Apa itu intelijen bisnis?
Business Intelligence , atau BI , menggunakan sistem intelijen terkomputerisasi untuk mengumpulkan, mengelola, dan menginterpretasikan informasi tentang bisnis untuk membuat keputusan bisnis yang tepat. BI memantau operasi perusahaan secara cerdas. BI menggunakan kombinasi alat, seperti manajemen basis data, sistem pendukung keputusan, penambangan data, dan analisis statistik.
Bagaimana BI berbeda dari sistem pendukung keputusan umum? Pertama, BI tidak fokus untuk mendukung jenis keputusan tertentu, tetapi pada semua operasi perusahaan. Ini membuatnya lebih lengkap. Kedua, BI seringkali berlangsung secara terus menerus, mendekati real time. Hal ini memungkinkan diperolehnya visi perusahaan yang terintegrasi dan berkesinambungan.
Ketiga, BI memiliki unsur intelijen, artinya berusaha mengintegrasikan informasi internal organisasi dan juga informasi terkait kondisi pasar dan pesaing tertentu. BI sering digunakan, tidak hanya untuk membuat keputusan yang terinformasi dengan baik, tetapi secara khusus untuk mendapatkan keunggulan kompetitif di pasar. Fokus khusus BI seringkali untuk memenangkan lebih banyak bisnis atau meningkatkan pangsa pasar.
analitik prediktif
BI seringkali memiliki aspek prediktif, yang disebut analisis prediktif . Akan seperti apa pasar dalam beberapa minggu, bulan, atau tahun mendatang? Apa yang akan dilakukan pesaing saya? Apa yang akan memberi perusahaan saya keunggulan kompetitif dalam waktu dekat?
Pertanyaan-pertanyaan ini tidak dijawab dengan brainstorming melalui pemikiran pie-in-the-sky, tetapi dengan algoritma komputer yang menganalisis data. Analitik prediktif adalah jenis penambangan data yang berfokus pada menemukan pola dalam data yang ada untuk memprediksi tren dan perilaku di masa depan. Contoh analitik prediktif yang sudah Anda kenal adalah prakiraan cuaca. Ahli meteorologi menggunakan data historis jangka panjang dan pengukuran atmosfer yang lebih baru untuk memprediksi suhu, angin, dan curah hujan beberapa hari ke depan. Ramalan tersebut mungkin tidak selalu akurat, tetapi seringkali cukup mendekati.
Contoh analitik prediktif yang baik dalam dunia bisnis adalah industri asuransi. Katakanlah Anda baru saja membeli mobil baru, tetapi sebelum Anda dapat mengendarainya, Anda perlu mendapatkan asuransi. Anda menghubungi agen asuransi untuk membuat polis asuransi baru. Bagaimana perusahaan asuransi akan menentukan premi bulanan Anda? Ini akan tergantung pertama-tama pada mobil sebenarnya yang Anda kendarai. Jika mobil yang sangat mahal mengalami kecelakaan, biaya perbaikannya akan lebih mahal. Itu juga akan tergantung pada bagaimana Anda akan menggunakan mobil Anda dan di mana akan diparkir.
Dapatkah Anda memikirkan hal lain yang ingin diketahui oleh perusahaan asuransi? Bagaimana dengan usiamu? Tentu. jenis kelamin Anda? Ya. Kode pos tempat Anda tinggal, bekerja dan/atau belajar? Itu juga.
Jadi katakanlah Anda berusia 24 tahun. Anda memberikan semua informasi lainnya, dan perusahaan asuransi memperkirakan premi Anda sebesar $137 per bulan. Anda berusia 25 tahun dalam beberapa bulan dan ingin tahu apakah ada perbedaan. Secara efektif, premi Anda akan turun menjadi $125 per bulan.
Jadi, bagaimana tepatnya perusahaan asuransi menghitung selisih $12? Apakah Anda akan menjadi pengemudi yang jauh lebih baik dalam beberapa bulan? Ingat bagaimana asuransi bekerja. Anda mendapatkan polis asuransi, dan ketika Anda mengalami kecelakaan, perusahaan asuransi membayar untuk memperbaikinya. Oleh karena itu, perusahaan asuransi harus menghitung risiko apa yang ditimbulkannya kepada mereka. Berapa peluang mengalami kecelakaan dalam 12 bulan mendatang?
Ini ditentukan dengan melihat data pengemudi dari beberapa tahun terakhir. Berapa banyak pengemudi dengan profil serupa yang mengalami kecelakaan selama periode 12 bulan? Apa yang ditemukan oleh perusahaan asuransi adalah bahwa pengemudi yang lebih muda di bawah usia 25 tahun cenderung mengemudi dengan kurang aman daripada pengemudi yang lebih tua.
Apa pun alasan pasti di baliknya, inilah yang ditunjukkan oleh analisis statistik. Artinya, pengemudi yang lebih muda harus membayar lebih sedikit. Perbedaan $12 ditentukan oleh model statistik yang digunakan untuk memprediksi risiko kecelakaan pengemudi.
Analitik prediktif menggunakan data historis untuk memprediksi kemungkinan bahwa Anda akan mengalami kecelakaan. Itu tidak berarti Anda akan mengalami kecelakaan, tentu saja. Tapi katakanlah perusahaan asuransi memiliki 250.000 pelanggan dengan polis asuransi mobil. Setiap tahun, akan ada serangkaian kecelakaan. Analisis prediktif membantu menentukan keseluruhan risiko bagi perusahaan asuransi. Risiko keseluruhan itu digunakan untuk menghitung premi. Klien harus membayar lebih atau kurang, tergantung seberapa besar kontribusi mereka terhadap keseluruhan risiko.
Pemrosesan analitik online
Salah satu alat khusus lainnya yang digunakan dalam BI adalah Online Analytical Processing, atau OLAP . OLAP adalah pendekatan untuk menjawab pertanyaan dengan cepat yang memiliki banyak dimensi. Anda mungkin menganggap tabel data memiliki dua dimensi: baris dan kolom. Misalnya, setiap baris dalam tabel dapat berupa produk yang dibuat oleh suatu perusahaan, dan setiap kolom dapat berupa berapa unit dari setiap produk yang terjual setiap bulan. Anda dapat menjawab pertanyaan tentang tabel ini dengan menggunakan kueri database.
OLAP memperluas ide ini menjadi lebih dari dua dimensi. Misalnya, untuk setiap produk, Anda juga ingin mengetahui di fasilitas mana produk diproduksi (dimensi ke-3), ke pelanggan mana produk dikirim (dimensi ke-4), dan berapa banyak unit yang memiliki jenis masalah seperti yang dilaporkan oleh pelanggan (dimensi ke-5). dimensi). Informasi ini dapat disimpan dalam database relasional, tetapi untuk sejumlah besar dimensi hal ini dapat menjadi berantakan dan database akan menjadi lambat. OLAP mengatur data multidimensi ini agar dapat dianalisis dengan cepat.
Misalnya, setelah Anda mengatur data dalam berbagai dimensi, Anda dapat mengajukan pertanyaan seperti ini: Tunjukkan semua fasilitas di Eropa yang membuat produk khusus ini di bulan Juni yang dikirim ke pelanggan di Asia yang dilaporkan memiliki masalah. Sekarang untuk fasilitas yang sama, tunjukkan pada saya semua produk lain yang mereka buat pada bulan yang sama yang dikirim ke Amerika Utara, lalu berikan milis dari semua pelanggan di California.
OLAP dirancang untuk memproses jenis analisis ini dengan sangat cepat. Anda dapat melihat bagaimana OLAP bisa sangat berguna untuk menganalisis operasi bisnis yang kompleks. OLAP dan penambangan data digunakan dalam Business Intelligence, tetapi mereka mewakili pendekatan yang berbeda.
Dalam penambangan data , alat analitik digunakan untuk menemukan hubungan dalam data. Anda pada dasarnya mengatakan, ‘Ini datanya, tunjukkan pada saya pola apa yang menarik.’ Di OLAP, Anda memulai dengan beberapa pertanyaan yang sangat spesifik dan menggali lebih dalam data untuk menemukan jawabannya. Penambangan data bersifat bottom up, didorong oleh penemuan. OLAP didasarkan pada kueri top-down.
Ringkasan Pelajaran
Business Intelligence , atau BI , menggunakan sistem informasi khusus untuk mendapatkan keunggulan kompetitif di pasar. BI menggunakan kombinasi alat, seperti manajemen basis data, sistem pendukung keputusan, penambangan data, dan analisis statistik. Dua alat khusus, yang agak unik untuk BI, adalah analitik prediktif dan pemrosesan analitik inline .
hasil pembelajaran
Setelah menyelesaikan pelajaran ini, Anda akan dapat:
- Jelaskan apa itu Business Intelligence (BI).
- Sebutkan beberapa alat yang digunakan BI
- Jelaskan bagaimana BI berbeda dari sistem pendukung keputusan umum
- Ringkas apa itu analitik prediktif dan bagaimana perannya dalam bisnis
- Pahami kegunaan Online Analytical Processing (OLAP).
- Bedakan antara OLAP dan penambangan data