3.1  PENEMUAN INFORMASI DAN PENGETAHUAN DENGAN INTELEGENSI BISNIS

Intelegensi Bisnis

Setelah data berada di gudang data dan/atau data mart, maka data akan dapat diakses oleh manajer, analis, dan pengguna akhir lainnya. Pengguna akan dapat melakukan beberapa aktivitas. Aktivitas ini sering disebut pemrosesan analitis atau lebih umum disebut intelegensi bisnis. Intelegensi bisnis (business intelegence - BI) adalah kategori luas dari aplikasi dan teknik untuk mengumpulkan, menyimpan, menganalisis, dan menyediakan akses ke data untuk membantu pengguna dalam membuat keputusan bisnis dan keputusan strategis yang lebih baik (Oguz, 2003). Proses BI biasanya, namun tidak selalu, mencakup penggunaan gudang data seperti yang ditunjukan dalam Figur 3.6.

Cara Kerja Intelegensi Bisnis. Data operasional biasanya  disimpan dalam basis data perusahaan. Misalnya, jaringan ritel nasional yang menjual berbagai macam produk mulai dari alat pemanggang dan furnitur hingga peralatan plastik, memiliki data mengenai persediaan, informasi pelanggan, data mengenai promosi yang telah dilakukan, dan angka penjualan dalam berbagai sistem – dan mungkin tampak tidak berhubungan – gudang dapat menyatukannya. Dengan menggunakan peranti lunak inteligensi bisnis, pengguna dapat mencari data, meminta laporan, atau melakukan analisis lainnya. Hasil dari permintaan dan analisis dapat berupa laporan, prediksi, peringatan, dan/atau sajian geografis.

Alat dan Teknik untuk Inteligensi Bisnis. BI menggunakan sejumlah besar alat dan teknik. Aplikasi utamanya mencakup aktivitas permintaan data dan pelaporan, pemrosesan analitis online (online analytical processing – OLAP), pendukung keputusan, penggalian data, peramalan, dan analisis statistik. Vendor utama BI adalah SAS. Vendor lainnya mencakup Microstrategy, Cognos, SPSS, dan Business Objects.

Figur 3.6 Cara kerja inteligensi bisnis

Peranti/alat BI dapat dibagi dalam dua kategori utama : (1) penemuan informasi dan pengetahuan dan (2) pendukung keputusan dan analisis inteligen.

Alat dan Teknik Penemuan Informasi dan Pengetahuan

Penemuan informasi dan pengetahuan berbeda dengan dukungan keputusan dalam hal tujuannya : penemuan. Setelah temuan didapatkan, hasilnya dapat digunakan untuk mendukung keputusan. Berikut ini akan dijelaskan perbedaan antara penemuan informasi dan penemuan pengetahuan.

Evolusi Penemuan Informasi dan Pengetahuan. Penemuan informasi dimulai pada akhir tahun 1960-an dengan teknik pengumpulan data. Saat itu pengumpulan data masih sangat sederhana, dan menjawab permintaan data mengenai satu set data historis. Analisis ini diperluas dengan alat seperti SQL dan sistem manajemen basis data relasional. Selama tahun 1990-an, alat yang lebih baik untuk mengelola jumlah data yang semakin meningkat dibutuhkan, sehingga menghasilkan penciptaan gudang data dan munculnya OLAP dan basis data multidimensional. Ketika jumlah data yang akan dianalisis meningkat tajam pada pertengahan 1990-an, penemuan pengetahuan muncul sebagai alat analitis yang penting.

Figur 3.7 Kategori inteligensi bisnis

Proses ekstraksi pengetahuan yang berguna dari sejumlah data disebut penemuan pengetahuan (knowledge discovery – KD). Tujuan utama dari KD adalah mengidentifikasi pola yang valid, baru, yang mungkin bermanfaat dan dapat dipahami dalam data. KD berguna karena didukung oleh tiga teknologi yang saat ini telah matang, yaitu pengumpulan data yang besar, komputer multiprosesor berdaya tinggi, dan penggalian data dan algoritma lainnya. Bagian ini akan menjelaskan dua alat untuk penemuan informasi, yaitu permintaan ad-hoc dan OLAP.

Permintaan Ad-Hoc dan Pelaporan. Permintaan ad-hoc (ad-hoc query) memungkinkan pengguna untuk meminta, secara real time, informasi dari komputer yang tidak tersedia dalam laporan periodik. Jawaban seperti ini dibutuhkan untuk mempercepat pengambilan keputusan. Sistem permintaan ad-hoc sederhana sering kali berdasarkan menu-menu. Sistem yang lebih canggih menggunakan structured query language (SQL). Sistem yang paling canggih didasarkan dari pemrosesan bahasa alami, dan beberapa dapat berkomunikasi dengan pengguna dengan menggunakan pengenal suara. Penggunaan alat Web untuk memfasilitasi permintaan akan dijelaskan kemudian.

Pemrosesan Analitis Online. Istilah pemrosesan analitis online (online analytical processing – OLAP) menggambarkan pemrosesan analitis dari data segera setelah transaksi terjadi. Peranti OLAP dapat menganalisis data untuk mencerminkan kebutuhan bisnis aktual. Asumsikan bahwa suatu perusahaan mengatur tenaga penjualnya berdasarkan wilayah – misalnya Timur, Barat, dan Pusat. Ketiga wiayah ini kemudian dapat dibagi lagi menjadi negara bagian. VP penjualan dapat menggunakan OLAP dengan basis data multidimensional dari perusahaan untuk melihat angka penjualan di setiap wilayah (misalnya penjualan mur, sekrup, baut, dan ring). VP kemudian ingin melihat wilayah Timur dibagi dalam beberapa negara bagian agar kinerja manajer penjualan di masing-masing negara bagian dapat dievaluasi. Perhatikan bahwa organisasi bisnis tercermin dalam struktur data.

Kekuatan OLAP adalah kemampuannya untuk menciptakan struktur bisnis ini (wilayah penjualan, kategori produk, kalendar fiskal, saluran partner, dan sebagainya) dan menggabungkannya dengan cara tertentu sehingga pengguna dapat dengan cepat menjawab berbagai pertanyaan bisnis. ”Berapa banyak mur yang dijual di wilayah Timur pada tahun 2002?” adalah jenis pertanyaan yang dapat dijawab dengan baik oleh OLAP. Pengguna dapat mengiris data secara interaktif dan menggali perincian yang mereka inginkan. Selain menjawab permintaan data, OLAP dapat menganalisis hubungan antarkategori data dan mencari pola, kecenderungan, dan pengecualian. Misalnya, ”Bagaimana kecenderungan penjualan ring di wilayah Barat tiga tahun terakhir?”

Saat ini peranti lunak memungkinkan akses, biasanya dengan penjelajah, ke sejumlah besar data, seperti data penjualan selama beberapa tahun; peranti lunak juga memungkinkan analisis hubungan antara berbagai jenis elemen bisnis, seperti penjualan, produk, wilayah, dan saluran. Pengguna dapat  memproses kumpulan data, seperti volume penjualan, anggaran, dan pengeluaran, untuk membandingkan kumpulan data sepanjang waktu dan untuk menyajikan data dalam perspektif yang berbeda, seperti penjualan menurut wilayah versus penjualan menurut produk atau menurut produk dalam masing-masing wilayah. Peranti lunak saat ini juga memungkinkan perhitungan yang rumit antara elemen-elemen data, seperti laba yang diharapkan yang dihitung sebagai fungsi pendapatan untuk setiap jenis saluran penjualan dalam wilayah tertentu. Peranti lunak merespons dengan cepat permintaan pengguna sehingga pengguna dapat melakukan proses pemikiran analitis tanpa terhalangi oleh sistem.