Selama dekade terakhir, kemampuan baik menghasilkan dan mengumpulkan data dan informasi telah melihat pertumbuhan yang eksplosif. Kemajuan dalam koleksi bisnis data (misalnya, dari keuangan, ritel dan perangkat produksi) telah menghasilkan banjir data dan informasi. Kemajuan dalam teknologi penyimpanan data dengan lebih cepat, kapasitas yang lebih tinggi dan perangkat penyimpanan lebih murah, sistem database yang lebih baik manajemen dan teknologi data pergudangan telah memungkinkan kita untuk mengumpulkan "pegunungan" data yang tersimpan. Volume seperti data dan informasi jelas membanjiri metode manual tradisional analisis data, seperti spreadsheet, ad-hoc query, atau diagram sederhana. Dengan demikian, metode baru dan alat - yang dapat cerdas dan (semi-) otomatis mengubah data menjadi informasi dan, selanjutnya, mensintesis pengetahuan - diperlukan. Dalam munculnya perkembangan teknologi, pentingnya Business Intelligence (BI)tumbuh.
Kemajuan dan keberhasilan banyak organisasi tergantung untuk sebagian besar pada seberapa baik dan seberapa tepat waktu mereka dapat mendapatkan informasi tentang jumlah ini luas dan berbagai jenis data yang dikumpulkan, dan akhirnya menemukan penting, informasi yang kadang-kadang tersembunyi di dalamnya. Program akademik yang akan membantu Anda untuk mengembangkan perspektif yang komprehensif tentang Business Intelligence.
4. contoh
a. bisnis intelijen
Data Warehouse
Data warehouse erat kaitannya dengan data-data yang besar dan beragam disimpan dalam satu repository dan disusun sedemikian sehingga memudahkan user dalam melakukan pencarian dan analisa data, sedangkan Business Intelligence adalah suatu teknologi yang digunakan untuk menyajikan data-data tersebut sehingga memudahkan analisa dan pengambilan keputusan berdasakan informasi yang akurat dari sumber data. Suatu solusi Business Intelligence yang baik memerlukan sumber data yaitu data warehouse. Sehingga keduanya mempunyai hubungan yang sangat erat.
Dengan adanya data warehouse, data yang beragam dapat dikumpulkan ke dalam suatu tempat penyimpanan dimana pengguna dapat dengan mudah menjalankan query (pencarian data), menghasilkan laporan, dan melakukan analisis data. Salah satu keuntungan yang diperoleh dari keberadaan data warehouse adalah dapat meningkatkan efektifitas pembuatan keputusan, karena data warehouse dapat menjadi alat bantu bagi pihak manajemen atau bagian strategis perusahaan untuk menganalisa data.
Adapun karakteristik Data warehouse adalah sebagai berikut[3] :
a. Subject Oriented atau berorientasi pada subyek. Sebuah data warehouse dikatakan berorientasi pada subyek karena data disusun sedemikian rupa sehingga semua elemen data yang terkait dengan event/objek yang sama dihubungkan
b. Time-variant, artinya bahwa perubahan data ditelusuri dan dicatat sehingga laporan dapat dibuat dengan menunjukkan waktu perubahannya
c. Non Volatile berarti bahwa data yang telah disimpan tidak dapat berubah. Sekali committed, data tidak pernah ditimpa/dihapus. Data akan bersifat static, hanya dapat dibaca dan disimpan untuk kebutuhan pelaporan
d. Integrated, artinya data warehouse akan mencakup semua data operasional organisasi yang disimpan secara konsisten.
Keempat karakteristik di atas saling terkait dan kesemuanya harus diimplementasikan agar suatu data warehouse bisa efektif memiliki data untuk mendukung pengambilan keputusan. Implementasi ke-empat karakteristik ini membutuhkan struktur data dari data warehouse yang berbeda dengan database sistem operasional biasa (lihat gambar 4)
(gambar 4)
Beberapa bagian penting dalam data warehouse dapat dijelaskan sebagaimana di bawah ini :
• Data mart, yang merupakan bagian dari data warehouse yang mendukung kebutuhan dari suatu fungsi bisnis atau departemen tertentu. Data mart dapat berdiri sendiri atau terhubung ke data warehouse yang telah ada. Ada beberapa karakteristik dari data mart yang membedakannya dengan data warehouse, yaitu:
- Data mart hanya berfokus pada satu kebutuhan pengguna dengan satu departemen atau fungsi bisnis
- Data mart tidak secara normal berisi data operasional terperinci
- Data mart berisi lebih sedikit data dari yang ada dalam data warehouse, lebih mudah dimengerti dan dipahami.
• Kubus data (cube), adalah unit pemrosesan data yang terdiri dari tabel fakta dan dimensi dalam suatu data warehouse.
• Aggregation, adalah hitungan awal dari data numerik. Dengan menghitung dan menyimpan jawaban dari queryyang sebelumnya telah dibuat, waktu proses query dapat lebih cepat. Dengan adanya agregasi, data yang jumlahnya ribuan atau bahkan ratusan ribu dalam suatu basis data multidimensi dapat dicari dengan mudah dan tidak memakan banyak waktu. Agregasi ini merupakan pondasi dari pembentukan kubus data, karena mengorganisir kumpulan data kedalam struktur data basis data multidimensi sehingga menghasilkan respon time yang cepat.
3.2. Data Mining
Secara sederhana yang dimaksud dengan data mining adalah suatu proses untuk menemukan interestingknowledge dari sejumlah data yang disimpan dalam basis data atau media penyimpanan data lainnya. Dengan melakukan data mining terhadap sekumpulan data, akan didapatkan suatu interesting pattern yang dapat disimpan sebagai knowledge baru. Pattern yang didapat akan digunakan untuk melakukan evaluasi terhadap data-data tersebut untuk selanjutnya akan didapatkan informasi.
Misalkan, dalam implementasi menggunakan SQL Server 2005 analysis services minimal ada empat langkah yaitu :
a. Menggambarkan atau mendefinisikan apa yang akan dicapai, sebagai contoh bagaimana korelasi antara penjualan musik, film dan audio serta bagaimana minat konsumenya.
b. Menyiapkan data, pada tahapan ini harus dipersiapkan data yang relevan dan mengecek kualitas data.
c. Membangun model data mining , model yang digunakan bisa satu model atau lebih dengan berbagai algortimanya sesuai dengan kebutuhan.
d. Melakukan proses deploying pada model yang digunakan.
3.3. OLAP (Online Analytical Processing)
OLAP adalah aplikasi analytical dengan kemampuan pivot menyerupai spreadsheet - seperti Microsoft Excel, OpenOffice Calc, dll. OLAP merupakan komponen penting dari aplikasi BI.
Perbedaan dengan spreadsheet adalah OLAP dirancang khusus untuk mampu menangani jumlah data besar dan memiliki ekspresi bahasa analisis yang lebih baik. Dan aplikasi OLAP ini biasanya memiliki arsitekturclient/server (lihat gambar 5).
(gambar 5)
Database OLAP memiliki struktur skema tersendiri dan biasanya berupa suatu data warehouse. Namun tidak tertutup kemungkinan OLAP mengambil dari database operasional (transaksional) - ini dengan catatan database ini telah memiliki struktur rancangan yang "OLAP friendly". OLAP Server menggunakan buffer/cache yang bersifat temporer dan permanen.
5. mplementasi
a.bisnis intelijen
J 2009 Gartner Group kertas prediksi ini perkembangan bisnis intelijen pasar.
- Karena kurangnya informasi, proses, dan alat-alat, melalui 2012, lebih dari 35 persen di atas 5000 perusahaan global akan secara teratur Insightful gagal untuk membuat keputusan tentang perubahan signifikan dalam bisnis mereka dan pasar.
- By 2012, unit usaha akan mengendalikan sekurang-kurangnya 40 persen dari total anggaran untuk usaha intelijen.
- Tahun 2010, 20 persen dari organisasi-organisasi akan memiliki sebuah industri yang spesifik analitis disampaikan melalui aplikasi perangkat lunak sebagai layanan sebagai standar komponen intelijen portofolio bisnis mereka.
- Pada tahun 2009, kolaborasi pengambilan keputusan akan muncul sebagai kategori produk baru yang menggabungkan sosial perangkat lunak intelijen bisnis dengan kemampuan platform.
- 2012, satu sepertiga analitis diterapkan untuk aplikasi bisnis proses akan dikirimkan melalui kasar aplikasi mashup.
b. implementasi data mining
Dengan memadukan teknologi OLAP dengan data mining diharapkan pengguna dapat melakukan hal-hal yang biasa dilakukan di OLAP seperti drilling/rolling untuk melihat data lebih dalam atau lebih umum, pivoting, slicing
dan dicing. Semua hal tersebut diharapkan nantinya dapat dilakukan secara interaktif dan dilengkapi dengan visualisasi. Data mining tidak hanya melakukan mining terhadap data transaksi saja. Penelitian di bidang data mining saat ini sudah merambah ke sistem database lanjut seperti object oriented database, image/spatial database, time-series Increasing potential to support business decisions End User Business Analyst Data Analyst DBA
Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts Data Sources Paper, Files, Information Providers, Database Systems, OLTP Increasing potential to support business decisions End User Business Analyst Data Analyst DBA
Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts Data Sources Paper, Files, Information Providers, Database Systems, OLTPKomunitas eLearning data/temporal database, teks (dikenal dengan nama text mining), web (dikenal dengan nama web mining) dan multimedia database.