Analitik tertambah: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
Tidak ada ringkasan suntingan Tag: Suntingan perangkat seluler Suntingan peramban seluler Suntingan seluler lanjutan |
k bentuk baku |
||
Baris 1:
{{Rapikan}}'''Analitik tertambah''' ([[bahasa Inggris]]: ''augmented analytics'') adalah sebuah pendekatan yang menggunakan [[pembelajaran mesin]] ''(machine learning'') dan [[pemrosesan bahasa alami]] (''Natural Language Processing'') untuk mengotomatisasikan ''data analytic'', ''data sharing'', dan ''[[business intelligence]]''. Konsep ''Augmented Intelligence'' yang merupakan konsep menyeluruh dari ''Augmented Analytic'' pertama kali diperkenalkan oleh perusahaan riset Gartner, dalam edisi "''Hype Cycle for Emerging Technologies''" pada tahun 2017. Penggunaan pemelajaran mesin dan NLP memberikan alat bagi ''Augmented Analytic'' yang memiliki kemampuan untuk memahami dan berinteraksi dengan data secara organik serta memperhatikan tren yang penting atau tidak biasa. ''Data analytic'' sendiri merupakan konsep yang sangat kompleks dan membutuhkan ''data scientist'' untuk mengekstrak nilai apapun dari ''[[big data]]''. Diperkirakan seorang [[:en:
== Definisi ==
''Augmented Analytics'' mencakup:
* Persiapan data tertambah (''augmented data preparation''), yang menggunakan otomatisasi pemelajaran mesin untuk menambah profil dan kualitas data, harmonisasi, pemodelan, manipulasi, pengayaan, pengembangan dan katalogisasi metadata.<ref name=":0">{{Cite web|url=https://www.gartner.com/en/conferences/apac/data-analytics-australia/why-attend/event-resources/research-augmented-analytics|title=Gartner Data & Analytics Summit 2019 {{!}} Sydney, Australia|website=Gartner|language=en|access-date=2019-04-04}}</ref>
* Penemuan data tertambah (''augmented data discovery'', yang sebelumnya disebut "''smart data discovery''"), yang memungkinkan pebisnis dan ''data scientist'' menggunakan pemelajaran mesin untuk secara otomatis menemukan, membayangkan, dan menceritakan penemuan yang relevan (seperti korelasi, pengecualian, penyaringan, hubungan dan prediksi) tanpa membuat model atau menulis algoritma. Pengguna menjelajah data menggunakan visualisasi, teknologi pencarian dan bahasa alami, didukung oleh narasi yang dihasilkan oleh bahasa alami untuk interpretasi hasil. Hasil tersebut dapat dianalisis oleh ''data scientist'' tanpa gagasan yang terbentuk sebelumnya untuk pembuatan prototipe awal dan pengembangan hipotesis dengan eksperimen yang tidak terlalu manual. Oleh karena itu, ''data scientist'' dapat memiliki banyak waktu untuk fokus membangun dan mengoperasikan model yang relevan.
* Ilmu data tertambah (''augmented data science'') dan Pemelajaran Mesin (''Machine Learning''), yang mengotomatisasikan aspek kunci dari pemodelan analitik lanjutan seperti pemilihan fitur. Hal ini mengurangi kebutuhan akan keterampilan khusus untuk menghasilkan, mengoperasikan, dan mengelola model analitik lanjutan.
== Sejarah Perkembangan Platform Analitik ==
=== Platform Berbasis Lapisan Semantik ===
Data perusahaan
=== Platform Penemuan Data Berbasis Visual ===
Baris 33:
Daripada analis secara manual menguji semua kombinasi data, maka diimplementasikan secara otomatis algoritma untuk mendeteksi korelasi, segmen, kelompok, outlier, dan relasi pada ''augmented analytics''. Hanya hasil yang paling signifikan dan relevan secara statistiklah yang akan ditampilkan pada pengguna dalam bentuk visualisasi cerdas yang dioptimalkan untuk interpretasi pengguna. Menerapkan berbagai algoritma pada data secara paralel mengurangi risiko akan kehilangan wawasan yang penting pada data. Kebanyakan, platform penemuan data membuat model dasar terbuka untuk diinspeksi, diuji, dan divalidasi oleh ''data scientist'' spesialis. Hal ini penting untuk membangun kepercayaan dan memastikan keakuratan dari wawasan yang dihasilkan secara otomatis <ref name=":0" />.
Otomatisasi pembelajaran mesin juga memasuki platform ilmu data (''[[:en:
''Augmented data discovery'' dan a''ugmented data science'', serta pembelajaran mesin sama-sama mengurangi waktu eksplorasi dan identifikasi wawasan yang salah atau tidak relevan. Diperlukan proses kolaborasi antara keduanya untuk memfokuskan analis bisnis pada hal yang penting dan memberikan prototipe awal pada ''data scientist'' untuk mengeksplorasi dan mengoperasionalkan model untuk pola yang relevan saja. Baik analis dan ''data scientist'' menjadi lebih produktif dengan mengurangi fase eksperimen dan eksplorasi awal. Hal ini berdampak pada waktu yang lebih cepat untuk menghasilkan wawasan dan mengambil tindakan<ref name=":0" />.
==== Perbedaan antara Platform ''Augmented Data Discovery'' dan ''Augmented Data Science'' ====
Platform ''augmented data discovery'' memberikan wawasan pada ''citizen data scientist''. Sebuah model dihasilkan dan dapat ditanamkan pada aplikasi, setelah pemeriksaan lanjut oleh ''data scientist'' spesialis. Namun, sasaran atau luarannya adalah wawasan. ''[https://docs.oracle.com/cd/E23507_01/Search.20073/ATGSearchQueryRef/html/s0202naturallanguagequeries01.html Natural Language Query]'' (NLQ) dan ''[[:en:Natural-
==== Perbedaan antara Augmented Data Discovery dan Smart Visualization ====
Baris 44:
=== Membagi dan mengoperasikan temuan dari data ''(Sharing and Operationalizing Findings from Data)'' ===
Platform BI modern dan analitik telah membuat kemajuan yang signifikan dengan cara membuat visualisasi dari data pada ''dashboard'' atau ''storyboard'' interaktif dan memberikan kapabilitas untuk membantu dalam hal berbagi dan bersosialisasi mengenai temuan yang didapat. Namun, visualisasi
== Contoh Implementasi ==
Baris 51:
==== ''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:
=== Bidang Kesehatan ===
Baris 76:
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.
== Catatan kaki ==
| |||