Apa itu analitik yang diperluas?

Manajemen data otomatis

Di antara manfaat yang paling nyata dari analitik yang diperluas adalah kesempatan untuk mengurangi kejenuhan dan menghemat waktu. Dengan meningkatnya kuantitas data yang dipelopori oleh era data besar, terjadi pula peningkatan jumlah tenaga kerja yang diperlukan untuk menyiapkan data tersebut untuk analisis dan mengonsolidasikan insight dari berbagai sumber data.
 

Persiapan data

Agar dapat diproses oleh algoritma machine learning, data harus dikumpulkan dari berbagai sumber, diorganisir dan dikumpulkan, kemudian diformat dengan bersih dan konsisten. Ketika berhadapan dengan kumpulan data tabular, misalnya, bidang data harus diurutkan secara konsisten untuk membantu memastikan bahwa fitur penyematan vektor masing-masing untuk setiap titik data sesuai dengan titik data lainnya. Ketika dilakukan secara manual, ini bisa menjadi proses yang sangat melelahkan dan membutuhkan banyak tenaga.

Platform BI modern yang ditingkatkan AI dapat menggunakan machine learning untuk mengotomatiskan banyak tugas pembersihan data dengan:

• Mendeteksi atribut data yang relevan secara otomatis. Misalnya, suatu algoritma mungkin mendeteksi keberadaan informasi geografis (seperti kode pos atau koordinat lintang dan bujur) atau informasi kontak (seperti alamat email atau nomor telepon). Fitur data ini kemudian dapat ditempatkan dalam skema pemformatan terpadu.

• Memastikan kualitas data dan menjaga privasi. Algoritma dapat dilatih untuk memberi bobot, menghilangkan penekanan, atau mengabaikan input dari sumber data yang berbeda sesuai dengan kebijakan tata kelola data organisasi. Platform analitik yang diperluas dapat lebih jauh menegakkan praktik tata kelola data dengan, misalnya, secara otomatis menyisir titik data atas informasi pengenal pribadi (PII). Ini sangat membantu di bidang-bidang seperti perawatan kesehatan, di mana penggunaan informasi tersebut sangat diatur.

• Membaca dan mengekstrak informasi dari PDF atau sumber teks lengkap. Proses ini juga dapat mencakup penghapusan atau penggantian nilai nol atau karakter khusus, seperti tanda baca atau simbol yang tidak standar, untuk mengonversi teks ke format yang dapat dibaca oleh mesin.

• Mengindeks dan mengelompokkan informasi terkait. Sebagai contoh, sebuah algoritma dapat mengenali keberadaan titik data paralel di berbagai sumber dan menyarankan agregasi atau mendeteksi titik data yang berlebihan dan secara otomatis menggabungkannya ke dalam satu entri. Selain itu, platform analitik yang diperluas dapat mengintegrasikan model yang mampu menghasilkan penyematan vektor yang efektif untuk setiap dokumen agar memungkinkan pencarian vektor yang efisien dan pengambilan pembuatan yang diperluas.

Penemuan data

Meskipun pekerjaan yang biasanya terkait dengan analis data biasanya memerlukan kueri data secara proaktif untuk memberikan informasi tentang keputusan tertentu atau menguji hipotesis tertentu, sebagian besar nilai yang ditawarkan oleh ilmu data yang tangguh berasal dari eksplorasi data secara luas untuk mendapatkan koneksi dan insight yang tidak terlihat atau tidak terduga.  

Alat analisis yang diperluas dapat, misalnya, secara otomatis merekomendasikan hubungan antara berbagai sumber data yang mungkin terlewatkan oleh pengguna atau memunculkan outlier atau tren anomali untuk analisis lebih lanjut. Penerapan pembelajaran tanpa pengawasan, seperti model asosiasi atau pengelompokan , dapat mengenali pola dan korelasi yang melekat yang mungkin menginformasikan insight yang dapat ditindaklanjuti.

Interaksi bahasa alami

Salah satu hambatan terpenting untuk masuk bagi pengguna non-teknis yang tertarik dengan analitik data adalah kedalaman pengetahuan teknis khusus yang diperlukan untuk analitik data tradisional. Bagi banyak orang, belajar membuat kode atau menggunakan bahasa kueri terstruktur (SQL) sangat sulit atau memakan waktu. Hal ini termasuk mempelajari teknik statistik, nomenklatur, dan praktik terbaik yang diperlukan untuk menginterpretasikan dan memvalidasi hasil secara efektif.

Perpaduan antara analisis data dengan pemrosesan bahasa alami (NLP) mungkin merupakan satu-satunya cara yang paling berdampak dan intuitif untuk memperluas akses ke insight berbasis data. Pengguna dapat melakukan kueri data dengan menggunakan bahasa yang sederhana—"produk mana yang memiliki tingkat pengembalian tertinggi dalam 30 hari setelah musim liburan?"—dan menerima tanggapan dalam bahasa yang sama lugasnya.

Di sisi belakang, LLM harus menafsirkan kueri bahasa alami tersebut, menerjemahkannya ke dalam permintaan terstruktur, dan membuat asumsi untuk mengisi informasi yang hilang berdasarkan pemahamannya tentang konteks pertanyaan pengguna. Satu atau lebih model harus dipilih untuk memproses permintaan. Model harus menggunakan sumber data (atau sumber-sumber) yang paling relevan dengan masalah tersebut. Akhirnya, LLM harus menafsirkan hasil matematika dan mengartikulasikannya dengan cara yang memusatkan detail yang relevan. 

Namun, dari sudut pandang pengguna, mereka hanya seakadar mengajukan pertanyaan dan menerima jawaban.

Visualisasi data

Solusi analitik yang diperluas terbaik tidak hanya menawarkan kemampuan visualisasi data yang kompleks, tetapi juga menggabungkan visualisasi data ke dalam produksi laporan secara otomatis untuk memfasilitasi berbagi informasi dan pengambilan keputusan secara kolaboratif.

Meskipun bahasa alami sering kali merupakan cara yang sangat berguna untuk mengartikulasikan informasi, visualisasi sering kali merupakan cara yang paling intuitif untuk menggambarkan perbandingan dan menyoroti pola. Grafik, bagan, diagram, plot, peta panas, dan jenis visualisasi data lainnya dapat menjadi cara yang berguna untuk mengeksplorasi data dan membuat hubungan yang mungkin tidak terpikirkan untuk secara eksplisit dimasukkan ke dalam kueri.

Secara historis, mengambil permintaan bahasa alami sebagai input dan mengembalikan visualisasi data yang canggih sebagai output akan membutuhkan koreografi yang canggih dari beberapa model yang beroperasi dengan cara yang mirip dengan jalur perakitan. Namun, evolusi berkelanjutan dari LLM yang sebelumnya hanya teks menjadi model AI multimodal yang dapat beroperasi dengan mulus di berbagai modalitas data telah makin merampingkan keserbagunaan platform analitik yang diperluas.

Hal ini memungkinkan pendekatan dinamis terhadap analisis data di mana bahkan pengguna non-teknis dapat secara terbuka mengeksplorasi hubungan dan hipotesis, dengan hasil, rekomendasi, dan insight penting yang tersedia dalam dasbor interaktif yang mudah digunakan.

Insight otomatis dan analisis statistik

Meskipun NLP mencuri perhatian, hasil survei Magic Quadrant Gartner baru-baru ini menunjukkan bahwa kemampuan yang paling dicari untuk platform analitik dan intelijen bisnis (ABI) bukanlah kueri bahasa alami, tetapi insight otomatis. Dengan kata lain, pengguna bisnis lebih mementingkan hasil daripada proses mendapatkan hasil tersebut^.1

Solusi analitik yang diperluas terbaik meringankan beban dalam memutuskan bagaimana cara menginterogasi data mereka untuk mendapatkan insight, sehingga pengguna bisnis dapat fokus pada cara menindaklanjuti insight tersebut. Di luar kemampuan NLP tingkat permukaan, LLM dapat bertindak sebagai mesin pengambilan keputusan real-time. Hal ini memberdayakan platform analitik yang diperluas modern untuk menyesuaikan analisis dengan konteks spesifik permintaan pengguna dengan cara yang jauh lebih dinamis daripada yang mungkin dilakukan dengan aturan IF-THEN yang sederhana. 

Sebagai contoh, perangkat lunak analitik yang diperluas dapat menyimpulkan dari sifat permintaan jenis data apa yang akan diperiksa dan jenis analisis apa yang diinginkan, kemudian secara cerdas menyarankan skema visualisasi data yang optimal. Solusi analitik yang diperluas juga dapat menjalankan analisis di berbagai model forecasting dan menyoroti prediksi model yang menawarkan kepastian terbesar. Platform dengan demikian dapat menawarkan insight tentang proses prediksi, daripada hanya memuntahkan prediksi.

Insight otomatis juga memberdayakan analisis data secara proaktif, memunculkan outlier dan tren yang muncul saat timbul, alih-alih menunggu kueri yang tepat untuk mengungkapnya. Misalnya, alat analisis otomatis dapat mengidentifikasi penurunan tak terduga dalam metrik interaksi pelanggan, memperingatkan pengguna bisnis tentang beberapa kekurangan dari pengalaman pelanggan sehingga dapat dipahami dan diatasi.

Analitik prediktif dan analitik preskriptif

Platform analitik yang optimal harus dapat menyediakan berbagai lensa analisis data, untuk memahami masa lalu dan membuat keputusan yang tepat tentang masa depan. Ada empat subset kunci dari insight analitik, yang semuanya penting untuk proses pengambilan keputusan.

• Analitik deskriptif berkaitan dengan analisis objektif: Apa yang telah terjadi atau apa yang sedang terjadi? Misalnya, dalam konteks rantai pasokan, analitik deskriptif dapat mengeksplorasi di mana uang dibelanjakan atau di mana ada kekurangan persediaan.

• Analitik diagnostik bertujuan untuk memahami masa lalu: Mengapa berbagai hal telah terjadi. Sebagai contoh, analisis perilaku pelanggan sebelumnya dapat digunakan untuk menjelaskan mengapa inisiatif pemasaran yang sedang berlangsung tidak sesuai dengan harapan.

• Analitik prediktif bertujuan untuk memprediksi masa depan: Probabilitas bahwa sesuatu akan terjadi atau hasil yang diharapkan untuk tindakan potensial. Analitik prediktif biasanya mewakili landasan operasi intelijen bisnis, mendasarkan keputusan dalam pemahaman yang lebih dalam tentang kemungkinan konsekuensinya.

• Analitik preskriptif bertujuan untuk memprediksi tindakan optimal: Apa yang harus terjadi atau bagaimana memaksimalkan kemungkinan hasil yang diinginkan. Disiplin pemodelan preskriptif memberi kekuatan pada sistem seperti mesin rekomendasi, yang menggabungkan analitik prediktif dengan logika pengambilan keputusan yang kuat untuk mengidentifikasi cara yang ideal ke depan.