Systems Simulation and Engineering data Analysis – R0
LECTURE NOTES
Systems Simulation and Engineering data Analysis
Week ke – 6
Foundation of Business Analytics
Systems Simulation and Engineering data Analysis – R0
LEARNING OUTCOMES
LO3 Mahasiswa mampu menjelaskan pentingnya rekaysaa analitik data dalam lingkungan bisnis dan manufaktur
OUTLINE MATERI (Sub-Topic):
• Evolution of Business Analytics
• Data for Business Analytics
• Models in Business Analytics
• Problem Solving with Analytics
• Database Analytics.
Systems Simulation and Engineering data Analysis – R0
ISI MATERI
Dalam aktivitas sehari-hari, semua individu dihadapkan dalam membuat keputusan.
Manusia sebagai individu akan menghadapi keputusan pribadi seperti memilih perguruan tinggi atau program pascasarjana, melakukan pembelian produk, memilih instrumen hipotek, dan berinvestasi untuk pensiun. Hal yang sama dengan manajer dalam organisasi bisnis membuat banyak keputusan setiap hari. Beberapa keputusan ini termasuk produk apa yang harus dibuat dan bagaimana menetapkan harganya, di mana menempatkan fasilitas, berapa banyak orang yang akan dipekerjakan, di mana mengalokasikan anggaran iklan, apakah akan melakukan outsourcing fungsi bisnis atau melakukan investasi modal, dan bagaimana menjadwalkan produksinya dan hal lainnya.
Banyak dari keputusan ini memiliki konsekuensi ekonomi yang signifikan. Apalagi keputusan dapat sulit dibuat karena data yang tidak pasti dan informasi yang tidak sempurna tentang masa depan. Manajer saat ini tidak lagi membuat keputusan berdasarkan penilaian dan pengalaman murni. Para manager dapat mengandalkan data faktual dan kemampuan untuk memanipulasi dan menganalisis data untuk melengkapi intuisi dan pengalaman, dan untuk membenarkan keputusan mereka.
Hal yang membuat keputusan bisnis menjadi rumit saat ini adalah banyaknya data dan informasi yang tersedia. Data untuk mendukung keputusan bisnis—termasuk yang secara khusus dikumpulkan oleh perusahaan serta melalui Internet dan media sosial seperti Facebook tumbuh secara eksponensial dan menjadi semakin sulit untuk dipahami dan digunakan.
Akibatnya, banyak perusahaan baru-baru ini mendirikan departemen analitik; misalnya, IBM mereorganisasi bisnis konsultasinya dan mendirikan organisasi baru dengan 4.000 orang yang berfokus pada analitik. Perusahaan semakin mencari lulusan bisnis dengan kemampuan untuk memahami dan menggunakan analitik.
EVOLUTION OF BUSINESS ANALYTICS
Analisis bisnis atau business analytic adalah penggunaan data, teknologi informasi, analisis statistik, metode kuantitatif, dan model matematika atau berbasis komputer untuk membantu manajer mendapatkan wawasan yang lebih baik tentang operasi bisnis mereka dan membuat keputusan berbasis fakta yang lebih baik. Analisis bisnis merupakan proses mengubah data menjadi tindakan melalui analisis dan wawasan dalam konteks pengambilan
Systems Simulation and Engineering data Analysis – R0 keputusan organisasi dan pemecahan masalah. Analisis bisnis saat ini didukung oleh berbagai alat seperti Microsoft Excel dan berbagai add-in Excel, paket perangkat lunak statistik komersial seperti SAS atau Minitab, dan perlengkapan intelijen bisnis yang lebih kompleks yang mengintegrasikan data dengan perangkat lunak analitik.
Alat dan teknik analitik bisnis digunakan di banyak area di berbagai organisasi untuk meningkatkan pengelolaan hubungan pelanggan, aktivitas keuangan dan pemasaran, sumber daya manusia, rantai pasokan, dan banyak area lainnya, seperti:
a) Bank atau lembaga keuangan menggunakan analitik untuk memprediksi dan mencegah penipuan kredit.
b) Perusahaan investasi menggunakan analitik untuk memilih portofolio klien terbaik untuk mengelola risiko dan mengoptimalkan pengembalian.
c) Produsen menggunakan analitik untuk perencanaan produksi, pembelian, dan manajemen inventaris.
d) Pengecer menggunakan analitik untuk merekomendasikan produk kepada pelanggan dan mengoptimalkan promosi pemasaran.
e) Perusahaan farmasi menggunakan analitik untuk membuat obat yang menyelamatkan jiwa dapat dipasarkan lebih cepat.
Beberapa jenis keputusan bisnis umum yang dapat ditingkatkan dengan menggunakan analitik meliputi:
1. Penetapan harga (misalnya, penetapan harga untuk barang konsumsi dan industri, kontrak pemerintah, dan kontrak pemeliharaan).
2. Segmentasi pelanggan (misalnya, mengidentifikasi dan menargetkan kelompok pelanggan utama dalam industri ritel, asuransi, dan kartu kredit),
3. Merchandising (misalnya, menentukan merek yang akan dibeli, jumlah, dan alokasi), 4. Lokasi (misalnya, menemukan lokasi terbaik untuk cabang bank dan ATM, atau tempat
untuk melayani peralatan industri),
5. Desain rantai pasokan (misalnya, menentukan sumber terbaik dan pilihan transportasi dan menemukan rute pengiriman terbaik),
6. Bagian Kepegawaian (misalnya, memastikan tingkat dan kemampuan kepegawaian yang sesuai dan mempekerjakan orang yang tepat—kadang-kadang disebut sebagai
"analisis orang"),
Systems Simulation and Engineering data Analysis – R0 7. Perawatan kesehatan (misalnya, menjadwalkan ruang operasi untuk meningkatkan pemanfaatan, meningkatkan aliran pasien dan waktu tunggu, membeli persediaan, memprediksi faktor risiko kesehatan).
Beberapa manfaat menerapkan analisis bisnis bisa menjadi signifikan, diantaranya:
1. Perusahaan melaporkan pengurangan biaya, manajemen risiko yang lebih baik, keputusan yang lebih cepat, produktivitas yang lebih baik, dan peningkatan kinerja bottom-line seperti profitabilitas dan kepuasan pelanggan
2. Analisis bisnis mengubah cara manajer membuat keputusan. Untuk berkembang di dunia bisnis saat ini, organisasi harus terus berinovasi untuk membedakan diri dari pesaing
3. Organisasi menghadapi banyak tantangan dalam mengembangkan kemampuan analitik, termasuk kurangnya pemahaman tentang cara menggunakan analitik, prioritas bisnis yang bersaing, keterampilan analitis yang tidak memadai, kesulitan dalam mendapatkan data yang baik dan berbagi informasi, dan tidak memahami manfaat versus biaya yang dirasakan dari studi analitik.
Metode analitis, dalam satu atau lain bentuk, telah digunakan dalam bisnis selama lebih dari satu abad. Inti dari analitik bisnis terdiri dari tiga disiplin ilmu: intelijen bisnis dan sistem informasi, statistik, serta pemodelan dan optimisasi. Evolusi modern analitik dimulai dengan pengenalan komputer pada akhir tahun 1940 dan perkembangannya hingga 1960-an dan seterusnya. Komputer pada awalnya menyediakan kemampuan untuk menyimpan dan menganalisis data dengan cara yang sangat sulit atau tidak mungkin dilakukan secara manual Ini memfasilitasi pengumpulan, pengelolaan, analisis, dan pelaporan data, yang sering disebut Business intelligence (BI).
Business Inteligent telah berkembang menjadi disiplin modern yang sekarang kita sebut Sistem Informasi (SI) Sebagian besar analitik bisnis modern berasal dari analisis dan solusi masalah keputusan yang kompleks menggunakan model matematika atau berbasis komputer—
disiplin ilmu yang dikenal sebagai riset operasi, atau ilmu manajemen. Riset Operasi/Ilmu Manajemen (Operational Research/OR). Analitik bisnis modern dapat dilihat sebagai integrasi BI/IS, statistik, serta pemodelan dan optimisasi seperti terlihat pada Gambar 1.
Systems Simulation and Engineering data Analysis – R0 Gambar 1. Modern Business Analytics
Seperti Decision Support System (DSS). DSS mencakup tiga komponen:
• Manajemen data. Komponen manajemen data termasuk database untuk menyimpan data dan memungkinkan pengguna untuk memasukkan, mengambil, memperbarui, dan memanipulasi data.
• Manajemen model. Komponen manajemen model terdiri dari berbagai alat statistik dan model ilmu manajemen dan memungkinkan pengguna untuk dengan mudah membangun, memanipulasi, menganalisis, dan memecahkan model.
• Sistem komunikasi. Komponen sistem komunikasi menyediakan antarmuka yang diperlukan bagi pengguna untuk berinteraksi dengan data dan komponen manajemen model.
Selain itu banyak sekali dasar dan alternatif penggunaan analisis deskriptif, analisis prediktif dan analisis preskriptif. Sebagian besar bisnis memulai dengan analitik deskriptif di mana penggunaan data untuk memahami kinerja bisnis masa lalu dan saat ini serta membuat keputusan yang tepat. Analitik deskriptif adalah jenis analitik yang paling umum digunakan dan paling dipahami. Teknik-teknik ini mengkategorikan, mengkarakterisasi, mengkonsolidasikan, dan mengklasifikasikan data untuk mengubahnya menjadi informasi yang berguna untuk tujuan memahami dan menganalisis kinerja bisnis.
Sedangkan analisis prediktif berusaha untuk memprediksi masa depan dengan memeriksa data historis, mendeteksi pola atau hubungan dalam data ini, dan kemudian mengekstrapolasi hubungan ini ke depan dalam waktu. Misalnya, bagian marketing mungkin ingin memprediksi respons segmen pelanggan yang berbeda terhadap kampanye iklan, pedagang komoditas mungkin ingin memprediksi pergerakan harga komoditas dalam jangka pendek, atau produsen
Systems Simulation and Engineering data Analysis – R0 pakaian ski mungkin ingin memprediksi permintaan pakaian ski musim depan termasuk penentuan warna dan ukuran tertentu.
Secara lebih lanjut, beberapa masalah seperti penjadwalan pesawat atau karyawan dan desain rantai pasokan, hanya melibatkan terlalu banyak pilihan atau alternatif untuk dipertimbangkan secara efektif oleh pembuat keputusan manusia. Analisis preskriptif bisa menjadi alternatif. Analitik preskriptif menggunakan pengoptimalan untuk mengidentifikasi alternatif terbaik untuk meminimalkan atau memaksimalkan beberapa tujuan. Analitik preskriptif digunakan di banyak bidang bisnis, termasuk operasi, pemasaran, dan keuangan.
Misalnya, kami dapat menentukan strategi penetapan harga dan periklanan terbaik untuk memaksimalkan pendapatan, jumlah uang tunai yang optimal untuk disimpan di ATM, atau kombinasi investasi terbaik dalam portofolio pensiun untuk mengelola risiko.
DATA FOR BUSINESS ANALYTICS
Sebagian besar data dikumpulkan melalui beberapa jenis proses pengukuran, dan terdiri dari angka (misalnya, pendapatan penjualan) atau data tekstual (misalnya, demografi pelanggan seperti jenis kelamin). Data lainnya mungkin diambil dari media sosial, ulasan online, dan bahkan file audio dan video. Sebagian besar informasi berasal dari analisis data yaitu mengekstraksi makna dari data untuk mendukung evaluasi dan pengambilan keputusan.
Data digunakan di hampir setiap fungsi utama dalam bisnis organisasi modern yang mencakup tidak hanya bisnis yang mencari laba tetapi juga organisasi nirlaba. Hal ini terkait kebutuhan n data yang baik untuk mendukung berbagai tujuan perusahaan, seperti perencanaan, meninjau kinerja perusahaan, meningkatkan operasi, dan membandingkan kinerja perusahaan dengan pesaing atau tolok ukur praktik terbaik.
Beberapa contoh bagaimana data digunakan dalam bisnis meliputi:
• Laporan tahunan merangkum data tentang profitabilitas perusahaan dan Pangsa pasar
• Akuntan melakukan audit untuk menentukan apakah angka yang dilaporkan pada neraca perusahaan
• Analis keuangan mengumpulkan dan menganalisis berbagai data untuk memahami kontribusi yang diberikan bisnis kepada pemegang sahamnya
• Para ekonom menggunakan data untuk membantu perusahaan memahami dan memprediksi tren populasi, suku bunga, kinerja industri, pengeluaran konsumen, dan perdagangan internasional
• Peneliti pemasaran mengumpulkan dan menganalisis data pelanggan yang ekstensif
Systems Simulation and Engineering data Analysis – R0
• Manajer operasi menggunakan data tentang kinerja produksi, kualitas manufaktur, waktu pengiriman, akurasi pesanan, kinerja pemasok, produktivitas, biaya, dan kepatuhan lingkungan untuk mengelola operasi mereka
• Manajer sumber daya manusia mengukur kepuasan karyawan, biaya pelatihan, pergantian, inovasi pasar, efektivitas pelatihan, dan pengembangan keterampilan.
Saat ini, hampir semua data ditangkap secara digital. Profesional analitik telah menciptakan istilah Big Data untuk merujuk pada sejumlah besar data bisnis dari berbagai sumber, banyak di antaranya tersedia secara real time. IBM menyebut karakteristik ini volume, variasi, dan kecepatan. Umumnya, data besar (big data) berkisar pada perilaku pelanggan dan pengalaman pelanggan. Big Data memberikan peluang bagi organisasi untuk mendapatkan keunggulan kompetitif jika data dapat dipahami dan dianalisis secara efektif untuk membuat keputusan bisnis yang lebih baik.
Big Data dapat membantu organisasi lebih memahami dan memprediksi perilaku pelanggan dan meningkatkan layanan pelanggan. Sebuah studi oleh McKinsey Global Institute mencatat bahwa Penggunaan big data secara efektif memiliki potensi untuk mengubah ekonomi, memberikan gelombang baru pertumbuhan produktivitas dan surplus konsumen. Penggunaan big data akan menjadi kunci utama persaingan bagi perusahaan yang sudah ada dan akan menciptakan pesaing baru yang mampu menarik karyawan yang memiliki keterampilan kritis untuk dunia big data.
MODELS IN BUSINESS ANALYTICS
Banyak masalah keputusan dapat diformulasikan menggunakan model. Model adalah abstraksi atau representasi dari sistem, ide, atau objek nyata. Model keputusan adalah representasi logis atau matematis dari masalah atau situasi bisnis yang dapat digunakan untuk memahami, menganalisis, atau memfasilitasi pengambilan keputusan. Model keputusan dapat direpresentasikan dalam berbagai cara, biasanya dengan fungsi matematis dan spreadsheet.
Model keputusan biasanya memiliki tiga jenis input:
a) Data, yang diasumsikan konstan untuk tujuan model.
Beberapa contohnya adalah biaya, kapasitas mesin, dan jarak antar kota.
b) Input tak terkendali, yaitu kuantitas yang dapat berubah tetapi tidak dapat dikontrol secara langsung oleh pengambil keputusan. Beberapa contohnya seperti permintaan pelanggan, tingkat inflasi, dan hasil investasi. Seringkali, variabel ini tidak pasti.
Systems Simulation and Engineering data Analysis – R0 c) Pilihan keputusan, yang dapat dikontrol dan dapat dipilih atas kebijaksanaan pembuat keputusan. Beberapa contohnya adalah jumlah produksi, tingkat staf, dan alokasi investasi. Pilihan keputusan sering disebut variabel keputusan.
Beberapa contoh model keputusan dapat dianalisis secara deskriptif, prediktif dan preskriptif. Model deskriptif menjelaskan perilaku dan memungkinkan pengguna untuk mengevaluasi keputusan potensial dengan menanyakan kondisi “bagaimana jika (what if)?”.
Seperti contoh penentuan Break Even Analysis pada Gambar 2.
Gambar 2. Break-Even Analysis
Selanjutnya, Model prediktif berfokus pada apa yang akan terjadi di masa depan.
Banyak model prediksi dikembangkan dengan menganalisis data historis dan mengasumsikan bahwa masa lalu mewakili masa depan. Seperti terlihat pada Tabel 1 dimana terdapat serangkaian data untuk kepentingan promosi penjualan untuk beberapa area tertentu.
Tabel 1. Predictive sales- Promotion Model
Oleh karenanya, Semua model didasarkan pada asumsi yang mencerminkan pandangan pemodel tentang "dunia nyata". Beberapa asumsi dibuat untuk menyederhanakan model dan membuatnya lebih mudah diatur, yaitu dapat dengan mudah dianalisis atau dipecahkan. Asumsi
Systems Simulation and Engineering data Analysis – R0 lain mungkin dibuat untuk lebih mencirikan data historis atau pengamatan masa lalu. Tugas pemodel adalah memilih atau membangun model yang sesuai yang paling mewakili perilaku situasi nyata. Misalnya, teori ekonomi memberi tahu kita bahwa permintaan akan suatu produk berhubungan negatif dengan harganya.
PROBLEM SOLVING WITH ANALYTICS Pemecahan masalah terdiri dari beberapa fase:
1. Mengenali masalah (Recognizing a Problem)
Manajer di tingkat organisasi yang berbeda menghadapi berbagai jenis masalah. Di perusahaan manufaktur, misalnya, manajer puncak menghadapi keputusan mengenai pengalokasian sumber daya keuangan, membangun atau memperluas fasilitas, menentukan bauran produk, dan mencari sumber produksi secara strategis. Middle Manajer dalam operasi mengembangkan rencana distribusi, jadwal produksi dan inventaris, dan rencana kepegawaian.
Manajer keuangan menganalisis risiko, menentukan strategi investasi, dan membuat keputusan penetapan harga. Manajer pemasaran mengembangkan rencana periklanan dan membuat keputusan alokasi tenaga penjualan. Dalam operasi manufaktur lainnya, klasifikasi masalah melibatkan ukuran produksi harian, jadwal mesin individu, dan tugas pekerja. Apapun masalahnya, langkah pertama adalah menyadari bahwa masalah itu ada.
2. Mendefinisikan masalah
Menemukan masalah sebenarnya dan membedakannya dari gejala yang diamati adalah langkah kritis. Misalnya, biaya distribusi yang tinggi mungkin berasal dari ketidakefisienan rute truk, lokasi pusat distribusi yang buruk, atau faktor eksternal seperti kenaikan biaya bahan bakar. Masalahnya mungkin didefinisikan sebagai upaya meningkatkan proses perutean, mendesain ulang seluruh sistem distribusi, atau secara optimal melakukan lindung nilai pembelian bahan bakar.
3. Penataan masalah (Structuring the Problem)
Biasanya melibatkan menyatakan tujuan dan sasaran, mengkarakterisasi keputusan yang mungkin, dan mengidentifikasi kendala atau batasan. Misalnya, jika masalahnya adalah mendesain ulang sistem distribusi, Keputusan mungkin melibatkan lokasi baru untuk pabrik dan gudang (di mana?), Penugasan baru produk ke pabrik (yang mana?), dan Jumlah setiap produk yang dikirim dari gudang yang berbeda ke pelanggan (berapa banyak?)
Systems Simulation and Engineering data Analysis – R0 4. Menganalisis masalah
Analisis masalah melibatkan semacam eksperimen atau proses solusi, seperti mengevaluasi skenario yang berbeda, menganalisis risiko yang terkait dengan berbagai alternatif keputusan, menemukan solusi yang memenuhi tujuan tertentu, atau menentukan solusi optimal.
5. Interpretasi hasil dan membuat keputusan
Menginterpretasikan hasil dari tahap analisis sangat penting dalam membuat keputusan yang baik. Model tidak dapat menangkap setiap detail dari masalah nyata, dan manajer harus memahami keterbatasan model dan asumsi yang mendasarinya dan sering memasukkan pertimbangan ke dalam pengambilan keputusan.
6. Menerapkan solusi
Tahapan ini berarti membuat solusi bekerja di organisasi atau menerjemahkan hasil model kembali ke dunia nyata. Ha Ini umumnya membutuhkan penyediaan sumber daya yang memadai, memotivasi karyawan, menghilangkan penolakan terhadap perubahan, memodifikasi kebijakan organisasi, dan mengembangkan kepercayaan. Masalah dan solusinya mempengaruhi orang: pelanggan, pemasok, dan karyawan. Semua harus menjadi bagian penting dari proses pemecahan masalah. Kepekaan terhadap isu-isu politik dan organisasi adalah keterampilan penting yang harus dimiliki oleh para manajer dan profesional analitis ketika memecahkan masalah.
Database Analytics
Sebuah data set merupakan sejumlah atau kumpulan data. Tanggapan survei pemasaran, tabel harga saham historis, dan kumpulan pengukuran dimensi barang yang diproduksi adalah contoh kumpulan data. pada prosedur analisis statistik, kita akan melihat banyak contoh data empiris seperti data yang berasal dari eksperimen dan observasi.
Sedangkan Basis data (database) adalah kumpulan file terkait yang berisi catatan tentang orang, tempat, atau benda. Database menyediakan struktur untuk data. Orang, tempat, atau hal yang informasinya kami simpan dan pelihara disebut entitas. Basis data biasanya diatur dalam tabel dua dimensi, di mana kolom sesuai dengan setiap elemen data individu disebut fields, atau atribut, dan baris mewakili catatan elemen data terkait. Saat ini, database secara sederhana dapat dikelola dalam bentuk spreedsheet dan komponen tool excel lainya.
Systems Simulation and Engineering data Analysis – R0
SIMPULAN
Analisis data adalah istilah luas yang mencakup berbagai jenis analisis data. Semua jenis informasi dapat dikenai teknik analisis data untuk mendapatkan wawasan yang dapat digunakan untuk meningkatkan berbagai hal. Teknik analitik data dapat mengungkapkan tren dan metrik yang jika tidak akan hilang dalam kumpulan informasi. Informasi ini kemudian dapat digunakan untuk mengoptimalkan proses untuk meningkatkan efisiensi keseluruhan bisnis atau sistem.
Analisis data penting karena membantu bisnis mengoptimalkan kinerja mereka.
Menerapkannya ke dalam model bisnis berarti perusahaan dapat membantu mengurangi biaya dengan mengidentifikasi cara yang lebih efisien dalam menjalankan bisnis dan dengan menyimpan data dalam jumlah besar. Perusahaan juga dapat menggunakan analitik data untuk membuat keputusan bisnis yang lebih baik dan membantu menganalisis tren dan kepuasan pelanggan, yang dapat menghasilkan produk dan layanan baru serta keputusan yang lebih baik.
Systems Simulation and Engineering data Analysis – R0
DAFTAR PUSTAKA
Evans, J. R. (2021). Business analytics (p. 656). Global Edition, 3rd Edition. England:
Pearson.
