# OUTLINE DETAIL — BAB 6 ## Business Intelligence dan Analitik Bisnis > **Bagian:** II — Data sebagai Aset Strategis > **Level:** Menengah–Mahir > **Estimasi Halaman:** 18–22 > **Target Kata:** 4.500–5.500 --- ## SEK 6.1 — PEMBUKA **Opening Bridge dari Bab 5:** *Audit Kematangan Fondasi Data (Artefak 5.1) menetapkan kualitas fondasi yang tersedia. Data warehouse yang terisi, pipeline ETL yang berjalan, master data yang bersih — semua itu adalah prasyarat. Pertanyaan berikutnya: apa yang dilakukan dengan fondasi itu? Bab ini menjawab: Business Intelligence dan Analytics adalah cara organisasi mengubah fondasi data menjadi insight yang menggerakkan tindakan.* **Hook:** Manajer operasional sebuah jaringan hotel nasional mendapat laporan setiap Senin pagi: tabel Excel dengan 320 baris dan 45 kolom. Data sudah akurat dan lengkap. Namun setiap Senin, ia menghabiskan 2 jam hanya untuk "memahami" data sebelum bisa mulai "menganalisanya". Pada Senin pekan ketiga bulan Januari, saat occupancy rate turun 8% selama musim ramai, ia baru menyadarinya pada hari Kamis — 3 hari setelah jendela waktu terbaik untuk intervensi sudah tertutup. **Pertanyaan sentral:** "Bagaimana tools dan metodologi Business Intelligence dirancang untuk mengubah data dari laporan yang 'dibaca' menjadi insight yang 'ditindaklanjuti' — tepat waktu, tepat orang, tepat konteks?" --- ## SEK 6.2 — MODEL UTAMA (Gambar 6.1) **Nama Model:** Tangga Analitik Bisnis (BI Capability Ladder) **Mermaid diagram:** `graph TD`, 5 anak tangga dari bawah ke atas ``` Anak tangga 1 (bawah): Descriptive Analytics — "Apa yang terjadi?" Anak tangga 2: Diagnostic Analytics — "Mengapa itu terjadi?" Anak tangga 3: Predictive Analytics — "Apa yang akan terjadi?" Anak tangga 4: Prescriptive Analytics — "Apa yang harus dilakukan?" Anak tangga 5 (atas): Cognitive/Autonomous Analytics — "Apa yang sudah dilakukan sistem?" Di setiap anak tangga: tools yang relevan + nilai bisnis + kompleksitas yang dibutuhkan ``` **Penjelasan per anak tangga:** 1. **Descriptive** — Laporan standar, dashboards, scorecard KPI. Value: Akses cepat ke "apa yang terjadi." 75% organisasi di sini. 2. **Diagnostic** — Drill-down, root cause analysis, slice-and-dice. Value: Memahami "mengapa." 45% organisasi mencapai ini secara konsisten. 3. **Predictive** — Statistik, machine learning, forecasting. Value: Mengantisipasi masa depan. 25% organisasi. 4. **Prescriptive** — Optimasi, simulasi, recommendation engines. Value: Tindakan terbaik yang mungkin. 10% organisasi. 5. **Cognitive/Autonomous** — AI yang bertindak atas nama organisasi berdasarkan insight. Value: Speed dan scale yang tidak mungkin dicapai manusia. Berkembang cepat. --- ## SEK 6.3 — DEFINISI KUNCI 1. 📌 **Business Intelligence (BI)** — Kombinasi teknologi, proses, dan orang yang mengumpulkan, mengintegrasikan, menganalisis, dan mempresentasikan data bisnis menjadi informasi yang *actionable* bagi pengambilan keputusan manajerial (Sharda et al., 2024). Relevansi: BI bukan hanya software — ia adalah kemampuan organisasi untuk menjawab pertanyaan bisnis dengan data, bukan asumsi. 2. 📌 **Analitik Prediktif (*Predictive Analytics*)** — Penggunaan teknik statistik dan machine learning terhadap data historis untuk mengidentifikasi kemungkinan hasil di masa depan dengan tingkat kepercayaan yang dapat diukur (Davenport & Mittal, 2022). Relevansi manajerial: perbedaan antara "perkiraan berbasis pengalaman" dan "proyeksi berbasis model" adalah seberapa bisa akurasinya diukur dan diperbaiki. 3. 📌 **Dashboard (*Executive Dashboard*)** — Representasi visual dari indikator kinerja utama (KPI) yang dikonfigurasi untuk memberikan gambaran *at-a-glance* kepada pengambil keputusan tentang kesehatan dan arah bisnis, dengan kemampuan *drill-down* untuk detail (Few, 2023). Relevansi: dashboard yang dirancang buruk membunuh nilai BI — "information design" adalah kompetensi manajerial yang seringkali diremehkan. 4. 📌 **Self-Service Analytics** — Kemampuan pengguna bisnis non-teknis untuk mengakses, menganalisis, dan memvisualisasikan data secara mandiri menggunakan tools yang dirancang untuk kemudahan penggunaan, tanpa bergantung pada tim IT atau data analyst (Gartner, 2024). Relevansi: ini adalah pergeseran paradigma — manajer sebagai konsumen pasif data vs manajer sebagai eksplorer aktif data. --- ## SEK 6.4 — KONSEP INTI ### 6.4.1 — Descriptive dan Diagnostic Analytics **Argumen utama:** Mayoritas BI saat ini masih berada di level deskriptif — dan ini sering sudah cukup untuk menghasilkan nilai besar jika dilakukan dengan benar. **Descriptive analytics:** - Laporan standar (scheduled reports): penjualan harian, stok mingguan, kinerja karyawan bulanan - Ad-hoc reports: pertanyaan yang muncul dan membutuhkan jawaban seketika - KPI dashboards: status real-time terhadap target - Scorecard: performa vs periode sebelumnya **Diagnostic analytics:** - Drill-down: dari aggregat → detail - Slice and dice: segmentasi multi-dimensi - Root cause analysis (RCA): mengapa metrik X turun? - Pareto analysis: 20% penyebab → 80% masalah? **Contoh:** Dashboard occupancy rate hotel + drill-down ke property, tanggal, tipe kamar, channel booking → langsung identifikasi: OTA rate drop di Bali karena competitor promotion. ### 6.4.2 — KPI Design yang Benar dan Bermakna **Argumen utama:** KPI yang salah desain adalah lebih berbahaya dari tidak ada KPI — ia mengarahkan perhatian ke tempat yang salah. **Prinsip KPI Design:** 1. **Lagging vs Leading indicators:** lagging mengukur hasil masa lalu; leading memprediksi masa depan. Balance keduanya. 2. **Directly actionable:** KPI yang tidak bisa dipengaruhi oleh yang memonitor adalah noise. 3. **Cascade dari strategi:** setiap KPI operasional harus bisa di-*trace* ke tujuan strategis. 4. **Jumlah yang tepat:** 5-7 KPI per level manajemen, bukan 50. 5. **Frequency yang tepat:** tidak semua KPI perlu real-time — kadang mingguan lebih bermakna. **Anti-pola KPI** (harus dihindari): - "Vanity metrics": website visitors tanpa conversion data - Gaming metrics: tim mengoptimasi untuk KPI, bukan untuk tujuan di balik KPI - Orphan metrics: KPI yang tidak terhubung ke keputusan apapun ### 6.4.3 — Data Visualization dan Information Design **Argumen utama:** Visualisasi yang salah menyembunyikan insight yang ada; visualisasi yang tepat mengungkap insight yang tersembunyi. **Prinsip Edward Tufte yang adaptasi:** 1. **Chart junk vs data ink:** minimalisasi elemen visual non-informatif 2. **Small multiples:** banyak variasi kecil lebih informatif dari satu chart besar yang kompleks 3. **Sparklines:** trend dalam konteks teks 4. **Direct labeling:** hindari legend terpisah jika bisa langsung di chart **Tabel panduan visual:** Tipe data → Chart yang tepat - Comparison over time → Line chart, area chart - Part-to-whole → Pie (hanya jika <5 segmen), treemap, stacked bar - Distribution → Histogram, box plot - Correlation → Scatter plot - Ranking → Horizontal bar chart - Geospatial → Choropleth map **Contoh Indonesia:** LAPAN/BRIN earth observation dashboard — ratusan data layer tapi information design yang buruk membuat sebagian besar data tidak actionable bagi decision-maker non-teknis. ### 6.4.4 — Predictive Analytics: Dari Statistik ke Machine Learning **Argumen utama:** Perbedaan mendasar antara statistik klasik dan ML bukan pada hasil — tapi pada cara pendekatan masalah. **Statistik klasik:** - Mulai dari hipotesis → test dengan data - Model sederhana, highly interpretable - Cocok untuk: regression, A/B testing, hypothesis testing **Machine Learning:** - Biarkan data yang menemukan pola - Model bisa sangat kompleks, kadang black box - Cocok untuk: classification, clustering, time-series forecasting, natural language **Use cases predictive analytics di manajemen:** - Demand forecasting (penjualan 3 bulan ke depan) - Customer churn prediction - Fraud detection - Predictive maintenance - Credit scoring **Peringatan:** Interpretability vs accuracy trade-off — untuk keputusan yang berdampak besar pada individu (kredit, hiring), prefer model yang interpretable. ### 6.4.5 — OLAP dan Multidimensional Analysis **Argumen utama:** OLAP (*Online Analytical Processing*) adalah motor di balik kemampuan slice-and-dice yang menjadi ciri khas BI. **Konsep OLAP cube:** - Dimensi: sumbu analisis (waktu, produk, region, saluran distribusi) - Measure/fact: nilai yang dianalisis (revenue, quantity, margin) - Operasi OLAP: roll-up, drill-down, slice, dice, pivot **MOLAP vs ROLAP vs HOLAP:** - MOLAP: pre-aggregated cube, fast, tapi storage intensive - ROLAP: query relational database, flexible, tapi bisa lambat - HOLAP: hybrid **Data marts per departemen:** Setiap departemen biasanya punya data mart sendiri yang menunjukkan sudut pandang mereka terhadap cube yang lebih besar. ### 6.4.6 — Self-Service BI dan Data Democratization **Argumen utama:** Tren paling transformatif dalam BI bukan pada tools analitik yang lebih canggih — tapi pada demokratisasi akses ke data bagi non-technical users. **Evolusi:** - BI 1.0: IT-centric, report butuh request ke IT dept, butuh hari/minggu - BI 2.0: Power users dengan SQL bisa self-serve - BI 3.0: Business users dengan drag-and-drop (Tableau, Power BI, Looker) - BI 4.0: Natural language queries ("tunjukkan penjualan Maret di Jawa Tengah") **Tantangan self-service BI:** - Data governance: pengguna non-teknis bisa "salah" menginterpretasi data jika context tidak tersedia - Data quality: "democratizing dirty data" memperbesar masalah - Consistent metrics: setiap orang menghitung margin dengan cara berbeda **Kunci sukses:** Data layer yang bersih + semantic layer yang well-defined + training data literacy = self-service yang sebenarnya memberdayakan. ### 6.4.7 — AI-Augmented BI: GenAI dan Automated Insights **Argumen utama:** Generative AI mulai mengubah cara orang berinteraksi dengan data — dari menelusuri dashboard ke "bertanya" kepada data. **Kemampuan baru:** - Natural language to SQL: ketik pertanyaan bisnis, sistem menghasilkan query dan visualisasi - Automated narrative: AI otomatis menulis "executive summary" dari perubahan KPI - Anomaly detection + explanation: sistem tidak hanya menemukan anomali tapi menjelaskan kemungkinan penyebabnya - Predictive alerting: sistem menginformasikan manajer sebelum KPI bernilai buruk **Contoh tools:** Microsoft Copilot for Power BI, Tableau Pulse, Looker (Google), ThoughtSpot **Peringatan:** Automated narrative dari AI dapat mengandung "hallucination" — manajer masih perlu critical thinking untuk memvalidasi interpretasi yang dihasilkan AI. --- ## SEK 6.5 — KOMPARASI (Tabel 6.1) **Judul Tabel:** "BI Reaktif vs BI Proaktif: 8 Dimensi Kapabilitas Analitik Organisasi" | Dimensi | BI Reaktif (Laporan Manual) | BI Proaktif (Data-Driven Culture) | |---------|----------------------------|------------------------------------| | Pembuatan laporan | Request ke IT, 3–5 hari | Self-service, menit | | Ruang lingkup analisis | Historical, predefined | Historical + predictive + prescriptive | | Pengguna data | IT + analyst | Semua level manajemen | | Kecepatan identifikasi masalah | Setelah laporan bulanan | Real-time alert + dashboard | | Target dalam laporan | Data mentah + sedikit perhitungan | KPI + trend + contextual insight | | Ketergantungan pada intuisi | Tinggi (karena data terlambat) | Rendah (data tersedia saat butuh) | | Biaya analitik | Tinggi (banyak tenaga manual) | Lebih rendah jika self-service matang | | Orientasi keputusan | Laporan masa lalu | Forward-looking, actionable | 💡 **Insight:** Organisasi yang berhasil bergeser dari BI reaktif ke proaktif tidak membeli tools lebih canggih — mereka terlebih dahulu membangun data culture: kepercayaan pada data, rasa ingin tahu analitik, dan keberanian bertindak berdasarkan evidence. --- ## SEK 6.6 — REALITAS LAPANGAN ### Fenomena 1: BI Fatigue — Dashboard Overload **Konten:** Paradoks modern BI: organisasi memiliki terlalu banyak dashboard sehingga tidak ada yang benar-benar digunakan. Survei Gartner (2024) — rata-rata perusahaan Fortune 500 memiliki 1.200+ dashboard yang aktif, tapi hanya 20% yang diakses setidaknya sekali per minggu. Dashboard proliferation terjadi karena setiap permintaan laporan baru menghasilkan dashboard baru, tanpa konsolidasi. 💡 **Insight:** Lebih sedikit dashboard yang sangat baik lebih bermakna dari ratusan dashboard yang tidak terpakai. Desain BI yang baik dimulai dari pertanyaan bisnis, bukan dari data yang tersedia. ### Fenomena 2: Indonesia BI Market Growth — Demand Outpacing Supply **Konten:** Pasar BI dan analytics Indonesia tumbuh 28% tahun-ke-tahun pada 2023 (IDC, 2024). Adopsi Power BI dan Tableau di perusahaan Indonesia meningkat pesat. Namun survei IDC yang sama menemukan bahwa 62% organisasi yang mengimplementasikan BI tools tidak mendapatkan nilai yang diharapkan dalam 18 bulan pertama — terutama karena kurangnya data literacy dan governance yang memadai. 💡 **Insight:** Tool adoption ≠ capability adoption. BI yang benar-benar digunakan membutuhkan investasi yang sama besarnya pada perubahan proses dan kompetensi manusia. ### Fenomena 3: Pertamina Analytics Center — BI untuk BUMN Energi **Konten:** PT Pertamina membangun integrated analytics center yang mengintegrasikan data dari seluruh anak perusahaan (hulu, hilir, retail, distribusi). Dashboard real-time memantau aliran migas dari sumur produksi hingga SPBU. Predictive analytics digunakan untuk: prediksi demand BBM per wilayah, optimasi routing kapal tanker, deteksi kebocoran pipa. Hasilnya: penghematan distribusi ~Rp 800 miliar per tahun (Annual Report Pertamina 2024). 💡 **Insight:** BI bernilai terbesar ketika menjawab pertanyaan yang secara historis sangat mahal untuk dijawab tanpa data — seperti optimasi jaringan distribusi kompleks. --- ## SEK 6.7 — JEBAKAN KOGNITIF 1. ⚠️ **"Kita butuh lebih banyak KPI untuk memantau bisnis dengan lebih baik"** - Mengapa salah: Semakin banyak KPI, semakin kecil perhatian yang bisa diberikan per KPI. Attention is finite. - Koreksi: "If everything is important, nothing is." Mulailah dari 3–5 KPI yang paling menentukan apakah strategi Anda berhasil. 2. ⚠️ **"Pie chart adalah cara terbaik menampilkan komposisi/bagian"** - Mengapa salah: Otak manusia tidak bagus dalam membandingkan sudut — bar chart horizontal hampir selalu lebih akurat untuk komparasi bagian. - Koreksi: Gunakan bar chart untuk perbandingan; simpan pie chart hanya jika ada 2–3 segmen saja dan perbedaannya dramatis. 3. ⚠️ **"BI tools mahal hanya untuk perusahaan besar"** - Mengapa salah: Microsoft Power BI memiliki tier gratis dan premium yang accessible untuk UMKM. Google Looker Studio (sebelumnya Data Studio) gratis penuh. - Koreksi: Pertanyaannya bukan biaya tools — tapi kesiapan data dan kompetensi tim. Tools sudah democratic; governance dan skills yang belum. 4. ⚠️ **"Dashboard yang indah adalah dashboard yang baik"** - Mengapa salah: Estetika tanpa fungsi adalah dekorasi. Dashboard yang penuh gradients, 3D chart, dan animasi kompleks sering menyembunyikan kelemahan data dan analisis. - Koreksi: Standar dashboard yang baik: bisa dibaca dalam 30 detik, pertanyaan bisnis utama terjawab langsung, drill-down tersedia untuk konteks. Bukan: cantik tapi tidak actionable. --- ## SEK 6.8 — STUDI KASUS ### Kasus A (Dasar): Indomaret — BI untuk Retail Operations **Sumber:** Annual Report Sumber Alfaria Trijaya 2024 **Kondisi awal (❌):** Sebelum 2017 — laporan penjualan per gerai dikompilasi manual oleh tim regional. Anomali penjualan baru terdeteksi dalam review mingguan. Keputusan restock berdasarkan manual order dari store manager masing-masing. Tidak ada visibilitas real-time ke performance 1.500+ gerai. **Perubahan (✅):** Indomaret BI Platform — dashboard real-time yang memantau performance semua gerai. AI-powered demand forecasting yang mengotomatisasi 70% keputusan restock. Anomaly detection yang langsung membunyikan alert ke regional manager jika satu gerai underperform >15% dari baseline. **Tabel:** Metrik sebelum vs sesudah (waktu deteksi anomali, stockout rate, waktu keputusan restock) **Pelajaran:** Self-service BI yang dirancang untuk store manager non-teknis adalah kunci adopsi yang sesungguhnya. ### Kasus B (Lanjutan): Netflix — Prescriptive Analytics untuk Content Strategy **Sumber:** Annual Report Netflix 2024, Davenport & Mittal (2022) **Kondisi awal (❌):** Produksi konten tradisional banyak dikuasai intuisi kreatif dan track record. Tidak ada cara mengukur potensi konten baru sebelum diproduksi. "House of Cards" di jaringan TV lain ditolak karena tidak ada data yang mendukung keputusan investasi. **Perubahan (✅):** Netflix mengintegrasikan behavior data 200+ juta subscriber ke model predictive content analytics: genre preference, completion rate, rewatch rate, per-episode drop-off, time-of-day viewing. Keputusan produksi "House of Cards" di Netflix berdasarkan model yang menunjukkan segmen signifikan dengan profil yang cocok. Prescriptive analytics juga digunakan untuk: thumbnail optimization (A/B test ribuan versi), episode release strategy, subtitle localization priority. **Pelajaran:** Prescriptive analytics bukan tentang menghilangkan keputusan kreatif — tapi tentang menciptakan "confidence floor" yang mengurangi risiko keputusan besar. --- ## SEK 6.9 — TEMPLATE PRAKTIS **Nama Template:** KPI Dashboard Design Canvas ``` ====================================== TEMPLATE 6.1 — KPI DASHBOARD DESIGN CANVAS ====================================== TUJUAN DASHBOARD INI Audiens utama : ____________________________ Pertanyaan bisnis yang harus dijawab: 1. ____________________________ 2. ____________________________ 3. ____________________________ Frekuensi update yang dibutuhkan : [ ]Real-time [ ]Harian [ ]Mingguan [ ]Bulanan BAGIAN A: KPI UTAMA (maksimal 5) # | Nama KPI | Formula/Sumber | Target | Alarm jika | Visualisasi yang tepat ---|----------|----------------|--------|------------|---------------------- 1 | ________ | ______________ | ______ | _________ | ____________________ 2 | ________ | ______________ | ______ | _________ | ____________________ 3 | ________ | ______________ | ______ | _________ | ____________________ 4 | ________ | ______________ | ______ | _________ | ____________________ 5 | ________ | ______________ | ______ | _________ | ____________________ BAGIAN B: DIMENSI ANALISIS (untuk drill-down) Dimensi 1 (misal: Waktu) : ____________________________ Dimensi 2 (misal: Wilayah) : ____________________________ Dimensi 3 (misal: Produk) : ____________________________ BAGIAN C: STRUKTUR VISUAL DASHBOARD [ ] 1 halaman / 1 screen (ideal) [ ] Hierarki: overview → detail Layout yang diinginkan (gambar kasar): +------------------+------------------+ | KPI #1 (large) | KPI #2 + #3 | | | | +------------------+------------------+ | Trend Chart KPI 1 sepanjang waktu | +-------------------------------------+ | Breakdown dimensi 2 dan 3 | +-------------------------------------+ BAGIAN D: VALIDASI [ ] Setiap KPI bisa ditindaklanjuti langsung oleh audiens [ ] Tren (bukan hanya angka point-in-time) tersedia [ ] Drill-down ke detail tersedia di KPI kritis [ ] Definisi setiap KPI terdokumentasi (glossary) ====================================== ``` --- ## SEK 6.10 — PETA KONSEP (Gambar 6.2) ``` Root: Business Intelligence dan Analitik Bisnis ├── Tangga Analitik │ ├── Descriptive (apa?) → Diagnostic (mengapa?) │ └── Predictive → Prescriptive → Cognitive ├── KPI Design │ ├── Lagging vs Leading │ └── Anti-pola (vanity metrics, gaming) ├── Data Visualization │ ├── Prinsip Tufte (data ink ratio) │ └── Chart type → data type mapping ├── Self-Service BI │ ├── Demokratisasi data │ └── Semantic layer + governance └── AI-Augmented BI ├── NL to SQL, automated narrative └── Anomaly detection + context ``` --- ## SEK 6.11 — RANGKUMAN **7 poin takeaway:** 1. Tangga analitik bisnis terdiri dari 5 level — sebagian besar organisasi masih di level 1-2 (deskriptif). Naik satu anak tangga memberikan nilai yang tidak proporsional besar. 2. KPI yang salah desain lebih berbahaya dari tidak ada KPI — karena ia mengarahkan energi ke tempat yang salah. Prinsip: sedikit, actionable, terhubung ke strategi. 3. Data visualization adalah kompetensi manajerial, bukan hanya desainer grafis — cara data ditampilkan secara langsung memengaruhi kualitas keputusan yang dibuat. 4. Self-service BI hanya benar-benar memberdayakan jika disertai data yang bersih, definisi metrik yang konsisten, dan peningkatan data literacy pengguna. 5. Predictive analytics memberikan "confidence floor" yang mengurangi risiko keputusan besar — bukan menghilangkan pertimbangan manusia. 6. BI fatigue (terlalu banyak dashboard, terlalu sedikit yang digunakan) adalah masalah desain, bukan masalah teknologi. 7. AI-augmented BI sedang mengubah cara interaksi dengan data — dari menelusuri dashboard ke "bertanya" kepada data dalam bahasa natural. **Closing Bridge ke Bab 7:** *BI dan analitik membantu manajer melihat ke belakang (deskriptif), memahami (diagnostik), dan mengantisipasi (prediktif). Namun ada satu konteks keputusan yang paling kompleks dan paling berisiko: merancang dan mengimplementasikan perubahan besar yang menyentuh proses bisnis inti. Bab 7 akan membahas bagaimana SI dapat membantu manajer menavigasi transformasi digital — bukan hanya memahaminya dari jauh.* 🔥 *"Business Intelligence bukan tentang memiliki data terbanyak atau dashboard terindah — ia tentang memiliki pertanyaan bisnis yang tepat, dan kemampuan menjawabnya sebelum jendela kesempatan tertutup."* --- ## SEK 6.12 — LATIHAN & REFLEKSI **Pertanyaan Reflektif:** 1. Anda diminta merancang dashboard untuk seorang manajer penjualan regional. Pertanyaan bisnis apa yang harus selalu bisa dijawab oleh dashboard tersebut? Bagaimana Anda memastikan tidak lebih dari 5 KPI? 2. Mengapa predictive analytics yang akurat sekalipun tidak menghilangkan risiko keputusan? Kapan "gut feeling" eksekutif masih lebih valid dari model predictive? 3. Identifikasi satu "vanity metric" yang umum di industri yang Anda kenal. Apa metrik alternatif yang lebih bermakna untuk menggantikannya? 4. Jika BI yang ada di organisasi Anda tidak mengubah cara keputusan dibuat, apa 3 kemungkinan penyebab utamanya? **Latihan Artefak 6.1 — KPI Dashboard Design Canvas** Pilih satu peran manajerial yang Anda kenal (atau posisi yang Anda inginkan): 1. Definisikan 3 pertanyaan bisnis yang harus dijawab dashboardnya 2. Rancang 4–5 KPI dengan formula, target, dan alert threshold 3. Pilih tipe visualisasi yang tepat untuk setiap KPI 4. Buat sketsa layout dashboard (boleh tangan, tidak perlu digital) *Artefak 6.1 menjadi blueprint analitik yang melengkapi profil kapabilitas dari artefak-artefak sebelumnya.* --- ## REFERENSI BAB 6 - Sharda, R., Delen, D., & Turban, E. (2024). *Analytics, data science, and artificial intelligence* (12th ed.). Pearson. - Davenport, T. H., & Mittal, N. (2022). *All-in on AI: How smart companies win big with artificial intelligence*. Harvard Business Review Press. - Few, S. (2023). *Information dashboard design: Displaying data for at-a-glance monitoring* (2nd ed.). Perceptual Edge. - Tufte, E. R. (2021). *The visual display of quantitative information* (2nd ed.). Graphics Press. - Gartner Research. (2024). *Top strategic technology trends for 2025*. Gartner, Inc. - IDC. (2024). *Worldwide digital transformation spending guide, 2024–2028*. International Data Corporation. - McKinsey & Company. (2024). *State of AI report 2024*. McKinsey Digital. - Laudon, K. C., & Laudon, J. P. (2022). *Management Information Systems: Managing the Digital Firm* (17th ed.). Pearson. - Pertamina. (2024). *Laporan tahunan 2024*. PT Pertamina (Persero). - Sumber Alfaria Trijaya. (2024). *Annual report 2024*. PT Sumber Alfaria Trijaya Tbk. - Huang, M. H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. *Journal of the Academy of Marketing Science*, *49*(1), 30–50. https://doi.org/10.1007/s11747-020-00749-9 - Westerman, G., & Bonnet, D. (2021). The new elements of digital transformation. *MIT Sloan Management Review*, *62*(3), 82–89.