Analitik tertambah: Perbedaan antara revisi
Konten dihapus Konten ditambahkan
k lck |
k Perbaikan untuk PW:CW (Fokus: Minor/komestika; 1, 48, 64) + genfixes |
||
Baris 10:
=== Platform Berbasis Lapisan Semantik ===
Data perusahaan sering kali disimpan di dalam basis data relasional dan server OLAP. Data tersebut mengandung informasi penting, namun tidak dalam bentuk yang dapat memudahkan pengguna menjawab pertanyaan bisnis. Konsep [[Semantic layer|lapisan semantik]] awalnya dipatenkan oleh Business Objects pada tahun 1991 dan berhasil ditantang oleh Microstrategy pada tahun 2003.<ref>{{Cite web|url=https://www.atscale.com/blog/what-is-a-semantic-layer-why-would-i-want-one|title=What is a Semantic Layer? Why Would You Want One? {{!}} AtScale|website=www.atscale.com|access-date=2019-04-05}}</ref> Lapisan semantik merupakan representasi bisnis dari data perusahaan yang dapat membantu pengguna mengakses data secara mandiri menggunakan istilah bisnis umum. Dengan lapisan semantik, data kompleks dapat dipetakan menjadi istilah bisnis yang familiar seperti, produk, konsumen, atau keuntungan untuk menyediakan tampilan terpadu atau gabungan data dari seluruh organisasi. Istilah bisnis tersebut disimpan sebagai objek pada lapisan semantik yang diakses melalui ''business view.'' ''Business Views'' adalah sistem ''multi-tier'' yang dirancang untuk memungkinkan perusahaan membangun objek bisnis yang komprehensif dan spesifik yang membantu perancang laporan dan pengguna mengakses informasi yang mereka butuhkan. ''Business views'' dimaksudkan untuk memungkinkan orang menambahkan konteks bisnis yang diperlukan ke [[
=== 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 (''[[
''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" />
Baris 56:
==== ''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. [[
==== ''Data sharing'' ====
|