Business Analytics: Methods, Models, and Decisions

Business Analytics: Methods, Models,
and Decisions
Third Edition, Global Edition
Chapter 1
Introduction to
Business Analytics
Copyright © 2021 Pearson Education Ltd. Slide - 1

Business Analytics
 Business analytics  proses ilmiah untuk
mengubah data menjadi insight untuk membuat
keputusan yang lebih baik.
 Business analytics digunakan untuk pengambilan
keputusan berdasarkan data (fakta)  lebih
objektif daripada alternatif lain untuk pengambilan
keputusan.
2
Business Analytics
(Business) Analytics  penggunaan:
data, teknologi Informasi, analisis statistik,
metode kuantitatif, dan model berbasis
matematika untuk membantu manajer
mendapatkan wawasan yang lebih baik
tentang operasi bisnis mereka dan membuat
keputusan berbasis fakta yang lebih baik
Business Analytics VS Business Analysis?
 Business analytics  fokus pada data dan

pelaporan – menganalisis kinerja bisnis masa lalu
dan memprediksi kinerja bisnis masa depan.
 Business analysis  fokus pada fungsi dan proses
– mengidentifikasi kebutuhan bisnis dan
merekomendasikan solusi.
4
5
6
7
Business Analysis Business Analytics
Primary focus on processes, techniques and functions Primary focus is on data and statistical analysis
It is used to solve complex business problems and give It is used to predict future states and drive business
efficient solutions decisions
Functional, business and domain knowledge is required to This requires statistical, mathematical and
for analyzing business requirement. programming knowledge for performing business
analytics
It assists to improve performance by standardizing various The process lead to findings, which helps into further
processes. improvement opportunities.
Defining and standardizing business processes across the Making a dashboard to track the main performance
business units for a company. metrics using statistical methods to predict future
sales based on past sales
8
9
Examples of Applications Business
Analytic( 1 of 2)
• Pricing
– setting prices for consumer and industrial goods,
government contracts, and maintenance contracts
• Customer segmentation
– identifying and targeting key customer groups in retail,
insurance, and credit card industries
• Merchandising
– determining brands to buy, quantities, and allocations
• Location
– finding the best location for bank branches and ATMs,
or where to service industrial equipment
Examples of Applications Business
Analytic (2 of 2)
• Supply Chain Design

– determining the best sourcing and transportation
options and finding the best delivery routes
• Staffing
– ensuring appropriate staffing levels and capabilities,
and hiring the right people
• Health care
– scheduling operating rooms to improve utilization,
improving patient flow and waiting times, purchasing
supplies, and predicting health risk factors
Impacts of Analytics
• Benefits
– …mengurangi biaya, manajemen risiko yang lebih baik,
keputusan yang lebih cepat, produktivitas yang lebih baik,
dan peningkatan kinerja bottom-line seperti profitabilitas
dan kepuasan pelanggan.
• Challenges
– …kurangnya pemahaman tentang cara menggunakan
analitika, prioritas bisnis yang bersaing, keterampilan
analitis yang tidak memadai, kesulitan dalam
mendapatkan data yang baik dan berbagi informasi, dan
tidak memahami manfaat versus biaya yang dirasakan
dari studi analitik.
Evolution of Business Analytics (1 of 2)
• Analytic Foundations
– Business Intelligence (BI)
– Information Systems (IS)
– Statistics
– Operations Research/Management Science (O
R/MS)

Evolution of Business Analytics (2 of 2)
• Modern Business Analytic

– Data mining
– Simulation and risk analysis
– Decision Support Systems (DSS)
– Visualization

A Visual Perspective of Business
Analytics

Business Analytics Tools
 Alat (software)  mencapture data kuantitatif dan

kualitatif dari berbagai sistem bisnis  repositori
 pengambilan keputusan yang lebih cerdas.
 Analitik dapat dilakukan dengan campuran
perangkat lunak analitik bisnis, termasuk alat
statistik, pemodelan prediktif, dan data mining.
16
Software Support and Spreadsheet
Technology
• Commercial software
– IBM Cognos Express
– SAS Analytics
– Tableau
• Spreadsheets
– Widely used
– Effective for manipulating data and developing and
solving models
– Support powerful commercial add-ons
– Facilitate communication of results
Top 10 Business Analytics Tools
1. SAS Business 6. Microstrategy

Analytics (SAS BA) 7. KNIME
2. QlikView 8. Dundas BI
3. Board 9. TIBCO Spotfire
4. Splunk 10. Tableau Big Data
5. Sisense Analytics
18
Software Used in This Book
• Primary Spreadsheet Software

– Excel 2016 for Windows
– Excel 2016 for Mac
• Optional Software
– StatCrunch (Technology Help sections)
– Analytic Solver (online supplements)

Descriptive analytics
 Descriptive analytics  serangkaian teknik yang

menggambarkan apa yang telah terjadi di masa
lalu  penggunaan data untuk memahami kinerja
bisnis masa lalu dan saat ini dan membuat
keputusan berdasarkan informasi
 Contohnya data queries, reports, descriptive
statistics, data visualization including data
dashboards, some data-mining techniques, and
basic what-if spreadsheet models.
20
Predictive analytics
 Predictive analytics  teknik menggunakan model

yang dibangun dari data masa lalu dan mendeteksi
pola atau hubungan dalam data ini untuk
memprediksi masa depan atau memastikan
dampak dari satu variabel pada variabel lainnya 
 Misalnya, data masa lalu tentang penjualan produk
dapat digunakan untuk menyusun model
matematika untuk memprediksi penjualan di masa
depan.
21
Prescriptive analytics
 Prescriptive analytics  menunjukkan tindakan

yang harus diambil, mengidentifikasi alternatif
terbaik untuk meminimalkan atau memaksimalkan
beberapa tujuan luaran dari model preskriptif
adalah keputusan.
 Model prediktif  ramalan atau prediksi, tetapi
tidak memberikan keputusan. Prediksi bila
dikombinasikan dengan aturan  menjadi model
preskriptif. Misalnya, mengembangkan model
untuk memprediksi probabilitas bahwa seseorang
akan gagal membayar pinjaman.
22
Example 1.1: Retail Markdown
Decisions
• Sebagian besar department store mengosongkan persediaan

musiman dengan menurunkan harga.
• Key question: Kapan harus menurunkan harga dan berapa
banyak untuk memaksimalkan pendapatan?
• Potential applications of analytics in retail:
– Descriptive analytics: examine historical data for similar
products (prices, units sold, advertising …)
– Predictive analytics: predict sales based on price

– Prescriptive analytics: find the best sets of pricing and
advertising to maximize sales revenue

Data for Business Analytics
• Data: numbers or textual data that are collected

through some type of measurement process
• Information: result of analyzing data; that is,
extracting meaning from data to support
evaluation and decision making

Examples of Data Sources and Uses
• Annual reports
• Accounting audits
• Financial profitability analysis
• Economic trends
• Marketing research
• Operations management performance
• Human resource measurements
• Web behavior
– page views, visitor’s country, time of view, length of time, origin and destination
paths, products they searched for and viewed, products purchased, what reviews
they read, and many others

Big Data
• Big data refers to massive amounts of business data

(volume) from a wide variety of sources (variety), much of
which is available in real time (velocity), and much of
which is uncertain or unpredictable (veracity).
• “The effective use of big data has the potential to
transform economies, delivering a new wave of
productivity growth and consumer surplus. Using big data
will become a key basis of competition for existing
companies, and will create new competitors who are able
to attract employees that have the critical skills for a big
data world.” - McKinsey Global Institute, 2011
Data Reliability and Validity
• Reliability - data are accurate and consistent.

• Validity - data correctly measures what it is
supposed to measure.
reliabel
Artinya responden menjawab pertanyaan secara konsisten
valid
Artinya pemahaman atas pertanyaan yang berkaitan dengan variabel sesuai dengan
variabel tersebut

Contoh Reliabilitas:
Seorang guru memberikan tes pilihan ganda untuk

menilai pemahaman siswa tentang suatu mata
pelajaran, dan memberikan tes tersebut dua kali
kepada kelompok siswa yang sama dengan interval
satu minggu antara kedua tes tersebut. Jika
mayoritas siswa memperoleh skor yang sama pada
kedua tes, guru dapat menyimpulkan bahwa tes
tersebut reliabel.

Contoh Validitas
Seorang dokter menggunakan tes darah untuk

mendiagnosis anemia. Jika tes darah secara akurat
dan konsisten mengidentifikasi anemia pada pasien
yang memiliki kondisi tersebut dan tidak
mengidentifikasi anemia pada mereka yang tidak
memilikinya, maka tes darah dianggap valid untuk
tujuan diagnosis anemia.

Data Reliability and Validity Examples
(1 of 3)
Pengukur tekanan ban yang secara konsisten

membaca beberapa pon tekanan di bawah nilai
standarnya  tidak dapat diandalkan, meskipun
valid karena mengukur tekanan ban.

(2 of 3)
Jumlah panggilan ke meja layanan pelanggan

mungkin dihitung dengan benar setiap hari (dan
dengan demikian merupakan ukuran yang dapat
diandalkan) tetapi tidak valid jika digunakan untuk
menilai ketidakpuasan pelanggan, karena banyak
panggilan mungkin merupakan pertanyaan
sederhana.

(3 of 3)
Pertanyaan survei yang meminta pelanggan untuk

menilai kualitas makanan di restoran mungkin
tidak dapat diandalkan (karena pelanggan yang
berbeda mungkin memiliki persepsi yang
bertentangan) atau tidak valid (jika tujuannya
adalah untuk mengukur kepuasan pelanggan,
karena kepuasan umumnya mencakup elemen
layanan lainnya. selain makanan).

Models in Business Analytics
• Model - an abstraction or representation of a real

system, idea, or object.
– Captures the most important features
– Can be a written or verbal description, a
visual representation, a mathematical formula,
or a spreadsheet.

Example 1.2: Three Forms of a Model
(1 of 3)
The sales of a new product, such as a first-generation iPad

or 3D television, often follow a common pattern.
1. Verbal description: Tingkat penjualan mulai kecil
ketika pengadopsi awal mulai mengevaluasi produk
baru dan kemudian mulai tumbuh pada tingkat yang
meningkat dari waktu ke waktu seiring umpan balik
pelanggan yang positif menyebar. Akhirnya, pasar mulai
jenuh dan tingkat penjualan mulai menurun.

(2 of 3)
2. Visual model: A sketch of sales as an S-

shaped curve over time

(3 of 3)
3. Mathematical model:
where S is sales, t is time, e is the base of natural

logarithms, and a, b and c are constants

Decision Models
• Decision Model - a logical or mathematical

representation of a problem or business situation that can
be used to understand, analyze, or facilitate making a
decision
• Inputs:
– Data - assumed to be constant
– Uncontrollable inputs - quantities that can change but
cannot be controlled
– Decision options - controllable and selected at the
discretion of the decision maker

Nature of Decision Models

Descriptive Models
• Descriptive models menjelaskan perilaku dan

memungkinkan pengguna untuk mengevaluasi
kemungkinan keputusan dengan menanyakan
“what-if?”.

Example 1.3: Gasoline Usage Model (1
of 2)
• G = gallons of fuel consumed per month

• m = miles driven per day to and from work or
school
• d = number of driving days per month
• f = fuel economy in miles per gallon (mpg)
• a = additional miles for leisure and household
activities per month

Example 1.3: Gasoline Usage Model (2
of 2)
• Use dimensions for logical consistency:
• Total miles driven per month = m × d + a

• Gallons consumed per month

Example 1.4: An Outsourcing
Decision Model (1 of 2)
• Production cost: plus fixed cost of $50,000
• Outsourcing cost:
• Q = production volume
•
•
• Breakeven Point:
$50,000 + $125 × Q = $175 × Q
$50,000 = 50 × Q
Q = 1,000
• If Q < 1,000, outsourcing is cheaper.

Example 1.4: An Outsourcing
Decision Model (2 of 2)

Predictive Models
• Predictive models focus on what will happen in

the future.
• Banyak model prediktif dikembangkan dengan
menganalisis data historis dan mengasumsikan
bahwa masa lalu mewakili masa depan.

Example 1.5: A Sales-Promotion
Decision Model
Dalam industri grosir, manajer biasanya perlu mengetahui
cara terbaik untuk menggunakan strategi penetapan harga,
kupon, dan periklanan untuk memengaruhi penjualan.
Pedagang grosir sering mempelajari hubungan volume
penjualan dengan strategi ini dengan melakukan
eksperimen terkontrol untuk mengidentifikasi hubungan
antara strategi dan volume penjualan. Yaitu, mereka
menerapkan kombinasi harga, kupon, dan iklan yang
berbeda, mengamati penjualan yang dihasilkan, dan
menggunakan analitik untuk mengembangkan model
penjualan prediktif sebagai fungsi dari strategi keputusan
ini.
Example 1.5 Model
Model:
Total Sales = 1105.55 + 56.18 x Price +
123.88 x Coupon + 5.25 x Advertising
If the price is $6.99, no coupons are offered,

and no advertising is done (the experiment
corresponding to week 1), the model estimates
sales as
Total Sales = 1105.55 + 56.18 x 6.99 + 123.88 x 0 + 5.25 x 0 = 1,498.25 units

Prescriptive Models
• Prescriptive models membantu pengambil keputusan
mengidentifikasi solusi terbaik untuk masalah keputusan.
• Optimization - finding values of decision variables that
minimize (or maximize) something such as cost (or profit)
– Objective function - the equation that minimizes (or
maximizes) the quantity of interest
– Optimal solution - values of the decision variables at
the minimum (or maximum) point

Example 1.6: A Prescriptive Pricing
Model
• A firm wishes to determine the best pricing for one of its
products in order to maximize revenue.
• Analysts determined the following model:
Sales = −2.9485 × Price + 3,240.9
Total Revenue = Price × Sales
• Identify the price that maximizes total revenue.

Model Assumptions
• Asumsi dibuat untuk
• menyederhanakan model dan membuatnya

lebih mudah diatur; yaitu, dapat dengan
mudah dianalisis atau dipecahkan.
• mencirikan data historis atau pengamatan
masa lalu dengan lebih baik.
• Tugas pemodel adalah memilih atau
membangun model yang tepat yang paling
mewakili perilaku situasi nyata.
Model Assumptions - Example
• Economic theory tells us that demand for a

product is negatively related to its price. Thus, as
prices increase, demand falls, and vice versa
(modeled by price elasticity - the ratio of the
percentage change in demand to the percentage
change in price).
• A key assumption in developing a model is the
type of relationship between demand and price.

Example 1.7: A Linear Demand
Prediction Model
As price increases, demand
falls. A simple model is:
where D is the demand, P

is the unit price, a is a
constant that estimates the
demand when the price is
zero, and b is the slope of
the demand function.

Example 1.8: A Nonlinear Demand
Prediction Model
Assumes price elasticity is
constant (constant ratio of %
change in demand to % change
in price):
where c is the demand when the

price is 0 and d > 0 is the price
elasticity.

Uncertainty and Risk
• Uncertainty adalah pengetahuan yang tidak sempurna tentang apa

yang akan terjadi di masa depan
• Risk dikaitkan dengan konsekuensi dari apa yang sebenarnya
terjadi.
• “Mencoba menghilangkan risiko dalam perusahaan bisnis adalah
sia-sia. Risiko melekat dalam komitmen sumber daya saat ini untuk
harapan masa depan. Memang, kemajuan ekonomi dapat
didefinisikan sebagai kemampuan untuk mengambil risiko yang lebih
besar. Upaya untuk menghilangkan risiko, bahkan upaya untuk
meminimalkannya, hanya dapat membuatnya menjadi tidak rasional
dan tak tertahankan. Itu hanya dapat menghasilkan risiko terbesar
dari semuanya: kekakuan. Peter Drucker

Problem Solving with Analytics
1. Recognizing a problem
2. Defining the problem
3. Structuring the problem
4. Analyzing the problem
5. Interpreting results and making a decision
6. Implementing the solution

Recognizing a Problem
Masalah muncul ketika ada kesenjangan antara
apa yang terjadi dan apa yang menurut kita
seharusnya terjadi.
For example, costs are too high compared with

competitors.

Defining the Problem
• Mendefinisikan masalah dengan jelas  bukan hal mudah

• Kompleksitas meningkat ketika hal berikut terjadi:
– Banyak program yang dijalankan
– masalah milik kelompok dan bukan individu
– tujuan bersaing
– kelompok eksternal terpengaruh
– pemilik masalah dan pemecah masalah bukanlah
orang yang sama
– keterbatasan waktu ada

Structuring the Problem
• Menyatakan tujuan dan sasaran

• Mencirikan keputusan yang mungkin
• Mengidentifikasi kendala atau batasan apa pun

Analyzing the Problem
• Analitik memainkan peran utama.

• Analisis melibatkan semacam percobaan atau
proses solusi, seperti mengevaluasi berbagai
skenario, menganalisis risiko yang terkait dengan
berbagai alternatif keputusan, menemukan solusi
yang memenuhi tujuan tertentu, atau
menentukan solusi optimal.

Interpreting Results and Making a
Decision
• Model tidak dapat menangkap setiap detail dari

masalah sebenarnya.
• Manajer harus memahami keterbatasan model
dan asumsi yang mendasarinya dan sering
memasukkan pertimbangan dalam membuat
keputusan.

Implementing the Solution
• Terjemahkan hasil model kembali ke dunia

nyata.
• Membutuhkan penyediaan sumber daya yang
memadai, memotivasi karyawan, menghilangkan
resistensi terhadap perubahan, memodifikasi
kebijakan organisasi, dan mengembangkan
kepercayaan.

Business Analytics: Methods, Models, and Decisions

Uploaded by

Copyright:

Available Formats

Business Analytics: Methods, Models, and Decisions

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Business Analytics: Methods, Models, and Decisions

Uploaded by

Copyright:

Available Formats

Business Analytics: Methods, Models,

Copyright © 2021 Pearson Education Ltd. Slide - 1

 Business analytics  fokus pada data dan

• Supply Chain Design

Copyright © 2021 Pearson Education Ltd. Slide - 13

• Modern Business Analytic

Copyright © 2021 Pearson Education Ltd. Slide - 14

Copyright © 2021 Pearson Education Ltd. Slide - 15

 Alat (software)  mencapture data kuantitatif dan

1. SAS Business 6. Microstrategy

• Primary Spreadsheet Software

Copyright © 2021 Pearson Education Ltd. Slide - 19

 Descriptive analytics  serangkaian teknik yang

 Predictive analytics  teknik menggunakan model

 Prescriptive analytics  menunjukkan tindakan

• Sebagian besar department store mengosongkan persediaan

– Predictive analytics: predict sales based on price

Copyright © 2021 Pearson Education Ltd. Slide - 23

• Data: numbers or textual data that are collected

Copyright © 2021 Pearson Education Ltd. Slide - 24

• Financial profitability analysis

• Operations management performance

• Human resource measurements

Copyright © 2021 Pearson Education Ltd. Slide - 25

• Big data refers to massive amounts of business data

• Reliability - data are accurate and consistent.

Copyright © 2021 Pearson Education Ltd. Slide - 27

Seorang guru memberikan tes pilihan ganda untuk

Copyright © 2021 Pearson Education Ltd. Slide - 28

Seorang dokter menggunakan tes darah untuk

Copyright © 2021 Pearson Education Ltd. Slide - 29

Pengukur tekanan ban yang secara konsisten

Copyright © 2021 Pearson Education Ltd. Slide - 30

Jumlah panggilan ke meja layanan pelanggan

Copyright © 2021 Pearson Education Ltd. Slide - 31

Pertanyaan survei yang meminta pelanggan untuk

Copyright © 2021 Pearson Education Ltd. Slide - 32

• Model - an abstraction or representation of a real

Copyright © 2021 Pearson Education Ltd. Slide - 33

The sales of a new product, such as a first-generation iPad

Copyright © 2021 Pearson Education Ltd. Slide - 34

2. Visual model: A sketch of sales as an S-

Copyright © 2021 Pearson Education Ltd. Slide - 35

where S is sales, t is time, e is the base of natural

Copyright © 2021 Pearson Education Ltd. Slide - 36

• Decision Model - a logical or mathematical

Copyright © 2021 Pearson Education Ltd. Slide - 37

Copyright © 2021 Pearson Education Ltd. Slide - 38

• Descriptive models menjelaskan perilaku dan

Copyright © 2021 Pearson Education Ltd. Slide - 39

• G = gallons of fuel consumed per month

Copyright © 2021 Pearson Education Ltd. Slide - 40

• Use dimensions for logical consistency:

• Total miles driven per month = m × d + a

Copyright © 2021 Pearson Education Ltd. Slide - 41

$50,000 + $125 × Q = $175 × Q

• If Q < 1,000, outsourcing is cheaper.

Copyright © 2021 Pearson Education Ltd. Slide - 42

Copyright © 2021 Pearson Education Ltd. Slide - 43