5.3 The Database Approach (page 110)
Sejak bisnis pertama kali
mengadopsi aplikasi komputer (pertengahan 1950-an) hingga awal
1970-an, organisasi mengelola data mereka dalam lingkungan manajemen file. Lingkungan
ini berkembang karena organisasi biasanya
mengotomatiskan fungsinya satu aplikasi pada
satu waktu. Oleh karena itu, berbagai sistem otomatis
dikembangkan secara
independen satu
sama lain, tanpa perencanaan keseluruhan. Setiap aplikasi
membutuhkan datanya sendiri- sendiri, yang disusun dalam sebuah file data. File data adalah kumpulan catatan
terkait
secara logis.
Menggunakan database menghilangkan banyak
masalah yang muncul dari metode
penyimpanan dan pengaksesan data sebelumnya, seperti sistem manajemen file. Basis data
diatur sedemikian rupa sehingga
satu set program perangkat lunak
sistem manajemen basis
data menyediakan akses ke semua data bagi semua
pengguna. Sistem ini meminimalkan
masalah berikut:
5.3 The Database Approach (page 110)
Sejak bisnis pertama kali
mengadopsi aplikasi komputer (pertengahan 1950-an) hingga awal
1970-an, organisasi mengelola data mereka dalam lingkungan manajemen file. Lingkungan
ini berkembang karena organisasi biasanya
mengotomatiskan fungsinya satu
aplikasi pada
satu waktu. Oleh karena itu, berbagai sistem otomatis
dikembangkan secara independen satu
sama lain, tanpa perencanaan keseluruhan. Setiap aplikasi
membutuhkan datanya sendiri- sendiri, yang disusun dalam sebuah file data. File data adalah kumpulan catatan
terkait
secara logis.
Menggunakan database menghilangkan banyak
masalah yang muncul dari
metode
penyimpanan dan pengaksesan data sebelumnya, seperti sistem manajemen file. Basis data
diatur sedemikian rupa sehingga satu set program perangkat lunak sistem manajemen basis
data menyediakan akses ke semua data bagi semua
pengguna. Sistem ini meminimalkan
masalah berikut:
5.3 The Database Approach (page 110)
Sejak bisnis pertama kali
mengadopsi aplikasi komputer
(pertengahan 1950-an) hingga
awal
1970-an, organisasi mengelola data mereka dalam lingkungan manajemen file. Lingkungan
ini berkembang karena organisasi biasanya
mengotomatiskan fungsinya satu aplikasi pada
satu waktu. Oleh karena itu, berbagai sistem otomatis
dikembangkan secara independen satu
sama lain, tanpa perencanaan keseluruhan. Setiap aplikasi
membutuhkan datanya sendiri- sendiri, yang disusun dalam sebuah file data. File data adalah kumpulan catatan
terkait
secara logis.
Menggunakan database menghilangkan banyak
masalah yang muncul dari metode
penyimpanan dan pengaksesan data sebelumnya, seperti sistem manajemen file. Basis data
diatur sedemikian rupa sehingga satu set program perangkat lunak sistem manajemen basis
data menyediakan akses ke semua data bagi semua
pengguna. Sistem ini meminimalkan
masalah berikut:
Kelompok banteng hitam
Jenny Enjelita – 202060021
Richard – 202060024
Marcylia Fransisca – 202060027 Valberra Christian – 202060039 Brilliant Fausta – 202060057
Chapter 5
DATA AND KNOWLEDGE MANAGEMENT 5.1 Managing Data (page 104)
Semua aplikasi TI membutuhkan data. Data ini harus berkualitas tinggi, artinya harus akurat, lengkap, tepat waktu, konsisten, dapat diakses, relevan, dan ringkas. Sayangnya, proses memperoleh, menyimpan, dan mengelola data menjadi semakin sulit.
Kesulitan Mengelola Data
Karena data diproses dalam beberapa tahap dan seringkali di beberapa lokasi, data tersebut sering kali menghadapi masalah dan kesulitan. Mengelola data dalam organisasi sulit karena berbagai alasan.
Pertama, jumlah data meningkat secara eksponensial seiring waktu. Banyak data historis harus disimpan untuk waktu yang lama, dan data baru ditambahkan dengan cepat. Misalnya, untuk mendukung jutaan pelanggan, pengecer besar seperti Walmart harus mengelola data berukuran petabyte. (Petabyte berukuran sekitar 1.000 terabyte, atau triliunan byte).
Selain itu, data juga tersebar di seluruh organisasi, dan dikumpulkan oleh banyak individu dengan
menggunakan berbagai metode dan perangkat. Data ini sering disimpan di berbagai server dan lokasi dan dalam sistem komputasi, database, format, dan bahasa manusia dan komputer yang berbeda.
Masalah lainnya adalah bahwa data dihasilkan dari berbagai sumber: sumber internal (misalnya, database perusahaan dan dokumen perusahaan), sumber pribadi (misalnya, pemikiran pribadi, pendapat, dan pengalaman), dan sumber eksternal (misalnya, database komersial, laporan pemerintah, dan situs Web perusahaan). Data juga berasal dari Web, dalam bentuk data clickstream. Data clickstream adalah data yang dihasilkan pengunjung dan pelanggan ketika mereka mengunjungi situs Web dan mengklik hyperlink
(dijelaskan diBab 4). Data clickstream menyediakan jejak aktivitas pengguna di situs Web, termasuk perilaku pengguna dan pola penjelajahan.
Menambah masalah ini adalah fakta bahwa sumber data baru, seperti blog, podcast, videocast, dan tag identifikasi frekuensi radio (RFID) dan sensor nirkabel lainnya, terus dikembangkan. Selain itu, data menurun seiring waktu. Misalnya, pelanggan pindah ke alamat baru atau mengubah nama mereka, perusahaan bangkrut atau dibeli, produk baru dikembangkan, karyawan dipekerjakan atau dipecat, dan perusahaan berkembang ke negara-negara baru.
Data juga tunduk pada pembusukan data (data rot). Pembusukan data terutama mengacu pada masalah dengan media tempat data disimpan. Seiring waktu, suhu, kelembapan, dan paparan cahaya dapat menyebabkan masalah fisik pada media penyimpanan dan menyulitkan akses data. Aspek kedua dari
pembusukan data adalah sulitnya menemukan mesin yang diperlukan untuk mengakses data. Misalnya, saat ini hampir tidak mungkin menemukan pemain 8 trek. Akibatnya, perpustakaan kaset 8-trek menjadi relatif tidak berharga, kecuali Anda memiliki pemutar 8-trek yang berfungsi atau Anda mengonversi kaset ke media modern seperti CD.
Keamanan, kualitas, dan integritas data sangat penting, namun mudah terancam. Selain itu, persyaratan hukum yang berkaitan dengan data berbeda di antara negara dan industri, dan sering berubah.
Masalah lain muncul dari kenyataan bahwa, dari waktu ke waktu, organisasi telah mengembangkan sistem informasi untuk proses bisnis tertentu, seperti pemrosesan transaksi, manajemen rantai pasokan, dan manajemen hubungan pelanggan. Sistem informasi yang secara khusus mendukung proses ini memberlakukan persyaratan unik pada data, yang mengakibatkan pengulangan dan konflik di seluruh
organisasi. Misalnya, fungsi pemasaran mungkin menyimpan informasi tentang pelanggan, wilayah penjualan, dan pasar. Data ini mungkin digandakan dalam fungsi penagihan atau layanan pelanggan. Situasi ini dapat menghasilkan data yang tidak konsisten di dalam perusahaan. Data yang tidak konsisten mencegah
perusahaan mengembangkan pandangan terpadu dari informasi bisnis inti — data mengenai pelanggan, produk, keuangan, dan sebagainya di seluruh organisasi dan sistem informasinya.
Dua faktor lain mempersulit pengelolaan data. Pertama, peraturan federal (misalnya, SarbanesOxley) telah menjadikannya sebagai prioritas utama bagi perusahaan untuk mempertanggungjawabkan cara mereka mengelola informasi dengan lebih baik. Sarbanes-Oxley mensyaratkan bahwa (1) perusahaan publik mengevaluasi dan mengungkapkan efektivitas pengendalian keuangan internal mereka dan (2) auditor independen untuk perusahaan tersebut menyetujui pengungkapan ini. Undang-undang juga menyatakan bahwa CEO dan CFO secara pribadi bertanggung jawab atas pengungkapan tersebut. Jika perusahaan mereka tidak memiliki kebijakan manajemen data yang memuaskan dan penipuan atau pelanggaran keamanan terjadi, pejabat perusahaan dapat ditahan dan menghadapi tuntutan.
Kedua, perusahaan tenggelam dalam data, yang kebanyakan tidak terstruktur. Seperti yang Anda lihat, jumlah data meningkat secara eksponensial. Agar menguntungkan, perusahaan harus mengembangkan strategi untuk mengelola data ini secara efektif.
Tata Kelola Data
Untuk mengatasi berbagai masalah yang terkait dengan pengelolaan data, organisasi beralih ke tata kelola data. Tata kelola data adalah pendekatan untuk mengelola informasi di seluruh organisasi. Ini melibatkan serangkaian proses bisnis dan kebijakan formal yang dirancang untuk memastikan bahwa data ditangani dengan cara tertentu yang terdefinisi dengan baik. Artinya, organisasi mengikuti aturan yang tidak ambigu untuk membuat, mengumpulkan, menangani, dan melindungi informasinya. Tujuannya adalah untuk membuat informasi tersedia, transparan, dan berguna bagi orang-orang yang berwenang untuk mengaksesnya, dari saat ia memasuki organisasi hingga menjadi usang dan dihapus.
Salah satu strategi penerapan tata kelola data adalah pengelolaan data induk. Manajemen data master (master data management) adalah proses yang mencakup semua proses bisnis dan aplikasi organisasi. Ini memberi perusahaan kemampuan untuk menyimpan, memelihara, bertukar, dan menyinkronkan "versi tunggal kebenaran" yang konsisten, akurat, dan tepat waktu untuk data master perusahaan.
Master data adalah sekumpulan data inti, seperti pelanggan, produk, karyawan, vendor, lokasi geografis, dan seterusnya, yang menjangkau sistem informasi perusahaan. Penting untuk membedakan antara data master dan data transaksi. Data transaksi, yang dihasilkan dan ditangkap oleh sistem operasional, menggambarkan aktivitas bisnis, atau transaksi. Sebaliknya, data master diterapkan ke beberapa transaksi dan digunakan untuk mengkategorikan, menggabungkan, dan mengevaluasi data transaksi.
5.2 Big Data (page 106)
Kami mengumpulkan data dan informasi dengan kecepatan yang semakin tinggi dari berbagai sumber seperti dokumen perusahaan, email, halaman Web, gesekan kartu kredit, pesan telepon, perdagangan saham, memo, buku alamat, dan pemindaian radiologi. Sumber data dan informasi baru termasuk blog, podcast, videocast (pikirkan YouTube), pengawasan video digital, dan tag RFID serta sensor nirkabel lainnya (dibahas dalam Bab 8). Faktanya, organisasi menangkap data tentang hampir semua peristiwa termasuk peristiwa yang, di masa lalu, perusahaan tidak pernah anggap sebagai data sama sekali, seperti lokasi seseorang, getaran dan suhu mesin, atau tekanan di banyak titik. di jembatan dan kemudian menganalisis data tersebut.
Organisasi dan individu harus memproses data dalam jumlah besar yang tak terbayangkan yang tumbuh semakin pesat. Menurut IDC (sebuah firma riset teknologi), dunia menghasilkan exabyte data setiap tahun (satu exabyte adalah satu triliun terabyte). Selain itu, jumlah data yang diproduksi di seluruh dunia meningkat 50 persen setiap tahun. Seperti yang telah kita bahas di awal bab, kita mengacu pada superabundance data yang tersedia saat ini sebagai Big Data. (Kami memanfaatkan Big Data untuk membedakan istilah dari data tradisional dalam jumlah besar.) Kami memiliki banyak data yang harus kami pahami dan kelola. Untuk menghadapi pertumbuhan dan keragaman sifat data digital, organisasi harus menggunakan teknik yang canggih untuk pengelolaan data.
Intinya, Big Data adalah tentang prediksi. Prediksi tidak datang dari "teaching" komputer untuk "think" seperti manusia. Sebaliknya, prediksi datang dari penerapan matematika ke sejumlah besar data untuk
menyimpulkan probabilitas. Pertimbangkan contoh-contoh ini:
- Kemungkinan sebuah pesan email adalah spam;
- Kemungkinan huruf “teh” yang diketik seharusnya menjadi “the”;
- Kemungkinan lintasan dan kecepatan orang yang sedang menyeberang menunjukkan bahwa ia akan menyeberang jalan tepat waktu artinya mobil yang dapat mengemudi sendiri hanya perlu sedikit melambat.
Sistem Big Data berkinerja baik karena berisi data dalam jumlah besar yang menjadi dasar prediksi mereka.
Selain itu, mereka dikonfigurasi untuk meningkatkan diri dari waktu ke waktu dengan mencari sinyal dan pola yang paling berharga karena lebih banyak data yang dimasukkan.
Mendefinisikan Big Data
Sulit untuk mendefinisikan Big Data. Di sini kami menyajikan dua gambaran tentang fenomena tersebut.
Pertama, firma riset teknologi Gartner (www.gartner.com) mendefinisikan Big Data sebagai aset informasi yang beragam, bervolume tinggi, dan berkecepatan tinggi yang memerlukan bentuk pemrosesan baru untuk memungkinkan pengambilan keputusan yang ditingkatkan, penemuan wawasan, dan pengoptimalan proses.
Kedua, Big Data Institute (TBDI; www.the bigdatainstitute.com) mendefinisikan Big Data sebagai kumpulan data besar yang:
- Tunjukkan variasi;
- Sertakan data terstruktur, tidak terstruktur, dan semi-terstruktur;
- Dibangkitkan dengan kecepatan tinggi dengan pola yang tidak pasti;
- Jangan cocokan dengan database tradisional, terstruktur, dan relasional (dibahas nanti dalam bab ini);
- Dapat ditangkap, diproses, diubah, dan dianalisis dalam jumlah waktu yang wajar hanya dengan sistem informasi yang canggih.
Big Data umumnya terdiri dari berikut ini. Ingatlah bahwa daftar ini tidak inklusif. Ini akan meluas saat sumber data baru muncul.
- Data perusahaan tradisional — contohnya adalah informasi pelanggan dari system manajemen hubungan pelanggan, data perencanaan sumber daya perusahaan transaksional, transaksi toko Web, data operasi, dan data buku besar umum.
- Data yang dihasilkan mesin / sensor — contohnya adalah pengukur pintar, sensor manufaktur; sensor yang diintegrasikan ke dalam telepon pintar, mobil, mesin pesawat, dan mesin industri; log peralatan; dan data sistem perdagangan.
- Data sosial — contohnya adalah komentar umpan balik pelanggan; situs microblog seperti Twitter; dan situs media sosial seperti Facebook, YouTube, dan LinkedIn.
- Gambar diambil oleh miliaran perangkat yang berlokasi di seluruh dunia, dari kamera digital dan telepon kamera hingga pemindai medis dan kamera keamanan.
Mari kita lihat beberapa contoh spesifik dari Big Data:
- Ketika Sloan Digital Sky Survey di New Mexico diluncurkan pada tahun 2000, teleskopnya mengumpulkan lebih banyak data dalam beberapa minggu pertama daripada yang telah dikumpulkan sepanjang sejarah astronomi. Pada 2013, arsip survei berisi ratusan terabyte data. Namun, Teleskop Survei Sinoptik Besar di Chili, yang akan online pada tahun 2016, akan mengumpulkan data sebanyak itu setiap lima hari.
- Pada tahun 2013, Google memproses lebih dari 24 petabyte data setiap hari.
- Anggota Facebook mengunggah lebih dari 10 juta foto baru setiap jam. Selain itu, mereka mengklik tombol
"suka" atau memberikan komentar hampir 3 miliar kali setiap hari.
- 800 juta pengguna bulanan layanan YouTube Google mengupload lebih dari satu jam video setiap detik.
- Jumlah pesan di Twitter tumbuh 200 persen setiap tahun. Pada pertengahan 2013, volumenya melebihi 450 juta tweet per hari.
- Baru-baru ini pada tahun 2000, hanya 25 persen dari informasi yang disimpan di dunia adalah digital. 75 persen lainnya adalah analog; artinya, disimpan di atas kertas, film, piringan hitam, dan sejenisnya. Pada 2013, jumlah informasi yang disimpan di dunia diperkirakan sekitar 1.200 exabyte, di mana kurang dari 2 persennya adalah non-digital.
Karakteristik Big Data
Big Data memiliki tiga karakteristik berbeda: volume, kecepatan, dan variasi. Karakteristik ini membedakan Big Data dari data tradisional.
- Volume : Kami telah mencatat volume Big Data yang luar biasa di bab ini. Meskipun volume Big Data yang besar menimbulkan masalah manajemen data, volume ini juga membuat Big Data sangat berharga. Terlepas dari sumber, struktur, format, dan frekuensinya, data selalu berharga. Jika jenis data tertentu tampaknya tidak memiliki nilai saat ini, itu karena kami belum dapat menganalisisnya secara efektif. Misalnya, beberapa tahun lalu ketika Google mulai memanfaatkan citra satelit, menangkap tampilan jalan, dan kemudian membagikan data geografis ini secara gratis, hanya sedikit orang yang memahami nilainya. Saat ini, kami menyadari bahwa data tersebut sangat berguna (misalnya, pertimbangkan berbagai kegunaan Google Maps). Pertimbangkan data yang dihasilkan mesin, yang dihasilkan dalam jumlah yang jauh lebih besar daripada data non-
tradisional. Misalnya, sensor dalam satu mesin jet dapat menghasilkan 10 terabyte data dalam 30 menit.
Dengan lebih dari 25.000 penerbangan maskapai per hari, volume data harian hanya dari satu sumber ini luar biasa. Pengukur kelistrikan pintar, sensor di peralatan industri berat, dan telemetri dari mobil meningkatkan volume Big Data.
- Felocity : Laju aliran data ke dalam organisasi meningkat pesat. Kecepatan sangat penting karena
meningkatkan kecepatan putaran umpan balik antara perusahaan dan pelanggannya. Misalnya, Internet dan teknologi seluler memungkinkan pengecer online untuk mengumpulkan riwayat tidak hanya pada penjualan akhir, tetapi juga pada setiap klik dan interaksi pelanggan mereka. Perusahaan yang dapat dengan cepat memanfaatkan informasi tersebut — misalnya, dengan merekomendasikan pembelian tambahan — mendapatkan keunggulan kompetitif.
- Variety : Format data tradisional cenderung terstruktur, dijelaskan dengan relatif baik, dan berubah perlahan.
Data tradisional meliputi data pasar keuangan, transaksi point-of-sale, dan banyak lagi. Sebaliknya, format Big Data berubah dengan cepat. Mereka termasuk citra satelit, aliran audio siaran, file musik digital, konten halaman web, pindaian dokumen pemerintah, dan komentar yang diposting di jejaring sosial.
Mengelola Big Data
Langkah pertama bagi banyak organisasi untuk mengelola Big Data adalah mengintegrasikan silo informasi ke dalam lingkungan database dan kemudian mengembangkan gudang data untuk pengambilan keputusan.
Setelah menyelesaikan langkah ini, banyak organisasi mengalihkan perhatian mereka ke bisnis manajemen informasi — memahami data mereka yang berkembang biak. Dalam beberapa tahun terakhir, Oracle, IBM, Microsoft, dan SAP telah menghabiskan miliaran dolar untuk membeli perusahaan perangkat lunak yang berspesialisasi dalam manajemen data dan intelijen bisnis.
Selain itu, banyak organisasi beralih ke database NoSQL (anggaplah mereka sebagai database "tidak hanya SQL") untuk memproses Big Data. Database ini memberikan alternatif bagi perusahaan yang memiliki lebih banyak jenis data (Big Data) selain data terstruktur tradisional yang sesuai dengan baik ke dalam baris dan kolom database relasional.
Seperti yang akan Anda lihat nanti di bab ini, database relasional tradisional seperti Oracle dan MySQL menyimpan data dalam tabel yang diatur ke dalam baris dan kolom. Setiap baris dikaitkan dengan catatan unik, misalnya akun pelanggan, dan setiap kolom dikaitkan dengan bidang yang menentukan atribut akun itu (misalnya, nama pelanggan, nomor identifikasi pelanggan, alamat pelanggan, dll.).
Sebaliknya, database NoSQL dapat memanipulasi data terstruktur serta tidak terstruktur dan data yang tidak konsisten atau hilang. Karena alasan ini, database NoSQL sangat berguna saat bekerja dengan Big Data.
Memanfaatkan Big Data
Organisasi harus melakukan lebih dari sekadar mengelola Big Data; mereka juga harus mendapatkan nilai darinya. Secara umum, ada enam cara yang dapat diterapkan secara luas untuk memanfaatkan Big Data untuk mendapatkan nilai.
- Menciptakan Transparansi. Hanya membuat Big Data lebih mudah diakses oleh pemangku kepentingan terkait secara tepat waktu dapat menciptakan nilai bisnis yang luar biasa. Di sektor publik, misalnya, membuat data yang relevan lebih mudah diakses di seluruh departemen yang terpisah dapat secara tajam mengurangi waktu pencarian dan pemrosesan. Di bidang manufaktur, mengintegrasikan data dari R&D, rekayasa, dan unit manufaktur untuk memungkinkan rekayasa serentak dapat secara signifikan mengurangi waktu ke pasar dan meningkatkan kualitas.
- Mengaktifkan Eksperimen. Eksperimen memungkinkan organisasi menemukan kebutuhan dan
meningkatkan kinerja. Saat organisasi membuat dan menyimpan lebih banyak data dalam bentuk digital, mereka dapat mengumpulkan data kinerja yang lebih akurat dan terperinci (secara real-time atau hampir real- time) tentang segala hal mulai dari inventaris produk hingga hari sakit personel. TI memungkinkan organisasi untuk menyiapkan eksperimen terkontrol.
Misalnya, Amazon terus-menerus bereksperimen dengan menawarkan "looks" yang sedikit berbeda di situs Web-nya. Eksperimen ini disebut eksperimen A/B, karena setiap eksperimen hanya memiliki dua
kemungkinan hasil. Berikut adalah cara kerja percobaan: Ratusan ribu orang yang mengklik Amazon.com akan melihat satu versi situs Web, dan ratusan ribu lainnya akan melihat versi lainnya. Satu eksperimen mungkin mengubah lokasi tombol "buy" di halaman Web. Orang lain mungkin mengubah ukuran font tertentu di halaman Web. (Amazon melakukan ratusan percobaan A/B saat mengevaluasi halaman Web-nya.)
Amazon menangkap data pada bermacam-macam variabel dari semua klik, termasuk halaman mana yang dikunjungi pengguna, waktu yang mereka habiskan di setiap halaman, dan apakah klik mengarah untuk membeli. Ia kemudian menganalisis semua data ini untuk "tweak" situs Web-nya untuk memberikan pengalaman pengguna yang optimal.
- Menyegmentasi Populasi untuk Menyesuaikan Tindakan. Big Data memungkinkan organisasi untuk membuat segmentasi pelanggan yang didefinisikan secara sempit dan untuk menyesuaikan produk dan layanan untuk secara tepat memenuhi kebutuhan pelanggan. Misalnya, perusahaan dapat melakukan segmentasi mikro terhadap pelanggan secara real time untuk secara tepat menargetkan promosi dan iklan.
Misalkan, misalnya, sebuah perusahaan mengetahui Anda berada di salah satu tokonya, mempertimbangkan produk tertentu (Mereka dapat memperoleh informasi ini dari ponsel cerdas Anda, dari kamera di dalam toko, dan dari perangkat lunak pengenal wajah.) Mereka dapat mengirim kupon secara langsung ke ponsel Anda menawarkan diskon 10 persen jika Anda membeli produk dalam lima menit ke depan.
- Mengganti / Mendukung Pengambilan Keputusan Manusia dengan Algoritma Otomatis. Analisis yang canggih dapat secara substansial meningkatkan pengambilan keputusan, meminimalkan risiko, dan menggali wawasan yang berharga. Misalnya, agen pajak menggunakan alat perangkat lunak analisis risiko otomatis untuk mengidentifikasi pengembalian pajak yang menjamin pemeriksaan lebih lanjut, dan pengecer dapat menggunakan algoritme untuk menyempurnakan inventaris dan penetapan harga sebagai respons terhadap penjualan di toko dan online secara waktu nyata.
- Inovasi Model, Produk, dan Layanan Bisnis Baru. Big Data memungkinkan perusahaan membuat produk dan layanan baru, menyempurnakan yang sudah ada, dan menciptakan model bisnis yang sama sekali baru.
Misalnya, produsen memanfaatkan data yang diperoleh dari penggunaan produk aktual untuk meningkatkan pengembangan produk generasi berikutnya dan untuk menciptakan penawaran layanan purna jual yang inovatif. Munculnya data lokasi waktu nyata telah menciptakan rangkaian layanan berbasis lokasi yang sama sekali baru mulai dari navigasi hingga penetapan harga properti dan asuransi kecelakaan berdasarkan di mana, dan bagaimana, orang-orang mengendarai mobil mereka.
- Organisasi Dapat Menganalisis Lebih Banyak Data. Dalam beberapa kasus, organisasi bahkan dapat memproses semua data yang berkaitan dengan fenomena tertentu, artinya mereka tidak harus terlalu
bergantung pada pengambilan sampel. Pengambilan sampel acak berfungsi dengan baik, tetapi tidak seefektif menganalisis seluruh kumpulan data. Selain itu, pengambilan sampel secara acak memiliki beberapa
kelemahan mendasar. Pertama-tama, keakuratannya bergantung pada memastikan keacakan saat mengumpulkan data sampel. Namun, mencapai keacakan seperti itu rumit. Bias sistematis dalam proses
pengumpulan data dapat menyebabkan hasil menjadi sangat tidak akurat. Misalnya, pertimbangkan jajak pendapat politik menggunakan telepon rumah. Sampel ini cenderung mengecualikan orang yang hanya menggunakan ponsel. Bias ini dapat sangat mengganggu hasil, karena pengguna telepon seluler biasanya lebih muda dan lebih liberal daripada orang yang hanya mengandalkan telepon rumah.
5.3 The Database Approach (page 110)
Sejak bisnis pertama kali mengadopsi aplikasi komputer (pertengahan 1950-an) hingga awal 1970-an, organisasi mengelola data mereka dalam lingkungan manajemen file. Lingkungan ini berkembang karena organisasi biasanya mengotomatiskan fungsinya satu aplikasi pada satu waktu. Oleh karena itu, berbagai sistem otomatis dikembangkan secara independen satu sama lain, tanpa perencanaan keseluruhan. Setiap aplikasi membutuhkan datanya sendiri-sendiri, yang disusun dalam sebuah file data. File data adalah kumpulan catatan terkait secara logis.
Menggunakan database menghilangkan banyak masalah yang muncul dari metode penyimpanan dan pengaksesan data sebelumnya, seperti sistem manajemen file. Basis data diatur sedemikian rupa sehingga satu set program perangkat lunak sistem manajemen basis data menyediakan akses ke semua data bagi semua pengguna. Sistem ini meminimalkan masalah berikut:
•Redundansi data: Data yang sama disimpan di beberapa lokasi.
•Isolasi data: Aplikasi tidak dapat mengakses data yang terkait dengan aplikasi lain.
•Ketidakkonsistenan data: Berbagai salinan data tidak sesuai. Selain itu, system database memaksimalkan hal-hal berikut:
•Keamanan data: Karena data "diletakkan di satu tempat" dalam database, ada risiko kehilangan banyak data sekaligus. Oleh karena itu, database memiliki langkah-langkah keamanan yang sangat tinggi untuk meminimalkan kesalahan dan mencegah serangan.
•Integritas data: Data memenuhi batasan tertentu; misalnya, tidak ada karakter alfabet di bidang nomor Jaminan Sosial.
•Independensi data: Aplikasi dan data tidak bergantung satu sama lain; Artinya, aplikasi dan data tidak saling terkait, sehingga semua aplikasi dapat mengakses data yang sama.
The Data Hierarchy
Data diatur dalam hierarki yang dimulai dengan bit dan berlanjut ke database. Bit (digit biner) mewakili unit data terkecil yang dapat diproses komputer. Istilah biner berarti bahwa bit hanya dapat terdiri dari 0 atau 1.Sekelompok delapan bit, disebut byte, mewakili satu karakter. Byte bisa berupa huruf, angka, atau simbol.
Pengelompokan karakter yang logis menjadi sebuah kata, sekelompok kecil kata, atau nomor identifikasi disebut Field. Pengelompokan logis dari bidang terkait, seperti nama siswa, kursus yang diambil, tanggal, dan nilainya, terdiri dari catatan. Pengelompokan logis dari rekaman terkait disebut file data atau tabel.
Designing the database
Kunci untuk mendesain database yang efektif adalah model data. Model data adalah diagram yang merepresentasikan entitas dalam database dan hubungannya. Entitas adalah orang, tempat, benda, atau peristiwa seperti pelanggan, karyawan, atau produk yang informasinya disimpan. Entitas biasanya dapat diidentifikasi di lingkungan kerja pengguna. Rekaman umumnya menggambarkan entitas.
Sebuah instance dari suatu entitas adalah representasi entitas yang spesifik dan unik. Misalnya, instance dari entitas Siswa akan menjadi siswa tertentu, setiap karakteristik atau kualitas dari entitas tertentu disebut atribut.
Setiap rekaman dalam file harus berisi setidaknya satu bidang yang secara unik mengidentifikasi rekaman itu sehingga bisa diambil, diperbarui, dan diurutkan. Bidang pengenal ini disebut
Primary Key. Misalnya, catatan siswa di universitas A.S. akan menggunakan nomor siswa unik sebagai miliknya kunci utama. (Catatan: Sebelumnya, nomor Jaminan Sosial Anda berfungsi sebagai kunci utama untuk catatan siswa Anda. Namun, untuk alasan keamanan, praktik ini telah dihentikan.) Dalam beberapa kasus, menemukan catatan tertentu memerlukan penggunaan Secondary Key. Secondary Key adalah bidang lain yang memiliki beberapa informasi pengenal tetapi biasanya tidak mengidentifikasi catatan dengan akurat. Misalnya, jurusan siswa mungkin menjadi kunci sekunder jika pengguna ingin mengidentifikasi semua siswa yang mengambil jurusan di bidang studi tertentu. Namun, itu tidak boleh menjadi kunci utama, karena banyak siswa dapat memiliki jurusan yang sama. Oleh karena itu, tidak dapat secara unik mengidentifikasi siswa secara individu
Entity Relationship Diagram.
Desainer merencanakan dan membuat database melalui proses pemodelan relasi entitas, menggunakan diagram relasi entitas. Ada banyak pendekatan untuk pembuatan diagram. Entitas digambarkan dalam kotak, dan hubungan direpresentasikan sebagai berlian. Atribut untuk setiap entitas dicantumkan, dan kunci utama digaris bawahi. Hubungan menggambarkan hubungan antara dua entitas. Suatu hubungan memiliki nama yaitu kata kerja. Kardinalitas dan modalitas adalah indikator aturan bisnis dalam suatu hubungan. Kardinalitas mengacu pada frekuensi maksimum instance dari satu entitas dapat dikaitkan dengan instance di entitas terkait. Seperti yang didefinisikan sebelumnya, entitas adalah orang, tempat, atau benda yang dapat diidentifikasi di lingkungan kerja pengguna. Instance entitas memiliki pengidentifikasi, yang merupakan atribut (atribut dan pengidentifikasi adalah sinonim) yang unik untuk instance entitas tersebut. Entitas memiliki atribut, atau properti, yang menggambarkan
karakteristik entitas.
Hubungan antara dua item disebut hubungan biner. Ada tiga jenis hubungan biner: satu-ke-satu, satu-ke- banyak, dan banyak-ke-banyak.
Pada relasi One-to-One (1: 1), instance entitas tunggal dari satu jenis terkait dengan satu instance entitas jenis lain.
One-to-Many (1: M) diwakili oleh hubungan CLASS – PROFESSOR pada Gambar 5.4a. Hubungan ini berarti bahwa seorang profesor dapat memiliki satu atau lebih mata kuliah, tetapi setiap mata kuliah hanya dapat memiliki satu profesor.
Many-to-Many (M: M), diwakili oleh hubungan STUDENT-CLASS pada Gambar 5.4a. Hubungan M:
M ini menunjukkan bahwa seorang siswa dapat memiliki satu atau lebih kursus, dan suatu kursus dapat memiliki satu atau lebih siswa.
5.4 Database Management Systems (page 115)
Database Management Systems (DBMS) adalah sekumpulan program yang menyediakan alat bagi pengguna untuk menambah, menghapus, mengakses, memodifikasi, dan menganalisis data yang disimpan di satu lokasi. Organisasi dapat mengakses data dengan menggunakan alat kueri dan pelaporan yang merupakan bagian dari DBMS atau dengan menggunakan program aplikasi yang secara khusus ditulis untuk menjalankan fungsi ini. DBMS juga menyediakan mekanisme untuk menjaga integritas data yang disimpan, mengelola keamanan dan akses pengguna, dan memulihkan informasi jika sistem gagal. Karena database dan DBMS penting untuk semua area bisnis, mereka harus dikelola dengan hati-hati.
Ada sejumlah arsitektur basis data yang berbeda, tetapi kami fokus pada model basis data relasional karena model tersebut populer dan mudah digunakan. Model database lain (misalnya, model hierarki dan jaringan) adalah tanggung jawab fungsi MIS dan tidak digunakan oleh karyawan organisasi. Contoh populer dari database relasional adalah Microsoft Access dan Oracle
Model Basis Data Relasional / The Relational Database Model
Sebagian besar data bisnis — terutama data akuntansi dan keuangan — secara tradisional diatur ke dalam tabel sederhana yang terdiri dari kolom dan baris. Tabel memungkinkan orang membandingkan informasi dengan cepat menurut baris atau kolom. Selain itu, pengguna dapat mengambil item dengan lebih mudah dengan mencari titik perpotongan dari baris dan kolom tertentu.
Model database relasional didasarkan pada konsep tabel dua dimensi. Database relasional pada umumnya bukanlah satu tabel besar — biasanya disebut file datar — yang berisi semua record dan atribut. Desain seperti itu akan memerlukan terlalu banyak redundansi data. Sebaliknya, database relasional biasanya dirancang dengan sejumlah tabel terkait. Masing-masing tabel ini berisi catatan (tercantum dalam baris) dan atribut (tercantum dalam kolom).
Tabel terkait ini dapat digabungkan jika berisi kolom umum. Keunikan kunci primer memberitahu DBMS record mana yang digabungkan dengan record lain dalam tabel terkait. Fitur ini memungkinkan pengguna memiliki fleksibilitas yang tinggi dalam berbagai kueri yang dapat mereka buat. Terlepas dari fitur-fitur ini, model database relasional memiliki beberapa kelemahan. Karena database berskala besar dapat terdiri dari banyak tabel yang saling terkait, desain keseluruhan dapat menjadi kompleks, yang menyebabkan waktu pencarian dan akses menjadi lambat.
Query Languages
Operasi database yang paling sering dilakukan adalah meminta informasi. Bahasa kueri terstruktur (SQL) adalah bahasa kueri paling populer yang digunakan untuk operasi ini. SQL memungkinkan orang melakukan pencarian rumit dengan menggunakan pernyataan atau kata kunci yang relatif sederhana. Kata kunci tipikal adalah SELECT (untuk menentukan atribut yang diinginkan), FROM (untuk menentukan tabel yang akan digunakan), dan WHERE (untuk menentukan kondisi yang akan diterapkan dalam kueri).
Cara lain untuk menemukan informasi dalam database adalah dengan menggunakan query by example (QBE). Dalam QBE, pengguna mengisi kisi atau templat — juga dikenal sebagai formulir — untuk membuat sampel atau deskripsi data yang diinginkan. Pengguna dapat membuat kueri dengan cepat dan mudah dengan menggunakan fitur seret dan lepas di DBMS seperti Microsoft Access. Melakukan kueri dengan cara ini lebih sederhana daripada memasukkan perintah SQL
Data Dictionary
Ketika model relasional dibuat, kamus data mendefinisikan format yang diperlukan untuk memasukkan data ke dalam database. Kamus data memberikan informasi tentang setiap atribut, seperti namanya, apakah itu kunci atau bagian dari sebuah kunci, jenis data yang diharapkan (alfanumerik, numerik, tanggal, dan sebagainya), dan nilai yang valid. Kamus data juga dapat memberikan informasi tentang mengapa atribut dibutuhkan dalam database; fungsi bisnis, aplikasi, formulir, dan laporan mana yang menggunakan atribut tersebut; dan seberapa sering atribut harus diperbarui.
Kamus data bermanfaat bagi organisasi dalam banyak hal. Karena memberikan nama dan definisi standar untuk semua atribut, mereka mengurangi kemungkinan atribut yang sama akan digunakan dalam aplikasi yang berbeda tetapi dengan nama yang berbeda. Selain itu, kamus data memberi organisasi inventaris sumber daya data mereka, memungkinkan mereka untuk mengelola sumber daya ini secara lebih efektif
Normalization
Untuk menggunakan sistem manajemen basis data relasional secara produktif, data harus dianalisis untuk menghilangkan elemen data yang berlebihan. Normalisasi adalah metode untuk menganalisis dan
mengurangi database relasional ke bentuk yang paling efisien untuk memastikan redundansi minimum, integritas data maksimum, dan kinerja pemrosesan yang optimal. Ketika data dinormalisasi, atribut dalam tabel hanya bergantung pada kunci utama.
Proses normalisasi, diilustrasikan : memecah relasi, ORDER, menjadi relasi yang lebih kecil : ORDER, SUPPLIER, dan CUSTOMER dan ORDERED PARTS . Masing-masing relasi ini menggambarkan satu entitas. Proses ini secara konseptual lebih sederhana, dan menghilangkan grup yang berulang. Misalnya, perhatikan pesanan di bengkel mobil.
Hubungan yang dinormalisasi dapat menghasilkan urutan dengan cara berikut .
•Relasi ORDER memberikan Nomor Pesanan (kunci utama), Tanggal Pesanan, Tanggal Pengiriman, Total Pesanan, dan Nomor Pelanggan.
•Kunci utama dari relasi ORDER (Nomor Order) menyediakan link ke relasi ORDERED PARTS.
•Hubungan ORDERED PARTS memberikan informasi Number of Parts ke ORDER.
•Kunci utama dari relasi ORDERED PARTS adalah kunci komposit yang terdiri dari Nomor Pesanan dan Nomor Bagian. Oleh karena itu, komponen Nomor Bagian dari kunci utama menyediakan tautan ke relasi PART.
•Hubungan BAGIAN menyediakan Deskripsi Suku Cadang, Harga Satuan, dan Nomor Pemasok ke ORDER.
•Nomor Pemasok dalam hubungan BAGIAN menyediakan tautan ke hubungan SUPPLIER.
•Hubungan SUPPLIER memberikan Nama Pemasok dan Alamat Pemasok ke ORDER.
•Nomor Pelanggan di ORDER menyediakan link ke hubungan CUSTOMER.
•Hubungan CUSTOMER memberikan Nama Pelanggan dan Alamat Pelanggan ke ORDER.
Databases in Action
Dapat dikatakan bahwa hampir semua organisasi memiliki satu atau lebih database. Selain itu, ada banyak aplikasi database yang menarik. IT's About Business 5.3 mengilustrasikan bagaimana database dapat memberikan dasar untuk banyak fungsi dalam suatu organisasi.
Organisasi mengimplementasikan database untuk mengelola datanya secara efisien dan efektif. Namun, karena database biasanya memproses data dalam waktu nyata (atau mendekati waktu nyata), tidak praktis untuk mengizinkan pengguna mengakses database. Bagaimanapun, data akan berubah saat pengguna melihatnya! Hasilnya, gudang data telah dikembangkan untuk memungkinkan pengguna mengakses data untuk pengambilan keputusan. Anda akan mempelajari tentang gudang data di bagian selanjutnya
5.5 Data Warehouses and Data Marts (page 121) Describing Data Warehouses and Data Marts
Data warehouses adalah gudang data historis yang diatur oleh subjek untuk mendukung pengambil keputusan dalam organisasi.
Karena gudang data sangat mahal, mereka digunakan terutama oleh perusahaan besar. Data mart adalah versi gudang data berbiaya rendah dan diperkecil yang dirancang untuk kebutuhan pengguna akhir di unit bisnis strategis (SBU) atau departemen individu. Data mart dapat diimplementasikan lebih cepat daripada gudang data, seringkali dalam waktu kurang dari 90 hari. Lebih lanjut, mereka mendukung kontrol lokal daripada pusat dengan memberikan kekuasaan pada kelompok pengguna.
Karakteristik dasar gudang data dan data mart meliputi yang berikut ini:
Organized by business dimension or subject atau disusun menurut dimensi atau subjek bisnis. Data diatur menurut subjek misalnya, menurut pelanggan, vendor, produk, tingkat harga, dan wilayah. Pengaturan ini berbeda dengan sistem transaksional, di mana data diatur berdasarkan proses bisnis, seperti entri pesanan, pengendalian inventaris, dan piutang dagang.
Use online analytical processing atau menggunakan pemrosesan analitik online. Biasanya, database organisasi berorientasi pada penanganan transaksi. Artinya, database menggunakan pemrosesan transaksi
online atau online transaction processing (OLTP), di mana transaksi bisnis diproses secara online segera setelah terjadi. Sasarannya adalah kecepatan dan efisiensi, yang sangat penting untuk operasi bisnis berbasis Internet yang sukses. Gudang data dan data mart, yang dirancang untuk mendukung pengambil keputusan tetapi bukan OLTP, menggunakan pemrosesan analitik online. Pemrosesan analitik online (OLAP) melibatkan analisis data yang terakumulasi oleh pengguna akhir.
Integrated atau terintegrasi. Data dikumpulkan dari berbagai sistem dan kemudian diintegrasikan di sekitar subjek. Misalnya, data pelanggan dapat diekstraksi dari sistem internal (dan eksternal) dan kemudian diintegrasikan di sekitar pengenal pelanggan, sehingga menciptakan pandangan pelanggan yang komprehensif.
Time variant atau variasi waktu. Gudang data dan data mart menyimpan data historis (yaitu, data yang menyertakan waktu sebagai variabel). Tidak seperti sistem transaksional, yang hanya menyimpan data terbaru (seperti untuk hari, minggu, atau bulan terakhir), gudang atau pasar dapat menyimpan data bertahun- tahun. Organisasi menggunakan data historis untuk mendeteksi penyimpangan, tren, dan hubungan jangka panjang.
Nonvolatile atau tidak mudah menguap. Gudang data dan data mart tidak mudah berubah artinya, pengguna tidak dapat mengubah atau memperbarui data. Oleh karena itu, gudang atau pasar mencerminkan sejarah, yang, seperti yang baru saja kita lihat, sangat penting untuk mengidentifikasi dan menganalisis tren. Gudang dan mart diperbarui, tetapi melalui proses pemuatan yang dikendalikan TI, bukan oleh pengguna.
Multidimensional. Biasanya data warehouse atau mart menggunakan struktur data multidimensi. Database relasional menyimpan data dalam tabel dua dimensi. Sebaliknya, gudang data dan mart menyimpan data dalam lebih dari dua dimensi. Oleh karena itu, data dikatakan disimpan dalam struktur multidimensi.
A Generic Data Warehouse Environment
Lingkungan untuk gudang data dan mart mencakup berikut ini:
• Sistem sumber yang menyediakan data ke gudang atau mart
• Teknologi dan proses integrasi data yang mempersiapkan data untuk digunakan
• Arsitektur yang berbeda untuk menyimpan data di gudang data atau data mart organisasi
• Alat dan aplikasi yang berbeda untuk berbagai pengguna.
• Metadata, kualitas data, dan proses tata kelola yang memastikan bahwa gudang atau pasar memenuhi tujuannya
Komponen Data Warehouse
• Source Systems
Biasanya ada beberapa "masalah organisasi" (yaitu, kebutuhan bisnis) yang memotivasi perusahaan untuk mengembangkan kapabilitas BI-nya. Persyaratan data dapat berkisar dari satu sistem sumber, seperti dalam kasus data mart, hingga ratusan sistem sumber , seperti dalam kasus gudang data di seluruh perusahaan.
Organisasi modern dapat memilih dari berbagai sistem sumber: sistem operasional / transaksional, sistem perencanaan sumber daya perusahaan (ERP), data situs web, data pihak ketiga (misalnya, data demografis pelanggan), dan banyak lagi. Trennya adalah memasukkan lebih banyak jenis data (misalnya, merasakan data dari tag RFID). Sistem sumber ini sering kali menggunakan paket perangkat lunak yang berbeda (misalnya, IBM, Oracle) dan menyimpan data dalam format yang berbeda (misalnya, relasional, hierarki)
• Data Integration
Selain menyimpan data dalam sistem sumber mereka, organisasi perlu untuk mengekstrak data,
mengubahnya, lalu memuatnya ke dalam data mart atau gudang. Proses ini sering disebut ETL, tetapi istilah integrasi data semakin sering digunakan untuk mencerminkan semakin banyaknya cara penanganan data
sistem sumber. Misalnya, dalam beberapa kasus, data diekstraksi, dimuat ke dalam mart atau gudang, dan kemudian diubah (mis., ELT bukan ETL).
Ekstraksi data dapat dilakukan dengan kode tulisan tangan (misalnya, kueri SQL) atau dengan perangkat lunak integrasi data komersial. Sebagian besar perusahaan menggunakan perangkat lunak komersial.
Perangkat lunak ini membuatnya relatif mudah untuk menentukan tabel dan atribut dalam sistem sumber yang akan digunakan, memetakan dan menjadwalkan pergerakan data ke target (misalnya, data mart atau
gudang), membuat transformasi yang diperlukan, dan akhirnya memuat data. Setelah data diekstraksi, data diubah untuk membuatnya lebih berguna. Misalnya, data dari sistem yang berbeda dapat diintegrasikan di sekitar kunci umum, seperti nomor identifikasi pelanggan.
• Storing the Data
Beragam arsitektur dapat digunakan untuk menyimpan data pendukung keputusan. Arsitektur yang paling umum adalah satu gudang data perusahaan pusat, tanpa data mart. Sebagian besar organisasi menggunakan pendekatan ini, karena data yang disimpan di gudang diakses oleh semua pengguna dan mewakili kebenaran versi tunggal.
Arsitektur lain adalah data mart independen. Arsitektur ini menyimpan data untuk satu aplikasi atau beberapa aplikasi, seperti pemasaran dan keuangan. Pemikiran terbatas diberikan pada bagaimana data dapat
digunakan untuk aplikasi lain atau oleh area fungsional lain dalam organisasi. Ini adalah pendekatan yang sangat berpusat pada aplikasi untuk menyimpan data.
• Metadata
Penting untuk menjaga data tentang data, yang dikenal sebagai metadata, di gudang data. Baik personel TI yang mengoperasikan dan mengelola gudang data maupun pengguna yang mengakses data membutuhkan metadata. Personel TI membutuhkan informasi tentang sumber data; database, tabel, dan nama kolom;
memperbarui jadwal; dan ukuran penggunaan data. Kebutuhan pengguna mencakup definisi data, alat laporan / kueri, informasi distribusi laporan, dan informasi kontak untuk meja bantuan.
• Data Quality
Kualitas data di gudang harus memenuhi kebutuhan pengguna. Jika tidak, data tidak akan dipercaya dan akhirnya tidak akan digunakan. Sebagian besar organisasi menemukan bahwa kualitas data dalam sistem sumber buruk dan harus ditingkatkan sebelum data dapat digunakan di gudang data. Beberapa data dapat ditingkatkan dengan perangkat lunak pembersih data, tetapi solusi jangka panjang yang lebih baik adalah meningkatkan kualitas di tingkat sistem sumber. Pendekatan ini mengharuskan pemilik bisnis data untuk memikul tanggung jawab untuk membuat perubahan yang diperlukan untuk mengimplementasikan solusi ini
• Governance
Untuk memastikan bahwa BI memenuhi kebutuhan mereka, organisasi harus menerapkan tata kelola untuk merencanakan dan mengendalikan aktivitas BI mereka. Tata kelola mensyaratkan adanya orang, komite, dan proses. Perusahaan yang efektif dalam tata kelola BI sering membentuk komite tingkat senior yang terdiri dari wakil presiden dan direktur yang
(1) memastikan bahwa tujuan bisnis dan strategi BI selaras, (2) memprioritaskan proyek, dan
(3) mengalokasikan sumber daya
• Users
Ada banyak pengguna BI potensial, termasuk pengembang TI; pekerja garis depan; analis; pekerja informasi;
manajer dan eksekutif; dan pemasok, pelanggan, dan regulator. Beberapa para pengguna ini adalah produsen informasi yang peran utamanya adalah menciptakan informasi bagi pengguna lain. Pengembang dan analis TI biasanya termasuk dalam kategori ini. Pengguna lain termasuk manajer dan eksekutif adalah konsumen informasi, karena mereka memanfaatkan informasi yang dibuat oleh orang lain.
Manfaat data warehousing meliputi:
• Pengguna akhir dapat mengakses data yang dibutuhkan dengan cepat dan mudah melalui browser Web karena data tersebut berada di satu tempat.
• Pengguna akhir dapat melakukan analisis ekstensif dengan data dengan cara yang sebelumnya tidak mungkin dilakuka
5.6 Knowledge Management (page 130)
Data dan informasi adalah organisasi yang sangat penting.aset nasional. Pengetahuan juga merupakan aset penting. Manajer yang sukses selalu menghargai dan memanfaatkan aset intelektual.
Knowledge Management (KM) adalah proses yang membantu organisasi memanipulasi pengetahuan penting yang terdiri dari bagian dari memori organisasi, biasanya dalam format tidak terstruktur. Agar organisasi berhasil, pengetahuan, sebagai bentuk modal, harus ada dalam format yang dapat dipertukarkan antarpribadi.
Selain itu, harus bisa berkembang.
Konsep Knowledge Management (KM)
Explicit Knowledge berurusan dengan lebih obyektif, rasional, dan pengetahuan teknis. Dalam suatu
organisasi, pengetahuan eksplisit terdiri dari kebijakan, panduan prosedural, laporan, produk, strategi, tujuan, kompetensi inti, dan infrastruktur TI. perusahaan. Dengan kata lain, pengetahuan eksplisit adalah
pengetahuan yang telah didokumentasikan dalam bentuk yang dapat didistribusikan kepada orang lain atau diubah menjadi proses atau sebuah strategi. Penjelasan tentang bagaimana memproses lamaran kerja yang didokumentasikan di perusahaan manusia manual kebijakan sumber daya adalah contoh pengetahuan eksplisit.
Tacid Knowledge adalah gudang kumulatif dari pembelajaran subyektif atau pengalaman. Disebuah organisasi, tacit knowledge terdiri dari pengalaman, wawasan, keahlian, pengetahuan, rahasia dagang, keahlian, pemahaman, dan pembelajaran. Ini juga mencakup budaya organisasi, yang mencerminkan
pengalaman masa lalu dan masa kini dari orang-orang organisasi dan proses, serta nilai-nilai organisasi yang berlaku. Tacid Knowledge umumnya tidak tepat dan mahal untuk ditransfer. Ini juga sangat pribadi. Akhirnya, karena tidak terstruktur, maka sulit untuk memformalkan atau menyusun, berbeda dengan pengetahuan eksplisit. Seorang penjual yang pernah bekerja dengan pelanggan tertentu dari waktu ke waktu dan telah mengetahui kebutuhan mereka dengan baik akan memiliki pengetahuan diam-diam yang luas. Pengetahuan ini biasanya tidak dicatat. Faktanya, ini mungkin sulit untuk dituangkan oleh penjual, meskipun dia bersedia membagikannya
Knowledge Management Systems Cycle 1. Create knowledge
Pengetahuan diciptakan saat orang-orang menentukan menemukan cara-cara baru dalam melakukan sesuatu atau mengembangkan pengetahuan. Terkadang pengetahuan eksternal dibawa masuk.
2. Capture Knowledge
Pengetahuan baru harus diidentifikasi sebagai berharga dan diwakili dengan cara yang masuk akal.
3. Refine Knowledge
Pengetahuan baru harus ditempatkan dalam konteks sehingga dapat ditindaklanjuti. Di sinilah kualitas diam- diam (wawasan manusia) harus ditangkap bersama dengan fakta eksplisit.
4. Store Knowledge
Pengetahuan yang berguna kemudian harus disimpan dalam format yang wajar dalam gudang pengetahuan sehingga orang lain dalam organisasi dapat mengaksesnya.
5. Manage Knowledge
Seperti perpustakaan, pengetahuan harus selalu diperbarui. Ini harus ditinjau secara teratur untuk memverifikasi bahwa itu relevan dan akurat.
6. Disseminate knowledge
Pengetahuan harus tersedia dalam format yang berguna bagi siapa pun dalam organisasi yang membutuhkannya, di mana pun dan kapan pun.
