Analitik prediktif: Perbedaan antara revisi

Jelajahi riwayat secara interaktif

← Revisi sebelumnya

Konten dihapus Konten ditambahkan

VisualTeks wiki

Revisi per 2 Januari 2018 23.03 sunting Hidayatsrf (bicara \| kontrib) Pengurus antarmuka, Pengurus 25.118 suntingan k hirarki > hierarki (menggunakan WP:JWB) ← Revisi sebelumnya		Revisi terkini sejak 19 Agustus 2024 13.42 sunting balikkan AABot (bicara \| kontrib) Bot, Pengecualian blokir IP 914.345 suntingan k Bot: Mengganti kategori yang dialihkan Prediksi menjadi Prakiraan Tag: paws [2.2]
(12 revisi perantara oleh 5 pengguna tidak ditampilkan)
Baris 1: '''Analitik prediktif''' ({{lang-en\|Predictive analytics}}) mencakup berbagai teknik statistik dari pemodelan prediktif, [[pembelajaran mesin]]~~<nowiki/>~~ dan [[Penggalian data\|data mining]] yang menganalisis arus dan fakta-fakta sejarah untuk membuat prediksi tentang masa depan atau peristiwa yang tidak diketahui. Dalam bisnis, model prediktif memanfaatkan [[Pengenalan pola\|pola-pola yang]] ditemukan dalam sejarah dan data transaksional untuk mengidentifikasi risiko dan peluang. Model menangkap hubungan antara banyak faktor untuk memungkinkan penilaian risiko atau potensi yang terkait dengan satu set tertentu dari kondisi, membimbing [[pengambilan keputusan]] bagi calon transaksi. Baris 5: Mendefinisikan fungsional pengaruh teknis ini adalah pendekatan yang predictive analytics menyediakan prediksi skor (probabilitas) untuk masing-masing individu (pelanggan, karyawan, kesehatan pasien, SKU produk, kendaraan, komponen, mesin, atau unit organisasi) dalam rangka untuk menentukan, menginformasikan, atau pengaruh proses organisasi yang berkaitan melintasi sejumlah besar individu, seperti dalam pemasaran, kredit penilaian risiko, deteksi penipuan, manufaktur, kesehatan, dan operasi pemerintah termasuk penegak hukum. Predictive analytics digunakan dalam ilmu aktuaria,<ref name="Conz">{{citation\|last=Conz\|first=Nathan\|title=Insurers Shift to Customer-focused Predictive Analytics Technologies\|date=September 2, 2008\|url=http://www.insurancetech.com/business-intelligence/210600271\|magazine=Insurance & Technology\|accessdate=2017-08-12\|archive-date=2012-07-22\|archive-url=https://web.archive.org/web/20120722013733/http://www.insurancetech.com/business-intelligence/210600271\|dead-url=yes}}</ref> [[pemasaran]],<ref>{{citation\|last=Fletcher\|first=Heather\|title=The 7 Best Uses for Predictive Analytics in Multichannel Marketing\|date=March 2, 2011\|url=http://www.targetmarketingmag.com/article/7-best-uses-predictive-analytics-modeling-multichannel-marketing/1#\|magazine=Target Marketing\|accessdate=2017-08-12\|archive-date=2016-03-22\|archive-url=https://web.archive.org/web/20160322133636/http://www.targetmarketingmag.com/article/7-best-uses-predictive-analytics-modeling-multichannel-marketing/1\|dead-url=yes}}</ref> [[jasa keuangan]],<ref>{{citation\|last=Korn\|first=Sue\|title=The Opportunity for Predictive Analytics in Finance\|date=April 21, 2011\|url=http://www.hpcwire.com/hpcwire/2011-04-21/the_opportunity_for_predictive_analytics_in_finance.html\|magazine=HPC Wire}}</ref> [[asuransi]], [[telekomunikasi]],<ref name="Barkin">{{citation\|last=Barkin\|first=Eric\|title=CRM + Predictive Analytics: Why It All Adds Up\|date=May 2011\|url=http://www.destinationcrm.com/Articles/Editorial/Magazine-Features/CRM---Predictive-Analytics-Why-It-All-Adds-Up-74700.aspx\|magazine=Destination CRM}}</ref> [[Eceran\|ritel]],<ref>{{citation\|title=Competitive Advantage in Retail Through Analytics: Developing Insights, Creating Value\|date=July 1, 2006\|url=http://www.information-management.com/infodirect/20060707/1057744-1.html\|last1=Das\|last2=Vidyashankar\|first1=Krantik\|first2=G.S.\|magazine=Information Management}}</ref> perjalanan,<ref>{{citation\|last=McDonald\|first=Michèle\|title=New Technology Taps 'Predictive Analytics' to Target Travel Recommendations\|date=September 2, 2010\|url=http://www.travelmarketreport.com/technology?articleID=4259&LP=1,\|magazine=Travel Market Report}}</ref> mobilitas{{Ambigu\|date=May 2017}},<ref>{{Cite journal\|last=Moreira-Matias\|first=Luís\|last2=Gama\|first2=João\|last3=Ferreira\|first3=Michel\|last4=Mendes-Moreira\|first4=João\|last5=Damas\|first5=Luis\|date=2016-02-01\|title=Time-evolving O-D matrix estimation using high-speed GPS data streams\|url=http://www.sciencedirect.com/science/article/pii/S0957417415006053\|journal=Expert Systems with Applications\|volume=44\|pages=275–288\|doi=10.1016/j.eswa.2015.08.048}}</ref> [[Perawatan kesehatan\|kesehatan]],<ref>{{citation\|last=Stevenson\|first=Erin\|title=Tech Beat: Can you pronounce health care predictive analytics?\|date=December 16, 2011\|url=http://www.times-standard.com/business/ci_19561141\|newspaper=Times-Standard\|accessdate=2017-08-12\|archive-date=2014-08-04\|archive-url=https://web.archive.org/web/20140804030717/http://www.times-standard.com/business/ci_19561141\|dead-url=yes}}</ref> perlindungan anak,<ref>{{Cite journal\|last=Lindert\|first=Bryan\|date=October 2014\|title=Eckerd Rapid Safety Feedback Bringing Business Intelligence to Child Welfare\|url=http://static.eckerd.org/wp-content/uploads/Eckerd.pdf\|journal=Policy & Practice\|doi=\|pmid=\|access-date=March 3, 2016\|archive-date=2015-04-04\|archive-url=https://web.archive.org/web/20150404044403/http://static.eckerd.org/wp-content/uploads/Eckerd.pdf\|dead-url=yes}}</ref><ref>{{Cite web\|url=http://www.huffingtonpost.com/marquis-cabrera/florida-leverages-predictive_b_8586712.html\|title=Florida Leverages Predictive Analytics to Prevent Child Fatalities -- Other States Follow\|website=The Huffington Post\|access-date=2016-03-25}}</ref> obat-obatan,<ref>{{citation\|last=McKay\|first=Lauren\|title=The New Prescription for Pharma\|date=August 2009\|url=http://www.destinationcrm.com/articles/Web-Exclusives/Web-Only-Bonus-Articles/The-New-Prescription-for-Pharma-55774.aspx\|magazine=Destination CRM\|accessdate=2017-08-12\|archive-date=2015-07-10\|archive-url=https://web.archive.org/web/20150710045913/http://www.destinationcrm.com/articles/Web-Exclusives/Web-Only-Bonus-Articles/The-New-Prescription-for-Pharma-55774.aspx\|dead-url=yes}}</ref> perencanaan kapasitas{{Butuh rujukan\|date=September 2015}} dan bidang lainnya. Salah satu yang paling dikenal adalah aplikasi credit scoring, yang digunakan di seluruh [[Jasa keuangan\|layanan jasa keuangan]]. Model penilaian proses pelanggan dengan sejarah kredit, [[pinjaman]] aplikasi, data pelanggan, dll., dalam rangka untuk rank-order individu oleh mereka kemungkinan membuat masa depan pembayaran kredit tepat waktu. == Definisi == ''Predictive analytics'' merupakan daerah statistik yang berhubungan dengan penggalian informasi dari data dan menggunakannya untuk memprediksi tren dan pola perilaku. Sering tidak diketahui acara menarik di masa depan, tapi ''predictive analytics'' dapat diterapkan untuk setiap jenis yang tidak diketahui apakah itu di masa lalu, sekarang atau masa depan. Misalnya, mengidentifikasi tersangka setelah kejahatan telah dilakukan, atau penipuan [[kartu kredit]] seperti itu terjadi. inti dari ''predictive analytics'' bergantung pada menangkap hubungan antara variabel penjelas dan prediksi variabel dari kejadian masa lalu, dan memanfaatkan mereka untuk memprediksi hasil yang tidak diketahui. Hal ini penting untuk dicatat, bagaimanapun, bahwa akurasi dan kegunaan dari hasil akan sangat tergantung pada tingkat analisis data dan kualitas dari asumsi-asumsi. Predictive analytics sering didefinisikan sebagai memprediksi pada yang lebih rinci tingkat granularity, yaitu, menghasilkan prediksi skor (probabilitas) untuk masing-masing elemen organisasi. Ini membedakannya dari peramalan. Misalnya, "Predictive analytics—Teknologi yang belajar dari pengalaman (data) untuk memprediksi perilaku masa depan individu dalam rangka untuk mendorong keputusan yang lebih baik." Di masa depan sistem industri, nilai predictive analytics akan memprediksi dan mencegah potensi masalah untuk mencapai dekat-zero break-down dan selanjutnya diintegrasikan ke preskriptif analisis untuk keputusan optimasi.{{Butuh rujukan\|date=August 2016}} Selain itu, data dikonversi dapat digunakan untuk loop tertutup siklus hidup produk perbaikan yang merupakan visi dari Industri Internet Konsorsium. Baris 18: === Model prediksi === Model prediksi ini adalah model hubungan antara kinerja tertentu dari suatu unit dalam sampel dan satu atau lebih dikenal atribut atau fitur dari unit ini. Tujuan dari model ini adalah untuk menilai kemungkinan bahwa unit serupa dalam sampel yang berbeda akan menunjukkan kinerja tertentu. Kategori ini meliputi model-model dalam berbagai bidang, seperti pemasaran, di mana mereka mencari halus pola data untuk menjawab pertanyaan-pertanyaan tentang kinerja pelanggan, atau deteksi penipuan model ini. Model prediktif sering melakukan perhitungan pada transaksi langsung, misalnya, untuk mengevaluasi risiko atau peluang yang diberikan nasabah atau transaksi, dalam rangka untuk memandu keputusan. Dengan kemajuan dalam kecepatan komputasi, agen individu pemodelan sistem telah menjadi mampu mensimulasikan [[perilaku manusia]] atau reaksi terhadap rangsangan yang diberikan atau skenario. Tersedia unit sampel dikenal dengan atribut dan dikenal pertunjukan ini disebut sebagai "pelatihan sampel". Unit-unit dalam sampel lainnya, dikenal dengan atribut tapi tidak diketahui pertunjukan, yang disebut sebagai "keluar dari [pelatihan] contoh" unit. Keluar dari unit sampel tidak selalu menanggung kronologis kaitannya dengan pelatihan unit sampel. Misalnya, pelatihan sampel dapat terdiri dari sastra atribut dari tulisan-tulisan oleh Victoria penulis, dikenal dengan atribusi, dan keluar dari unit sampel mungkin baru ditemukan menulis dengan penulisnya tidak diketahui; model prediksi dapat membantu dalam menghubungkan sebuah pekerjaan yang harus diketahui penulis. Contoh lain adalah yang diberikan oleh analisis memerciki darah dalam simulasi tkp yang keluar dari unit sampel adalah sebenarnya memerciki darah pola dari tkp. Keluar dari unit sampel dapat dari waktu yang sama seperti pelatihan unit, dari waktu sebelumnya, atau dari waktu mendatang. === Deskriptif model === Deskriptif model mengukur hubungan data dalam suatu cara yang sering digunakan untuk mengklasifikasikan pelanggan atau prospek menjadi kelompok-kelompok. Tidak seperti model prediksi yang fokus pada memprediksi satu perilaku pelanggan (seperti [[risiko kredit]]), deskriptif model mengidentifikasi berbagai hubungan antara pelanggan atau produk. Deskriptif model tidak rank-order pelanggan dengan kemungkinan mereka untuk mengambil tindakan tertentu cara model prediksi. Sebaliknya, deskriptif model ini dapat digunakan, misalnya, untuk mengkategorikan pelanggan dengan produk mereka preferensi dan tahap kehidupan. Deskriptif alat pemodelan dapat dimanfaatkan untuk mengembangkan lebih lanjut model yang dapat mensimulasikan sejumlah besar agen individual dan membuat prediksi. === Keputusan model === Baris 64: === Portofolio, produk, atau ekonomi-tingkat prediksi === Sering fokus analisis adalah bukan konsumen tapi produk, portofolio, perusahaan, industri atau bahkan ekonomi. Misalnya, pengecer mungkin tertarik dalam memprediksi toko-tingkat permintaan untuk manajemen persediaan tujuan. Atau Dewan Federal Reserve mungkin akan tertarik dalam memprediksi tingkat pengangguran untuk tahun berikutnya. Jenis-jenis masalah ini dapat diatasi dengan analisis prediktif menggunakan time series teknik (lihat di bawah). Mereka juga dapat diatasi melalui pendekatan pembelajaran mesin yang mengubah waktu asli seri ke sebuah fitur vektor ruang, di mana ~~algoritma~~algoritme belajar menemukan pola-pola yang memiliki daya prediksi. === Manajemen risiko proyek === Baris 74: == Teknologi dan data besar pengaruh == [[Big data]] adalah koleksi dari data set yang sangat besar dan kompleks sehingga mereka menjadi canggung untuk bekerja dengan menggunakan tradisional [[Pangkalan data\|database management]] tools. Volume, variety, dan velocity data besar telah memperkenalkan tantangan di seluruh papan untuk pengambilan, penyimpanan, pencarian, berbagi, analisis, dan visualisasi. Contoh-contoh sumber data yang besar seperti [[Blog\|web log]], [[RFID]], sensor data, [[jejaring sosial]], Internet pencarian pengindeksan, call detail records, militer, pengawasan, dan data yang kompleks dalam astronomi, biogeokimia, genomik, dan ilmu apabila. Big Data merupakan inti dari sebagian besar predictive analytic jasa yang ditawarkan oleh organisasi. Berkat kemajuan teknologi di perangkat keras komputer—Cpu lebih cepat, memori yang lebih murah, dan MPP arsitektur dan teknologi baru seperti Hadoop, MapReduce, dan di-database dan [[Penambangan teks\|teks analytics]] untuk pengolahan data yang besar, sekarang layak untuk mengumpulkan, menganalisis, dan tambang dalam jumlah besar yang terstruktur dan yang tidak terstruktur data untuk wawasan baru. Hal ini juga mungkin untuk menjalankan ~~algoritma~~algoritme prediktif pada data streaming. Hari ini, menjelajahi data besar dan menggunakan analisis prediktif adalah dalam jangkauan organisasi lebih dari sebelumnya dan metode-metode baru yang mampu untuk penanganan seperti dataset yang diusulkan. == Teknik analisis == Baris 93: ==== Regresi logistik ==== Dalam klasifikasi pengaturan, menetapkan hasil probabilitas untuk pengamatan yang dapat dicapai melalui penggunaan model logistik, yang pada dasarnya adalah sebuah metode yang mentransformasikan informasi tentang biner variabel dependen menjadi tak terbatas variabel ~~kontinyu~~kontinu dan perkiraan biasa model multivariat (Lihat Allison ''Regresi Logistik'' untuk informasi lebih lanjut tentang teori regresi logistik). Yang Wald dan likelihood-ratio test digunakan untuk menguji signifikansi statistik dari masing-masing koefisien ''b'' dalam model (analog dengan uji t digunakan dalam regresi OLS; lihat di atas). Tes menilai goodness-of-fit dari model klasifikasi adalah "persentase benar memprediksi". Baris 157: Multivariat dan Adaptive Regression Splines model hampir selalu menciptakan dasar fungsi yang berpasangan. Multivariat dan adaptive regression spline sengaja overfits model dan kemudian plum untuk mendapatkan model yang optimal. ~~Algoritma~~Algoritme komputasi yang sangat intensif dan dalam prakteknya kita diminta untuk menentukan batas atas pada jumlah dasar fungsi. === Teknik pembelajaran mesin === Baris 169: Jaringan saraf tiruan yang digunakan ketika sifat yang tepat dari hubungan antara input dan output tidak diketahui. Fitur kunci dari jaringan saraf adalah bahwa mereka mempelajari hubungan antara input dan output melalui pelatihan. Ada tiga jenis pelatihan yang digunakan oleh berbagai jaringan saraf: supervised dan unsupervised pelatihan dan penguatan belajar, dengan diawasi menjadi salah satu yang paling umum. Beberapa contoh dari jaringan saraf tiruan teknik pelatihan [[~~Algoritma~~Algoritme perambatan mundur\|backpropagation]], cepat rambat, conjugate gradient descent, proyeksi operator, Delta-Bar-Delta dll. Beberapa tanpa pengawasan arsitektur jaringan multilayer [[perceptron]]s, Kohonen jaringan, jaringan Hopfield, dll. ==== Multilayer perceptron (MLP) ==== Baris 184: ==== ''k''-nearest neighbours ==== The [[KNN\|nearest neighbour algorithm]] (KNN) milik kelas pengenalan pola metode statistik. Metode ini tidak memaksakan apriori asumsi tentang distribusi dari mana pemodelan sampel ditarik. Ini melibatkan pelatihan ditetapkan dengan nilai positif dan negatif. Sampel baru adalah diklasifikasikan dengan menghitung jarak ke tetangga terdekat pelatihan kasus. Tanda titik itu akan menentukan klasifikasi sampel. Di k-nearest neighbour classifier, k titik terdekat yang dianggap dan tanda mayoritas digunakan untuk mengklasifikasikan sampel. Kinerja dari ~~algoritma~~algoritme kNN dipengaruhi oleh tiga faktor utama: (1) jarak pengukuran yang digunakan untuk menemukan terdekat tetangga; (2) keputusan aturan yang digunakan untuk memperoleh klasifikasi dari k-tetangga terdekat; dan (3) jumlah tetangga digunakan untuk mengklasifikasikan sampel baru. Hal ini dapat membuktikan bahwa, tidak seperti metode lain, metode ini adalah universal asimtotik konvergen, yaitu: sebagai ukuran dari training set meningkat, jika pengamatan independen dan identik didistribusikan (saya.aku.d.), terlepas dari distribusi dari sampel yang diambil, diperkirakan hotel akan berkumpul untuk tugas kelas yang meminimalkan kesalahan klasifikasi kesalahan. Lihat Devroy et al. ==== Geospasial pemodelan prediktif ==== Baris 218: * [[RCASE]] * [[Revolution Analytics]] * [[SAP HANA]]<ref>http://help.sap.com/saphelp_hanaplatform/helpdata/en/32/731a7719f14e488b1f4ab0afae995b/frameset.htm</ref> and SAP BusinessObjects Predictive Analytics<ref>{{Cite web \|url=http://go.sap.com/product/analytics/predictive-analytics.html \|title=Salinan arsip \|access-date=2017-08-12 \|archive-date=2016-12-01 \|archive-url=https://web.archive.org/web/20161201080924/https://go.sap.com/product/analytics/predictive-analytics.html \|dead-url=yes }}</ref> * [[SAS (software)\|SAS]] and its Enterprise Miner * [[Sidetrade]] Baris 232: == Kritik == Ada banyak skeptis ketika datang ke komputer dan ~~algoritma~~algoritme' kemampuan untuk memprediksi masa depan, termasuk Gary King, seorang profesor dari Harvard University dan direktur Institute for Kuantitatif Ilmu Sosial.<ref>{{Citation\|last=Temple-Raston\|first=Dina\|title=Predicting The Future: Fantasy Or A Good Algorithm?\|date=Oct 8, 2012\|url=http://www.npr.org/2012/10/08/162397787/predicting-the-future-fantasy-or-a-good-algorithm\|publisher=NPR}}</ref> orang-Orang yang dipengaruhi oleh lingkungan mereka dalam banyak cara. Memprediksi sempurna apa yang orang akan lakukan selanjutnya mensyaratkan bahwa semua variabel-variabel yang berpengaruh dapat diketahui dan diukur secara akurat. "Orang-orang lingkungan berubah bahkan lebih cepat dari yang mereka sendiri lakukan. Segala sesuatu dari cuaca untuk hubungan mereka dengan ibu mereka dapat mengubah cara orang berpikir dan bertindak. Semua variabel yang tak terduga. Bagaimana mereka akan mempengaruhi seseorang bahkan kurang dapat diprediksi. Jika dimasukkan ke dalam keadaan yang sama besok, mereka mungkin membuat benar-benar keputusan yang berbeda. Ini berarti bahwa statistik prediksi ini hanya berlaku dalam kondisi laboratorium steril, yang tiba-tiba tidak berguna seperti yang terlihat sebelumnya."<ref>{{Citation\|last=Alverson\|first=Cameron\|title=Polling and Statistical Models Can't Predict the Future\|date=Sep 2012\|url=http://www.cameronalverson.com/2012/09/polling-and-statistical-models-cant.html\|publisher=Cameron Alverson\|accessdate=2017-08-12\|archive-date=2017-08-12\|archive-url=https://web.archive.org/web/20170812143323/http://www.cameronalverson.com/2012/09/polling-and-statistical-models-cant.html\|dead-url=yes}}</ref> Dalam sebuah studi dari 1072 makalah yang diterbitkan dalam Sistem Informasi Penelitian dan MIS Quarterly antara tahun 1990 dan 2006, hanya 52 empiris kertas berusaha prediksi mengklaim, dari yang hanya 7 dilakukan tepat pemodelan prediktif atau pengujian.<ref>{{Cite journal\|last=Shmueli\|first=Galit\|date=2010-08-01\|title=To Explain or to Predict?\|url=http://projecteuclid.org/euclid.ss/1294167961\|journal=Statistical Science\|language=EN\|volume=25\|issue=3\|pages=289–310\|doi=10.1214/10-STS330\|issn=0883-4237}}</ref> Baris 239: * Pidana Pengurangan Memanfaatkan Statistik Sejarah * Belajar analytics * Peluang ~~algoritma~~algoritme * [[Pengenalan pola]] * Surveilans penyakit Baris 251: == Bacaan lebih lanjut == * {{Cite book\|title=Categorical Data Analysis\|url=https://archive.org/details/categoricaldataa0000agre_e6h7_2nedi\|last=Agresti, Alan\|publisher=John Wiley and Sons\|year=2002\|isbn=0-471-36093-7\|location=Hoboken}} * Coggeshall, Stephen, Davies, John, Jones, Roger., and Schutzer, Daniel, "Intelligent Security Systems," in {{Cite book\|title=Artificial Intelligence in the Capital Markets\|url=https://archive.org/details/artificialintell0000unse_p2d4\|last=Freedman, Roy S., Flein, Robert A., and Lederman, Jess, Editors\|publisher=Irwin\|year=1995\|isbn=1-55738-811-3\|location=Chicago}} * {{Cite book\|title=A Probabilistic Theory of Pattern Recognition\|last=L. Devroye\|last2=L. Györfi\|last3=G. Lugosi\|publisher=Springer-Verlag\|year=1996\|location=New York}} * {{Cite book\|title=Applied Time Series Econometrics\|last=Enders, Walter\|publisher=John Wiley and Sons\|year=2004\|isbn=0-521-83919-X\|location=Hoboken}} * {{Cite book\|title=Econometric Analysis, 7th Ed\|url=https://archive.org/details/nlsiu.330.01.gre.34141\|last=Greene, William\|publisher=Prentice Hall\|year=2012\|isbn=978-0-13-139538-1\|location=London}} * {{Cite book\|title=Rich Language Analysis for Counterterrrorism\|last=Guidère, Mathieu\|last2=Howard N, Sh. Argamon\|publisher=Springer-Verlag\|year=2009\|isbn=978-3-642-01140-5\|location=Berlin, London, New York}} * {{Cite book\|title=Machine Learning\|last=Mitchell, Tom\|publisher=McGraw-Hill\|year=1997\|isbn=0-07-042807-7\|location=New York}} * {{Cite book\|title=Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die\|url=https://archive.org/details/predictiveanalyt0000sieg\|last=Siegel, Eric\|publisher=John Wiley\|year=2013\|isbn=978-1-118-35685-2}} * {{Cite book\|title=Exploratory Data Analysis\|last=Tukey, John\|publisher=Addison-Wesley\|year=1977\|isbn=0-201-07616-0\|location=New York}} * {{Cite book\|title=Predictive Analytics, Data Mining and Big Data. Myths, Misconceptions and Methods\|last=Finlay, Steven\|publisher=Palgrave Macmillan\|year=2014\|isbn=978-1-137-37927-6\|location=Basingstoke}} Baris 264: [[Kategori:Intelijen bisnis]] [[Kategori:~~Prediksi~~Prakiraan]]