ALAT ANALITIS: HUBUNGAN, POLA, TREN Setelah data diambil dan diatur menggunakan teknologi intelijen bisnis yang baru saja kami jelaskan, data tersebut tersedia untuk analisis lebih lanjut menggunakan perangkat lunak untuk kueri dan pelaporan database, analisis data multidimensi (OLAP), dan penambangan data. Bagian ini akan memperkenalkan Anda pada alat-alat ini, dengan lebih detail tentang analitik dan aplikasi kecerdasan bisnis di Bab 12. Pemrosesan Analitik Online (OLAP) Misalkan perusahaan Anda menjual empat produk berbeda — mur, baut, ring, dan sekrup — di wilayah Timur, Barat, dan Tengah. Jika Anda ingin mengajukan pertanyaan yang cukup lugas, seperti berapa banyak mesin cuci yang terjual selama kuartal terakhir, Anda dapat dengan mudah menemukan jawabannya dengan menanyakan database penjualan Anda. Tetapi bagaimana jika Anda ingin mengetahui berapa banyak mesin cuci yang terjual di setiap wilayah penjualan Anda dan membandingkan hasil aktual dengan penjualan yang diproyeksikan? Untuk mendapatkan jawabannya, Anda memerlukan pemrosesan analitik online (OLAP). OLAP mendukung analisis data multidimensi, memungkinkan pengguna untuk melihat data yang sama dengan cara berbeda menggunakan beberapa dimensi. Setiap aspek produk informasi, harga, biaya, wilayah, atau periode waktu mewakili dimensi yang berbeda. Jadi, seorang manajer produk dapat menggunakan alat analisis data multidimensi untuk mempelajari berapa banyak washer yang terjual di Timur pada bulan Juni, bagaimana membandingkannya dengan bulan sebelumnya dan bulan Juni sebelumnya, dan bagaimana membandingkannya dengan perkiraan penjualan. OLAP memungkinkan pengguna mendapatkan jawaban online untuk pertanyaan ad hoc seperti ini dalam waktu yang cukup cepat, bahkan ketika data disimpan dalam database yang sangat besar, seperti angka penjualan selama beberapa tahun. Gambar 6.13 menunjukkan model multidimensi yang dapat dibuat untuk mewakili produk, wilayah, penjualan aktual, dan proyeksi penjualan. Matriks penjualan aktual dapat ditumpuk di atas matriks penjualan yang diproyeksikan untuk membentuk kubus dengan enam sisi. Jika Anda memutar kubus 90 derajat ke satu arah, tampilan wajah akan menjadi produk versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar kubus 90 derajat lagi, Anda akan melihat wilayah versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar 180 derajat dari tampilan asli, Anda akan melihat proyeksi penjualan dan produk versus wilayah. Kubus dapat disarangkan di dalam kubus untuk membangun tampilan data yang kompleks. Perusahaan akan menggunakan database multidimensi khusus atau alat yang membuat tampilan multidimensi data dalam database relasional. Penambangan Data Kueri database tradisional menjawab pertanyaan seperti, "Berapa banyak unit nomor produk 403 yang dikirim pada Februari 2013?" OLAP, atau analisis multidimensi, mendukung permintaan informasi yang jauh lebih kompleks, seperti, "Bandingkan penjualan produk 403 relatif terhadap rencana per kuartal dan wilayah penjualan selama dua tahun terakhir". Dengan OLAP dan analisis data berorientasi kueri, pengguna harus memiliki ide bagus tentang informasi yang mereka cari. Penambangan data lebih didorong oleh penemuan. Penambangan data memberikan wawasan ke dalam data perusahaan yang tidak dapat diperoleh dengan OLAP dengan menemukan pola dan hubungan tersembunyi dalam database besar dan menyimpulkan aturan darinya untuk memprediksi perilaku masa depan. Pola dan aturan digunakan untuk memandu pengambilan keputusan dan ramalan. GAMBAR 6.13 MODEL DATA MULTIDIMENSI Tampilan ini menunjukkan produk versus wilayah. Jika Anda memutar kubus 90 derajat, permukaan yang akan ditampilkan adalah produk versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar kubus 90 derajat lagi, Anda akan melihat wilayah versus penjualan aktual dan yang diproyeksikan. Pandangan lain dimungkinkan. efek dari keputusan tersebut. Jenis informasi yang dapat diperoleh dari data mining meliputi asosiasi, urutan, klasifikasi, cluster, dan prakiraan. • Asosiasi adalah kejadian yang terkait dengan satu peristiwa. Misalnya, sebuah studi tentang pola pembelian supermarket mungkin mengungkapkan bahwa, ketika keripik jagung dibeli, minuman cola dibeli 65 persen dari waktu itu, tetapi ketika ada promosi, minuman kola dibeli 85 persen dari waktu itu. Informasi ini membantu manajer membuat keputusan yang lebih baik karena mereka telah mempelajari keuntungan dari promosi. • Secara berurutan, peristiwa ditautkan dari waktu ke waktu. Kita mungkin menemukan, misalnya, bahwa jika rumah dibeli, lemari es baru akan dibeli dalam waktu dua minggu 65 persen dari waktu, dan oven akan dibeli dalam waktu satu bulan setelah pembelian rumah 45 persen dari waktu. • Klasifikasi mengenali pola yang mendeskripsikan kelompok yang memiliki item dengan memeriksa item yang ada yang telah diklasifikasikan dan dengan menyimpulkan seperangkat aturan. Misalnya, bisnis seperti perusahaan kartu kredit atau telepon khawatir kehilangan pelanggan tetap. Klasifikasi membantu menemukan karakteristik pelanggan yang kemungkinan akan keluar dan dapat memberikan model untuk membantu manajer memprediksi siapa pelanggan tersebut sehingga manajer dapat merancang kampanye khusus untuk mempertahankan pelanggan tersebut. • Pengelompokan bekerja dengan cara yang mirip dengan klasifikasi ketika belum ada kelompok yang ditentukan. Alat penambangan data dapat menemukan pengelompokan yang berbeda dalam data, seperti menemukan grup afinitas untuk kartu bank atau mempartisi database ke dalam grup pelanggan berdasarkan demografi dan jenis investasi pribadi. • Meskipun aplikasi ini melibatkan prediksi, peramalan menggunakan prediksi dengan cara yang berbeda. Ini menggunakan serangkaian nilai yang ada untuk meramalkan apa yang akan menjadi nilai lain. Misalnya, peramalan mungkin menemukan pola dalam data untuk membantu manajer memperkirakan nilai variabel kontinu di masa depan, seperti angka penjualan. Sistem ini melakukan analisis pola atau tren tingkat tinggi, tetapi juga dapat menelusuri untuk memberikan detail lebih lanjut bila diperlukan. Ada aplikasi data mining untuk semua area fungsional bisnis, dan untuk pemerintahan dan karya ilmiah. Salah satu penggunaan populer untuk data mining adalah untuk memberikan analisis rinci pola dalam data pelanggan untuk kampanye pemasaran satu-ke-satu atau untuk mengidentifikasi pelanggan yang menguntungkan. Caesars Entertainment, sebelumnya dikenal sebagai Harrah's Entertainment, adalah perusahaan game terbesar di dunia. Itu terus menganalisis data tentang pelanggannya yang dikumpulkan ketika orang memainkan mesin slotnya atau menggunakan kasino dan hotelnya. Departemen pemasaran perusahaan menggunakan informasi ini untuk membuat profil perjudian terperinci, berdasarkan nilai berkelanjutan pelanggan tertentu bagi perusahaan. Misalnya, data mining memungkinkan Caesars mengetahui pengalaman bermain game favorit pelanggan tetap di salah satu kasino perahu sungai, bersama dengan preferensi orang tersebut untuk akomodasi kamar, restoran, dan hiburan. Informasi ini memandu keputusan manajemen tentang cara membina pelanggan yang paling menguntungkan, mendorong pelanggan tersebut untuk membelanjakan lebih banyak, dan menarik lebih banyak pelanggan dengan potensi menghasilkan pendapatan yang tinggi. Penambangan Teks dan Penambangan Web Namun, data tidak terstruktur, sebagian besar dalam bentuk file teks, diyakini mencakup lebih dari 80 persen informasi organisasi yang berguna dan merupakan salah satu sumber utama data besar yang ingin dianalisis perusahaan. E-mail, memo, transkrip call center, tanggapan survei, kasus hukum, deskripsi paten, dan laporan layanan semuanya berharga untuk menemukan pola dan tren yang akan membantu karyawan membuat keputusan bisnis yang lebih baik. Alat penambangan teks sekarang tersedia untuk membantu bisnis menganalisis data ini. Alat ini dapat mengekstrak elemen kunci dari kumpulan data besar yang tidak terstruktur, menemukan pola dan hubungan, dan meringkas informasi. Bisnis mungkin beralih ke penambangan teks untuk menganalisis transkrip panggilan ke pusat layanan pelanggan untuk mengidentifikasi masalah layanan dan perbaikan utama atau untuk mengukur sentimen pelanggan tentang perusahaan mereka. Perangkat lunak analisis sentimen dapat mengumpulkan komentar teks dalam pesan email, blog, percakapan media sosial, atau formulir survei untuk mendeteksi opini yang menguntungkan dan tidak menguntungkan tentang mata pelajaran tertentu. Misalnya, broker diskon Charles Schwab menggunakan perangkat lunak Attensity Analyze untuk menganalisis ratusan ribu interaksi pelanggannya setiap bulan. Perangkat lunak tersebut menganalisis catatan layanan pelanggan, email, tanggapan survei, dan diskusi online Schwab untuk menemukan tanda-tanda ketidakpuasan yang mungkin menyebabkan pelanggan berhenti menggunakan layanan perusahaan. Perhatian dapat secara otomatis mengidentifikasi berbagai "suara" yang digunakan pelanggan untuk mengungkapkan umpan balik mereka (seperti suara positif, negatif, atau bersyarat) untuk menunjukkan dengan tepat niat seseorang untuk membeli, berniat untuk pergi, atau reaksi terhadap produk atau pesan pemasaran tertentu . Schwab menggunakan informasi ini untuk mengambil tindakan korektif seperti meningkatkan komunikasi broker langsung dengan pelanggan dan mencoba dengan cepat menyelesaikan masalah yang membuat pelanggan tidak bahagia. Web adalah sumber kaya lain dari data besar tidak terstruktur untuk mengungkap pola, tren, dan wawasan tentang perilaku pelanggan. Penemuan dan analisis pola dan informasi yang berguna dari World Wide Web disebut penambangan Web. Bisnis mungkin beralih ke penambangan Web untuk membantu mereka memahami perilaku pelanggan, mengevaluasi keefektifan situs Web tertentu, atau mengukur keberhasilan kampanye pemasaran. Misalnya, pemasar menggunakan layanan Google Trends dan Google Insights untuk Penelusuran, yang melacak popularitas berbagai kata dan frasa yang digunakan dalam kueri penelusuran Google, untuk mempelajari apa yang diminati orang dan apa yang ingin mereka beli. Penambangan web mencari pola dalam data melalui penambangan konten, penambangan struktur, dan penambangan penggunaan. Penambangan konten web adalah proses mengekstraksi pengetahuan dari konten halaman web, yang dapat mencakup data teks, gambar, audio, dan video. Penambangan struktur web memeriksa data yang terkait dengan struktur situs Web tertentu. Misalnya, link yang mengarah ke dokumen menunjukkan popularitas dokumen, sedangkan link yang keluar dari dokumen menunjukkan kekayaan atau mungkin variasi topik yang dibahas dalam dokumen. Penambangan penggunaan web memeriksa data interaksi pengguna yang direkam oleh server Web setiap kali permintaan untuk sumber daya situs Web diterima. Data penggunaan mencatat perilaku pengguna saat pengguna menelusuri atau membuat transaksi di situs Web dan mengumpulkan data di log server. Menganalisis data semacam itu dapat membantu perusahaan menentukan nilai pelanggan tertentu, strategi pemasaran silang di seluruh produk, dan keefektifan kampanye promosi. Sesi Interaktif tentang Teknologi menjelaskan pengalaman organisasi saat mereka menggunakan alat analisis dan teknologi intelijen bisnis yang telah kami jelaskan untuk mengatasi tantangan "data besar". DATABASES DAN WEB Pernahkah Anda mencoba menggunakan Web untuk memesan atau melihat katalog produk? Jika demikian, Anda mungkin menggunakan situs Web yang ditautkan ke database internal perusahaan. Banyak perusahaan sekarang menggunakan Web untuk membuat beberapa informasi dalam database internal mereka tersedia untuk pelanggan dan mitra bisnis. Misalkan, misalnya, pelanggan dengan browser Web ingin mencari informasi harga di database pengecer online. Gambar 6.14 mengilustrasikan bagaimana pelanggan tersebut dapat mengakses database internal pengecer melalui Web. Pengguna mengakses situs Web pengecer melalui Internet menggunakan perangkat lunak browser Web pada PC kliennya. Perangkat lunak browser Web pengguna meminta data dari database organisasi, menggunakan perintah HTML untuk berkomunikasi dengan server Web. Karena banyak database back-end tidak dapat menafsirkan perintah yang ditulis dalam HTML, server Web meneruskan permintaan data ini ke perangkat lunak yang menerjemahkan perintah HTML ke dalam SQL sehingga perintah dapat diproses oleh DBMS yang bekerja dengan database. Dalam lingkungan klien / server, file GAMBAR 6.14 MENGHUBUNGKAN DATABASE INTERNAL KE WEB Pengguna mengakses database internal organisasi melalui Web menggunakan PC desktop dan perangkat lunak browser Web. DBMS berada di komputer khusus yang disebut server database. DBMS menerima permintaan SQL dan menyediakan data yang diperlukan. Middleware mentransfer informasi dari database internal organisasi kembali ke server Web untuk dikirimkan dalam bentuk halaman Web kepada pengguna. Gambar 6.14 menunjukkan bahwa middleware yang bekerja antara server Web dan DBMS adalah server aplikasi yang berjalan pada komputer khusus miliknya (lihat Bab 5). Perangkat lunak server aplikasi menangani semua operasi aplikasi, termasuk pemrosesan transaksi dan akses data, antara komputer berbasis browser dan aplikasi bisnis back-end atau database perusahaan. Server aplikasi menerima permintaan dari server Web, menjalankan logika bisnis untuk memproses transaksi berdasarkan permintaan tersebut, dan menyediakan konektivitas ke sistem atau database back-end organisasi. Alternatifnya, perangkat lunak untuk menangani operasi ini dapat berupa program kustom atau skrip CGI. Skrip CGI adalah program kompak yang menggunakan spesifikasi Common Gateway Interface (CGI) untuk memproses data di server Web. Ada sejumlah keuntungan menggunakan Web untuk mengakses database internal organisasi. Pertama, perangkat lunak browser web jauh lebih mudah digunakan daripada alat kueri berpemilik. Kedua, antarmuka Web memerlukan sedikit atau tidak ada perubahan pada database internal. Biayanya jauh lebih murah untuk menambahkan antarmuka Web di depan sistem lama daripada mendesain ulang dan membangun kembali sistem untuk meningkatkan akses pengguna. Mengakses database perusahaan melalui Web menciptakan efisiensi, peluang, dan model bisnis baru. ThomasNet.com menyediakan direktori online terkini lebih dari 650.000 pemasok produk industri, seperti bahan kimia, logam, plastik, karet, dan peralatan otomotif. Sebelumnya bernama Thomas Register, perusahaan biasanya mengirimkan katalog kertas berukuran besar dengan informasi ini. Sekarang ini memberikan informasi ini kepada pengguna secara online melalui situs Web-nya dan telah menjadi perusahaan yang lebih kecil dan lebih ramping. Perusahaan lain telah menciptakan bisnis yang sama sekali baru berdasarkan akses ke database besar melalui Web. Salah satunya adalah layanan jejaring sosial Facebook, yang membantu pengguna tetap terhubung satu sama lain dan bertemu orang baru. Facebook menampilkan "profil" dengan informasi lebih dari 950 juta pengguna aktif dengan informasi tentang diri mereka sendiri, termasuk minat, teman, foto, dan grup yang berafiliasi dengan mereka. Facebook memiliki database yang sangat besar untuk menampung dan mengelola semua konten ini. Ada juga banyak database berkemampuan Web di sektor publik untuk membantu konsumen dan warga negara mengakses informasi yang berguna. Sesi Interaktif tentang Organisasi menjelaskan salah satu database ini, yang telah menimbulkan kontroversi mengenai metodenya untuk menyediakan data keamanan produk konsumen.
