Analitik tertambah: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
k bentuk baku |
Rescuing 2 sources and tagging 1 as dead.) #IABot (v2.0.8 |
||
Baris 3:
== 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|archive-date=2019-04-04|archive-url=https://web.archive.org/web/20190404162330/https://www.gartner.com/en/conferences/apac/data-analytics-australia/why-attend/event-resources/research-augmented-analytics|dead-url=yes}}</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.<ref name=":0" />
* 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.<ref name=":0" />
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: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] {{Webarchive|url=https://web.archive.org/web/20190502041000/https://www.clearstorydata.com/ |date=2019-05-02 }} untuk menjalankan algoritma untuk menunjukkan skor yang cocok untuk menyelaraskan sumber data. Algoritme 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 <ref name=":0" />.
=== 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]{{Pranala mati|date=Februari 2021 |bot=InternetArchiveBot |fix-attempted=yes }}, 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.<ref name=":0" />
== Catatan kaki ==
| |||