Bisnis Intelijen

Intelijen Bisnis (Bussiness Intelligence)

Sering kali kita mendengar istilah intelijen bisnis atau lebih terkenal dengan Bussiness Intelligence( BI ). Apakah itu?  intelijen bisnis sebenarnya merupakan  pengolahan data yang khusus untuk informasi bisnis. Intelijen bisnis mempunyai komponen berupa seperangkat teori , metodologi , proses , arsitektur , dan teknologi yang mampu mengubah data mentah menjadi informasi yang bermakna dan berguna untuk tujuan bisnis . Intelijen bisnis dapat menangani sejumlah besar informasi untuk membantu mengidentifikasi dan mengembangkan peluang baru dalam dunia bisnis. Dengan memanfaatkan intelijen bisnis, kita akan bisa mendapatkan peluang baru dan menerapkan strategi yang efektif sehingga mampu menghasilkan keuntungan pasar kompetitif dan stabilitas jangka panjang.

Dengan bantuan Teknologi Informasi, intelijen bisnis mampu memberikan gambaran tentang sejarah operasi bisnis, kondisi bisnis saat ini dan prediksi operasi bisnis dimasa datang. Fungsi umum dari teknologi intelijen bisnis adalah melaporkan , pengolahan analisis online, data mining , data mining , pengolahan informasi kompleks , bisnis manajemen kinerja, analisis prediktif dan analisis preskriptif .

Istilah intelijen bisnis pertama kali digunakan oleh Hans Peter, seorang peneliti di IBM, dalam sebuah artikel pada tahun 1958. Bisnis intelijen merupakan evolusi dari sistem pendukung keputusan Decision Support Systems (DSS) yang dimulai pada tahun 1960 dan dikembangkan pada tahun 1980-an . DSS berasal dari model dibantu komputer dibuat untuk membantu pengambilan keputusan atau Executive Information Systems (EIS) dan perencanaan . Dari DSS , Data Warehouse, Sistem Informasi Eksekutif (EIS) , OLAP dan akhirnya menjadi  intelijen bisnis. Suatu metamorfosa yang hebat.

Pada tahun 1989 , Howard Dresner, seorang analis Gartner Group, mengusulkan agar istilah intelijen bisnis dipakai untuk menggambarkan konsep dan metode untuk meningkatkan pengambilan keputusan bisnis dengan menggunakan sistem pendukung berbasis fakta. Pada akhir tahun 1990, Bussiness Intelligence menjadi berkembang demikian pesat.

Seringkali aplikasi Bussiness Intelligence menggunakan data yang dikumpulkan dari data warehouse atau data mart . Sebuah gudang data adalah salinan dari data transaksional yang memfasilitasi dukungan keputusan . Namun, tidak semua gudang data yang digunakan untuk intelijen bisnis , juga tidak semua aplikasi bisnis intelijen memerlukan data warehouse .

Sekarang istilah Bussiness Intelligence bisa didefinisikan menjadi seperangkat metodologi , proses , arsitektur , dan teknologi yang mengubah data mentah menjadi informasi yang bermakna dan berguna digunakan untuk memungkinkan wawasan strategis yang lebih efektif , taktis, dan operasional dan pengambilan keputusan . Apabila menggunakan definisi ini , intelijen bisnis juga mencakup teknologi seperti integrasi data , kualitas data , data pergudangan , magister manajemen data, teks dan analisis konten , dan banyak orang lain yang pasar kadang-kadang benjolan ke segmen manajemen Informasi .

Bisnis intelijen dapat diterapkan untuk tujuan bisnis berikut , dalam rangka mendorong nilai bisnis .

1 . Pengukuran – aplikasi/ program yang mampu menciptakan hirarki metrik kinerja dan benchmarking yang menginformasikan pemimpin bisnis tentang kemajuan menuju tujuan bisnis.

2 . Analytics - aplikasi/ program yang mampu membangun proses kuantitatif untuk bisnis untuk sampai pada keputusan yang optimal dan untuk melakukan bisnis penemuan pengetahuan . Pada proses analisis ini, sering melibatkan : data mining , data proccess , analisis statistik , analisis prediktif , pemodelan prediktif , pemodelan proses bisnis , pengolahan informasi kompleks dan analisis preskriptif .

3 . Pelaporan - aplikasi/ program yang mampu membangun infrastruktur untuk pelaporan strategis untuk melayani manajemen strategis bisnis, bukan pelaporan operasional . Sering melibatkan visualisasi data , sistem informasi eksekutif dan OLAP .

4 . Kolaborasi / platform kolaborasi - aplikasi/ program yang mampu mendapat area yang berbeda ( baik di dalam dan di luar bisnis ) untuk bekerja sama melalui berbagi data dan pertukaran data elektronik .

5 . Pengetahuan manajemen - aplikasi/ program yang mampu membuat data perusahaan didorong melalui strategi dan praktek untuk mengidentifikasi, menciptakan , merepresentasikan , mendistribusikan, dan memungkinkan adopsi wawasan dan pengalaman yang pengetahuan bisnis sejati .

Selain di atas , intelijen bisnis juga dapat memberikan pendekatan pro-aktif , seperti fungsi alarm untuk mengingatkan segera untuk pengguna aplikasi. Ada banyak jenis peringatan, misalnya jika beberapa nilai bisnis melebihi nilai ambang jumlah dalam laporan, maka intelijen bisnis akan memberikan peringatan dan analis bisnis bisa menjadi lebih waspada . Kadang-kadang mail alert akan dikirim ke pengguna juga.

 

Penggalian data

Dari Wikipedia bahasa Indonesia, ensiklopedia bebas

Belum Diperiksa

Langsung ke: navigasi, cari

Penggalian data (bahasa Inggris: data mining) adalah ekstraksi pola yang menarik dari data dalam jumlah besar ^[1]. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan intelegensia bisnis. Penggalian data diperlukan saat data yang tersedia terlalu banyak (misalnya data yang diperoleh dari sistem basis data perusahaan, e-commerce, data saham, dan data bioinformatika), tapi tidak tahu pola apa yang bisa didapatkan.

Daftar isi

• 1 Proses Pencarian Pola
• 2 Latar belakang
• 3 Teknik Penggalian Data
• 4 Lihat pula
• 5 Referensi
• 6 Rujukan
• 7 Pranala luar

Proses Pencarian Pola

Penggalian data adalah salah satu bagian dari proses pencarian pola. Berikut ini urutan proses pencarian pola:

1. Pembersihan Data: yaitu menghapus data pengganggu (noise) dan mengisi data yang hilang.
2. Integrasi Data: yaitu menggabungkan berbagai sumber data.
3. Pemilihan Data: yaitu memilih data yang relevan.
4. Transformasi Data: yaitu mentransformasi data ke dalam format untuk diproses dalam penggalian data.
5. Penggalian Data: yaitu menerapkan metode cerdas untuk ekstraksi pola.
6. Evaluasi pola: yaitu mengenali pola-pola yang menarik saja.
7. Penyajian pola: yaitu memvisualisasi pola ke pengguna.

Latar belakang

Perkembangan yang pesat di bidang pengumpulan data dan teknologi penyimpanan di berbagai bidang, menghasilkan basis data yang terlampau besar. Namun, data yang dikumpulkan jarang dilihat lagi, karena terlalu panjang, membosankan, dan tidak menarik. Seringkali, keputusan -yang katanya berdasarkan data- dibuat tidak lagi berdasarkan data, melainkan dari intuisi para pembuat keputusan. Sehingga, lahirlah cabang ilmu penggalian data ini.
Analisis data tanpa menggunakan otomasi dari penggalian data adalah tidak memungkinkan lagi, kalau 1) data terlalu banyak, 2) dimensionalitas data terlalu besar, 3) data terlalu kompleks untuk dianalisis manual (misalnya: data time series, data spatiotemporal, data multimedia, data streams).

Teknik Penggalian Data

Pada dasarnya penggalian data dibedakan menjadi dua fungsionalitas, yaitu deskripsi dan prediksi. Berikut ini beberapa fungsionalitas penggalian data yang sering digunakan:

• Karakterisasi dan Diskriminasi: yaitu menggeneralisasi, merangkum, dan mengkontraskan karakteristik data.
• Penggalian pola berulang: yaitu pencarian pola asosiasi (association rule) atau pola intra-transaksi, atau pola pembelian yang terjadi dalam satu kali transaksi.
• Klasifikasi: yaitu membangun suatu model yang bisa mengklasifikasikan suatu objek berdasar atribut-atributnya. Kelas target sudah tersedia dalam data sebelumnya, sehingga fokusnya adalah bagaimana mempelajari data yang ada agar klasifikator bisa mengklasifikasikan sendiri.
• Prediksi: yaitu memprediksi nilai yang tidak diketahui atau nilai yang hilang, menggunakan model dari klasifikasi.
• Penggugusan/Cluster analysis: yaitu mengelompokkan sekumpulan objek data berdasarkan kemiripannya. Kelas target tidak tersedia dalam data sebelumnya, sehingga fokusnya adalah memaksimalkan kemiripan intrakelas dan meminimalkan kemiripan antarkelas.
• Analisis outlier: yaitu proses pengenalan data yang tidak sesuai dengan perilaku umum dari data lainnya. Contoh: mengenali noise dan pengecualian dalam data.
• Analisis trend dan evolusi: meliputi analisis regresi, penggalian pola sekuensial, analisis periodisitas, dan analisis berbasis kemiripan.

Berikut ini adalah 10 algoritma penggalian data yang paling populer berdasarkan konferensi ICDM '06, semua algoritma dinominasikan oleh para pemenang ACM KDD Innovation Award dan IEEE ICDM Research Contributions Award ^[2]:

1. C4.5 (61 suara) ^[3]
2. k-Means (60 suara): ^[4]
3. SVM (58 suara): ^[5]
4. Apriori (52 suara): ^[6]
5. EM (48 suara): ^[7]
6. PageRank (46 suara): ^[8]
7. AdaBoost (45 suara): ^[9]
8. kNN (45 suara): ^[10]
9. Naive Bayes (34 suara): ^[11]

Berikut ini adalah yang hanya masuk nominasi:

• CART: ^[12]
• FP-Tree: ^[13]
• HITS: ^[14]
• BIRCH: ^[15]
• GSP: ^[16]
• PrefixSpan: ^[17]
• CBA: ^[18]
• Finding Reduct: ^[19]
• gSpan: ^[20]