yang efektif,
membandainkan umpan balik pelanggan. Kelebihann dan kekuranagan,

mempertahankan pelanggan yang berharga, dan menjadi cerdas, dan keputusan bisnis.

Data mining adalah business intelegence. Perangkat analisis


analitik online dalam bisnis inteljen mengandalkan data
pengudangan dan data mining multidimensional. Teknik
klafikasi dan bisnis adalah banyak aplikasi dalam menganalisa
pasar, persidiaan, dan penjualan. Menjemen pelanggan,
pelanggan berdasarkan kemiripannya. Menggunakan
penambahan karakterasi, dapat lebih memahami fitur dari
Classification
 penerapan
metode yang paling umum pada data mining. Persoalan bisnis sperti
ChurnAnalysis, dan Risk Management biasanya melibatkan metode
Classification.

 contoh
1. Model classfication yang di bangun untuk mengkategorikan aplikasi-
aplikasi bank sebagai aplikasi yang aman atau berisiko .
2. Model classfication yang di bangun untuk memprediksikan pengeluaran
konsumen berdasarkan pendapatan dan pekerjaannya .
Clustering
 penerapan
Clustering juga disebut sebagai segmentation. Metode ini digunakan untuk
mengidentifikasi kelompok alami dari sebuah kasus yang di dasarkan pada sebuah
kelompok atribut, mengelompokkan data yang memiliki kemiripan atribut.

Algoritma Clustering mengelompokkan kelompok data kedalam tiga


segment berdasarkan kedua atribut ini:

• Cluster 1 berisi populasi berusia muda dengan pendapatan rendah

• Cluster 2 berisi populasi berusia menengah dengan pendapatan yang lebih tinggi

• Cluster 3 berisi populasi berusia tua dengan pendapatan yang relatif rendah.
Contoh

1. mendapatkan kelompok-kelompok
konsumen untuk target pemasaran dari
suatu produk bagi perusahaan yang tidak
memiliki dana pemasaran yang besar
Association Analysis
 penerapan
Tujuan metode ini adalah menghasilkan sejumlah role yang
menjelaskan sejumlah data yang terhubung kuat satu dengan yang lainnya.

 masalah
Association Analysis digunakan untuk menentukan produk yang sering
dibeli secara bersamaan oleh banyak pelanggan (market basket analysis).
Outlier analysis
 penerapan
Observasi yang muncul dengan nilai-nilai ekstrim, baik secara univariat
ataupun multivariat. Yang dimaksud dengan nilai-nilai ekstrim dalam observasi
adalah nilai yang jauh atau beda sama sekali dengan sebagian besar nilai lain
dalam kelompoknya. Misalkan nilai ujian siswa dalam satu kelas yang
berjumlah 40 siswa, sebanyak 39 siswa mendapatkan nilai ujian dalam kisaran
70 sampai 80.

 masalah
Data yang berasal dari sumber berbeda, variasi natural data sendiri, dan
error pada saat pengukuran atau pengumpulan data