kecerdasan bisnis 2019 - wordpress.com...initiativ es is a necessar y aspec t of doing business. it...
TRANSCRIPT
Kecerdasan BisnisBusiness Intelligence
Pengantar Perkuliahan
HusniLab. Sistem Terdistribusi JTIF UTM
2019
Pertemuan ke-1
Apa itu?
Business Intelligence
Kecerdasan Bisnis
Inteligensi Bisnis
2
Business Intelligence
• Business Intelligence (BI) mengacu pada teknologi, aplikasi, dan praktik untuk pengumpulan, integrasi, analisis, dan penyajian informasi bisnis.
• Tujuan Business Intelligence adalah untuk mendukung pengambilan keputusan bisnis yang lebih baik dan cepat
• Pada dasarnya, sistem Business Intelligence adalah Sistem Pendukung Keputusan berbasis data (DSS).
4
Perangkat lunak intelijensi bisnis (BI) adalah koleksi teknologipendukung keputusan untuk perusahaan sehingga
memungkinkan pekerja berbasis pengetahuan seperti para eksekutif, manajer, dan analis membuat keputusan lebih baik dan
lebih cepat.
5
Kecerdasan Bisnis
• Inteligensi Bisnis (IB) adalah sekumpulan teknik dan alat untuk mentransformasidata mentah menjadi informasi yang berguna dan bermakna untuk tujuananalisis bisnis.
• Teknologi IB dapat menangani data yang tak terstruktur dalam jumlah yang sangat besar untuk membantu mengidentifikasi, mengembangkan, dan membuat kesempatan strategi bisnis yang baru.
6
Kecerdasan Bisnis
• Tujuan dari IB yaitu untuk memudahkan interpretasi dari jumlah data yang besartersebut, mengidentifikasi kesempatan yang baru dan mengimplementasikansuatu strategi yang efektif berdasarkan wawasan yang dapat menyediakan bisnissuatu keuntungan pasar yang kompetitif dan stabilitas jangka panjang.
• Teknologi IB menyediakan riwayat, pandangan sekarang dan prediksi dari operasibisnis.
• Fungsi-fungsi umum dari teknologi inteligensi bisnis adalah pelaporan, pemrosesan analisis daring, analitis, penggalian data, penggalian proses, pemrosesan kejadian kompleks, manajemen performansi bisnis, pengukuran, penggalian teks, analitis prediktif dan analitis preskriptif.
7
Kecerdasan Bisnis
• IB dapat digunakan untuk mendukung sejumlah besar keputusan bisnis mulaidari operasi sampai strategis.
• Keputusan operasi termasuk penempatan dan harga produk.
• Keputusan strategis termasuk prioritas, tujuan dan arah pada tingkat yang lebihluas.
• IB lebih efektif bila digabungkan dengan data yang didapat dari pasar tempatperusahaan beroperasi (data eksternal) dengan data dari sumber internal bisnisseperti data operasi dan finansial (data internal).
• Bila digabungkan, data eksternal dan internal dapat menyediakan gambaranyang lebih lengkap, yang efeknya, menciptakan "inteligensi" yang tidak dapatditurunkan dari kumpulan data tunggal manapun.
8
Aplikasi dalam sebuah perusahaan
1. Perkiraan - program yang membuat hierarki dari metrik performansi (lihat juga Model Referensi Metrik) dan pengukuran yang menginformasikan pimpinan bisnistentang progres kearah tujuan bisnis (manajemen proses bisnis).
2. Analitis - program yang membuat proses kuantitatif supaya sebuah bisnismencapai keputusan yang optimal dan melakukan penemuan pengetahuan bisnis. Biasanya mengikutkan: penggalian data, penggalian proses, analisis statistik, analitis prediksi, pemodelan prediksi, pemodelan proses bisnis, silsilah data, pemrosesan kejadian kompleks dan analitis preskriptif.
9
Aplikasi dalam sebuah perusahaan
3. Pelaporan/pelaporan perusahaan - program yang membangun infrastruktur untuklaporan strategis untuk melayani manajemen strategis dari suatu bisnis, bukanpelaporan operasional. Seringkali mengikutkan visualisasi data, sistem informasieksekutif dan OLAP.
4. Kolaborasi/platform kolaborasi - program yang membuat wilayah yang berbeda(baik dalam dan luar bisnis) bekerja sama lewat berbagi data dan pertukaran data elektronik.
5. Manajemen pengetahuan - program yang membuat data perusahaan diarahkanoleh strategi dan praktik untuk mengidentifikasi, membuat, merepresentasikan, menyalurkan, dan mengadopsi wawasan dan pengalaman yang benar-benarberpengetahuan bisnis. Manajemen pengetahuan mengarah ke manajemenpembelajaran dan penyesuaian peraturan.
10
Business Intelligence (BI) mengacu pada teknologi, aplikasi dan praktik yang diperlukan untuk pengumpulan, integrasi, analisis,
dan penyajian informasi bisnis.
Apa yang dipelajari dalam kuliah ini?
11
Kuliah ini memberikan gambaran umum tentang BI dan menunjukkan bagaimana BI memfasilitasi implementasi strategi
organisasi yang efektif melalui pengambilan keputusan bisnisyang lebih baik.
12
Capaian Pembelajaran: Umum
Memahami dan menerapkan konsepdasar dan praktik teknologi intelijensi
bisnis.
13
Capaian Pembelajaran
1. Menjelaskan konsep dan komponen Business Intelligence (BI).
2. Mengevaluasi penggunaan BI secara kritis untuk mendukungpengambilan keputusan dalam suatu organisasi.
3. Memahami dan menggunakan teknologi dan alat yang membentuk BI (mis. Pergudangan data, pelaporan data, dan penggunaan pemrosesananalitik daring (OLAP)).
4. Memahami dan merancang arsitektur teknologi yang menopang sistemBI.
5. Merencanakan implementasi sistem BI.
14
Isi Matakuliah
• Kuliah ini memperkenalkan konsep fundamental dan praktikTeknologi dari kecerdasan bisnis.
• Topiknya termasuk– Business Intelligence, Analytics, and Data Science,
– AI, Big Data, and Cloud Computing,
– Descriptive Analytics: Nature of Data, Statistical Modeling, and Visualization, Business Intelligence and Data Warehousing,
– Predictive Analytics: Data Mining Process, Methods, and Algorithms, Text, Web, and Social Media Analytics,
– Prescriptive Analytics: Optimization and Simulation,
– SNA, Machine and Deep Learning, NLP,
– AI Chatbots and Conversational Commerce,
– Tren Masa Depan bidang Analitika Data (Bisnis).
15
16
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Ramesh Sharda, Dursun Delen, and Efraim Turban, Pearson, 2018.
Referensi Utama
1. An Overview of Business Intelligence, Analytics, and Data Science
2. Descriptive Analytics I: Nature of Data, Statistical Modelling, & Visualization
3. Descriptive Analytics II: Business Intelligence and Data Warehousing
4. Predictive Analytics I: Data Mining Process, Methods, & Algorithms
5. Predictive Analytics II: Text, Web, and Social Media Analytics
6. Prescriptive Analytics: Optimization and Simulation
7. Big Data Concepts and Tools
8. Future Trends, Privacy and Managerial Considerations in Analytics.
17
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Ramesh Sharda, Dursun Delen, and Efraim Turban, Pearson, 2018.
Business Intelligence (BI)
18
Pengantar BI dan Data Science
Analitika Deskriptif
Analitika Prediktif
Analitika Preskriptif
1
3
5
4
Analitika Data Besar
2
6 Tren Masa Depan
Silabus
19
Pekan Tanggal Subyek/Topik
1 19-08-2019 Pengantar Perkuliahan Business Intelligence
2 26-08-2019 Business Intelligence, Analitika dan Data Science
3 02-09-2019 ABC: AI, Big Data, and Cloud Computing
4. 09-09-2019 Descriptive Analytics I: Nature of Data, Statistical Modeling, and Visualization
5 16-09-2019 Descriptive Analytics II: Business Intelligence & Data Warehousing
6 23-09-2019 Predictive Analytics I: Data Mining Process, Methods, & Algorithms
7 30-09-2019 Predictive Analytics II: Text, Web & Social Media Analytics
8 07-10-2019 Ujian Tengah Semester (UTS)
20
Pekan Tanggal Subyek/Topik
9 17-10-2019 Prescriptive Analytics: Optimization and Simulation
10 24-10-2019 Social Network Analysis
11 31-10-2019 Machine Learning and Deep Learning
12 07-11-2019 Natural Language Processing
13 14-11-2019 AI Chatbots and Conversational Commerce
14 21-11-2019 Future Trends, Privacy & Managerial Considerations in Analytics
15 28-11-2019 Review
16 12-12-2019 Ujian Akhir Semester (UAS)
Silabus
Proyek Tim
• Topik Proyek Tim
– Business Intelligence
– Social Network Analysis (SNA)
– FinTech
– Short Text Conversation (STC)
– Dan lain-lain
• Tim terdiri dari 3-4 Mahasiswa
21
Buku Pendukung
22
1. Introduction2. Descriptive Statistics3. Data Visualization4. Descriptive Data Mining5. Probability: An Introduction to Modeling Uncertainty6. Statistical Inference7. Linear Regression8. Time Series Analysis and Forecasting9. Predictive Data Mining10. Spreadsheet Models11. Monte Carlo Simulation12. Linear Optimization Models13. Integer Linear Optimization Models14. Nonlinear Optimization Models15. Decision Analysis
Google Colab
24https://colab.research.google.com/notebooks/welcome.ipynb
Evolusi Pendukung Keputusan, Kecerdasan Bisnis dan Analitika
25Source: Ramesh Sharda, Dursun Delen, and Efraim Turban (2017),
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson
Evolusi Business Intelligence (BI)
26
Chapter 1 • An Overview of Business Intelligence, Analytics, and Data Science 43
Organizations have to work smart. Paying careful attention to the management of BI
initiatives is a necessary aspect of doing business. It is no surprise, then, that organizations
are increasingly championing BI and under its new incarnation as analytics. Application
Case 1.1 illustrates one such application of BI that has helped many airlines as well as, of
course, the companies of fering such services to the airlines.
Business
Int elligence
Spreadsheet s
(M S Excel)
DSS
ETL
Dat a warehouse
Dat a mar t s
M et adat a
Querying and
repor t ing
EIS/ESS
Broadcast ing
t oolsPor t als
OLAP
Scorecards and
dashboards
Aler t s and
not ificat ions
Dat a & t ext
mining Predict ive
analyt ics
Digit al cockpit s
and dashboards
Workflow
Financial
repor t ing
FIGU RE 1.9 Evolution of Business Intelligence (BI).
Technical st af f
Build t he dat a w arehouse
- Organizing
- Summarizing
- St andardizing
Dat a
warehouse
Business user s
Access
Manipulat ion, result s
Managers/execut ives
BPM st rat egies
Fut ure component :
Int elligent syst ems
User int er face
- Browser
- Port al
- Dashboard
Dat a Warehouse
Environment
Business Analyt ics
Environment
Performance and
St rat egy
Dat a
Sources
FIGU RE 1.10 A High-Level Architecture of BI. (Source: Based on W. Eckerson, Smart Companies in the 21st
Century: The Secrets of Creating Successful Business Intelligent Solutions. The Data Warehousing Institute, Seattle, W A,
2003, p. 32, Illustration 5.)
M01_SHAR0543_04_GE_C01.indd 43 17/07/17 2:09 PM
Source: Ramesh Sharda, Dursun Delen, and Efraim Turban (2017),
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson
Arsitektur High-Level dari BI
27
Chapter 1 • An Overview of Business Intelligence, Analytics, and Data Science 43
Organizations have to work smart. Paying careful attention to the management of BI
initiatives is a necessary aspect of doing business. It is no surprise, then, that organizations
are increasingly championing BI and under its new incarnation as analytics. Application
Case 1.1 illustrates one such application of BI that has helped many airlines as well as, of
course, the companies of fering such services to the airlines.
Business
Int elligence
Spreadsheet s
(M S Excel)
DSS
ETL
Dat a warehouse
Dat a mar t s
M et adat a
Querying and
repor t ing
EIS/ESS
Broadcast ing
t oolsPor t als
OLAP
Scorecards and
dashboards
Aler t s and
not ificat ions
Dat a & t ext
mining Predict ive
analyt ics
Digit al cockpit s
and dashboards
Workflow
Financial
repor t ing
FIGU RE 1.9 Evolution of Business Intelligence (BI).
Technical st af f
Build t he dat a w arehouse
- Organizing
- Summarizing
- St andardizing
Dat a
warehouse
Business user s
Access
Manipulat ion, result s
Managers/execut ives
BPM st rat egies
Fut ure component :
Int elligent syst ems
User int er face
- Browser
- Port al
- Dashboard
Dat a Warehouse
Environment
Business Analyt ics
Environment
Performance and
St rat egy
Dat a
Sources
FIGU RE 1.10 A High-Level Architecture of BI. (Source: Based on W. Eckerson, Smart Companies in the 21st
Century: The Secrets of Creating Successful Business Intelligent Solutions. The Data Warehousing Institute, Seattle, W A,
2003, p. 32, Illustration 5.)
M01_SHAR0543_04_GE_C01.indd 43 17/07/17 2:09 PM
Source: Ramesh Sharda, Dursun Delen, and Efraim Turban (2017),
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson
28
Tiga JenisAnalitika
Source: Ramesh Sharda, Dursun Delen, and Efraim Turban (2017),
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson
Analitika Deskriptif, Prediktif & Preskriptif
29
Kadang dibagi 4
31
Data Memberitahukan…menggunakan 4 tipe analitika
Diagnostic Analytics
Descriptive Analytics
Predictive Analytics
Prescriptive Analytics
• Descriptive Analytics
– apa yang terjadi di masa lalu
• Diagnostic Analytics
– mengapa sesuatu terjadi
• Predictive Analytics
– memprediksi masa depanberdasarkan masa lalu
• Prescriptive Analytics
– menentukan apa yang harusdilakukan untuk mengurangi risiko
33
Ekosistem Analitika
Source: Ramesh Sharda, Dursun Delen, and Efraim Turban (2017),
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson
34
Jabatan Kerja Analitika
Source: Ramesh Sharda, Dursun Delen, and Efraim Turban (2017),
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson
Data to Knowledge Continuum
35Source: Ramesh Sharda, Dursun Delen, and Efraim Turban (2017),
Business Intelligence, Analytics, and Data Science: A Managerial Perspective, 4th Edition, Pearson
Infrastruktur Business Intelligence (BI)
36Source: Kenneth C. Laudon & Jane P. Laudon (2014), Management Information Systems: Managing the Digital Firm, Thirteenth Edition, Pearson.
Business Intelligence dan Data Mining
Increasing potential
to support
business decisions End User
Business
Analyst
Data
Analyst
DBA
DecisionMaking
Data Presentation
Visualization Techniques
Data MiningInformation Discovery
Data Exploration
Statistical Summary, Querying, and Reporting
Data Preprocessing/Integration, Data Warehouses
Data Sources
Paper, Files, Web documents, Scientific experiments, Database Systems
37Source: Jiawei Han and Micheline Kamber (2006), Data Mining: Concepts and Techniques, Second Edition, Elsevier
38
Business Insights
denganSocial Analytics
Menganalisis Web Sosial: Analisis Jaringan Sosial
39
Tampilan StrategisKecerdasan Bisnis Sosial
• Kuliah ini memperkenalkan fundamental concepts dan technology practices dari business intelligence.
• Topik bahasan:
– Business Intelligence, Analytics, and Data Science,
– AI, Big Data, and Cloud Computing,
– Descriptive Analytics: Nature of Data, Statistical Modeling, and Visualization, Business Intelligence and Data Warehousing,
– Predictive Analytics: Data Mining Process, Methods, and Algorithms, Text, Web, and Social Media Analytics,
– Prescriptive Analytics: Optimization and Simulation,
– SNA, Machine and Deep Learning, NLP,
– AI Chatbots and Conversational Commerce,
– Tren analitika masa depan.42
Rangkuman
Penilaian
• Ujian Tengah Semester (UTS) : 30%
– Tertulis, tertutup
• Ujian Akhir Semester (UAS) : 30%
– Pembuatan makalah personal
• Proyek kelompok : 40%
– Pembuatan perangkat lunak
43