1 BIS 06 01 Pengantar
1 BIS 06 01 Pengantar
EBIS 1
Intelligence?
EBIS 2
Business intelligence?
EBIS 3
Business Intelligence? (Lanj)
EBIS 4
Manfaat Business Intelligence?
EBIS 5
Business Intelligence (BI)
EBIS 6
Business Intelligence Systems?
EBIS 7
Business Intelligence Systems(Lanj)
EBIS 8
Sejarah singkat BI
EBIS 10
Arsitektur BI
EBIS 11
Arsitektur tingkat tinggi BI
EBIS 12
Komponen dalam arsitektur BI
EBIS 13
Ragam BI
EBIS 15
Tujuan Business Intelligence
Decision Value
Stages (4) Knowledge
Information
Data
Volume
EBIS 16
The Data-decision Value Chain
Decision
• Promote product A in region Z.
• Mail ads to families of profile P
• Cross-sell service B to clients C
Knowledge
• A quantity Y of product A is used
in region Z
• Customers of class Y use x% of
C during period D
Information
• X lives in Z
• S is Y years old
• X and S moved
• W has money in Z
Data
• Customer data
• Store data
• Demographical Data
• Geographical data
EBIS 17
Business Intelligence
EBIS 18
MENGAPA BIS DIPERLUKAN ?
EBIS 19
Kebutuhan Informasi Agregat (1)
EBIS 20
Kebutuhan Informasi Agregat (2)
EBIS 21
Kebutuhan Proses dan Alat Analisis
Bisnis
• Perlunya alat yang menyediakan data
agregat seperti sum, min, max, and count.
• Perlunya alat yang memiliki kemampuan
menghitung prosentase.
• Perlunya alat yang menyediakan trend
analysis.
• Perlunya alat yang mampu time-based
analysis of data (e.g., year, month, week,
day, special groupings).
EBIS 22
Kebutuhan Sistem Baru
EBIS 23
Organisasi ingin lebih kompetitf (1)
EBIS 24
Organisasi ingin lebih kompetitf (2)
EBIS 25
Organisasi ingin lebih kompetitf (3)
Informasi Lingkungan :
• Teknologi : teknik produksi terbaru.
• Peraturan : aturan cukai, kadar nikotin rokok, kadar
alkohol minuman.
• Dinamika pasar: dimana dan seberapa besar pasar
baru yang ada?
• Perekonomian: tingkat bunga, tingkat
pengangguran.
• Lingkungan social: kondisi demografi.
EBIS 26
Business Intelligence Tools
datamining
Customer
Marketing
Data Mart OLAP
Inventory
Reports
Sales Distribution
Data Mart
Operation
Pivot Table
External
EBIS 27
BIS Process
Interpretation
and Evaluation
Data Mining
Knowledge
Selection and
Preprocessing p(x)=0.02
Data
Patterns &
Consolidation Models
Warehouse Prepared Data
Consolidated
Data
Data Sources
EBIS 28
Business Intelligence Tools
EBIS 29
Operational Data Source
EBIS 30
ETL tools (Extract, Transform, Load)
EBIS 31
What is Data Warehouse
EBIS 32
… subject-oriented ...
EBIS 33
integrated
EBIS 34
An Example of Data Integration
Checking Account System Operational
Jane Doe (name) data
Female (gender)
Bounced check #145 on 1/5/95
Opened account 1994 Customer
Jane Doe
Savings Account System
Female
Jane Doe
Bounced check #145
F (gender)
Married
Opened account 1992
Owns 25 Shares Exxon
Investment Account System Customer since 1992
Jane Doe
data
Owns 25 Shares Exxon
warehouse
Opened account 1995
EBIS 35
… time-variant ...
EBIS 36
… nonvolatile ...
EBIS 37
Data Mart
EBIS 38
On-Line Analytical Processing
(OLAP)
• OLAP dikenalkan E.F. Codd (1993) untuk
membedakan dengan On-Line Transaction
Processing (OLTP)
• Definisi OLAP :
“Kategori dari aplikasi dan teknologi yang melayani
para analis, manajer dan eksekutif untuk
mendapatkan informasi secara cepat, konsisten,
akses interaktif, berbagai sudut pandang yang
luas hasil tranformasi raw data yang
merefleksikan multidimensi riil perusahaan”
EBIS 39
On-Line Analytical Processing
(OLAP)
• Ide Dasar: user ingin dapat memanipulasi model data
perusahaan ke berbagai dimensi(multidimensi) untuk
memahami perubahan-perubahan yang sedang terjadi.
EBIS 40
Data-Driven BIS
EBIS 41
Data-Driven BIS
EBIS 42
Data-Driven BIS
EBIS 43
Data-Driven BIS
“Slicing” the cube
$225,764
$201,196
$162,504
$182,500
$123,033
$72,528
$116,963
$75,048
$68,792
Peacock
P
Leverling r
Sa
Fuller o
le
Davolio d
sp
Callahan
er
Suyama u
so
King c
n
Dodsworth t
Buchanan
Time
EBIS 44
Data-Driven BIS
“Dicing” the cube
$225,764
$201,196
$162,504
$182,500
$123,033
$72,528
$116,963
$75,048
$68,792
Peacock
$22,719
$16,035
Leverling
$23,181
$6,858
Fuller
Davolio
Callahan
Suyaman
King
Dodsworth
Buchanan
Q1 Q2 Q3 Q4
EBIS 45
Dimensional Hierarchies
Type of product
Month State
Product
Week City
Item
Day Store
EBIS 46
What is Data Mining?
EBIS 47
Data Mining Tasks...
• Classification [Predictive]
• Clustering [Descriptive]
• Association Rule Discovery [Descriptive]
• Sequential Pattern Discovery [Descriptive]
• Regression [Predictive]
• Deviation Detection [Predictive]
EBIS 48
Classification: Definition
EBIS 49
Classification Example
c al c al us Refund Marital Taxable
i i o Income Cheat
or or u Status
g g tin
a t e
a t e
on a ss
cl
c c c No Single 75K ?
Tid Refund Marital Taxable
Yes Married 50K ?
Status Income Cheat
No Married 150K ?
1 Yes Single 125K No
Yes Divorced 90K ?
2 No Married 100K No
No Single 40K ?
3 No Single 70K No
No Married 80K ?
4 Yes Married 120K No
10
EBIS 50
Classification: Application 1
• Direct Marketing
– Tujuan: Mengurangi biaya pengenalan produk dengan menetapkan
target konsumen yang memiliki kemungkinan besar membeli produk
– Approach:
• Gunakan data pengalaman pengenalan produk yang serupa
sebelumnya
• Tetapkan keputusan konsumen {buy, don’t buy} sebagai class
attribute.
• Kumpulkan data seperti demographic, lifestyle, tipe bisnis dan
informasi lain yang berhubungan dengan konsumen.
– Tipe bisnis, daerah tinggal, pendapatan, waktu transaksi dsb.
• Gunakan informasi tersebut sebgai attribut input untuk classifier
model.
EBIS 51
Classification: Application 2
• Fraud Detection
– Tujuan : Memprediksi pemalsuan transaksi kartu kredit.
– Approach:
• Gunakan transaksi credit card dan information account-
holder sebagai atribut.
– Kapan nasabah biasa melakukan pembelian, apa saja
yang dibeli, berapa sering membayar tepat waktu, dsb
• Beri label historis transaksi yang palsu dan yang benar
sebagai class attribute.
• Buat model class dari transaksi.
• Gunakan model untuk mendeteksi pemalsuan dengan
observasi transaksi-transaksi credit card pada sebuah
account.
EBIS 52
Clustering Definition
EBIS 53
Illustrating Clustering
EBIS 54
Clustering: Application
• Market Segmentation:
– Tujuan : memisah-misah sebuah pasar menjadi kelompok-
kelompok konsumen, dimana beberapa kelompok terpilih
sebagai target pemasaran.
– Approach:
• Kelompokkan atribut yang berbeda dari konsumen berdasarkan
geografi, gaya hidup dan informasi yang berkaitan.
• Temukan cluster dari konsumen yang serupa.
• Mengukur kualitas pemodelan dengan mengobservasi pola
pembelian konsumen dalam cluster yang sama dan dibandingkan
dengan cluster yang berbeda.
EBIS 55
Association Rule Discovery:
Definition
• Jika diberikan sekelompok records yang masing-masing
berisi sejumlah item, maka;
– Diperoleh ketergantungan kejadian item yang
berdasarkan pada kejadian item lainnya.
TID Items
Rules Discovered:
1 Bread, Coke, Milk {Milk} --> {Coke}
2 Beer, Bread {Diaper, Milk} --> {Beer}
3 Beer, Coke, Diaper, Milk
4 Beer, Bread, Diaper, Milk
5 Coke, Diaper, Milk
EBIS 56
Association Rule Discovery: Application
EBIS 57
Regression
EBIS 58
Deviation/Anomaly Detection
• Mendeteksi penyim
pangan yang
siginifikan dari
perilaku normal
• Aplikasi :
– Deteksi penipuan
(Fraud) Credit Card
– Deteksi penyusup
jaringan
Typical network traffic at University level may reach over 100 million connections per day
EBIS 59