Analitik tertambah: Perbedaan antara revisi

==== ''Data Preparation ''====

Sebuah perusahaan penghasil penganan, makanan hewan, dan produk makanan lainnya berhasil mengurangi kebutuhan persiapan data, dari 5 orang dalam 5 minggu, menjadi 1 orang dalam 1 jam dan memungkinkan perubahan data hanya dalam 1 kali klik. Sebelumnya, perusahaan ini memakan waktu selama 5 minggu dengan pekerja sebanyak 5 orang untuk mengakses, membersihkan, mencampurkan, menyelaraskan, memodelkan, dan menyesuaikan [[:en:Point_of_sale|Point of Sale]] retailnya, data [[Nielsen]], kalkulasi harga, dan data kategori/jenisnya. Perusahaan tersebut ingin menganalisis kinerja dari kategori [[:en:Granular_material|granular]] musiman dan non-musiman di semua lini dan merek. Hal ini membutuhkan persiapan dan pencampuran data otomatis, sehingga pembuat keputusan bisnis dapat melihat wawasan segera setelah sumber data diperbarui. Perusahaan ini menggunakan [https://www.clearstorydata.com/ ClearStory Data] untuk menjalankan algoritma untuk menunjukkan skor yang cocok untuk menyelaraskan sumber data. Algoritma tersebut juga menghasilkan informasi detil berdasarkan setiap nilai data dan setiap nilai kategori yang unik yang ditemukan pada kategori khusus dengan kesimpulan semantik berdasarkan semua detil konten (tidak hanya nama dari label kolom). Banyak vendor juga membuat profil data untuk masalah kualitas dan memberikan rekomendasi kepada pengguna mengenai cara meningkatkan kualitas data [2]<ref name=":0" />.

==== ''Data Discovery ''====

Untuk seorang pasien muda penderita [[apendisitis]], perawatan tergantung pada satu pertanyaan: Apakah [[Umbai cacing|apendiks]] telah meletus? Jika sudah, perawatan konservatif perlu dipertimbangkan. Jika belum, operasi harus segera dilakukan dengan tujuan membuang apendiks sebelum meletus. Maka dari itu, sangat penting bagi dokter untuk memiliki cara yang cepat dan dapat diandalkan untuk menentukan apakah apendiks seorang pasien muda sudah meletus atau belum. Untuk menentukan kondisi dari apendix, digunakanlah [[Tomografi terkomputasi|CT scan]] dikarenakan tingkat akurasi dalam membedakan antara apendisitis perforasi dan non perforasi pada pasien muda. Namun, CT scan melibatkan sejumlah radiasi yang berpotensi membahayakan pasien muda. [[:en:Eureqa|Eureqa]] milik [https://www.datarobot.com/news/datarobot-acquires-nutonian/ DataRobot Nutonian] menemukan parameter yang berkorelasi kuat dengan perforasi dan mengungkapkan pentingnya 2 kategori dalam variabel usia. Hal ini mengarah ke sebuah formula yang aplikasinya memberikan [[Ultrasonografi medis|USG]] tingkat akurasi diagnostik yang sama dengan CT scan pada pasien anak. Sebagai hasilnya, dokter dapat mendiagnosa perforasi apendisitis dengan hanya menggunakan USG saja di beberapa kasus, dengan demikian hal tersebut mengurangi jumlah kasus yang membutuhkan paparan ke radiasi yang berpotensi membahayakan pada CT scan[2]<ref name=":0" />.

==== ''Data sharing ''====

Vendor analitik kesehatan mengembangkan platform paten di atas Qlik[https://www.qlik.com/us/products/qlik-sense SenseQlikSense] untuk membantu pembayar dan penyedia layanan untuk memvisualisasikan datanya, sehingga mereka dapat memahami kelompok populasi pasar mereka, melacak kemajuan, dan menilai kinerja. Namun, pengguna tanpa kemampuan analitik tingkat lanjut mengalami kesulitan dalam memahami dan menginterpretasi visualisasi tersebut. Vendor mengintegrasikan [https://optimalbi.com/blog/2017/07/12/narratives-for-qlik-natural-language-generation/ Narratives untukfor Qlik] ke dalam platform analitiknya, menyesuaikan bahasa sesuai dengan domainnya. Dengan Narratives untuk Qlik dengan kustomisasi bahasa, vendor analitik kesehatan mengintegrasikan ekstensi tersebut ke dalam platform analitiknya. Dengan NLG dan visualisasi interaktif, pembayar dan penyedia layanan sekarang dapat segera memahami apakah tingkat pengembalian berkorelasi dengan hasil dengan kualitas tinggi, sambil mengkomunikasikan penghematan bersama dan tren dalam tingkat pengembalian[2]<ref name=":0" />.

Sampai saat ini, alat penemuan data membutuhkan analisis manual dan intervensi dan interpretasi manusia. Pendekatan ini tidak dapat diukur atau diperluas dalam lingkungan saat ini, mengingat pertumbuhan volume dan kompleksitas data yang eksponensial, dan fakta bahwa semua karyawan memerlukan wawasan untuk melakukan pekerjaan mereka. ''Augmented analytics'' mewakili gelombang gangguan pasar selanjutnya yang perlu dirangkul oleh para pemimpin data dan analitik untuk membangun dan mempertahankan keunggulan kompetitif, khususnya dalam industri yang mengalami transformasi digital. Upaya untuk menggabungkan ''augmented analytics'' kemungkinan akan menghadapi perlawanan karena beberapa alasan:

* Persepsi bahwa ''augmented analytics'' tidak transparan dan merepresentasikan pendekatan ''"black box"'' untuk pengambilan keputusan

Tantangan-tantangan ini membutuhkan upaya yang terfokus dari para pemimpin data dan analitik untuk menantang proses dan pendekatan analitik saat ini, menunjukkan kesenjangan dan kekurangan dalam BI tradisional dan pendekatan penemuan data berbasis visual, dan menciptakan lingkungan dan budaya yang mendukung perubahan. Cara yang efektif untuk menunjukkan nilai potensial ''augmented analytic'' adalah mengidentifikasi masalah bisnis atau keputusan bisnis tertentu di mana upaya untuk menggunakan pendekatan tradisional ke BI gagal memberikan hasil yang relevan, tepat waktu, dan dapat ditindaklanjuti. Pendekatan ini dapat membantu pengguna bisnis membentuk hubungan yang relevan dan kontekstual antara masalah tertentu dan solusi teknis, mengidentifikasi kesenjangan, kesalahan atau masalah dalam proses analitik historis, dan meletakkan dasar untuk peluang yang disajikan oleh pendekatan baru yang lebih otomatis.

Pola dan wawasan yang sebelumnya tidak diketahui akan ditemukan menggunakan ''augmented analytic'', yang harus digunakan untuk memperkuat argumen bahwa pendekatan manual tidak seefektif itu. Dalam banyak kasus, pendekatan manual mengarah pada asumsi yang salah dan bias karena hanya sebagian dari kombinasi data yang telah dianalisis, atau karena signifikansi statistik diasumsikan secara keliru. Namun, sebaliknya, tidak boleh diasumsikan bahwa semua temuan dan wawasan yang muncul melalui penggunaan ''augmented analytic'' harus diambil pada nilai nominal dan tidak perlu diverifikasi atau diuji. Sebagai gantinya, setiap temuan harus memberi tahu pembuat keputusan yang dapat menafsirkan wawasan yang ditemukan menggunakan pengalaman dan intuisi manusia untuk memutuskan tindakan yang akan diambil. ''Augmented analytics'' merupakan pendekatan baru untuk pemecahan masalah yang mendukung manusia dalam proses pengambilan keputusan. Ini memungkinkan waktu yang lebih cepat untuk wawasan dan, pada akhirnya, waktu yang lebih cepat untuk bertindak dan berdampak pada hasil bisnis.

Di luar risiko adopsi, memperoleh keterampilan literasi data yang diperlukan untuk penggunaan augmented analytic yang bertanggung jawab akan menjadi tantangan. Karena ''augmented analytic'' membuat wawasan yang dapat ditindaklanjuti tersedia bagi pengguna, mereka harus memberikan konteks, menafsirkan temuan, dan bertindak berdasarkan penemuan atau informasi preskriptif. Ini mengharuskan setiap orang (bukan hanya manajer) dalam organisasi untuk memiliki pengetahuan tentang analisis data, statistik, dan interpretasi. Organisasi perlu merekrut orang-orang dengan keterampilan analitik di semua kategori pekerjaan dan berinvestasi dalam literasi data sebagai prioritas berkelanjutan. Menurut penelitian yang dilakukan oleh CEB dan layanan data [https://www.cabinetm.com/product/gartner/ceb-talentneuron CEB TalentNeuron], permintaan untuk keterampilan terkait pekerjaan analisis dari 2012 hingga 2016 adalah 4,3 kali lebih tinggi di pekerjaan non-IT daripada di pekerjaan IT. Angka ini hanya akan meningkat karena analitik menjadi komponen yang diperlukan dari setiap pekerjaan [2]<ref name=":0" />.