PLANNING AND

PROJECT
MANAGEMENT
MERENCANAKAN DATA
WAREHOUSE
ISU KUNCI

• Apakah perusahaan benar-benar membutuhkan data ware house.

• Apakah benar-benar siap?
• Apa jenis data ware house yang akan dibangun dan di mana
menyimpannya?
• Siapa yang akan menggunakan gudang data, bagaimana mereka akan
menggunakannya, dan kapan.
 VALUE AND EXPECTATIONS
(NILAI DAN HARAPAN)

• Akankah data warehouse membantu para eksekutif dan

manajer untuk melakukan perencanaan yang lebih baik dan
membuat keputusan yang lebih baik?
• Apakah akan meningkatkan laba?
• Apakah akan meningkatkan pangsa pasar? Jika ya, seberapa
banyak?
• Apa ekspektasinya?
• Apa yang ingin dicapai manajemen melalui gudang data?
 RISK ASSESSMENT
(RESIKO)

• Jika proyek gagal, berapa banyak uang yang akan terbuang percuma?
• Apa saja risiko yang dihadapi perusahaan tanpa keuntungan yang
didapat dari data warehouse?
• Kerugian apa yang mungkin terjadi?
• Peluang apa yang mungkin terlewatkan?
 TOP-DOWN ATAU BOTTOM-UP
• Pendekatan top-down adalah mulai dari gudang data di seluruh
perusahaan, dan mungkin membangunnya secara berulang.
Kemudian data dari gudang data keseluruhan perusahaan besar
mengalir ke data mart departemen dan subjek.
• Di sisi lain, pendekatan bottom-up adalah memulai dengan
membangun data mart individu, satu per satu. Kolaborasi dari data
mart ini akan membentuk gudang data perusahaan.
 PENDEKATAN PRAKTIS
DARI BAWAH KE ATAS

• Merencanakan dan menetapkan persyaratan di tingkat perusahaan secara

keseluruhan.
• Mempertimbangkan opsi-opsi lain karena berlaku untuk perusahaan
• Apakah memiliki sumber daya besar yang diperlukan untuk membangun data
warehouse di seluruh perusahaan terlebih dahulu dan kemudian menerapkan data
mart individu?
• Membutuhkan lebih banyak waktu untuk implementasi dan menunda realisasi
manfaat potensial.
• Memastikan tampilan data perusahaan yang sepenuhnya terpadu.
 BUILD OR BUY
(BANGUN ATAU BELI)

Tersedia berbagai alat dan solusi pihak ketiga

• BUILD
 Berapa banyak data mart yang harus dibuat sendiri?
 Berapa banyak yang dapat terdiri dari solusi siap pakai?
 Jenis mix dan match apa yang harus dilakukan?
 Di gudang data, ada berbagai macam fungsi. Apakah ingin menulis lebih
banyak program internal untuk ekstraksi data dan transformasi data?
 BUILD OR BUY
(BANGUN ATAU BELI)

• BUILD
 Apakah ingin menggunakan program in-house untuk memuat penyimpanan
data warehouse?
 Apakah ingin menggunakan alat vendor sepenuhnya untuk pengiriman
informasi dan kecerdasan bisnis?
 Kendali atas fungsi dapat dipegang dimanapun perangkat lunak internal
digunakan.
Opsi BELI dapat menghasilkan implementasi yang cepat jika dikelola secara
efektif.
 SINGLE VENDOR OR BEST-OF-BREED
(VENDOR TUNGGAL ATAU BEST-OF-BREED)

Memilih solusi vendor tunggal memiliki beberapa keuntungan:

 Tingkat integrasi yang tinggi di antara alat-alat
 Tampilan dan nuansa yang konstan
 Kerja sama yang mulus antar komponen
 Pertukaran informasi yang dikelola secara terpusat
 Harga keseluruhan yang bisa dinegosiasikan
Pendekatan ini secara alami akan memungkinkan gudang data Anda terintegrasi
dengan baik dan berfungsi secara koheren.
 SINGLE VENDOR OR BEST-OF-BREED
(VENDOR TUNGGAL ATAU BEST-OF-BREED)

Keuntungan utama dari solusi terbaik dari pengembangan yang

menggabungkan produk dari beberapa vendor:
 Dapat membangun lingkungan yang sesuai dengan organisasi.
 Tidak perlu kompromi antara database dan alat pendukung.
 Dapat memilih produk yang paling sesuai untuk fungsi tertentu.
 SINGLE VENDOR OR BEST-OF-BREED
(VENDOR TUNGGAL ATAU BEST-OF-BREED)

Pendekatan best-of-breed, kompatibilitas di antara alat-alat dari tempat yang

berbeda bisa menjadi masalah yang serius.
• Pastikan alat yang dipilih terbukti kompatibel.
• Miliki daya tawar yang lebih rendah terkait dengan masing-masing produk dan
mungkin menimbulkan biaya keseluruhan yang lebih tinggi
Pendekatan yang direkomendasikan: miliki satu vendor untuk database dan
fungsi pengiriman informasi, dan pilih vendor lain untuk fungsi yang tersisa.
Namun, pendekatan multivendor tidak disarankan jika lingkungan tidak terlalu
teknis.
 BUSINESS REQUIREMENTS

• Ingat, data warehousing bukanlah tentang teknologi, tetapi tentang

menyelesaikan kebutuhan pengguna akan informasi strategis.
• Mulailah dengan berfokus pada informasi apa yang dibutuhkan dan
bukan pada bagaimana memberikan informasi tersebut
• Jangan menekankan alatnya.
• Struktur dasar dan arsitektur untuk mendukung kebutuhan pengguna
lebih penting.
 BUSINESS REQUIREMENTS,
Jenis informasi yang harus dikumpulkan dalam survei pendahuluan
• Misi dan fungsi masing-masing grup pengguna
• Sistem komputer yang digunakan oleh kelompok
• Indikator kinerja utama
• Faktor yang mempengaruhi keberhasilan grup pengguna
• Siapa pelanggannya dan bagaimana mereka diklasifikasikan
• Jenis data yang dilacak untuk pelanggan, secara individu dan sebagai
kelompok
 BUSINESS REQUIREMENTS

Jenis informasi yang harus dikumpulkan dalam … (lanjutan)

• Produk diproduksi atau dijual
• Kategorisasi produk dan layanan
• Lokasi tempat bisnis dilakukan
• Tingkat di mana keuntungan diukur — per pelanggan, per produk,
per distrik
• Tingkat rincian biaya dan pendapatan
• Pertanyaan dan laporan terkini untuk informasi strategis
 BUSINESS REQUIREMENTS,

Hubungan di antara struktur data:

• Bagaimana kualitas datanya?
• Dokumentasi apa yang tersedia?
• Apa mekanisme yang mungkin untuk mengekstraksi data dari
sistem sumber?
 DUKUNGAN MANAJEMEN

• Tidak ada inisiatif besar dalam sebuah perusahaan yang

dapat berhasil tanpa dukungan dari manajemen
• Seluruh organisasi dilibatkan dan diposisikan untuk
keuntungan strategis
 JUSTIFIKASI DATA WAREHOUSE

• Didasarkan pada intuisi dan potensi tekanan persaingan.

• Manajemen puncak dapat dengan mudah mengenali manfaat integrasi
data, kualitas data yang lebih baik, otonomi pengguna dalam
menjalankan kueri dan analisis, dan kemudahan aksesibilitas
informasi.
 JUSTIFIKASI DATA WAREHOUSE

Contoh-contoh pendekatan untuk menyiapkan justifikasi

1. Hitung biaya teknologi saat ini untuk menghasilkan aplikasi dan
laporan yang mendukung pengambilan keputusan strategis.
Bandingkan ini dengan perkiraan biaya untuk gudang data dan
temukan rasio antara biaya saat ini dan biaya yang diusulkan. Lihat
apakah rasio ini dapat diterima oleh manajemen di level bawah.
 JUSTIFIKASI DATA WAREHOUSE

Contoh-contoh pendekatan untuk menyiapkan justifikasi

2. Hitung nilai bisnis dari data warehouse yang diusulkan dengan
perkiraan nilai rupiah untuk keuntungan, dividen, pertumbuhan
laba, pertumbuhan pendapatan, dan pertumbuhan pangsa pasar.
Tinjau nilai bisnis yang dinyatakan dalam dolar terhadap data
warehouse, biaya dan menghasilkan justifikasi.
 JUSTIFIKASI DATA WAREHOUSE
Contoh-contoh pendekatan untuk menyiapkan justifikasi
3. Lakukan uji coba lengkap. Identifikasi semua komponen yang akan
terpengaruh oleh data warehouse yang diusulkan dan yang akan memengaruhi
data warehouse. Mulailah dengan item biaya, satu per satu, termasuk
pembelian atau sewa-guna perangkat keras, perangkat lunak vendor, perangkat
lunak internal, instalasi dan konversi, dukungan berkelanjutan, dan biaya
pemeliharaan. Kemudian berikan nilai rupiah pada setiap manfaat yang
berwujud dan tidak berwujud, termasuk pengurangan biaya, peningkatan
pendapatan, dan efektivitas dalam komunitas bisnis.Lakukan lebih jauh untuk
melakukan analisis arus kas dan menghitung ROI.
 RENCANA KESELURUHAN UNTUK
INISIATIF DATA WAREHOUSING

• PENGANTAR • NILAI & HARAPAN

• PERNYATAAN MISI • JUSTIFIKAS

• CAKUPAN • ISPONSORSHIP EKSEKUTIF

• STRATEGI IMPLEMENTASI
• TUJUAN & SASARAN
• JADWAL TENTATIF
• MASALAH UTAMA & OPSI
• OTORISASI PROYEK
PROJECT DATA
WAREHOUSE
 PROYEK DATA WAREHOUSE

• Proyek data warehouse berbeda dari proyek yang membangun sistem

pemrosesan transaksi.

Apa bedanya?
PERBEDAAN
ANTARA
PROYEK
DATA
WAREHOUS
E DAN
APLIKASI
OLTP.
 Komponen data warehouse

Komponen data warehouse dalam kaitannya dengan bagian fungsional

utama :
• komponen akuisisi data
• komponen penyimpanan data
• komponen penyampaian informasi.
 PROYEK DATA WAREHOUSE BERBEDA
DARI PROYEK SISTEM OLTP

Saran mengatasi perbedaan tersebut

• Secara sadar menyadari bahwa proyek gudang data memiliki cakupan yang lebih
luas, cenderung lebih kompleks, dan melibatkan banyak teknologi yang berbeda.
• Berikan waktu dan upaya ekstra untuk jenis kegiatan yang lebih baru.
• Jangan ragu untuk mencari dan menggunakan spesialis di mana pun bakat in-
house tidak tersedia. Proyek gudang data memiliki banyak tugas yang tidak
biasa.
 PROYEK DATA WAREHOUSE BERBEDA
DARI PROYEK SISTEM OLTP
Saran mengatasi perbedaan tersebut (lanjutan…)
• Metadata dalam data warehouse sangat signifikan sehingga membutuhkan perlakuan
khusus selama proyek berlangsung. Berikan perhatian ekstra untuk membangun kerangka
metadata dengan benar.
• Biasanya, Anda akan menggunakan beberapa alat pihak ketiga selama pengembangan
dan untuk fungsi gudang data yang sedang berlangsung. Dalam jadwal proyek Anda,
rencanakan untuk memasukkanwaktu untuk evaluasi dan pemilihan alat.
• Berikan waktu yang cukup untuk membangun dan menyelesaikan infrastruktur.
 PROYEK DATA WAREHOUSE BERBEDA
DARI PROYEK SISTEM OLTP
Saran mengatasi perbedaan tersebut (lanjutan…)
• Sertakan waktu yang cukup untuk desain arsitektur.
• Libatkan pengguna dalam setiap tahap proyek. Data warehousing bisa jadi benar-benar
baru bagi IT dan pengguna di perusahaan. Upaya bersama sangat penting.
• Berikan waktu yang cukup untuk melatih pengguna dalam alat query dan pelaporan.
• Karena banyaknya tugas dalam proyek data warehouse, jalur pengembangan paralel
mutlak diperlukan. Bersiaplah untuk tantangan menjalankan jalur paralel dalam siklus
hidup proyek.
 PENILAIAN KESIAPAN

Laporan penilaian kesiapan diharapkan dapat memenuhi tujuan berikut:

• Menurunkan risiko kejutan besar yang terjadi selama implementasi
• Memberikan pendekatan proak
• tif untuk penyelesaian masalah
• Menilai kembali komitmen perusahaan
• Meninjau dan mengidentifikasi kembali ruang lingkup dan ukuran proyek
• Identifikasi faktor penentu keberhasilan† Nyatakan kembali harapan pengguna
• Pastikan kebutuhan pelatihan
 PENDEKATAN SIKLUS HIDUP

• Siklus hidup untuk data warehouse pengembangan bukanlah metode

air terjun di mana satu fase berakhir dan mengalir ke fase berikutnya.
Pendekatan untuk proyek data warehouse harus mencakup tugas-
tugas berulang melalui siklus penyempurnaan.
 PENDEKATAN SIKLUS HIDUP

• Ingat bahwa komponen fungsional yang luas dari data warehouse

adalah akuisisi data, penyimpanan data, dan pengiriman informasi.
Pastikan fase siklus hidup pengembangan yang digunakan
membungkus komponen fungsional ini
 TUGAS-TUGAS BERULANG MELALUI SIKLUS
PENYEMPURNAAN

Misalnya, jika salah satu tugas dalam proyek adalah identifikasi sumber data, dapat
dimulai dengan meninjau semua sistem sumber dan mencantumkan semua struktur data
sumber. Iterasi tugas berikutnya dimaksudkan untuk meninjau elemen data dengan
pengguna. Proses silanjutkan ke iterasi berikutnya untuk meninjau elemen data dengan
administrator database dan beberapa staf TI lainnya. Iterasi berikutnya dari berjalan
melalui elemen data sekali lagi menyelesaikan perbaikan dan tugas. Jenis proses
berulang ini diperlukan untuk setiap tugas karena kompleksitas dan cakupan proyek
yang luas.
 KOMPONEN
FUNGSIONAL
DATA
WAREHOUSE
DAN SDLC.
 CONTOH GARIS BESAR RENCANA PROYEK
DATA WAREHOUSE

• PENGANTAR
• ISU KRITIS
• TUJUAN
• FAKTOR KEBERHASILAN
• PENILAIAN KESIAPAN • TIM PROYEK
• TUJUAN & sasaran • JADWAL PROYEK
• STAKEHOLDERS • RINCIAN DEPLOYMENT
• ASUMSI
 FASE
PENGEM
BANGAN
DATA
WARE
HOUSE.
 PROFESI
PEKERJAAN
DALAM
PROYEK
DATA
WAREHOUS
E.
 PERAN DAN TANGGUNG JAWAB TIM PENGEMBANG

Meskipun tidak ada set standar peran tim, berikut saran set dasar tim:

• Executive sponsor • Data warehouse administrator

• Project manager
• User liaison manager
• Lead architect
• Infrastructure specialist
• Business analyst
• Data modeler
• Data transformation specialist
• Quality assurance analyst
• Testing coordinator
• End-user applications specialist
• Development programmer
• Lead trainer
 TINGKAT
KETERAMPILA
N DAN
PENGALAMAN
YANG
DIPERLUKAN
UNTUK TIM
PROYEK DATA
WAREHOUSE.
 PARTISIPASI
PENGGUNA
DALAM
PENGEMBANGA
N DATA
WAREHOUSE.
 PRINSIP PANDUAN UTAMA

• Sponsor. Tidak ada proyek gudang data yang berhasil tanpa sponsor eksekutif
yang kuat dan berkomitmen.
• Manajer proyek. Merupakan kesalahan serius untuk memiliki manajer proyek
yang lebih berorientasi teknologi daripada berorientasi pengguna dan
berorientasi bisnis.
• Paradigma Baru. Penyimpanan data adalah hal baru bagi sebagian besar
perusahaan; metode manajemen proyek yang inovatif sangat penting untuk
menghadapi tantangan yang tidak terduga.
 PRINSIP PANDUAN UTAMA

• Peran Tim. Peran tim tidak boleh diberikan secara sembarangan; peran harus
mencerminkan kebutuhan masing-masing proyek gudang data.Kualitas data. Tiga
aspek penting dari data dalam data warehouse adalah: kualitas, kualitas, dan
kualitas.
• Persyaratan Pengguna. Meskipun jelas, persyaratan pengguna sendiri merupakan
kekuatan pendorong dari setiap tugas pada jadwal proyek.
• Membangun untuk Pertumbuhan. Jumlah pengguna dan kueri meningkat sangat
cepat setelah penerapan; gudang data yang tidak dibangun untuk pertumbuhan akan
hancur dengan cepat.
 PRINSIP PANDUAN UTAMA

• Politik Proyek. Proyek gudang data pertama di sebuah perusahaan menghadirkan

tantangan dan ancaman bagi pengguna di berbagai tingkat; mencoba menangani
politik proyek seperti berjalan di atas tali pepatah, diinjak dengan sangat hati-
hati.
• Harapan yang Realistis. Sangat mudah untuk menjanjikan dunia dalam proyek
gudang data pertama; menetapkan ekspektasi pada tingkat yang tepat dan dapat
dicapai adalah jalan terbaik.
• Pemodelan Dimensi Data. Model dimensi data yang dirancang dengan baik
merupakan fondasi dan cetak biru yang diperlukan
 PRINSIP PANDUAN UTAMA

• Data Eksternal. Sebuah gudang data tidak hidup hanya dengan data internal; data
dari sumber eksternal yang relevan merupakan unsur yang mutlak diperlukan.
• Latihan. Alat pengguna gudang data berbeda dan baru. Jika pengguna tidak tahu
bagaimana menggunakan alat, mereka tidak akan menggunakan gudang data.
Gudang data yang tidak digunakan adalah gudang data yang gagal.
 TANDA
PERINGATAN
UNTUK
PROYEK DATA
WAREHOUSE