Pentingnya data dalam mengambil keputusan
Anda perlu tahu apa yang terjadi dalam bisnis anda untuk membuat keputusan yg tepat demi tercapainya kesuksesan, nah ketika anda masuk ke area ini yg mungkin merupakan wilayah baru bagi anda, akan ada beberapa istilah yang akan sering anda dengar seperti:
Benchmark
Benchmark bisa diartikan secara kasar sebagai patokan, dan ini merupakan sebuah standar yang digunakan sebagai titik awal yang diinginkan atau nilai yang dikenali dalam industri untuk membandingan satu pengukuran terhadap pengukuran lainnya, sebagai contoh: mungkin anda memiliki patokan margin keuntungan sebesar 10% untuk toko ritel tertentu yang anda miliki, kemudian anda akan membandingkan patokan margin keuntungan tersebut dengan penjualan aktual yang terjadi pada toko tersebut.
Count
Mengacu pada baris di dalam database. Excel juga memiliki fungsi Hitung untuk menghitung-hitung berbagai jenis data.
Fact
Fact atau Fakta adalah Data numerik yang ingin Anda analisa. Dalam terminologi OLAP, data numerik "hidup" dalam Tabel Fakta, jadi sudah umum untuk menggunakan fakta dan mengukur bergantian ketika data tersebut mengacu pada data numerik. Database sebenarnya tabel yang data-data numerik yang disebut dengan Tabel Fakta. Database adalah biasanya terdiri dari banyak tabel. pada terminologi OLAP, Tabel yang menyimpan data numerik yang Anda inginkan untuk dianalisa adalah Tabel Fakta.
Indicator
Indicator atau Indikator merupakan sebuah potongan data yang secara konsisten tampil ketika beberapa bagian dari proses bisnis organisasi anda sedang berjalan, dan anda ingin mengetahui kemajuan dari proses yang sedang berjalan ini.
Key Performance Indicator (KPI)
Sebuah faktor yang diketahui, menjadi sebuah hal yang sangat penting untuk kesuksesan organisasi, misal: pada industri hotel, faktor tingkat hunian, faktor pendapatan perkamar yang tersedia akan menjadi hal yang penting untuk mengambil langkah strategis terhadap keputusan yang akan diambil. sebuah KPI dapat digunakan untuk mengukur kinerja organisasi anda, baik secara sebagian ataupun secara keseluruhan
Measure
Measure atau ukuran, sebuah istilah yg sering anda dengar dalam dunia business intelligence, seringkali hanya mengacu kepada nilai numerik atau skala pengukuran yang membuat anda tertarik dalam melakukan agregasi (penjumlahan), grouping (pengelompokan), dan menggunakannya dalam perbandingan evaluatif.
Metric
Metric merupakan sebuah pengukuran sesuatu, biasanya diberikan dalam bentuk nilai numerik, sebagai contoh: kalau saya ukur kapasitas produksi dari 100Kg kain akan menjadi sebuah barang jadi dalam waktu 16 jam, jadi pahami bahwa metric ini maksudnya adalah pengukuran terhadap sesuatu
Sampai hari ini saya masih sering mendengar bahwa seseorang menjalankan bisnis dengan dasar “feeling” semata, tapi saya pribadi bukan orang yg termasuk yang menitikberatkan kepercayaan kepada “feeling”, walaupun saya akui juga seringkali diantara mereka yg mengandalkan “feeling” cukup beruntung untuk punya bakat dalam pengamatan tajam terhadap fakta yang penting, seolah-olah diri mereka adalah seluruh system BI yang berjalan otomatis.
well.. ya memang kadang saya juga iri kepada mereka yg punya bakat tersebut 
, tapi sepanjang yang saya temui, orang-orang tersebut cukup beruntung mengandalkan “Feeling” mereka pada usaha skala kecil, ketika usaha mereka sudah berkembang menuju arah medium-large, sama sekali mereka tidak bisa mengandalkan feeling tersebut, terutama karena ketika mereka sudah bekerja dengan banyak orang. keputusan yg biasanya dapat cepat di eksekusi, akan menjadi lambat karena (biasanya) yg SANGAT menjadi kendala adalah masalah komunikasi .
Menggunakan data untuk memberikan informasi dan mengarahkan aktivitas bisnis
Ada ungkapan manajemen lama yang mengatakan "Anda tidak akan dapat mengelola apa yang tidak dapat anda ukur" , beberapa orang yang kreatif (mungkin anda salah satunya) bisa saja tidak setuju dengan pernyataan ini, tapi dalam business intelligence, ungkapan ini sangat benar.
Bayangkan saja kalau tiba-tiba ada yang memberi kabar kepada anda kalau anda ditunjuk menjadi seorang CEO pada sebuah perusahaan manufaktur, untuk sesaat anda bisa bilang HOREE, tapi tidak lama kemudian ada yang memberitahu kepada anda :
-
Tidak ada Informasi tentang tepatnya berapa orang yang bekerja disini
-
Tidak ada Informasi Berapa banyak produk yang dihasilkan
-
Tidak ada Informasi berapa banyak produk yang laku dijual
-
Tidak ada Informasi Berapa banyak kendaraan yang digunakan untuk operasional
-
Tidak ada Informasi berapa banyak uang perusahaan yang ada di bank
Jika anda mengalami hal ini, tugas pertama anda adalah mulai untuk mengukur hal-hal ini, SECEPATNYA.
Apa yang anda ukur, pada dasarnya adalah data yang dihasilkan oleh proses bisnis yang berjalan. Jika anda tidak dapat mengukur kegiatan usaha, maka anda tidak dapat mengetahui apakah perkembangannya akan semakin buruk atau semakin baik, dan ketika anda tidak sadar bahwa ternyata arah perusahaan yang anda pimpin tersebut menuju ke arah yang semakin buruk, anda tidak akan dapat mengatur perusahaan itu ke arah yang semakin baik.
Mengukur dan menganalisa proses bisnis adalah dasar untuk business intelligence
Dengan mengukur perubahan berarti anda peduli tentang hal arahan bisnis anda menuju kepada arah yang lebih baik dan ingin mecoba untuk mempengaruhi prosesnya / jalannya. Walaupun sebenarnya anda juga dapat dengan mudah cuek saja, dan membiarkan aliran perubahan mengalir sesuai dengan apa yang ada di lapangan, gaya ini mungkin asyik tapi tidak akan dapat mengarahkan jalannya bisnis dengan baik.
Sebagai contoh, ketika Anda menjalankan sebuah perusahaan manufaktur, Anda mungkin tertarik untuk mengukur biaya bahan, waktu produksi, dan biaya distribusi.
Dengan menggunakan data yang dihasilkan dari pengukuran proses ini, anda dapat menggunakan algoritma data mining yang terkandung didalam SQL Server Analysis Service (SSAS) untuk menjalankan sebuah analisa prediktif guna mengetahui apa yang mungkin akan terjadi pada bisnis anda secara keseluruhan, informasi apa yang akan terjadi pada bisnis anda ini adalah bagian penting yang dapat anda gunakan untuk mengambil keputusan utama bagi bisnis anda.
Data Analysis doesn’t have to be hard
Data analysis does not have to be hard. Although there are situations when elementary methods will no longer be sufficient, they are much less prevalent than you might expect. In the vast majority of cases, curiosity and a healthy dose of common sense will serve you well.
Simple is better than complex.
Cheap is better than expensive.
Explicit is better than opaque.
Purpose is more important than process.
Insight is more important than precision.
Understanding is more important than technique.
Think more, work less.
From: Data Analysis with Open Source Tools - Philipp K. Janert
Arsitektur umum sebuah Datawarehouse
Pendekatan multi tier pada datawarehouse menunjukkan bahwa data itu datangnya dari banyak sumber dan sangat mungkin memiliki banyak bentuk, Pendekatan multi tier ini menyediakan sebuah sistem menyeluruh untuk digunakan dalam mengelola data untuk mendukung pengambilan keputusan.
Komponen utama dari Arsitektur ini adalah:
- Source System dimana data tersebut berasal
- Extraction, Tranasformation, and Load (ETL) memindahkan data dari beberapa penampungan data yang berbeda.
- Central Repository adalah tempat penyimpanan utama bagi data warehouse
- Metadata Repository menggambarkan apa yang tersedia dan dimana data tersebut tersedia
- Data Marts menyediakan akses yang cepat dan akses khusus bagi end user dan aplikasi.
- Operational Feedback mengintegrasikan pengambil keputusan dengan sistem operasional
- End user adalah alasan utama untuk membangun data warehouse
Satu atau lebih dari komponen tersebut diatas berada secara virtual pada setiap system yang disebut dengan Datawarehouse. komponen-komponen tersebut adalah sebuah building blocks dari seluruh pengambil keputusan yang berada pada organisasi.
Data itu mengalir seperti aliran air, data bermulai dari sebuah source system dan mengalir melalui komponen-komponen pada datawarehouse dan pada akhirnya mengantarkan informasi yang berharga bagi para penggunanya (end users). komponen-komponen ini terletak pada sebuah pondasi teknologi yang terdiri dari perangkat keras (hardware), perangkat lunak (software) dan jaringan (networks); infrastruktur ini harus cukup kuat untuk memenuhi kebutuhan dari pengguna (end user) dan siap untuk menghadapi pertumbuhan data serta kebutuhan proses tambahan yang seringkali tidak terduga di awal.
Penjelasan tentang Market Basket Analysis
Ide Dasar
Sekarang kita coba bahas ide dasar dari Market Basket Analysis, Coba anda bayangka
n kalau anda jalan-jalan ke Supermarket misalnya Superindo Dago (dulunya Gelael, tempat belanja favorite saya di dago dulu hehehe), perhatikan orang yg belanja dengan menggunakan trolley, perhatikan trolley tersebut, trolley itu berisi berbagai macam produk seperti (misalnya) pulpy orange, Nestle Purelife, pisang, pembersih jendela, deterjen dan lain-lain.
Satu keranjang ini menginformasikan kita tentang apa saja yang dibeli konsumen pada satu waktu, oke lah pada akhirnya mereka menuju kasir dan membayarnya, tampaknya tidak ada satu hal yg istimewa disini, tapi dari sisi supermarket tersebut sebenarnya telah memperoleh sebuah daftar lengkap pembelian yang dilakukan oleh semua pelanggannya, nah daftar lengkap pembelian ini memiliki sebuah bagian penting dari bisnis ritel seperti: barang apa saja yg dibeli oleh konsumen, disini konsumen pun membeli serangkaian produk yg berbeda, dengan quantity yang berbeda, dan dalam kerangka waktu yang berbeda pula.
Market Basket Analysis menggunakan infromasi tentang apa saja yang dibeli oleh konsumen untuk menghasilkan sebuah wawasan tentang siapa sebenarnya para konsumen kita dan mengapa mereka melakukan pembelian tertentu.
Market Basket Analysis memberikan informasi baru tentang barang dagangan mana yang cenderung untuk dibeli bersama sama, dan mana yang paling cocok untuk dimasukkan ke promosi, nah ketika informasi baru ini didapat, informasi baru ini bisa langsung ditindak lanjuti, misalnya:
Sisi Gelap dari Data yang tersedia
Bekerja dengan data merupakan bagian penting dari proses data mining. Apa arti dari data yang anda miliki? ya, saya mengerti bahwa banyak cara untuk menjawab pertanyaan ini – terserah anda ambil sumber jawaban melalui dokumen tertulis, skema database, metadata system, tanya ke database administrator dan system analis yang mengetahui jawabannya, apakah lewat documentation yang sangat detil, tapi informasi sesungguhnya tetap berada pada data tersebut.
ada miskonsepsi atau kesalahpahaman bahwa data mining membutuhkan data yang sangat baik dan sempurna, patut anda pahami bahwa didalam dunia analisa, sebuah kesempurnaan adalah sebuah musuh yang patut diwaspadai, mengeksplorasi data dan membangun sebuah model akan menyoroti informasi yang seringkali tidak diketahui sebelumnya, memulai sebuah proses dengan data yang tersedia belum tentu menghasilkan sebuah model yang bagus, tapi apabila proses tersebut diulangi dan ditingkatkan setiap waktu dengan data baru yang tersedia, ini akan menghasilkan sebuah model yang akan menjadi semakin baik.
Menunggu sampai anda memiliki data yang sempurna baru melakukan eksplorasi data hanya akan menunda project anda, dan hasilnya adalah nol besar
Data yang kita terima atau kita miliki untuk di eksplorasi tidak selamanya indah, dan dibawah ini adalah beberapa contoh dari kejadian-kejadian yang mungkin akan kita alami dalam mengeksplorasi data, sering banget buat cenat cenut kepala dan mata.
Arsitektur Data
Pengenalan
Ada banyak bentuk berbeda dari data yang disajikan pada komputer, level yang berbeda dari data mencerminkan abstraksi yang berbeda-beda, seperti pada gambar dibawah ini:
- Tingkatan Business Rules, disini kita bicara: informasi apa yang kita dapat dari data yang kita miliki
- Tingkatan Meta Data, disini kita bicara tentang Logical Model dan Mapping ke Physical Sources
- Tingkatan Skema Database, disini kita bicara tentang layout dari data, seperti: Table, Field, Index, dan Data Type
- Tingkatan Rangkuman Data, disini kita bicara rangkuman Informasi berdasarkan Siapa, Apa, Kapan, dan Dimana
- Tingkatan Data Operasional, Disini kita bicara Siapa, Apa, Kapan, Dimana.
Tingkatan Abstraksi Data adalah karakteristik penting dari data yang digunakan pada data mining, apabila pada system yang ter-design dengan baik, sangat dimungkinkan untuk melakukan penelusuran (drill-down) melalui tingkatan-tingkatan ini guna untuk memperoleh data dasar yang mendukung kita untuk membentuk sebuah summarization atau business rule.
Makin kebawah, volume datanya semakin besar, volume data yang besar itu adalah urusan database management system, makin ke atas, volume datanya semakin kecil, dan ini menjadi urusan perangkat lunak komputer (misal reporting system atau dashboard system). Mana tingkatan yg lebih penting? semuanya penting karena kita tidak menginginkan menganalisa data yang rinci, untuk mendapatkan apa yang sudah kita ketahui sebelumnya.
Apa yang bisa dilakukan Data Mining ?
Data mining bertujuan untuk mengekstrak pengetahuan dan wawasan melalui analisis data dalam jumlah besar dengan menggunakan teknik permodelan yang canggih. Data mining mengkonversi data menjadi pengetahuan dan informasi yang harus ditindaklanjuti. Data yang akan di analisis bisa saja berada di dalam data mart yang terorganisir dengan baik atau berada didalam data warehouse, atau mungkin juga diambil dari berbagai sumber data yang terstruktur.
sebuah prosedur data mining memiliki banyak tahapan, biasanya melibatkan proses manajemen data yang luas sebelum pada akhirnya menerapkan statistik ataupun mesin algoritma pembelajaran dan pengembangan model yang tepat.
saat ini sudah banyak software (data mining tools) yang dapat mendukung seluruh prosedur data mining. Sebuah data mining model terdiri dari seperangkat aturan, persamaan ataupun “transfer function” yang komplek, dimana ini dapat digunakan untuk mengidentifkasi pola data yang berguna, memahami dan memprediksi perilaku.
Model data mining dapat dikelompokkan menjadi dua kelas utama sesuai dengan tujuannya, dua kelas utama itu adalah sebagai berikut:
Supervised Model / Predictive Models
Di dalam permodelan Supervised, atau Predictive, atau Directed, atau Targeted, tujuannya adalah untuk meramalkan sebuah kejadian atau memperkirakan sebuah nilai dari atribut numerik yang berkelanjutan, di dalam model ini terdapat sebuah input field atau disebut dengan atribut dan sebuah output atau disebut juga dengan target field. Input Field juga disebut dengan predictor karena input field digunakan oleh model untuk mengenali sebuah fungsi prediksi untuk output field. kita dapat membayangkan bahwa Predictor sebagai bagian dari fungsi X, dan target Field adalah bagian dari Y yang merupakan hasilnya.
Model ini menggunakan Input Field yang dianalisis sehubungan dengan pengaruhnya terhadap Target Field. Pengenalan Pola (pattern recognition) selalu “diawasi” / “supervised” oleh target field. Hubungan dibentuk antara Field Input dan Outputnya”. “Fungsi” pemetaan input-output di generate oleh si modelnya, yang mengasosiasikan si predictor dengan si output dan memungkinkan prediksi pada nilai output dari nilai yang diberikan pada Input Field.
Predictive Model selanjutnya dikategorikan kedalam model Klasifikasi (classification) dan model Estimasi (estimation)
Kunci untuk membuat Keputusan yang efektif
Pada postingan blog sebelumnya kita sudah menyadari bahwa ada tiga kunci penting dalam membuat keputusan yang efektif:
- Harus memiliki sebuah tujuan yang Spesifik
- Harus ada cara untuk mengukur apakah langkah yang diambil membawa pergerakan ke arah yg dekat atau malah menjauh dari sasaran yang diinginkan.
- Informasi yang diperoleh berdasarkan cara pengukuran tersebut harus diberikan kepada para pengambil keputusan pada waktu yang tepat.
sekarang kita akan bahas lebih dalam lagi tentang faktor ini.
Kemana arah anda? kesini atau kesana?
Banyak sekali organisasi yang memiliki tujuan yang tidak jelas dalam misinya, kata-kata seperti misalnya “Mewujudkan kepuasan total Konsumen” merupakan sebuah slogan besar yang digunakan untuk mendevelop sebuah kampanye pemasaran (marketing campaign) ataupun membangun semangat pada tim kita supaya mencapai tujuan kesuksesan, namun kata-kata ini tidak memiliki sebuah batasan pengukuran yang jelas untuk menakar / mengukur performa bisnis organisasi tersebut.
“Mewujudkan kepuasan total Konsumen” adalah cita cita yang indah 
(Dunia tampaknya akan menjadi tempat yang jauh lebih menyenangkan kalau saja setengah perusahaan di dunia ini yang memiliki slogan tersebut benar-benar menuju ke arah itu 
), tapi masalahnya adalah:
- Bagaimana mengukur “kepuasan total konsumen”
- Bagaimana caranya kita tahu bahwa kita telah mencapai ke cita-cita yang kita inginkan tersebut?,
- Apakah kita telah membuat kemajuan yang mendekatkan kita ke arah cita-cita tersebut?.
Skala Pengukuran pada Statistik
Mungkin terlihat tidak lazim kenapa saya menuliskan blog ini 
, tidak tampak IT Related.
fokus blog ini saya arahkan kepada Business Intelligence, tentu tidak terlepas dari Data Mining, nah data mining sendiri merupakan perkawinan antara Computer Science dan Statistik. Dalam usaha pencarian informasi dalam data, tentu kita tidak lepas dari disiplin ilmu statistik (disamping disiplin ilmu computer science). karena itu saya ingin mendokumentasikan beberapa skala pengukuran yang nantinya akan kita pakai didalam proses data mining.
Kurang lebih keterkaitannya ada disitu . saya harapkan kita tidak hanya menjadi “operator” sebuah system, tapi juga memahami apa hakikat yang dikerjakan oleh system tersebut, termasuk ketika kita harus melakukan sebuah “klasifikasi” terhadap data tertentu (yg kadang harus kita lakukan secara manual).
Skala Nominal
Skala yang mengelompokkan obyek atau peristiwa dalam berbentuk kategori. Skala nominal diperoleh dari pengukuran nominal yaitu suatu proses mengklasifikasian obyek-obyek yang berbeda kedalam kategori-kategori berdasarkan beberapa karakteristik tertentu
Contoh Kasus:
Andre dan Anna bergolongan darah A, adapun Betty bergolongan darah B. Dapat dikatakan bahwa:
- Golongan darah Andre ‘sama dengan (=)’ golongan darah Anna, dan
- Golongan darah Andre ‘tidak sama dengan (≠)’ golongan darah Betty.
Terhadap golongan darah Andre dan Betty tidak dapat diajukan pertanyaan berikut:
- Manakah yang lebih … (lebih tinggi, lebih besar, lebih dulu, dan seterusnya), golongan darah Andre ataukah golongan darah Betty?
- Berapakah jarak antara golongan darah Andre, yaitu A, terhadap golongan darah Betty, yaitu B?
- Berapa kalikah besarnya golongan darah Andre dibandingkan golongan darah Betty?
Pages
Categories
- Business Intelligence
- Desktop Programming
- Human Interest
- Internet
- Microsoft Office
- SQL Server
- Troubleshooting
Blogroll
- Agus Suhanto (English)
- Agus Suhanto (Indonesian)
- Alfa Haga
- Ari Artama
- Asia Digital Print
- Bernadus Billy Riantono
- Domain Promo Codes
- Download AXIS Blackberry OS
- Download Excel Data Mining Add In
- Download Indosat Blackberry OS
- Download SMART Blackberry OS
- Download SQL Server R2 Express
- Download SQL Server R2 Trial
- Download XL Blackberry OS
- Erudeye Windows Hosting
- Helmy Faisal
- Infinys System Indonesia
- M. Reza Faisal
- MS Security Essential Definition Update File
- Pemberdayaan Umat Berkelanjutan
- Power Pivot (project gemini)
- Social.MSDN
- Tomita Prakoso
- Willy Marlian's Love Ink
- Wina Sukowati
Archive
- May 2013
- November 2011
- October 2011
- September 2011
- August 2011
- July 2011
- June 2011
- May 2011
- April 2011
- March 2011
- February 2011
- January 2011
- December 2010
- November 2010
- October 2010
- September 2010
- August 2010