Pengertian Business Intelligence
Business intelligence Menurut Nadia Branon[1], Business Intelligence
merupakan kategori yang umum digunakan untuk aplikasi dan teknologi
untuk mengumpulkan, menyimpan, menganalisa, dan menyediakan akses pada
data agar dapat membantu pengguna dari kalangan perusahaan agar dapat
mengambil keputusan dengan lebih baik dan tepat. Pada umumnya solusi
yang disediakan oleh BI berupa sumber-sumber data dimana data yang
sifatnya transaksional dikumpulkan, data warehouses/data marts,
reporting dan alat visualisasi, seperti analisis prediksi dan modelling.
Ada 4 komponen utama BI Komponen Utama Business Intelligence yaitu: data operasional, ETL, data Warehouse dan OLAP atau data mining.
ETL (Extraction, Transformation, Loading)Dalam proses ini, data-data yang diperoleh dari sistem-sistem transaksi perusahaan (data produksi, data penjualan, data keuangan,dsb) dirapikan dan dibersihkan untuk selanjutnya ditransformasikan kedalam sebuah struktur dan format data yang konsisten. Setelah dibersihkan, untuk selanjutnya data-data tersebut dipindahkan ke data warehouse. Saat ini dengan bantuan piranti lunak untuk melakukan ETL seperti: Fasilitas DTS Microsoft SQL Server 2000, ETL Manager iWay Software, Data Junction Integrated Suite, Sagent Data Load Server, IBM Intelligent Manner, dsb. Proses ini dapat dilakukan dengan lebih mudah dan efisien.
Data Warehouse ditujukan sebagai sebuah sentral penyimpanan data,dimana data yang datang dari satu atau lebih sistem transaksi (misalnya data produksi, data penjualan, dsb) dapat dikonsolidasikan menjadi sebuah sumber data yang tunggal dan terintegrasi. Data warehouse didesain untuk dapat menjadi tempat pengumpulan data dalam jumlah besar secara optimal. Piranti lunak database yang ada saat ini seperti MS SQL Server 2000, Oracle 8i dan Sybase IQ Server menawarkan kemudahan dalam membuat data warehouse.
OLAP (On-Line Analytical Processing)Proses dalam business intelligence tidak hanya berhenti sampai dalam tahap pembuatan data warehouse semata, tetapi yang lebih penting ialah kemampuan untuk menganalisis data tersebut menjadi salah satu bahan pertimbangan dalam mengambil keputusan. OLAP dapat membantu untuk menganalisis data-data dalam data warehouse
Ada 4 komponen utama BI Komponen Utama Business Intelligence yaitu: data operasional, ETL, data Warehouse dan OLAP atau data mining.
ETL (Extraction, Transformation, Loading)Dalam proses ini, data-data yang diperoleh dari sistem-sistem transaksi perusahaan (data produksi, data penjualan, data keuangan,dsb) dirapikan dan dibersihkan untuk selanjutnya ditransformasikan kedalam sebuah struktur dan format data yang konsisten. Setelah dibersihkan, untuk selanjutnya data-data tersebut dipindahkan ke data warehouse. Saat ini dengan bantuan piranti lunak untuk melakukan ETL seperti: Fasilitas DTS Microsoft SQL Server 2000, ETL Manager iWay Software, Data Junction Integrated Suite, Sagent Data Load Server, IBM Intelligent Manner, dsb. Proses ini dapat dilakukan dengan lebih mudah dan efisien.
Data Warehouse ditujukan sebagai sebuah sentral penyimpanan data,dimana data yang datang dari satu atau lebih sistem transaksi (misalnya data produksi, data penjualan, dsb) dapat dikonsolidasikan menjadi sebuah sumber data yang tunggal dan terintegrasi. Data warehouse didesain untuk dapat menjadi tempat pengumpulan data dalam jumlah besar secara optimal. Piranti lunak database yang ada saat ini seperti MS SQL Server 2000, Oracle 8i dan Sybase IQ Server menawarkan kemudahan dalam membuat data warehouse.
OLAP (On-Line Analytical Processing)Proses dalam business intelligence tidak hanya berhenti sampai dalam tahap pembuatan data warehouse semata, tetapi yang lebih penting ialah kemampuan untuk menganalisis data tersebut menjadi salah satu bahan pertimbangan dalam mengambil keputusan. OLAP dapat membantu untuk menganalisis data-data dalam data warehouse
 |
| Arsitektur BI |
Data Mart
Sebuah data mart adalah lapisan akses dari lingkungan data
warehouse yang digunakan untuk mendapatkan data keluar bagi pengguna. Data mart
adalah subset dari data warehouse yang biasanya berorientasi pada lini bisnis
tertentu atau tim. Dalam beberapa penyebaran, masing-masing departemen atau
unit bisnis dianggap sebagai pemilik data mart yang termasuk semua perangkat
lunak, perangkat keras dan data [1] Hal ini memungkinkan masing-masing
departemen untuk menggunakan, memanipulasi dan mengembangkan data mereka dengan
cara apapun yang mereka mau,. Tanpa mengubah informasi dalam data mart lain
atau data warehouse. Dalam penyebaran lain di mana dimensi sesuai digunakan,
kepemilikan unit usaha ini tidak akan terus berlaku untuk dimensi bersama seperti
pelanggan, produk, dll
Penggunaan utama untuk data mart adalah business
intelligence (BI) aplikasi. BI digunakan untuk mengumpulkan, menyimpan,
mengakses dan menganalisis data.
Kelebihan Data Mart
Data mart dapat digunakan oleh usaha kecil untuk memanfaatkan
data yang mereka telah mengumpulkan. Sebuah data mart dapat lebih murah
daripada menerapkan data warehouse, sehingga membuatnya lebih hemat biaya untuk
usaha kecil. Sebuah data mart juga dapat diatur dalam waktu yang jauh kurang
dari data warehouse, mampu dibentuk dalam waktu kurang dari 90 hari. Karena
kebanyakan usaha kecil hanya memiliki penggunaan untuk sejumlah kecil aplikasi
BI, biaya rendah dan cepat set up data mart membuatnya menjadi metode yang
cocok untuk menyimpan data
Data warehouse
warehouse adalah "Sebuah skema database relasional yang
menyimpan data historis dan metadata dari sistem operasi atau sistem,
sedemikian rupa untuk memudahkan pelaporan dan analisis data, dikumpulkan untuk
berbagai tingkatan."
Ada beberapa poin penting di sini. Pertama, gudang data
jarang berisi informasi yang ada tidak ada tempat lain dalam suatu organisasi.
Tujuan dari data warehousing adalah untuk mengumpulkan dan membuat catatan
sejarah dari informasi dari sistem lain. Ini mungkin sebuah aplikasi ERP, log
dari aplikasi web, data dari sistem manufaktur atau bahkan data dari teleskop
radio. Data ini diambil dari sistem sumber (s) dan kemudian dibersihkan dan
dimasukkan ke dalam gudang data dengan alat ETL. Proses ini biasanya disebut
"sesuai" sumber data ke dalam skema gudang. Aspek penting lain dari
definisi adalah agregasi. Sebuah data warehouse biasanya digunakan untuk
meringkas data yang selama bertahun-tahun, bulan, triwulan, atau atribut lain
waktu dimensi. Hal ini membantu dalam mengidentifikasi tren historis dan
membuat prediksi tentang tren masa depan. Data sering dikumpulkan dalam
berbagai cara. Data agregat dapat disimpan dalam tabel agregat sehingga dapat
diakses dengan cepat. Hal ini sangat penting karena tabel fakta mencapai ke
miliaran baris dan ratusan gigabyte informasi yang dikumpulkan. Mengakses data
ini di luar bentuk diringkas sering membutuhkan waktu yang sangat lama.
perbedaan data mart dan warehouse
Data mart dapat digunakan oleh usaha kecil untuk
memanfaatkan data yang mereka telah mengumpulkan. Sebuah data mart dapat lebih
murah daripada menerapkan data warehouse, sehingga membuatnya lebih hemat biaya
untuk usaha kecil. Sebuah data mart juga dapat diatur dalam waktu yang jauh
kurang dari data warehouse.
 |
| Arsitektur data Warehouse |
Data mart cenderung sering diupdate, setidaknya sekali per
hari. Seperti yang saya sebutkan di posting saya sebelumnya, skema bintang
terdiri dari sebuah meja pusat yang disebut tabel fakta dan tabel dimensi
tambahan yang berisi informasi tentang fakta-fakta, seperti daftar pelanggan
atau produk. Karena sifat sebagian denormalized dari skema bintang, tabel
dimensi dalam data mart dapat diperbarui. Bahkan, ada istilah untuk dimensi
seperti itu - Sebuah "dimensi pelan-pelan berubah" atau SCD. Tabel
fakta biasanya hanya dimasukkan, tapi data yang lebih tua mungkin akan
dibersihkan dari itu. Kadang-kadang tabel fakta akan dikumpulkan dari sumber
data. Sebuah situs web yang menjual iklan banner mungkin menggulung semua
aktivitas untuk iklan tertentu ke tingkat hari, bukannya menyimpan informasi
rinci tentang kesan setiap dan klik untuk iklan.
Sebuah skema data warehouse dinormalisasi mungkin berisi
tabel disebut item, kategori dan item_category. Ketiga tabel memungkinkan
pengguna untuk menentukan item milik kategori mana, tetapi struktur ini
menciptakan sejumlah besar bergabung ketika banyak dimensi yang terlibat.
Sebuah data mart akan runtuh semua informasi ini ke dalam dimensi item yang
akan mencakup informasi kategori di baris yang sama dengan informasi item. Ini
akan mungkin membuat dua dimensi yang berbeda, produk dan kategori, namun
kinerja cenderung menurun sebagai meningkatnya jumlah dimensi
 |
| GUI Data Warehouse |
Definisi Data Mining
Dfinisi menurut :
JH: data mining digunakan untuk meng-extract interesting knowledge, mencari pattern, rules dan constraints yang tersembunyi
Dfinisi menurut :
JH: data mining digunakan untuk meng-extract interesting knowledge, mencari pattern, rules dan constraints yang tersembunyi
DO: data mining digunakan unuk menganalisa data dalam jumlah besar
 |
| Arsitektur Data Mining |
Namun,
knowledge yang diambil dengan data mining, sebaiknya perlu dilihat lagi
dengan seksama, karena asosiasi/hubungan yang terlihat dari beberapa
kelompok data tidak semuanya adalah causality (sebab-akibat) atau trend
mungkin ada kelainan data yang disebabkan oleh manusia dengan sengaja
pola yang diperoleh berdasarkan data dari masa lalu (history), sehingga
jangan langsung dipakai untuk mencari trend
Untuk mengimplementasikan data mining, ada beberapa hal yang harus dimiliki, yaitu
centralized data, data tersimpan di database terpusat. Hal ini memudahkan pengolahan, karena sekali mengakses database server, dapat mengakses semua data yang perlu diolahbusiness analytics tool, interface yang akan diakses untuk menganalisa proses bisnis yang berjalan. komponen ini juga sering disebut dengan dashboard atau business intelligence mining non-obvious information, pada data yang ada, terdapat informasi tersembunyi yang ingin dicari business process management (BPM). jika business intelligence biasanya diakses oleh pihak manajemen, BPM digunakan untuk melihat KPI (key process indicator, target yang harus dicapai) divisi atau pegawai.
knowledge yang berhasil diperoleh dengan data mining, dimanfaatkan lebih lanjut sebagai input dalam pembuatan keputusan (decision making) yang dibutuhkan dalam menentukan arah operasi organisasi. Untuk menghasilkan keputusan yang tepat, diperlukan knowledge yang tepat yang dapat diperoleh dengan cepat, pada waktu yang tepat, dan sesuai dengan konteks (right information at right time, right place, right person).
Penggunaan
Data mining biasanya digunakan untuk
customer segmentation, misalnya konsumen usia 20-30 lebih menyukai kopi instan dari pada kopi hitam
kemungkinan pembelian, misalnya konsumen yang membeli roti biasanya juga membeli selai
customer profitability, misalnya
mendeteksi penipuan/fraud
customer attrition
channel optimization
asosiasi
klasifikasi dan prediksi
cluster analysis
exception data analysis/outlier
time series analysis/trend
dengan diberlakukannya SOX (sarbannes oxley) data mining juga dapat digunakan untuk mengontrol keanehan pada data, sehingga anomali dapat dengan mudah dan cepat dideteksi
Untuk mengimplementasikan data mining, ada beberapa hal yang harus dimiliki, yaitu
centralized data, data tersimpan di database terpusat. Hal ini memudahkan pengolahan, karena sekali mengakses database server, dapat mengakses semua data yang perlu diolahbusiness analytics tool, interface yang akan diakses untuk menganalisa proses bisnis yang berjalan. komponen ini juga sering disebut dengan dashboard atau business intelligence mining non-obvious information, pada data yang ada, terdapat informasi tersembunyi yang ingin dicari business process management (BPM). jika business intelligence biasanya diakses oleh pihak manajemen, BPM digunakan untuk melihat KPI (key process indicator, target yang harus dicapai) divisi atau pegawai.
knowledge yang berhasil diperoleh dengan data mining, dimanfaatkan lebih lanjut sebagai input dalam pembuatan keputusan (decision making) yang dibutuhkan dalam menentukan arah operasi organisasi. Untuk menghasilkan keputusan yang tepat, diperlukan knowledge yang tepat yang dapat diperoleh dengan cepat, pada waktu yang tepat, dan sesuai dengan konteks (right information at right time, right place, right person).
Penggunaan
Data mining biasanya digunakan untuk
customer segmentation, misalnya konsumen usia 20-30 lebih menyukai kopi instan dari pada kopi hitam
kemungkinan pembelian, misalnya konsumen yang membeli roti biasanya juga membeli selai
customer profitability, misalnya
mendeteksi penipuan/fraud
customer attrition
channel optimization
asosiasi
klasifikasi dan prediksi
cluster analysis
exception data analysis/outlier
time series analysis/trend
dengan diberlakukannya SOX (sarbannes oxley) data mining juga dapat digunakan untuk mengontrol keanehan pada data, sehingga anomali dapat dengan mudah dan cepat dideteksi
MOLAP
Singkatan dari Multidimensional OLAP, Data disimpan dalam
bentuk Multidimensional Database.
Kelebihan:
– Performance hebat, karena MOLAP memang dibangun
untuk pengambilan data yang cepat, dan optimal untuk
operasi Slicing dan Dicing.
– Dapat membentuk kalkulasi yang komplek dan cepat.
Semua kalkulasi telah dihitung saat Cube dibentuk.
Kekurangan:
– Jumlah volume data yang dapat ditangani terbatas. Karena
semua kalkulasi telah dihitung saat Cube dibentuk maka
untuk menyimpan hasil kalkulasi tersebut diperlukan
volume data yang besar dalam Cube nya sendiri.
– Diperlukan investasi tambahan karena teknologi MOLAP
Cube seringkali belum dimiliki oleh organisasi, dengan
kata lain untuk mengadopsi teknologi MOLAP ada peluang
untuk menambah investasi tenaga dan biaya.
ROLAP
Relational OLAP, menggunakan Relational Database baik untuk
menyimpan Detail data maupun untuk menyimpan Aggregate nya. Memanage pembuatan
dan perawatan Aggregate.
Kelebihan :
– Dapat menangani
jumlah volume data yang sangat besar,
batasan ukuran volume data yang ditangani pada
teknologi ROLAP adalah batas dari volume dari Relational
Database yang dipakai. Dengan kata lain pada ROLAP
sendiri tidak ada batasan volume data.
– Dapat memanfaatkan fungsi-fungsi yang ada pada
Relational Database yang dipakai.
 |
| Arsitektur ROLAP |
Perusahaan yang sudah memakai BI
-Blue Bird
-Adaro Energy Tbk
-PT.Dunamis Indotek
-PT. POS
-Carrefour dan Indofood
-PT Adaro Energy Tbk
-PT Adaro Energy Tbk
Posting Komentar