Itb 2004-perancangan e-business-business intelligence-noverino-kharizt

Tugas TI-5041

Perancangan e-business

“Business Intelligence”

Disusun oleh :

Noverino Rifai / 13501023 Kharizt Attria Gupta / 13501036

FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI BANDUNG

2004

Daftar Isi

Pendahuluan.................................................................................... 3

1. Latar Belakang....................................................................... 3 2. Tujuan Pembahasan ............................................................... 4

Kajian Pustaka ................................................................................ 6 1. Elemen-elemen Aplikasi Business Intelligence..................... 6 2. Pengintegrasian BI kedalam Perusahaan ............................... 9 3. Data Mining......................................................................... 12 4. Data Warehousing ............................................................... 17

Illustrasi Kasus ............................................................................. 21 Analisis dan Pembahasan ............................................................. 23 Kesimpulan................................................................................... 27 Daftar pustaka dan referensi ......................................................... 28

Pendahuluan

Business Intelligece (BI) merupakan aplikasi e-business yang berfungsi untuk mengubah

data-data dalam perusahaan (data operasional, transaksional, dll) ke dalam bentuk

pengetahuan.

Aplikasi ini melakukan analisis terhadap data dengan lebih efektif untuk membangun

kesetiaan pelanggan dan meningkatkan keuntungan perusahaan, menganalisis interaksi

dengan pelanggan dan mengoptimalkan hubungan tersebut. Analisis terhadap transaksi-

transaksi di masa lampau dan menggunakan pengetahuan tersebut untuk mendukung

keputusan dan perencanaan operasi yang akan diambil perusahaan.

1. Latar Belakang

Beberapa permasalahan yang menuntut dikembangkannya aplikasi BI :

a. bagaimana mengumpulkan dan mengorganisasikan semua data-data internal

perusahaan dalam suatu Integrated Enterprise Information (data warehousing).

b. bagaimana memanfaatkan data-data perusahaan menjadi pengetahuan dalam

perusahaan (data analytics).

c. bagaimana menyediakan pengetahuan yang customer-centric, informasi yang

berbeda-beda dan khusus untuk setiap pelanggan.

d. bagaimana analisis terhadap data-data perusahaan dapat memberikan dukungan

terhadap pengambilan keputusan di pihak manajemen yang relevan dengan

data-data tersebut.

e. bagaimana prosedur dan proses-proses untuk mengintegrasikan BI ke dalam

proses bisnis perusahaan.

f. faktor-faktor yang harus diperhatikan agar perusahaan dapat mengintegrasikan

BI dengan mempertimbangkan resiko dan kesulitan yang mungkin dihadapi

2. Tujuan Pembahasan

Berdasarkan kebutuhan perusahaan tersebut, maka dapat dilihat bahwa kebutuhan

perusahaan mengimplementasikan BI cukup besar. Namun, BI dengan data analysis

tools-nya merupakan suatu aplikasi yang cukup mahal sehingga perlu diperhitungkan

return on IT investment dari implementasinya.

Tujuan dari pembuatan paper ini adalah mengeksplorasi business intelligence baik

secara teoritis maupun praktikal implementasinya.

Pada bagian teori akan dibahas mengenai beberapa langkah yang harus dilakukan

dalam mengintegrasikan BI ke dalam suatu perusahaan, sehingga dapat dilihat dan

dipahami beberapa kesulitan dalam membangun BI tersebut dan resiko yang mungkin

dihadapi ketika mengintegrasikannya ke dalam proses bisnis. Selain itu, dijelaskan

pula proses data mining, yang merupakan core dari proses analisis data, dan

bagaimana data–data yang dianalisis tersebut dapat menghasilkan suatu pengetahuan

dan informasi yang dapat mendukung keputusan. Beberapa elemen dari pengelolaan

pengetahuan (knowledge management) dibutuhkan untuk membantu proses dari BI,

sehingga knowledge tersebut dapat dianggap sebagai aset perusahaan yang dapat

memberikan revenue.

Selain elemen tersebut, juga diperlukan elemen-elemen teknis yang mendukung

aplikasi BI ini. Pada paper ini akan dibahas beberapa hal mengenai teknologi Data

Mining menggunakan OLAP (on-line analytical processing) dan Data Warehousing.

Sedangkan pada praktikal implementasinya dibahas studi kasus pengimplmentasian

aplikasi business intelligence pada salah satu perusahaan produsen elevator, Otis

Elevator Co. Yang akan dijelaskan pada bagian ini adalah latar belakang kebutuhan

aplikasi BI, Urutan aktivitas dalam penerapan BI berdasarkan dasar teori yang

diketahui dan salah satu alternatif hasil akhir / solusi yang diharapkan dari

implementasi BI.

Kajian Pustaka

1. Elemen-elemen Aplikasi Business Intelligence

Business Intelligence (BI) merupakan perkembangan dari aplikasi Knowlegde

Management (KM), dengan menambahkan proses data analytics, yaitu dengan

memanfaatkan data yang ada untuk menghasilkan suatu informasi baru yang

bermanfaat. Aplikasi BI memberikan informasi yang personal, yaitu dengan

melakukan proses pengumpulan, pengaturan dan penyebaran informasi secara

personal.

Aplikasi BI menggunakan teknologi e-commerce untuk menghubungkan data

warehousing dengan perangkat client yang sederhana (seperti mobile device).

Agar BI dapat berfungsi dengan baik. Maka diperlukan kerangka terintegrasi dengan

beberapa kelas dari aplikasi berbasis pengetahuan (KM). Sehingga perlu diadaptasi

beberpa elemen dari KM, diantaranya:

a. Pengorganisasian dan pengumpulan data/content

Data-data tentang pelanggan, mitra dan pemasok disimpan pada beberapa

tempat di dalam perusahaan. Dibutuhkan suatu pandangan yang terintegrasi

untuk memungkinkan perusahaan mengetahui dan merespon seakurat

mungkin terhadap pelanggannya.

Berikut ini beberapa faktor yang mempengaruhi keberhasilan integrasi data:

a) Scalability, yaitu ukuran basisdata (storage’s space) yang disediakan

perusahaan harus mampu menampung informasi customer-centric

yang dapat mencapai beberapa gigabyte per hari.

b) Flexibility, yaitu kemampuan untuk mengakomodasi bermacam-

macam data model dan arsitektur basisdata dan memungkinkan

integrasi dengan sistem informasi back-end lainnya.

c) Performance, yaitu kemampuan untuk menangani query-query

dengan cepat dan akurat.

Elemen teknis yang mendukung proses ini adalah data warehousing, yang

penjelasannya akan dibahas kemudian.

b. Analisis dan segmentasi

Tools untuk data mining terdapat pada aplikasi ini, tujuannya adalah untuk

meningkatkan nilai, mempertahankan pelanggan dan menemukan jalur

pendapatan perusahaan yang baru. Proses mining ini dimulai dengan

membangun gambaran lebih jelas tentang kelakuan pelanggan.

Tanpa tool analisis tersebut, maka usaha menyimpan informasi customer-

centric yang sangat besar tersebut menjadi sia-sia.

Namun, proses menganalisis tersebut tidak sederhana meskipun data telah ter-

centralized, karena merupakan usaha yang berat untuk mengubah informasi

tersebut menjadi pengetahuan yang menghasilkan keuntungan dan menjalin

hubungan jangka panjang dengan pelanggan.

Elemen teknis yang dimanfaatkan untuk proses ini adalah data mining

deengan tools OLAP (online analyticals processing).

c. Personalisasi yang real-time

Kemampuan personalisasi dari perusahaan memungkinkan perusahaan

memahami dan merespon setiap kebutuhan, kelakuan dan perhatian pelanggan

untuk meyakinkan bahwa pelanggan tersebut mendapatkan kebutuhannya.

Aplikasi pendukung personalisasi memungkinkan pembuatan produk/layanan

yang customized dengan meminimalkan biaya marginal dari personalisasi

tersebut.

Beberapa tahapan (siklus) personalisasi:

a) Profiling (menunjukkan produk yang ditawarkan dan menanyakan

kebutuhan pelanggan).

b) Matching (memberikan kebutuhan pelanggan dan menyesuaikan

data dengan kebutuhan pelanggan)

c) Transacting (kebebasan untuk self-service dan memudahkan

transaksi)

d) Listen (fasilitasi tanggapan pelanggan dan mengukur keefektifan).

Kemampuan yang disediakan aplikasi personalisasi, antara lain:

i. Menyediakan pelanggan dengan halaman web yang personal yang

memungkinkan pelanggan untuk berinteraksi, bertransaksi dan

kolaborasi dengan perusahaan.

ii. Menampilkan informasi yang diinginkan pelanggan secara personal.

iii. Secara aktif memberitahukan pelanggan atas improvement dan

upgrade terhadap produk yang relevan dengannya.

iv. Menyatukan informasi dan memberikan rekomendasi berdasarkan

kecenderungan pelanggan.

v. Mengirimkan informasi yang relevan terhadap produk yang dimiliki

pelanggan.

d. Penyebaran, pengambilan dan interaksi terhadap informasi

Infrastruktur untuk proses interaksi dan pengiriman/penerimaan informasi

adalah dengan pelanggan menggunakan media yang dipilih oleh pelanggan

tersebut. Meskipun penggunaan WWW sudah umum, namun strategi KM

yang baik adalah dengan menjangkau semua media yang digunakan

pelanggannya, baik telephone, WAP, TV ataupun e-mail.

e. Pemantauan dan pengukuran kinerja sistem

Aplikasi pemantauan kinerja sistem ini menyediakan informasi yang

dibutuhkan manajer untuk meningkatkan operasi dan strategi.

Dengan menggunakan key performace indicator (KPI) yang dihubungkan

dengan balaced scorecard, perusahaan dapat secara bekelanjutan memantau

kinerja proses terhadap target dari strateginya. Sistem pemantauan yang

efektif adalah yang mampu membuat strategi menjadi tindakan.

2. Pengintegrasian BI kedalam Perusahaan

Intelligent Business adalah tentang bagaimana memindahkan sistem BI ke inti dari

perusahaan dan menghubungkannya sampai sistem operasional sehingga dapat

menurunkan kemungkinan untuk melakukan mekanisme standar industri (penurunan

biaya operasional).

Terdapat beberapa cara untuk mengintegrasikan BI kedalam perusahaan, diantaranya:

a. Mengintegrasikan aplikasi analisis dengan aplikasi operasional menggunakan

portal perusahaan untuk dapat diakses dan dimanfaatkan oleh pengguna baik

internal maupun eksternal.

b. Menyatukan analisis pada aplikasi operasional selama pengembangan

aplikasi.

c. Pengenalan web service untuk secara dinamis mengintegrasikan proses

analisis dengan internal dan mitra aplikasi operasional untuk mendukung

kolaborasi penjualan.

d. Membangun proses on-demand yang event-driven untuk peringatan ke

pengguna, rekomendasi real-time dan aksi yang terotomatisasi. Pendekatan ini

termasuk business activity monitoring (BAM).

Aplikasi BI merupakan proyek rekayasa sistem, dan hal tersebut mencakup 6 proses

pengerjaan yang utama, antara lain:

1) Justification, yaitu penaksiran terhadap permasalahan dan kemungkinan bisnis

yang meningkatkan proyek rekayasa sistem. Langkah 1 : Business Case Assessment

2) Planning, yaitu pengembangan perencanaan strategis dan taktis yang

menyusun bagaimana pencapaian proyek rekayasa sistem. Langkah 2: Enterprise Infrastructure

Langkah 3: Project Planning

3) Business Analysis, yaitu analisis rinci dari permasalahan dan kesempatan

bisnis yang menyediakan pemahaman baku kebutuhan solusi bisnis. Langkah 4: Project Requirements Definition

Langkah 5: Data Analysis

Langkah 6: Application Prototyping

Langkah 7: Meta Data Repository Analysis

4) Design, yaitu penyusunan produk yang menyelesaikan permasalahan bisnis

dan memberikan peluang untuk kesempatan bisnis. Langkah 8: Database Design

Langkah 9: Extract/Transform/Load (ETL) Design

Langkah 10: Meta Data Repository Design

5) Construction, yaitu pembangunan produk yang disusun yang diharapkan dapat

memberikan return on development investment dalam kerangka yang jelas. Langkah 11: ETL Development

Langkah 12: Application Development

Langkah 13: Data Mining

Langkah 14: Meta Data Repository Development

6) Deployment, yaitu barang jadi diimplementasikan (dijual) dan keefektivannya

diukur yang akan menentukan apakah solusi ditemukan, melebihi atau gagal

dalam return on investment(ROI)-nya. Langkah 15: Implementation

Langkah 16: Release Evaluation

Ketrurutan proses pengerjaan langkah-langkah pembangunan aplikasi BI terdapat

pada gambar 1.

Gambar 1. Langkah-langkah pembangunan BI

Kesulitan utama dari pengimplementasian BI adalah pengintegrasiannya dengan

perusahaan, terutama proses bisnisnya, berikut ini adalah masalah-masalah yang

mungkin dihadapi karena kegagalan mengintegrasikan BI:

a. Kebingungan terhadap arti dari data, misalnya karena tidak ada pemahaman

yang umum.

b. Perubahan tujuan bisnis tahunan meskipun tujuan yang ditetapkan pada tahun

sebelumya belum dicapai, Aplikasi Business Intelligence tidak mampu

mengikuti perubahan tujuan perusahaan yang tidak teratur tersebut.

c. Ketidakmampuan menentukan skala bisnis karena kurangnya integrasi proses

bisnis dan otomatisasinya.

Fixed Cost selalu bertambah seiring dengan pertambahan skala bisnis,

Variable cost yang sedikit. Akibatnya, biaya operasional terlalu tinggi karena

terlalu banyak kegiatan manual dan kesalahan proses karena sistem yang tidak

terintegrasi.

d. Pengguna suatu sistem tidak diberitahu atas kejadian yang terjadi pada sistem

lainnya.

e. Tidak bereaksi secara langsung terhadap kejadian-kejadian pada proses bisnis

operasi. Misalnya perubahan, pembatalan pesanan, pembayaran telat,

persediaan barang yang habis, akibatnya mengurangi kesempatan bisnis dan

ketidakmampuan merespon terhadap permasalahan ketika muncul.

f. Mencocokkan ulang data kedalam sistem yang berbeda.

g. Redundansidata yang besar, terpotong-potong dan tidak konsisten pada sistem

yang berbeda-beda.

h. Konflik pada perlakuan pelanggan oleh customer service, pemasaran dan

penjualan pada chanel-chanel yang berbeda.

3. Data Mining

Data mining seringkali diartikan dengan “menulis banyak laporan dan query”, namun

pada faktanya kegiatan data mining tidak melakukan pembuatan laporan dan query

sama sekali. Data mining dilakukan dengan tool khusus, yang mengeksekusi operasi

data mining yang telah didefinisikan berdasarkan model analisis.

Data mining adalah proses analisis terhadap data dengan penekanan menemukan

informasi yang tersembunyi pada sejumlah besar data yang disimpan ketika

menjalankan bisnis perusahaan. Data mining merupakan proses yang berbeda dengan

analisis statistik biasa, berikut ini perbandingan antara keduanya:

Analisis Statistik Data Mining

Biasanya dimulai dengan hipotesis (sebuah

pertanyaan atau asumsi).

Data mining tidak membutuhkan hipotesis.

Untuk menyesuaikan dengan hipotesisnya maka

dibangun sebuah persamaan.

Algoritma data mining dapat dengan otomatis

mengembangkan persamaan tersebut.

Hanya menggunakan data numerik. Tool Data mining dapat menggunakan tipe data

yang berbeda-beda, tidak hanya data numerik.

Dapat dilakukan pencarian dan penyaringan

terhadap data kotor selama proses analisisnya.

Data mining bergantung pada data yang bersih

dan terdokumentasi dengan baik.

Hasil yang diperoleh diinterpretasikan sendiri dan Hasil Data mining sulit diinterpretasikan, dan

menyampaikan hasil tersebut kepada manajer

dan eksekutif perusahaan.

masih harus melibatkan ahli statistik dalam

menganalisis hasil tersebut dan menyampaikan

hasil tersebut kepada manajer dan eksekutif

perusahaan.

Tool data mining secara teori dapat mengakses basisdata operasional dan data

warehouse secara langsung tanpa perlu membangun basisdata data mining, selama

struktur basisdata tersebut didukung tool data mining (misalnya relasional (Oracle),

hirarki (IMS) atau flat (VSAM)). Namun akses secara langsung tersebut kurang baik

karena:

a. Data pool dibutuhkan untuk mengubah ke tool data mining, seperti data

daerah penjualan atau tipe produk untuk tujuan data mining khusus.

Perubahan data operasional dan data warehouse tidak dimungkinkan.

b. Kinerja dari basisdata operasional dan data warehouse dapat dipengaruhi oleh

operasi data mining.

c. Operasi data mining membutuhkan data historis yang rinci, sehingga

dibutuhkan media penyimpanan arsip yang dapat dikembalikan dan

digabungkan untuk mendapatkan data yang diinginkan.

Sehinnga data tersebut diekstrak dulu dari data warehousing dan operasional sesuai

yang dibutuhkan untuk basisdata data mining, seperti digambarkan pada gambar 2.

Teknik data mining

Teknik data mining merupakan implementasi yang khusus dengan algoritma yang

digunakan pada operasi data mining. Ada enam teknik umum data mining, antara

lain:

1) Association: digunakan untuk mengenali kelakuan dari kejadian-kejadian

khusus atau proses. Link asosiasi muncul pada setiap kejadian.

2) Sequence: mirip dengan asosiasi, namun menghubungkan kejadian-kejadian

sepanjang waktu dan menentukan keterhubungan antar item untuk sepanjang

waktu.

3) Classification: melihat pada kelakuan dan atribut dari kelompok yang telah

didefinisikan. Tool data mining dapat memberikan klasifikasi pada data baru

dengan memanipulasi data yang ada yang telah diklasifikasi dan dengan

menggunakan hasilnya untuk memberikan sejumlah aturan. Aturan-aturan

tersebut digunakan pada data-data baru untuk diklasifikasi. Teknik ini

menggunkan supervised induction, yang memanfaatkan kumpulan pengujian

dari record yang terklasifikasi untuk menentukan kelas-kelas tambahan.

4) Cluster: dapat digunakan untuk menganalisis pengelompokkan berbeda

terhadap data. Mirip dengan klasifikasi, namun pengelompokkan belum

didefinisikan sebelum dijalankannya tool data mining. Biasanya menggunkan

metode neural network atau statistik. Clustering membagi item menjadi

kelompok-kelompok berdasarkan yang ditemukan tool data mining.

5) Regression (Forecasting): menggunakan nilai dari data yang diketahui untuk

memperkirakan nilai di masa depan atau kejadian masa depan berdasarkan

kecenderungan sejarah dan statistik.

6) Time Series (Forecasting): perbedaan dengan regresi adalah bahwa time

series hanya memperkirakan data yang bergantung pada waktu.

Gambar 2. Sumber-sumber untuk aplikasi data mining

Operasi data mining

Tool data mining memungkinkan dibangunnya model analisis yang merupakan tool

yang digunakan selama operasi data mining. Hasil dari operasi data mining adalah

tabel-tabel dan file-file yang berisi data analisis yang dapat diakses dengan query dan

tools reporting. Terdapat empat operasi umum data mining:

1) Predictive and Classification Modeling: digunakan untuk memperkirakan

kejadian khusus. Diasumsikan bahwa seorang analis mempunyai pertanyaan

khusus untuk ditanyakan. Model ini menyediakan jawaban dengan

memberikan peringkat, yang menentkan kemiripan kelas-kelas tertentu.

2) Link Analysis: mencari hubungan antara record-record pada basisdata

contoh: menentukan item yang dijual bersamaan (sereal dan susu).

3) Database Segmentation: mengelompokkan record-record yang berhubungan

ke dalam segmen-segmen. Pengelompokkan ini merupakan langkah pertama

dari pemilihan data, sebelum operasi data mining lainnya dilakukan.

4) Deviation Detection: mencari record-record yang dipandang tidak normal dan

memberikan alasan untuk anomali tersebut.

Online Analytical Processing (OLAP)

OLAP, merupakan kunci dari BI, digunakan untuk meningkatkan analisis bisnis,

merupakan perhitungan Decision Support System (DSS) dan Expert Infotmation

System (EIS) yang dilakukan oleh end-user pada sistem online. OLAP digunakan

pada banyak aplikasi, mulai dari pelaporan (reporting) perusahaan sampai DSS.

Beberapa aktivitas yang dilakukan OLAP antara lain: men-generate query, meminta

laporan yang ad hoc, mendukung analisis statistik, analisis interaktif, membangun

aplikasi multimedia.

Untuk memfasilitasi OLAP ini diperlukan data warehouse dengan sekumpulan tool

yang memiliki kemampuan multidimensi. Tool-tool ini dapat berupa tool query,

spreadsheet, tool data mining, data visualisasi, dsb.

Terdapat beberapa tipe OLAP, antara lain:

a. Desktop OLAP (client-side OLAP)

Melewatkan data dari server ke desktop pada client untuk melakukan pemrosesan

secara lokal, sering dihubungkan dengan query dan tool pelaporan yang membuat

view khusus dari kumpulan data yang besar untuk kebutuhan khusus end-user.

b. Relational OLAP (ROLAP)

Menempatkan penekanan dari pemrosesan query data dalam basisdata relasional.

ROLAP ini meng-submit query secara otomatis, query yang sangat khusus dan

query yang berulang ke basisdata, selain itu menangani pengiriman informasi ke

penggunanya.

c. Multidimentional OLAP (MOLAP)

Basisdata khusus yang berbasis server yang mengambil data relasional dari sistem

transaksi dan secara fisik menyimpannya dalam format khusus untuk

meningkatkan akses query. Biasanya, data merupakan kesimpulan (summary) dan

berisi dimensi yang terdefinisi atau karaktteristik data.

d. Hybrid OLAP

Merupakan kombinasi karakteristik dari pendekatan MOLAP dan ROLAP.

Mendukung pemrosesan berbasis server dan client atau pemrosesan dalam format

standar relasional dan pada struktur penyimpanan data khusus.

4. Data Warehousing

Data warehouse merupakan tempat penyimpanan untuk ringkasan dari data historis

yang seringkali diambil dari basisdata terpisah departemen atau perusahaan. Data

warehouse mengumpulkan semua data perusahaan dalam satu tempat untuk

memberikan pandangan yang lebih baik dari proses bisnis, dan meningkatkan kinerja

organisasi.

Data warehouse mendukung proses pembuatan keputusan manajemen, proses ini

subject-oriented, terintegrasi, waktu yang bervariasi dan permanen (karakteristik data

warehouse). Data warehouse berfokus pada konsep bisnis daripada proses bisnis dan

menampung semua informasi penjualan yang relevan yang dikumpulkan dari

beberapa sistem pemroses.

Karakteristik data warehouse

Karakteristik data warehouse, seperti disebutkan sebelumnya, antara lain:

a. Data diorganisasi oleh subjek (misal pelanggan) yang rinci.

b. Terintegrasi, data pada lokasi berbeda dikode secara berbeda namun pada

warehouse data-data tersebut konsisten.

c. Waktu yang bervariasi, data untuk 5-10 tahun dan digunakan untuk melihat

kecenderungan, peramalan dan perbandingan.

d. Permanen, sekali dimasukkan ke dalam data warehouse, data tidak berubah atau

di-update.

Arsitektur dan proses data warehouse

Terdapat 2 arsitektur data warehouse yang umum digunakan, antara lain:

a. Arsitektur 3-tier

Data dari sumber internal (terpisah) dan eksternal di-ekstrak, dibersihkan,di-filter

dan dirangkum dengan software khusus sebelum dimasukkan pada data

warehouse. Data tersebut kemudian diproses lagi dan disimpan pada basisdata

multidimensi khusus, diorganisasi untuk penyajian multidimensi yang mudah

dipahami. Gambar arsitektur data warehouse 3-tier, terdapat pada gambar 3.

gambar 3. Arsitektur data warehouse 3-tier

b. Arsitektur 2-tier

Proses yang sama dengan arsitektur 3-tier, namun tidak menggunakan basisdata

multidimensi atau server.

Legacy Systems

External Data

Database Server

EIS/DSS Server

Dat

a A

cqui

sitio

n So

ftwar

e

Repository

Multi-dimensional

Database

Data Warehouse

DSS Client

EIS Client

EIS Client

Gambaran proses umum yang dilakukan aplikasi data warehouse yang terintegrasi

diperlihatkan pada gambar 4.

gambar 4. Proses data warehousing

Komponen data warehouse

Komponen-komponen data warehouse yang digunakan suatu perusahaan, antara lain:

a. Basisdata fisik yang besar

Basisdata aktual dan fisikdimana semua data untuk data warehouse dikumpulkan

bersama dengan metadata dan lojik pemrosesan untuk data (membersihkan,

mengorganisasi, memaketkan dan memprosesulang) untuk diakses oleh end-users.

b. Data warehouse lojik

Berisi metadata, aturan bisnis, dan lojik pemrosesan untuk data. Sebagai tambahan,

juga berisi informasiyang dibutuhkan untuk menemukan dan mengakses data yang

aktual yang berada dimanapun.

c. Data mart

Merupakan bagian dari keseluruhan data warehouse. Biasanya berperan sebagai data

warehouse pada departemen, bagian/daerah atau secara fungsional.

Transaction Data

Extraction

Data Scrubbing &

Cleansing

Load Index & Aggregate

Publish & Subscribe

Data Access Tools

Metadata Histories & Summaries

Data Replication

Data Mapping

Integrated Data Warehouse Application

Design Transf Extract Deliver Process

Lifecycle

Partial Solutions

Complete Integrated Solution

d. DSS dan EIS

Bukan merupakan data warehouse tetapi aplikasi yang menggunakan data warehouse.

Keuntungan data warehouse

Solusi data warehouse dapat meningkatkan pengetahuan dan produktivitas pekerja

disamping memberikan dukungan kebutuhan data pada pembuat keputusan. Akibatnya,

data warehouse mampumenyediakan akses pada data kritis, basisdata operasi yang

terisolasi dan menyediakan ringkasan (summary) informasi sebanding dengan

kemampuan melakukan drill-down.

Data warehousing membantu user untuk mengenali kecenderungan bisnis, menemukan

jawaban atas pertanyaan bisnis dan menemukan arti dari data sejarah dan operasional,

yang pada akhirnya meningkatkan pendukung keputusan pada perusahaan.

Keuntungan tersebut dapat meningkatkan pengetahuan bisnis, memberikan keuntungan

competitive, meningkatkan pelayanan dan kepuasan pelanggan, memfasilitasi pembuatan

keputusan dan membantu menyederhanakan proses bisnis.

Implementasi data warehouse

Berdasarkan fungsi dan keuntungan penerapannya, maka perusahaan/ organisasi yang

cocok menggunakan data warehousing adalah dimana:

a. Data disimpan pada sistem yang berbeda

b. Menggunakan manajemen dengan pendekatan basis informasi

c. Basis pelanggan yang besar dan terbagi-bagi

d. Data yang sama direpresentasikan secara berbeda pada sistem yang berbeda.

e. Data disimpan dengan sangat teknis dan sulit untuk menemukan format yang sesuai.

Illustrasi Kasus

Otis Elevator Co., adalah perusahaan yang bergerak di bidang usaha pembuatan elevator,

eskalator, dan alat transportasi lainnya. Selain melakukan produksi, Otis Elevator juga

menyediakan jasa pelayanan instalasi dan perbaikan produk-produk transportasi.

Setiap tahunnya, Otis menjual sekitar 65.000 alat transportasi vertikal. Otis memiliki

63.000 karyawan di seluruh dunia dengan 22.000 mekanik yang menangani sekitar 1,2

juta elevator, eskalator, dan produk lainnya. Dengan demikian, perusahaan ini

menggunakan jaringan komunikasi, perawatan, dan jaringan pelayanan yang luas. Otis

memasarkan produknya di lebih dari 200 negara di dunia dengan pabrik di Amerika,

Eropa, Asia, dan Australia. Otis memiliki pusat perancangan dan pengetesan produk di

Amerika, Jepang, Prancis, Jerman, dan Spanyol.

Beberapa waktu yang lalu, Otis meluncurkan website www.otis.com. Dengan adanya

website ini, otis harus melakukan beberapa penyesuaian proses bisnisnya dalam melayani

konsumen dari seluruh dunia. Selain itu, Otis mendapat tantangan dalam menangani

informasi yang didapat melalui website tersebut. Otis ingin dapat mendapatkan informasi

mengenai kebutuhan dan keinginan konsumennya yang mengakses website tersebut

berdasarkan informasi click-stream yang didapatkan.

Otis menginginkan websitenya memiliki fitur untuk memberikan personalisasi terhadap

konsumennya. Salah satu fitur personalisasi yang diinginkan adalah adanya fasilitas bagi

konsumen untuk melakukan desain secara online terhadap elevator dan eskalator yang

diinginkan, dan juga menentukan daftar kebutuhan dalam pembelian produk sehingga

konsumen mendapatkan jenis produk yang sesuai dengan kebutuhannya tersebut.

Selain kebutuhan akan informasi tersebut, hal lain yang menjadi tantangan adalah website

tersebut mendukungan 26 pilihan bahasa dan setiap harinya diakses oleh 1.800

pengunjung. Berdasarkan pernyataan Jeff Anderson, Manajer Senior e-bisnis Otis, Otis

membutuhkan cara untuk mengintegrasikan data-data yang didapat dari website untuk

dapat mengetahui apa yang dibutuhkan oleh pengguna produk-produk Otis.

Tujuan dari Otis untuk melakukan hal tersebut adalah untuk lebih mendekatkan

perusahaan dengan konsumennya dan kegiatan-kegitan yang dilakukan oleh

konsumennya yang dapat menjadi informasi berharga bagi Otis. Otis menginginkan agar

karyawannya dapat memanfaatkan informasi mengenai pelanggan dari berbagai unit

bisnis yang dimiliki sehingga karyawan memiliki pemahaman yang lebih baik mengenai

konsumen dan dengan demikian dapat melakukan analisis yang lebih menyeluruh.

Dari deskripsi kasus diatas, dapat disimpulkan bahwa ada dua hal yang diinginkan oleh

Otis Elevator co., yaitu:

1. Melakukan pengubahan data mentah mengenai konsumen menjadi informasi yang

berharga

2. Mendokumentasikan alur pengaksesan pengunjung website Otis sehingga

perusahaan dapat menganalisis dan menyimpulkan kebutuhan pengunjung yang

merupakan calon konsumennya

Analisis dan Pembahasan Berdasarkan kebutuhan, dapat dilihat bahwa perusahaan membutuhkan suatu aplikasi

yang mampu menganalisis data-data historis, melakukan personalisasi terhadap

pengunjung website, dan mengambil tindakan yang harus diambil sehubungan dengan

hasil analisis. Karena itu, perusahaan membutuhkan aplikasi Business Intelligence

Untuk kasus pertama, Otis menginginkan agar dapat memanfaatkan data-data historikal

mengenai transaksi yang dilakukan oleh pelanggan. Data-data transaksi yang dapat

dianalisis antara lain data pembelian produk oleh konsumen, data perbaikan produk, tipe

produk yang diminati konsumen, dan lain-lain.

Menurut kami, data-data itu semua sudah ada pada database yang terpisah. Karena itu,

yang pertama kali harus dilakukan adalah mengintegrasikan data-data transaksi dan data-

data operasional perusahaan pada sebuat database yang terpusat dan memiliki format

yang seragam seperti format penamaan, penomoran, indeks, dll.

Pengintegrasian di atas tidak serinci dengan data-data transaksi dan operasional. Data

yang diintegrasikan sudah melalui proses ekstraksi, filterisasi, dan perangkuman. Tingkat

kedetailan data yang disimpan disesuaikan dengan rencana pemanfaatan datawarehouse

(sesuai kebutuhan analisis yang akan dilakukan).

Untuk mengimplementasikan data warehouse, ada beberapa komponen yang perlu

dipersiapkan oleh perusahaan, baik infrastruktur hardware dan software. Berdasarkan

deskripsi kebutuhan, komponen-komponen yang perlu disiapkan antara lain:

1. Basis data fisik dengan ukuran besar. Dengan data transaksi yang berasal dari 200

negara, tentu dibutuhkan media penampungan pusat dengan ukuran besar.

2. Data warehouse logik. Komponen ini berisi aturan-aturan bisnis, metadata, dan

data logik yang dapat digunakan untuk menelusuri data sumber dari manapun di

cabang perusahaan.

Mekanisme pengambilan data dari setiap cabang dilakukan sebagai berikut:

1. Data transaksi dan operasional dari setiap cabang dikirimkan secara periodik ke

pusat.

2. Data tersebut kemudian dioleh, difilter, dan dirangkum dan kemudian dimasukkan

ke datawarehouse.

3. Setiap data yang dimasukkan memiliki metadata yang berisi informasi detail

mengenai data hasil rangkuman tersebut yang disimpan di data warehouse logik.

Setelah data-data transaksi dan operasional sudah terkumpul dan terangkum di data

warehouse, data-data tersebut akan digunakan oleh data mining untuk dianalisis. Dalam

proses analisis, bisa saja data mining membutuhkan data-data yang detail, sehingga data

mining perlu mendapat akses langsung ke database cabang perusahaan.

Berdasarkan kebutuhan Otis, ada beberapa poin analisis yang dilakukan:

1. Menganalisis konsumen-konsumen yang paling potensial bagi perusahaan

berdasarkan beberapa faktor seperti jumlah transaksi dan periode transaksi

2. Keefektifan media yang digunakan konsumen dalam melakukan transaksi

pembelian dengan perusahaan yang akan menentukan tingkat keberhasilan

transaksi yang dilakukan dengan media tersebut

3. Tipe-tipe produk yang akan banyak dibeli konsumen berdasarkan trend historis

pembelian sehingga perusahaan dapat menentukan rencana produksi, pemasaran,

dan pengadaan barang di masa yang akan datang.

4. Besarnya transaksi yang dilakukan di setiap cabang yang dipadukan dengan data

konsumen lainnya seperti tipe produk dan media transaksi untuk menentukan

daerah-daerah yang potensial bagi pemasaran produk.

5. Aktivitas yang berkaitan dengan pelayanan konsumen, seperti pemberian

dukungan teknis produk, layanan instalasi, dan layanan perbaikan produk yang

digunakan untuk meningkatkan kepuasan konsumen.

Informasi-informasi hasil analisis dimanfaatkan oleh aplikasi Decission Suppiort System

untuk membantu pengambilan keputusan oleh pihak manajemen. Agar informasi hasil

analisis tersebut dapat dimanfaatkan, informasi tersebut perlu diakses oleh pihak

manajemen perusahaan. Salah satu media pengaksesan informasi yang dapat digunakan

adalah portal perusahaan.

Untuk kasus kedua, ada beberapa hal yang perlu ditambahkan dari penjelasan kasus

pertaman. Beberapa hal yang perlu dilakukan perusahaan adalah:

1. Menambahkan modul pada website perusahaan yang menyimpan alur

pengaksesan halaman website oleh pengunjung yang merupakan calon pelanggan

dan menyimpan ke database. Perlu diperhatikan bahwa penambahan data yang

berasal dari click-stream sangat cepat, sehingga diperlukan media penyimpanan

dengan ukuran besar (sekitar 15 Terabyte).

2. Data mentah dari database di atas secara berkala akan dirangkum ke data

warehouse agar dapat dianalisis pada proses berikutnya.

3. Data mining kemudian menganalisis data rangkuman tesebut. Poin analisis yang

dpat ditambahkan dari proses click-stream antara lain:

a. Tipe produk yang diinginkan pelanggan tertentu. Informasi tersebut

didapat dengan menganalisis halaman produk yang diakses, dan seberapa

sering pelanggan mengakses halaman tersebut.

b. Dari kustomisasi atau desain produk yang diinginkan oleh pelanggan,

perusahaan dapat melakukan perencanaan operasional.

4. Dari hasil analisis tersebut, dapat dilakukan personalisasi berdasarkan aktivitas

yang dilakukan oleh pelanggan.

5. Hal-hal yang dapt dipesonalisasi antara lain:

a. Bahasa. Berdasarkan data domisili konsumen, website Otis yang sudah

mendukung 26 pilihan bahasa ini secara otomatis memberikan tampilan

default bahasa yang sesuai.

b. Tipe produk. Berdasarkan data produk yang pernah dibeli, atau produk

yang pernah di desain tetapi belum dibeli, website menampilkan produk-

produk dengan tipe sejenis. Misalkan konsumen pernah membeli elevator

dengan tipe X-1, pada halaman utama konsumen ditampilkan produk-

produk elevator dengan tipe X-2, X-3, dll yang sejenis.

c. Informasi produk baru dan update yang releven. Sama seperti

personalisasi terhadap tipe produk, website akan menampilkan informasi

mengenai produk baru dan update yang relevan dengan tipe produk yang

pernah dibeli. Informasi ini dipisahkan dari produk lama sebagai proses

pemasaran produk baru kepada pelanggan yang relevan.

d. Infrastruktur pendukung produk relevan Sama seperti personalisasi

terhadap tipe produk, website menampilkan informasi mengenai

infrastruktur pendukukng produk. Contohnya adalah pembeli elevator

dengan tipe X-1 ditawarkan tombol atau layar dengan model tertentu yang

dikhususkan untuk elevator tipe X-1.

e. Forum tanya-jawab mengenai permasalahan produk yang pernah dibeli

konsumen. Informasi dari forum tanya jawab tersebut berfungsi untuk

mengurangi beban bagian pelayanan pelanggan perusahaan. Dengan

adanya itu, pelanggan dapat menemukan jalwaban atas permasalahan yang

dihadapi dengan segera.

Kesimpulan

Beberapa kesimpulan yang dapat kami ambil dari penulisan paper ini, antar lain:

1. Data warehouse memiliki fungsi untuk menyimpan data / metadata dari basisdata

transaksi dan operasi yang saling terpisah untuk disatukan dalam satu lokasi

penyimpanan untuk memudahakan pemanfaatannya pada proses analisis.

2. Proses analisis berfungsi mengubah data mentah / data rangkuman (pada data

warehouse) menjadi suatu informasi di perusahaan.

3. Salah satu kegiatan dari aplikasi BI adalah memberikan personalisasi kepada

pelanggan berdasarkan hasil analisis data transaksi dan operasi dari pelanggan

tersebut.

4. Informasi yang dihasilkan analisis dapat dimanfaatkan oleh sistem pendukung

keputusan yang menjadi sumber dalam mengambil keputusan di pihak

manajemen.Untuk mengintegrasikan BI ke dalam proses bisnis perusahaan, perlu

dilakukan beberapa proses siklus pengembangan sistem (Justification Planning

Business Analysis Design Construction Deployment)

5. agar perusahaan dapat mengintegrasikan BI perlu diperhatikan beberapa faktor, antara

lain: pemahaman terhadap tujuan perusahaan, pemahaman terhadap pentingnya

aplikasi BI ini terhadap pengguna, memposisikan aplikasi BI ini dengan sistem lain di

dalam perusahaan.

Daftar pustaka dan referensi

[1] Kalakota, Dr. Ravi, e-business 2.0, Addison Wesley, 2001

[2] Turban, Efraim, Decision Support System and Intelligence System, Prentice Hall,

1998

[3] Loshin, David, Enterprise Knowledge Management, Morgan Kaufmann, 2001

[4] Dyche, Jill, The CRM Handbook, Addison Wesley, 2002

[5] Frappaolo, Carl, Manajemen Pengetahuan, Prestasi Pustaka, 2003

[6] Tiwana, Amrit, The Knowledge Management Toolkit, Prentice Hall, 2000

[7] www.businessintelligence.com/

[8] www.cognos.com/