BUSINESS ANALYTICS : PENGANTAR

Business Analytics merupakan sebuah metode pengembangan teknologi, sistem, praktis dan pengaplikasian untuk menganalisis data bisnis yang krusial yang diterapkan perusahaan dalam menentukan arah bisnis kedepannya berdasarkan hasil eksplorasi data dari pengaplikasian Business Intelligence seperti analisis statistik, model prediktif, data mining dan lain lain yang mengacu pada data kuantitatif guna memprediksi hasil maupun tren dimasa depan (Lim, Chen, & Chen, 2013).  

Salah satu contoh penerapan pengetahuan yang didapatkan dari hasil pengolahan data antara lain: dapat meningkatkan kualitas produk dan pelayanan, peningkatan efisiensi khususnya pada bagian operasional bahkan meningkatkan hubungan dengan konsumen. Selain itu, optimisasi data juga memiliki peranan penting dalam sebuah proses bisnis organisasi (Valente & Mitra, 2007). Penggunaan Business Analytics sendiri diklasifikasikan menjadi 3, antara lain: Analisis Big Data, Analisis Teks dan Network Analytics.  

Oleh karena itu, semakin cepat suatu organisasi dalam memahami suatu data dan mengambil keputusan maka semakin cepat juga mereka dalam menciptakan lingkungan bisnis yang “bebas gesekan” karena sudah maju terlebih dahulu serta berpotensi untuk menguasai gelombang pasar terlebih dahulu dan menuai keuntungan yang lebih besar pula. 

Seiring berkembangnya waktu, penggunaan model prediktif pun kian berubah. Jika pada masa lalu penggunaan model ini berdasarkan pada sebuah asumsi yang cenderung membatasi hasil potensial, kini asumsi tersebut seakan “dipinggirkan” terlebih pada analisis big data. Istilah dari model prediktif diciptakan untuk membedakan bentuk statistik yang lebih maju serta digunakan untuk memprediksi kemungkinan dari hasil pada masa depan. Beberapa pemain di industri tertentu seperti: Perbankan, Perusahaan Asuransi, Periklanan Digital telah sepenuhnya menggunakan analisis prediktif sebagai metode analisisnya sehari-hari sedangkan bisnis lain masih pada tahap awal pengimplementasiannya. 

Metode lain dalam seperti analisis deskriptif dan preskriptif juga turut digunakan dalam business analytics. Metode ini pada awalnya diperkenalkan oleh SAS dan SPSS yang kemudian dapat menggambarkan sesuatu yang terjadi di masa lalu dan menggunakan informasi tersebut untuk memprediksi masa depan dengan beberapa tingkatan kemungkinan. Sedangkan analisis preskriptif menggunakan informasi lampau dan mengarahkan kegiatan di masa mendatang untuk mencapai hasil yang optimal. Masing-masing dari metode ini terbukti telah digunakan dalam beberapa dekade dan menghasilkan pergeseran yang besar. 

Keuntungan yang sekiranya akan didapatkan jika metode tersebut digabungkan dengan Big Data adalah: 

• Menggunakan seluruh data untuk membuat model prediktif. 

• Menggabungkan beberapa model analisis dan teknik untuk meningkatkan hasil prediksi. 
• Membuat “Closed loop” dimana pengetahuan baru digunakan untuk mengadaptasi model produksi. 
• Menggunakan model prediksi sedekat mungkin dengan waktu nyata.  
• Berfokus pada penerapan teknik model prediktif. 

Organisasi yang mengembangkan solusi analitik big data memerlukan sebuah skill yang mumpuni guna mengetahui potensi dan menyadari nilai bisnis bahkan dari yang belum pernah terjadi sekalipun. Untuk mengantisipasi hal tersebut, sebuah bisnis memerlukan sebuah ilmuwan data yang mana dapat mengerti serta memahami antara matematika dan ilmu komputer, berwawasan terbuka serta memiliki hasrat untuk mencoba suatu hal yang baru.  

Sebagai contoh pengaplikasiannya, penerapan Big data analytics telah diakui sebagai “tool” penting pada sebuah sistem Manajemen Rantai Pasok (Kohavi, Rothleder, & Simoudis, 2002). Hal tersebut dikarenakan kebutuhan proses analitik pada sebuah performance measurement system yang selalu ditingkatkan terus menerus guna menunjang keberlangsungan rantai pasok kedepannya. Selanjutnya, penggunaan business analytics menyasar pengetahuan enterprise dengan mempromosikan nilai efisiensi pada organisasi melalui metode analitik untuk mendapatkan pengetahuan terkait decision-making dan meminimalisir pengeluaran operasional dan perkiraan tren pasar yang lebih akurat.