BUSSINESS ANALYTICS
KELOMPOK 6
Deta Eka Erfianti 21051214005 Disti Aprilia Listiani 21051214011
Yuninda Intan 21051214025 Khiena Salsabiila Susanty 21051214063
ANGGOTA KELOMPOK 6
Business Analitics adalah pemanfaatan aplikasi dan teknik untuk mengumpulkan menganalisis, dan menyediakan akses terhadap data untuk membantu dalam pengambilan keputusan bisnis yang lebih baik.
KONSEP
BUSINESS ANALYTICS
Business Analitics (BA) adalah kombinasi keterampilan, teknologi, dan praktik yang digunakan untuk memeriksa data dan kinerja organisasi sebagai cara untuk mendapatkan wawasan dan membuat keputusan berdasarkan data di masa depan menggunakan analisis statistik.
Tujuan Business Analitics (BA) adalah mempersempit kumpulan data untuk mengetahui mana data yang berguna dan mana data yang dapat meningkatkan pendapatan, produktivitas, defisiensi terutama dalam bentuk dukungan Online analytical processing (OLAP)
Online analytical processing (OLAP) merupakan aktivitas berbasis data yang dilakukan end users untuk menjalankan query data dan menganalisis hasilnya. Data analisis ini biasanya dilakukan pada Data Warehouse. Beberapa aktivitas yang dilakukan OLAP diantaranya:
Melakukan query data
Meminta laporan khusus
Melakukan analisis statistikal
Menghasilkan visualisasi informasi
KONSEP OLAP
OLAP VS OLTP
OLAP OLTP
Pengertian
Suatu proses yang melibatkan analisis dari data akumulasi oleh pengguna akhir (biasanya dalam
sebuah data warehouse).
Suatu proses yang melibatkan database, data dari transaksi bisnis langsung diproses secara online
segera setelah terjadinya transaksi.
Tujuan Utama Untuk analisis dan wawasan Untuk transaksi operasional
Query Menggunakan query kompleks Menggunakan query sederhana
Jenis Data
Berfokus untuk menganalisis data yang bersifat historis atau data yang telah terkumpul dan disimpan
selama periode waktu tertentu.
Berfokus pada data operasional sehari-hari perusahaan.
Kinerja Berfokus pada pembacaan data cepat, Berfokus pada penulisan data cepat.
Parameter OLAP OLTP
Karakteristik Utama Menangani data dalam jumlah besar dalam beberapa database dan menemukan insight tersembunyi
Menangani sejumlah besar transaksi kecil setiap hari secara real-time
Sumber Data Database OLTP dan Sumber lainnya
Transaksi
Waktu Respon dan Tipe Query Makin banyak jumlah data yang akan diproses, makin
lama, query rumit Milidetik. Query Sederhana
Desain Database Denormalisasi database untuk analisa Normalisasi Database untuk efisiensi
Pengguna Berorientasi kepada pelanggan Berorientasi kepada pasar
Domain Khusus subjek (penjualan, pemasaran, dan lain-lain) Khusus Industri (Manufactur, Keuangan, dan lain-lain)
Metrik Kinerja Throughput Query Throughput transaksi
Jumlah Pengguna Hanya beberapa pengguna yang diperbolehkan dalam
satu waktu Ribuan pengguna diperbolehkan dalam satu waktu
OLAP VS OLTP
Berikut adalah perbedaan OLTP dan OLAP dari beberapa parameter:
OLAP memiliki 5 teknik yang diringkas menjadi FASMI (Fast Analysis of Shared Multi- dimensional Information). Teknik ini menjadi fitur unggulan yang digunakan dalam penelitian. Fitur OLAP dijelaskan, sebagai berikut:
Fast, sistem yang memiliki target untuk memberikan respon secepat mungkin pada user menurut analisis yang dilakukan
1.
Analysis, sistem yang mampu mengatasi berbagai logika bisnis serta analisis statistik data yang relevan dengan aplikasi dan kebutuhan user
2.
Shared, sistem yang melakukan keseluruhan keperluan pengamanan data, dimana kebutuhan dan kesediaan akses data oleh banyak user disesuaikan dengan level pengguna
3.
Multi-dimensional, sistem yang mampu memberikan representasi konseptual multidimensi data. Hal ini merupakan cara logis untuk melakukan analisis bisnis serta organisasi
4.
Information, seluruh data dan informasi yang dibutuhkan dan relevan bagi aplikasi, mampu mengatasi adanya manipulasi data intuitif, fleksibilitas dalam menghasilkan laporan serta integrasi terhadap data warehouse.
5.
FITUR OLAP
Cube, jenis database dimana data disimpan dalam bentuk cell, dan sel=sel ini ditempatkan di posisi tertentu yang ditentukan oleh sejumlah variabel yang disebut sebagai dimensi/dimension. Secara teori, jumlah dimensi bisa tidak terbatas, dan tidak ada keharusan untuk membatasinya menjadi 3 dimensi seperti yang digambar dari istilah
“cube” yang membantu kita menggambarkan sifat multidimensional dengan lebih jelas (Kimball dan Caserta, 2004).
Tahapan dalam membuat cube terdiri dari beberapa tahap, diantaranya menentukan nama cube, memilih tabel fakta, memilih measure, dan kemudian memilih dimension (Golfarelli et al, 2012). Pada Gambar 2.1 di bawah ini menunjukkan bentuk cube dan dimensi.
CUBE DAN DIMENSI
Gambar di samping adalah sebuah tabel fakta yang menyimpan measure dan tabel dimensi yang menyimpan atribut sumbu dimensi 1, 2, 3, dst. Cube dengan N-Dimensi mengandung sebuah set dari nilai unik yang mengidentifikasi dan mengkategorikan data.
Visualisasi data adalah teknik untuk menggambarkan data dan informasi menggunakan elemen visual seperti grafik, diagram, grafik, peta, dan visual lainnya.
Tujuan utamanya adalah untuk membuat data yang kompleks menjadi lebih mudah dipahami, mengidentifikasi pola atau tren, serta membantu pengambilan keputusan.
Berikut adalah beberapa aspek penting mengenai visualisasi data:
Jenis Visualisasi Data:
1.
Ada berbagai jenis visualisasi data, termasuk grafik batang, grafik garis, grafik lingkaran, histogram, scatter plot, peta, dan banyak lagi.
Pemilihan jenis visualisasi harus didasarkan pada tipe data yang ingin digambarkan dan informasi yang ingin disampaikan.
2. Sederhana dan Mudah Dipahami oleh audiens yang berbeda. Tujuannya adalah menyampaikan informasi dengan cara yang intuitif.
3. Pemilihan Warna yang Tepat: agar visualisasi tetap mudah dibaca dan tidak membingungkan.
VISUALISASI DATA
CUSTOMER ANALYTICS
Analisis pelanggan melibatkan penggunaan analisis data untuk memahami dan memprediksi perilaku, preferensi, dan kebiasaan pembelian pelanggan. Wawasan ini membantu bisnis membuat keputusan strategis, meningkatkan pengalaman pelanggan, dan mengoptimalkan pemasaran dan penawaran produk.
manfaat dari customer analytics : Segmentasi Pelanggan
Peningkatan Retensi Pelanggang Personalisasi Pemasaran
Pengembangan Produk dan Inovasi Optimisasi Operasional
REAL TIME BUSINESS INTELLIGENCE
Real-time Business Intelligence (RTBI) adalah konsep yang mengacu pada penggunaan teknologi dan proses untuk menganalisis data dan memberikan wawasan bisnis segera atau hampir instan, biasanya beberapa detik atau menit setelah data tersedia. Hal ini memungkinkan organisasi dengan cepat mengambil keputusan berdasarkan data dan bereaksi terhadap perubahan pasar, tren, atau peristiwa penting yang terjadi secara real- time. RTBI memanfaatkan algoritme analisis data tingkat lanjut untuk memproses dan memproses data langsung dari berbagai sumber, memungkinkan organisasi memperoleh informasi relevan dan terkini untuk mendorong strategi bisnis mereka. Dengan RTBI, bisnis dapat mengoptimalkan operasional, meningkatkan efisiensi, dan memberikan layanan yang lebih baik kepada pelanggan secara real time.
SQL SERVER ANALYSIS SERVICES (SSAS)
SQL Server Analysis Services (SSAS) adalah komponen Microsoft SQL Server yang memungkinkan organisasi mengelola dan menganalisis data bisnis secara multidimensi atau tabel. Model multidimensi SSAS membangun struktur data dalam bentuk kubus, membuat analisis multidimensi lebih mudah, sedangkan model tabular memiliki pendekatan tabel relasional yang lebih sederhana. Dengan memanfaatkan dimensi, fakta, dan penggunaan bahasa query seperti MDX, SSAS memungkinkan pengguna untuk melakukan analisis mendalam dan menyajikan informasi penting dalam format yang mudah dipahami, mendukung pengambilan keputusan yang lebih baik. Pengembangan dan strategi bisnis.
REFERENSI
GHUFRON, G., Surarso, B., & Gernowo, R. (2020). SISTEM INFORMASI CLUSTERING
KUALITAS PROGRAM STUDI MENGGUNAKAN OLAP (ONLINE ANALYTICAL PROCESSING) DAN K-MEDOIDS (Doctoral dissertation, School of Postgraduate).
Ghozali, A. L. (2014, November). Sistem Informasi Pendukung Keputusan Terhadap Mutu
Lulusan dengan Metode Fuzzy Model Tsukamoto. In Prosiding Industrial Research Workshop and National Seminar (Vol. 5, pp. 21-28).
