Analitik bisnis mengacu pada metode statistik dan teknologi komputasi untuk memproses, menambang, dan memvisualisasikan data untuk mengungkap pola, hubungan, dan insight yang memungkinkan pengambilan keputusan bisnis yang lebih baik.
Analitik bisnis melibatkan perusahaan yang menggunakan data yang dibuat oleh operasi mereka atau data yang tersedia secara publik untuk memecahkan masalah bisnis, memantau fundamental bisnis mereka, mengidentifikasi peluang pertumbuhan baru, dan melayani pelanggan mereka dengan lebih baik.
Analitik bisnis menggunakan eksplorasi data, visualisasi data, dasbor terintegrasi, dan banyak lagi untuk memberi pengguna akses ke data dan insight bisnis yang dapat ditindaklanjuti.
Buku elektronik IBM ini mengungkap nilai mengintegrasikan solusi analitik bisnis yang mengubah insight menjadi tindakan.
Baca panduan untuk para data leader
Intelijen bisnis (BI) memungkinkan keputusan bisnis yang lebih baik yang didasarkan pada dasar data bisnis. Analitik bisnis (BA) adalah bagian dari intelijen bisnis, dengan analitik bisnis yang menyediakan analisis, sedangkan payung infrastruktur intelijen bisnis mencakup alat untuk mengidentifikasi dan menyimpan data yang akan digunakan untuk pengambilan keputusan.
Intelijen bisnis mengumpulkan, mengelola, dan menggunakan data masukan input dan juga pengetahuan yang dihasilkan serta insight yang dapat ditindaklanjuti yang dihasilkan oleh analitik bisnis. Tujuan berkelanjutan dari analitik bisnis adalah untuk mengembangkan pengetahuan dan insight baru untuk meningkatkan intelijen bisnis total perusahaan.
Analitik bisnis dapat digunakan untuk menjawab pertanyaan tentang apa yang terjadi di masa lalu, membuat prediksi, dan melakukan forecasting hasil bisnis.1 Organisasi dapat memperoleh gambaran yang lebih lengkap tentang bisnisnya, sehingga memungkinkannya untuk memahami perilaku pengguna secara lebih efektif.
Ilmuwan data dan analis data tingkat lanjut menggunakan analitik bisnis untuk memberikan analisis statistik tingkat lanjut. Beberapa contoh analisis statistik termasuk analisis regresi yang menggunakan data penjualan sebelumnya untuk memperkirakan nilai seumur hidup pelanggan, dan analisis kluster untuk menganalisis dan mengelompokkan pengguna dengan penggunaan tinggi dan rendah di area tertentu.
Solusi analitik bisnis memberikan manfaat bagi semua departemen, termasuk keuangan, sumber daya manusia, rantai pasokan, pemasaran, penjualan atau teknologi informasi, plus semua industri, termasuk perawatan kesehatan, layanan keuangan, dan barang-barang konsumen.
Analitik bisnis menggunakan analitik—tindakan memperoleh insight dari data—untuk mendorong peningkatan kinerja bisnis. 4 jenis analitik yang berguna sering digunakan:
Sesuai namanya, jenis analitik ini menggambarkan data yang dikandungnya. Contohnya adalah diagram lingkaran yang menguraikan demografi pelanggan perusahaan.
Analitik diagnostik membantu menentukan akar masalah suatu peristiwa. Ini dapat membantu menjawab pertanyaan seperti: Rangkaian peristiwa apa yang memengaruhi hasil bisnis? Di mana letak korelasi dan kausalitas yang sebenarnya dalam kerangka waktu historis tertentu? Apa pendorong di balik temuan ini? Misalnya, produsen dapat menganalisis komponen yang gagal di jalur perakitan dan menentukan alasan di balik kegagalannya.
Analitik prediktif menambang data yang ada, mengidentifikasi pola, dan membantu perusahaan memprediksi apa yang mungkin terjadi di masa depan berdasarkan data tersebut. Analitik ini menggunakan model prediktif yang membuat hipotesis tentang perilaku atau hasil masa depan. Sebagai contoh, sebuah organisasi dapat membuat prediksi tentang perubahan penjualan mantel jika musim dingin yang akan datang diproyeksikan memiliki suhu yang lebih hangat.
Pemodelan prediktif2 juga membantu organisasi menghindari masalah sebelum terjadi, seperti mengetahui kapan kendaraan atau alat akan rusak dan melakukan intervensi sebelum hal itu terjadi, atau mengetahui kapan perubahan demografi atau psikografi akan berdampak positif atau negatif pada lini produk mereka.
Analitik ini membantu organisasi membuat keputusan tentang masa depan berdasarkan informasi dan sumber daya yang ada. Setiap bisnis dapat menggunakan analitik preskriptif dengan meninjau data yang ada untuk menebak tentang apa yang akan terjadi selanjutnya. Misalnya, organisasi pemasaran dan penjualan dapat menganalisis tingkat keberhasilan prospek dari konten terbaru untuk menentukan jenis konten apa yang harus mereka prioritaskan di masa mendatang. Perusahaan jasa keuangan menggunakannya untuk mendeteksi penipuan dengan menganalisis data yang ada untuk membuat keputusan secara real-time tentang apakah suatu pembelian berpotensi penipuan.
Praktik analitik bisnis melibatkan beberapa alat yang membantu perusahaan memahami data yang mereka kumpulkan dan mengubahnya menjadi insight. Berikut adalah beberapa alat, disiplin, dan pendekatan yang paling umum:
- Manajemen data: Manajemen data adalah praktik memasukkan, memproses, mengamankan, dan menyimpan data organisasi. Data kemudian digunakan untuk pengambilan keputusan strategis untuk meningkatkan hasil bisnis. Disiplin manajemen data telah menjadi prioritas yang makin meningkat karena perluasan penyimpanan data telah menciptakan tantangan yang signifikan, seperti silo data, risiko keamanan, dan hambatan umum dalam pengambilan keputusan.
- Penambangan data atau KDD: Penambangan data, juga dikenal sebagai penemuan pengetahuan dalam data (KDD), adalah proses menemukan pola dan informasi berharga lainnya dari kumpulan data yang besar dan merupakan komponen penting dalam analisis big data. Makin pentingnya big data menjadikan penambangan data sebagai komponen penting dalam bisnis modern dengan membantu perusahaan mengubah data mentah mereka menjadi pengetahuan yang berguna.
- Pergudangan data: Gudang data, atau gudang data perusahaan (EDW), adalah sistem yang mengumpulkan data dari berbagai sumber, termasuk aplikasi, perangkat Internet of Things (IoT), media sosial, dan spreadsheet ke dalam satu tempat penyimpanan data yang terpusat dan konsisten untuk mendukung analisis data, penggalian data, kecerdasan buatan (AI), dan machine learning (ML). Sistem gudang data memungkinkan organisasi untuk menjalankan analitik yang mumpuni pada data dalam jumlah besar (petabyte dan petabyte) dengan cara yang tidak dapat dilakukan oleh database standar.
- Visualisasi data: Representasi data dengan menggunakan grafik seperti bagan, plot, infografis, dan bahkan animasi. Tampilan informasi visual ini mengomunikasikan hubungan data yang kompleks dan insight berbasis data dengan cara yang lebih mudah dipahami, khususnya membantu staf nonteknis untuk memahami konsep analitik, dan membantu menunjukkan pola di berbagai titik data. Visualisasi data juga dapat membantu dalam pembuatan ide, ilustrasi ide, atau penemuan visual.
- Forecasting: Alat ini mengambil data historis dan kondisi pasar saat ini, lalu membuat prediksi tentang berapa banyak pendapatan yang diharapkan diperoleh organisasi selama beberapa bulan atau tahun mendatang. Forecasting akan disesuaikan saat informasi baru tersedia. Ketika perusahaan memanfaatkan data dan analitik dengan praktik terbaik perencanaan dan forecasting yang mapan, mereka meningkatkan pengambilan keputusan strategis dan dapat memperoleh hasil berupa rencana yang lebih akurat dan forecasting yang lebih tepat waktu.
- Algoritma machine learning: Algoritma machine learning adalah seperangkat aturan atau proses yang digunakan oleh sistem AI untuk melakukan tugas-tugasnya, biasanya untuk menemukan insight dan pola data baru, atau untuk memprediksi nilai output dari serangkaian variabel input yang diberikan. Algoritma machine learning memungkinkan machine learning untuk belajar, memberikan kekuatan untuk menganalisis data, mengidentifikasi tren, dan memprediksi masalah sebelum terjadi.
- Pelaporan: Analitik bisnis berjalan dengan bahan bakar data untuk membantu organisasi membuat keputusan yang tepat. Perangkat lunak pelaporan kelas perusahaan dapat mengekstrak informasi dari berbagai aplikasi yang digunakan oleh suatu perusahaan, menganalisis data, dan menghasilkan laporan.
- Analisis statistik: Analisis statistik memungkinkan organisasi untuk mengekstrak insight yang dapat ditindaklanjuti dari datanya. Prosedur analisis statistik lanjutan membantu memastikan akurasi tinggi dan pengambilan keputusan berkualitas. Siklus hidup analitik mencakup data preparation dan manajemen data hingga analisis dan pelaporan.
- Analisis teks: Mengidentifikasi pola dan tren tekstual dalam data yang tidak terstruktur dengan menggunakan machine learning, statistik, dan linguistik. Dengan mengubah data menjadi format yang lebih terstruktur melalui penambangan teks dan analisis teks, lebih banyak insight kuantitatif dapat ditemukan.
Organisasi modern harus mampu membuat keputusan cepat untuk bersaing di dunia yang berubah dengan cepat, dengan pesaing baru yang sering bermunculan dan kebiasaan pelanggan yang selalu berubah. Organisasi yang memprioritaskan analitik bisnis memiliki beberapa kelebihan dibandingkan pesaing yang tidak.
Keputusan yang lebih cepat dan berdasarkan informasi yang lebih baik: Memiliki pandangan yang fleksibel dan luas terhadap semua data yang dimiliki organisasi dapat menghilangkan ketidakpastian, mendorong organisasi untuk mengambil tindakan lebih cepat, dan meningkatkan proses bisnis. Jika data organisasi menunjukkan bahwa penjualan lini produk tertentu menurun drastis, organisasi dapat memutuskan untuk menghentikan lini tersebut. Jika risiko iklim berdampak pada pemanenan bahan baku yang menjadi andalan organisasi lain, maka organisasi tersebut mungkin perlu mencari sumber bahan baru dari tempat lain. Hal ini sangat membantu ketika mempertimbangkan strategi penetapan harga.
Bagaimana perusahaan menentukan harga barang atau jasanya didasarkan pada ribuan titik data, banyak di antaranya tidak statis dari waktu ke waktu. Apakah perusahaan memiliki strategi penetapan harga tetap atau dinamis, kemampuan untuk mengakses data waktu nyata untuk membuat data penetapan harga jangka pendek dan jangka panjang yang lebih cerdas sangatlah penting. Bagi organisasi yang ingin menerapkan penetapan harga dinamis, analitik bisnis memungkinkan mereka memanfaatkan ribuan titik data untuk bereaksi terhadap peristiwa dan tren eksternal guna mengidentifikasi titik harga yang paling menguntungkan sesering mungkin.
Tampilan informasi dalam satu jendela: Peningkatan kolaborasi antar-departemen dan pengguna lini bisnis berarti setiap orang memiliki data yang sama dan berbicara dengan pedoman yang sama. Memiliki satu panel kaca menunjukkan lebih banyak pola yang tidak terlihat, memungkinkan departemen yang berbeda untuk memahami pendekatan holistik perusahaan dan meningkatkan kemampuan organisasi untuk merespons perubahan di pasar.
Layanan pelanggan yang lebih baik: Dengan mengetahui apa yang diinginkan pelanggan, kapan dan bagaimana mereka menginginkannya, organisasi dapat mendorong pelanggan yang lebih bahagia dan membangun loyalitas yang lebih besar. Selain pengalaman pelanggan yang lebih baik, dengan dapat membuat keputusan yang lebih cerdas tentang alokasi sumber daya atau manufaktur, organisasi kemungkinan dapat menawarkan barang atau jasa tersebut dengan harga yang lebih terjangkau.
Perusahaan yang ingin memanfaatkan data bisnis kemungkinan perlu meningkatkan keterampilan karyawan yang ada atau mempekerjakan karyawan baru, berpotensi menciptakan deskripsi pekerjaan baru. Organisasi berbasis data membutuhkan karyawan dengan keterampilan analitis dan komunikasi langsung yang sangat baik.
Berikut ini adalah beberapa karyawan yang mereka butuhkan untuk memanfaatkan potensi penuh dari strategi analitik bisnis yang kuat:
Ilmuwan data: Orang-orang ini bertanggung jawab untuk mengelola algoritma dan model yang mendukung program analitik bisnis. Ilmuwan data organisasi menggunakan pustaka sumber terbuka, seperti toolkit bahasa alami (NTLK) untuk algoritma atau membangun sendiri untuk menganalisis data. Mereka unggul dalam pemecahan masalah dan biasanya perlu mengetahui beberapa bahasa pemrograman, seperti Python, yang membantu mengakses algoritma machine learning out-of-the-box dan bahasa kueri terstruktur (SQL), yang membantu mengekstrak data dari database untuk dimasukkan ke dalam model.
Dalam beberapa tahun terakhir, semakin banyak sekolah yang menawarkan gelar Master of Science atau Sarjana dalam bidang ilmu data di mana para siswa dapat mengambil mata kuliah program gelar yang mengajarkan mereka ilmu komputer, pemodelan statistik, dan aplikasi matematika lainnya.
Insinyur data: Mereka membuat dan memelihara sistem informasi yang mengumpulkan data dari berbagai sumber, yang dibersihkan dan disortir, dan diposisikan ke dalam database induk. Mereka sering kali bertanggung jawab untuk membantu memastikan bahwa data dapat dengan mudah dikumpulkan dan diakses oleh para pemangku kepentingan untuk memberikan pandangan terpadu tentang operasi data mereka.
Analis data: Mereka memainkan peran penting dalam mengkomunikasikan insight kepada pemangku kepentingan eksternal dan internal. Bergantung pada ukuran organisasi, mereka dapat mengumpulkan dan menganalisis kumpulan data dan membangun visualisasi data, atau mereka dapat melakukan pekerjaan yang dibuat oleh ilmuwan data lainnya dan berfokus untuk membangun penceritaan yang kuat untuk poin-poin penting yang ada.
Untuk memaksimalkan manfaat analitik bisnis organisasi, organisasi perlu membersihkan dan menghubungkan data, membuat visualisasi data, dan memberikan insight tentang kondisi bisnis hari ini sekaligus membantu memprediksi apa yang akan terjadi besok. Ini biasanya melibatkan langkah-langkah berikut:
Pertama, organisasi harus mengidentifikasi seluruh data yang dimilikinya dan data eksternal yang ingin mereka gabungkan untuk memahami peluang analitik bisnis yang tersedia bagi mereka.
Sayangnya, sebagian besar data perusahaan masih tidak bersih, membuatnya tidak berguna untuk analisis yang akurat sampai ditangani.
Berikut adalah beberapa alasan mengapa data organisasi mungkin perlu dibersihkan:
- Bidang data salah: Karena entri manual atau transfer data yang salah, organisasi mungkin memiliki data buruk yang bercampur dengan data yang akurat. Jika ada data yang buruk dalam sistem, maka berpotensi membuat seluruh rangkaian menjadi tidak berarti.
- Nilai data yang sudah usang: Kumpulan data tertentu, termasuk informasi pelanggan, mungkin perlu diedit karena pelanggan keluar, lini produk dihentikan, atau data historis lainnya yang tidak lagi relevan.
- Data yang hilang: Perusahaan mungkin telah mengubah cara mereka mengumpulkan data atau data yang mereka kumpulkan, yang berarti entri historis mungkin kehilangan data yang sangat penting untuk analisis bisnis di masa depan. Perusahaan dalam situasi ini mungkin perlu berinvestasi dalam entri data manual atau mengidentifikasi cara menggunakan algoritma atau machine learning untuk memprediksi data yang benar.
- Silo data: Jika data organisasi yang ada berada dalam beberapa spreadsheet atau jenis database lainnya, mungkin perlu untuk menggabungkan data sehingga semuanya berada di satu tempat. Meskipun dasar dari setiap pendekatan analitik bisnis adalah data pihak pertama (data yang telah dikumpulkan oleh perusahaan dari para pemangku kepentingan dan yang dimilikinya sendiri), mereka mungkin ingin menambahkan data pihak ketiga (data yang telah mereka beli atau dapatkan dari organisasi lain) untuk mencocokkan data mereka dengan insight eksternal.
Perusahaan sekarang dapat menanyakan dan dengan cepat mengurai gigabytes atau terabyte data dengan cepat dengan lebih banyak komputasi cloud. Ilmuwan data dapat menganalisis data lebih efektif dengan menggunakan machine learning, algoritma, kecerdasan buatan (AI) dan teknologi lainnya. Dengan melakukan hal tersebut, perusahaan dapat menghasilkan insight yang dapat ditindaklanjuti berdasarkan indikator kinerja utama organisasi (KPI).
Program analitik bisnis sekarang dapat dengan cepat mengambil sejumlah besar data yang dianalisis untuk membuat dasbor, visualisasi, dan panel di mana data dapat disimpan, dilihat, disortir, dimanipulasi, dan dikirim ke pemangku kepentingan.
Praktik terbaik visualisasi data termasuk memahami visual mana yang paling sesuai dengan data yang digunakan organisasi dan poin-poin penting yang ingin disampaikan, menjaga agar visual tetap bersih dan sesederhana mungkin, serta memberikan penjelasan dan konten yang tepat untuk membantu memastikan audiens memahami apa yang mereka lihat.
Manajemen data yang berkelanjutan dilakukan bersamaan dengan apa yang disebutkan sebelumnya. Sebuah organisasi yang menggunakan analitik bisnis harus membuat strategi yang komprehensif untuk memelihara data yang telah dibersihkan, terutama karena organisasi tersebut memasukkan sumber data baru.
Analitik bisnis berguna untuk setiap jenis unit bisnis sebagai cara untuk memahami data yang dimilikinya dan membantunya menghasilkan insight spesifik yang mendorong pengambilan keputusan yang lebih cerdas.
- Perencanaan keuangan dan operasional: Analitik bisnis memberikan insight berharga untuk membantu organisasi menyelaraskan perencanaan keuangan dan operasional mereka dengan lebih lancar. Hal ini dilakukan dengan menetapkan aturan untuk manajemen rantai pasokan, mengintegrasikan data di seluruh fungsi, dan meningkatkan analitik rantai pasokan dan forecasting permintaan.
- Analitik perencanaan: Pendekatan perencanaan bisnis terintegrasi yang menggabungkan spreadsheet dan teknologi database untuk membuat keputusan bisnis yang efektif tentang topik-topik seperti permintaan dan perolehan prospek, optimalisasi biaya operasional, dan kebutuhan teknologi berdasarkan metrik yang solid. Banyak organisasi yang secara historis menggunakan alat bantu termasuk Microsoft Excel untuk perencanaan bisnis, tetapi ada juga yang beralih ke alat bantu seperti IBM Planning Analytics.
- Perencanaan penjualan dan pemasaran yang terintegrasi: Sebagian besar organisasi memiliki data historis tentang perolehan prospek, konversi penjualan, dan tingkat keberhasilan retensi pelanggan. Organisasi yang ingin membuat rencana dan forecasting yang lebih akurat serta mendapatkan visibilitas yang lebih dalam ke data pemasaran dan penjualan mereka menggunakan analitik bisnis untuk mengalokasikan sumber daya berdasarkan kinerja atau perubahan permintaan untuk memenuhi tujuan bisnis.
- Perencanaan kinerja tenaga kerja terintegrasi: Ketika organisasi menjalani transformasi digital dan bereaksi terhadap perubahan lanskap, mereka mungkin perlu memastikan bahwa mereka memiliki tenaga kerja yang tepat dengan keterampilan analitik yang tepat. Hal ini terutama berlaku di dunia di mana karyawan lebih cenderung meninggalkan perusahaan untuk mencari pekerjaan baru. Perencanaan kinerja tenaga kerja membantu organisasi memahami kebutuhan tenaga kerja mereka, mengidentifikasi dan mengatasi kesenjangan keterampilan, serta merekrut dan mempertahankan talenta dengan lebih baik untuk memenuhi kebutuhan organisasi saat ini dan di masa depan.
Fleksibilitas spreadsheet. Kontrol basis data. Kekuatan perencanaan bisnis terintegrasi. Kini tersedia sebagai Layanan di AWS
Otomatisasi dan wawasan yang didukung AI di Cognos Analytics memungkinkan semua orang di organisasi Anda memanfaatkan potensi penuh data Anda.
Mendeteksi risiko aplikasi dan bisnis yang memengaruhi pengalaman pelanggan, memungkinkan pengguna untuk menghubungkan tujuan tingkat layanan aplikasi dengan sumber daya infrastruktur yang mendasarinya.
Pelajari lebih lanjut tentang analisis usaha dengan membaca blog dan artikel ini.
IBM Planning Analytics telah membantu mendukung organisasi tidak hanya di bagian keuangan, tetapi juga semua departemen dalam organisasi mereka.
Semakin banyak perusahaan yang berwawasan ke depan yang berhasil menavigasi kompleksitas dengan menggunakan IBM Planning Analytics, sebuah teknologi yang mampu mendukung kolaborasi yang aman, akuisisi data otomatis yang cepat, dan banyak lagi.
Analisis prediktif adalah cabang dari analisis lanjutan yang membuat prediksi tentang hasil di masa depan menggunakan data historis yang dikombinasikan dengan pemodelan statistik, teknik penggalian data, dan pembelajaran mesin.
Catatan kaki
1 Business intelligence versus business analytics (tautan berada di luar ibm.com), Harvard Business School.
2 How predictive analytics can boost product development ((tautan berada di luar ibm.com), McKinsey, 16 Agustus 2018.