sim-manajement-book/chapters/outlines/outline-bab-09.md

OUTLINE DETAIL — BAB 9

Business Intelligence dan Analitik Bisnis

Bagian: III — SI dalam Proses Bisnis dan Pengambilan Keputusan Level: Lanjutan
Estimasi Halaman: 18–24
Reader Outcome: Pembaca mampu menginterpretasikan insight dari dashboard BI, membedakan tipe analitik (deskriptif/diagnostik/prediktif/preskriptif), dan mengevaluasi relevansinya untuk keputusan manajerial.

---

SEK 7.1 — PEMBUKA

Hook: Netflix menghemat $1 miliar per tahun hanya dari recommendation engine yang memprediksi apa yang ingin ditonton 230 juta pelanggannya. Itu bukan keajaiban teknologi — itu adalah analitik preskriptif yang telah berevolusi dari analitik deskriptif sederhana selama 15 tahun. Pertanyaannya: di mana posisi organisasi Anda dalam spektrum analitik ini?

Opening Bridge (dari Bab 6):

Bab 6 memperkenalkan model keputusan dan peran DSS sebagai augmentor manajer. Tetapi dari mana data untuk DSS itu datang dalam bentuk yang actionable? Jawabannya: Business Intelligence — ekosistem teknologi dan proses yang mengubah data mentah menjadi visualisasi, prediksi, dan rekomendasi. Bab ini membahas bagaimana BI bekerja dan bagaimana manajer harus membacanya.

Central Question:

Bagaimana Business Intelligence dan analitik bisnis mengubah data organisasi menjadi insight yang bisa ditindaklanjuti — dan mengapa manajer harus memahami perbedaan antara analitik deskriptif, diagnostik, prediktif, dan preskriptif?

---

SEK 7.2 — MODEL UTAMA (Gambar 7.1)

Nama Model: Spektrum Analitik Bisnis (4 Tipe)

graph LR
    DESC[Deskriptif: Apa yang terjadi?] --> DIAG[Diagnostik: Mengapa terjadi?]
    DIAG --> PRED[Prediktif: Apa yang akan terjadi?]
    PRED --> PRES[Preskriptif: Apa yang harus dilakukan?]
    
    DESC ---|Insight masa lalu| DIAG
    PRED ---|Insight masa depan| PRES
    
    V1[Nilai rendah] -.-> DESC
    V2[Nilai tinggi] -.-> PRES
    
    C1[Kompleksitas rendah] -.-> DESC
    C2[Kompleksitas tinggi] -.-> PRES

Penjelasan Node:

• Deskriptif — menjawab "apa yang terjadi?" melalui reporting, dashboard KPI, dan ringkasan historis. Fondasi BI; tanpa ini, analitik lanjutan tidak mungkin. Contoh: "Penjualan Q1 turun 12%."
• Diagnostik — menjawab "mengapa terjadi?" melalui drill-down analysis, root cause identification, dan korelasi. Contoh: "Penjualan turun karena lead time naik 40% di region Jawa."
• Prediktif — menjawab "apa yang akan terjadi?" melalui forecasting, machine learning, dan trend projection. Contoh: "Jika tren berlanjut, penjualan Q2 akan turun 18%."
• Preskriptif — menjawab "apa yang harus dilakukan?" melalui optimization, recommendation engine, dan simulation. Contoh: "Untuk memulihkan penjualan, alokasikan 20% budget marketing ke region Jawa dan tambah 2 distribution center."
• Alur nilai — semakin ke kanan, nilainya semakin tinggi tetapi kompleksitas dan kebutuhan data juga semakin besar. Kebanyakan organisasi masih di deskriptif-diagnostik.

---

SEK 7.3 — DEFINISI KUNCI

📌 Kecerdasan Bisnis (Business Intelligence / BI) Kombinasi teknologi, proses, dan praktik yang mengubah data mentah menjadi informasi bermakna yang dapat ditindaklanjuti untuk pengambilan keputusan. (Definisi kanonik — lihat MASTER-ANCHOR) Relevansi manajerial: BI bukan tools IT — ia adalah kapabilitas organisasi yang menjadi jembatan antara data warehouse dan ruang rapat. Manajer adalah konsumen utama BI, bukan tim IT.

📌 Data Warehouse Repositori data terpusat yang mengkonsolidasikan data dari berbagai sumber operasional (ERP, CRM, SCM) ke dalam format yang dioptimalkan untuk analisis dan pelaporan, bukan untuk transaksi. Relevansi manajerial: Manajer tidak perlu membangun data warehouse, tetapi perlu memahami bahwa kualitas insight BI sangat bergantung pada kualitas dan kelengkapan data di warehouse. "Jika data warehouse-nya kotor, dashboard-nya bohong."

📌 ETL (Extract, Transform, Load) Proses mengekstrak data dari berbagai sumber, mentransformasikannya ke format standar, dan memuatnya ke data warehouse untuk analisis. Relevansi manajerial: ETL adalah alasan mengapa "angka di dashboard berbeda dari angka di Excel divisi saya" — jika proses transformasi data tidak transparan, manajer kehilangan kepercayaan pada BI.

📌 Analitik Prediktif (Predictive Analytics) Penggunaan teknik statistik, machine learning, dan data mining untuk mengidentifikasi pola dari data historis dan memproyeksikan kemungkinan di masa depan. Relevansi manajerial: Prediksi bukan ramalan — ia probabilitas. Manajer harus membaca output prediktif sebagai "kemungkinan 78% bahwa X terjadi" bukan "X pasti terjadi." Ketidakpastian harus dikomunikasikan, bukan disembunyikan.

---

SEK 7.4 — KONSEP INTI (7 sub-seksi)

7.4.1 Definisi BI: Dari Data Warehouse ke Insight Bisnis

• Argumen: BI bukan satu software — ia adalah ekosistem yang mencakup data warehouse, ETL, OLAP cubes, reporting tools, dan visualization platforms. Manajer tidak perlu menguasai arsitekturnya, tetapi perlu memahami alur: dari data mentah → warehouse → transformasi → visualisasi → keputusan.
• Data pendukung: Pasar BI global bernilai $33,3 miliar (2024) dan diprediksi $61 miliar (2029) — pertumbuhan menunjukkan bahwa organisasi semakin serius berinvestasi di kemampuan mengolah data (Fortune Business Insights, 2024).
• Contoh Indonesia: Bukalapak membangun BI platform internal yang mengkonsolidasikan data dari 100+ juta pengguna untuk analytics real-time — mendukung keputusan marketing, pricing, dan supply allocation.

7.4.2 Arsitektur BI: Data Source → ETL → Warehouse → Visualisasi

• Argumen: Memahami arsitektur BI membantu manajer mengetahui: (1) mengapa data di dashboard bisa "terlambat", (2) mengapa angka kadang berbeda dari laporan manual, (3) di mana letak bottleneck informasi.
• Data pendukung: 46% keluhan manajer terhadap BI adalah "data tidak up-to-date" dan "angka tidak cocok" — kedua masalah ini berakar di arsitektur ETL, bukan di dashboard (Gartner, 2023).
• Diagram arsitektur sederhana: Sources (ERP, CRM, external) → ETL → Data Warehouse → OLAP/Analytics → Dashboard → Decision.

7.4.3 Empat Tipe Analitik dan Kapan Menggunakan Masing-Masing

• Argumen: Organisasi yang hanya di level deskriptif "tahu apa yang terjadi tetapi tidak tahu mengapa, apalagi apa yang akan terjadi." Setiap tipe analitik menjawab pertanyaan berbeda dan membutuhkan investasi data + capability berbeda.
• Data pendukung: Hanya 21% organisasi yang mencapai level prediktif-preskriptif; 79% masih di deskriptif-diagnostik (Gartner Analytics Maturity Survey, 2023).
• Tabel mini: Tipe × Pertanyaan × Teknik × Contoh bisnis.

7.4.4 Dashboard sebagai Alat Komunikasi Manajerial

• Argumen: Dashboard bukan laporan yang dipercantik — ia adalah alat komunikasi yang harus menyampaikan "cerita data" secara instan. Dashboard yang baik menjawab pertanyaan keputusan dalam 5 detik pertama, bukan meminta manajer "menggali."
• Data pendukung: Penelitian Tufte (2006) dan Few (2012) menunjukkan bahwa dashboard efektif mengurangi waktu pengambilan keputusan hingga 40%.
• Prinsip desain: (1) Satu pertanyaan per dashboard, (2) KPI terpenting di kiri atas, (3) Exception highlighting, (4) Trend over time, bukan snapshot.

7.4.5 Prinsip Visualisasi Data yang Efektif

• Argumen: Visualisasi yang buruk bukan hanya tidak membantu — ia menyesatkan. Grafik 3D, pie chart berlebihan, dan skala sumbu yang dimanipulasi bisa membuat data menceritakan kisah yang salah.
• Data pendukung: 59% eksekutif mengakui pernah mengambil keputusan salah akibat visualisasi data yang misleading (Deloitte Data Visualization Survey, 2023).
• Do's & Don'ts: Bar chart untuk perbandingan, line chart untuk tren, heatmap untuk korelasi. Hindari: 3D effects, truncated Y-axis, spaghetti lines.

7.4.6 Predictive Analytics — Bagaimana AI Masuk Secara Natural

• Argumen: Analitik prediktif adalah titik di mana AI/ML masuk secara alami ke dalam BI. Bukan sebagai "proyek AI terpisah," melainkan sebagai evolusi dari kemampuan analitik yang sudah ada — dari "melihat ke belakang" menjadi "melihat ke depan."
• Data pendukung: 67% implementasi AI pertama di organisasi dimulai dari predictive analytics pada existing BI platform — bukan proyek AI standalone (McKinsey, 2024).
• Contoh Indonesia: Tokopedia menggunakan predictive analytics untuk demand forecasting — membantu seller UMKM menyiapkan stok menjelang Ramadan berdasarkan pola pembelian 3 tahun terakhir.

7.4.7 Keterbatasan BI: Correlation ≠ Causation

• Argumen: BI sangat baik menemukan korelasi, tetapi manajer harus waspada: korelasi bukan kausalitas. "Penjualan naik bersamaan dengan campaign marketing" tidak berarti campaign menyebabkan kenaikan — bisa jadi keduanya disebabkan oleh musim belanja.
• Data pendukung: Contoh klasik: konsumsi es krim berkorelasi dengan kasus tenggelam — bukan karena es krim menyebabkan tenggelam, melainkan keduanya meningkat di musim panas.
• Contoh bisnis: Dashboard menunjukkan korelasi antara training hours dan produktivitas. Manajer menyimpulkan "training meningkatkan produktivitas." Padahal bisa jadi: karyawan produktif lebih banyak dikirmkan ke training (reverse causality).

---

SEK 7.5 — KOMPARASI (Tabel 7.1)

Judul: "4 Tipe Analitik: Pertanyaan, Teknik, Contoh, dan Nilai Bisnis"

Tipe	Pertanyaan	Teknik Utama	Contoh Bisnis	Tools Tipikal	Nilai Bisnis	Kematangan	AI Role
Deskriptif	Apa yang terjadi?	Reporting, KPI dashboard	Laporan penjualan bulanan	Excel, Tableau, Power BI	Visibility	Entry level	Minimal
Diagnostik	Mengapa terjadi?	Drill-down, root cause, korelasi	"Penjualan turun karena lead time naik"	OLAP, Tableau, Qlik	Understanding	Menengah	Assisted
Prediktif	Apa yang akan terjadi?	Forecasting, ML, regression	"Demand akan naik 25% di Q4"	Python, R, Azure ML	Foresight	Lanjutan	Core
Preskriptif	Apa yang harus dilakukan?	Optimization, simulation, recommendation	"Alokasikan budget ke region X"	Decision engines, AI platforms	Action	Mahir	Dominant

💡 Insight: Kebanyakan organisasi menghabiskan 80% investasi BI di level deskriptif (laporan dan dashboard) tetapi 80% nilai bisnis terletak di level prediktif-preskriptif. Ini bukan kesalahan teknologi — ini kesalahan prioritas yang berakar pada ketidakpahaman manajer tentang spektrum analitik.

---

SEK 7.6 — REALITAS LAPANGAN (3 fenomena)

Fenomena 1: "Dashboard Cemetery" — Dashboard yang Dibangun tapi Tidak Dipakai

Gartner (2023) melaporkan 75% dashboard BI yang dibangun tidak pernah menjadi basis keputusan aktual. Di Indonesia, fenomena ini lebih tajam: banyak pemerintah daerah membangun "command center" berbiaya miliaran rupiah yang pada akhirnya hanya digunakan saat ada kunjungan pejabat. Akar masalah: dashboard dibangun tanpa decision owner yang jelas.

💡 Insight: Dashboard yang tidak punya "pelanggan keputusan" sejak hari pertama perancangannya akan menjadi monumen kegagalan investasi data.

Fenomena 2: Self-Service BI — Demokratisasi atau Anarki Data?

Tren self-service BI (Power BI, Tableau) memberdayakan manajer untuk membuat analisis sendiri tanpa tergantung tim IT. Tetapi tanpa governance: setiap divisi membuat "versi kebenarannya sendiri." Gartner (2024) menyebut ini "data anarchy" — di mana 42% perusahaan yang mengadopsi self-service BI mengalami konflik internal akibat "angka yang berbeda dari divisi berbeda."

💡 Insight: Self-service BI tanpa single source of truth dan definisi metrik yang standar bukan demokratisasi — ia adalah resep untuk perang spreadsheet yang lebih canggih.

Fenomena 3: Analitik Prediktif di Sektor Publik Indonesia — Potensi Besar, Realisasi Minim

BMKG Indonesia menggunakan analitik prediktif untuk prakiraan cuaca. BPJS Kesehatan mulai menggunakan predictive models untuk fraud detection klaim. Tetapi di luar silo-silo ini, adopsi predictive analytics di sektor publik Indonesia masih di bawah 10%. Hambatan utama: kualitas data rendah (lihat Bab 5), kurangnya data scientist, dan budaya keputusan yang masih berbasis konsensus.

💡 Insight: Indonesia memiliki data yang cukup untuk analitik prediktif di banyak sektor (kesehatan, pendidikan, logistik publik), tetapi "pipa" dari data ke keputusan masih tersumbat — oleh kualitas data, SDM, dan budaya organisasi.

---

SEK 7.7 — SALAH KAPRAH (⚠️)

⚠️ Jebakan 1: "Dashboard yang penuh angka = BI yang baik"

Mengapa salah: Dashboard yang "sibuk" dengan terlalu banyak KPI, grafik, dan angka justru menghambat keputusan. Information overload di dashboard sama berbahayanya dengan information scarcity — keduanya melumpuhkan manajer. Koreksi: Dashboard yang baik menjawab satu pertanyaan keputusan dengan jelas. Jika perlu scroll untuk menemukan insight, dashboard itu gagal. Less is more.

⚠️ Jebakan 2: "BI hanya untuk perusahaan besar dengan data scientist"

Mengapa salah: Tools BI modern (Power BI, Google Data Studio, Metabase) dirancang untuk business user, bukan programmer. UMKM dengan Google Sheets dan Power BI free license sudah bisa membangun dashboard deskriptif yang bermakna. Koreksi: BI dimulai dari pertanyaan bisnis yang baik, bukan dari tools yang mahal. Mulailah dari "keputusan apa yang ingin saya ambil lebih baik?" bukan "tools BI apa yang paling canggih?"

⚠️ Jebakan 3: "Kalau korelasinya tinggi, berarti ada hubungan sebab-akibat"

Mengapa salah: Ini logical fallacy paling berbahaya di analitik. Korelasi hanya menunjukkan bahwa dua variabel bergerak bersamaan — bukan bahwa satu menyebabkan yang lain. Tanpa controlled experiment atau causal inference technique, menyimpulkan kausalitas dari korelasi adalah spekulasi berbahaya. Koreksi: Selalu tanyakan: "apakah ada variabel ketiga yang menyebabkan keduanya?" dan "apakah hubungan ini masuk akal secara teori bisnis?" Correlation motivates investigation, not conclusion.

⚠️ Jebakan 4: "Prediksi AI selalu lebih akurat dari analis manusia"

Mengapa salah: Model prediktif dibangun dari data historis — jika masa depan berbeda fundamental dari masa lalu (pandemi, disrupsi regulasi, black swan), prediksi AI bisa jauh meleset. AI juga memperkuat bias yang ada di data training. Koreksi: Prediksi AI harus diperlakukan sebagai "salah satu input" keputusan, bukan jawaban final. Manajer harus mengevaluasi prediksi AI secara kritis — terutama memahami asumsi dan limitasinya.

---

SEK 7.8 — STUDI KASUS (📊)

📊 Studi Kasus Dasar — Dashboard Monitoring COVID-19 DKI Jakarta

❌ Kondisi Awal: Di awal pandemi (Maret 2020), data COVID-19 di Jakarta tersebar di RS, puskesmas, dan lab — tidak ada satu dashboard yang bisa menjawab pertanyaan sederhana: "berapa kasus hari ini dan di mana?"

✅ Solusi & Transformasi: Tim Jakarta Smart City membangun dashboard BI real-time yang mengintegrasikan data testing, tracing, treatment dari 44 RS rujukan dan 344 puskesmas. Dashboard menjadi basis keputusan PSBB/PPKM: kapan memberlakukan, melonggarkan, memberlakukan ulang.

Dimensi	Sebelum Dashboard	Sesudah Dashboard
Data update	24-48 jam delay	Real-time (15 menit)
Basis keputusan PSBB	Estimasi + polling RS	Data positivity rate + bed occupancy
Transparansi publik	Press conference manual	Dashboard publik corona.jakarta.go.id
Tipe analitik	Deskriptif (counting cases)	Prediktif (forecasting peak)

💡 Pelajaran: BI dalam krisis membuktikan: kecepatan dan transparansi data langsung berdampak pada kualitas keputusan publik. Dashboard COVID-19 Jakarta adalah contoh BI yang dirancang dari pertanyaan keputusan ("kapan lock down?") bukan dari data yang tersedia.

📊 Studi Kasus Lanjutan — Netflix: Dari BI Deskriptif ke Analitik Preskriptif

❌ Kondisi Awal: Netflix tahun 2006 adalah perusahaan DVD rental. BI mereka masih deskriptif: laporan penjualan rental, popularitas judul, demografis pelanggan.

✅ Evolusi Analitik: Netflix berevolusi secara bertahap: deskriptif (apa yang ditonton) → diagnostik (mengapa berhenti menonton) → prediktif (apa yang akan ditonton selanjutnya) → preskriptif (buat konten ini dan rekomendasikan ke segment ini). Recommendation engine yang menyumbang 80% viewing kini adalah model preskriptif berbasis deep learning.

Level Analitik	Netflix Application	Business Impact
Deskriptif	Viewing reports	Basic reporting
Diagnostik	Churn analysis (mengapa unsubscribe)	Retention strategy
Prediktif	What will member watch next	$1B savings dari reduced churn
Preskriptif	Content creation decisions (House of Cards)	73% original series hit rate

💡 Pelajaran: Netflix membuktikan bahwa perjalanan dari deskriptif ke preskriptif bukan revolusi— ia evolusi bertahap. Setiap level analitik membangun di atas fondasi level sebelumnya. Organisasi yang loncat ke "AI" tanpa BI deskriptif yang kuat adalah rumah tanpa fondasi.

---

SEK 7.9 — TEMPLATE PRAKTIS (🔧)

Nama: Desain Kerangka Dashboard BI

TEMPLATE A.7 — DESAIN DASHBOARD BI

Nama Organisasi         : ________________________________________
Departemen/Pengguna     : ________________________________________
Tanggal Perancangan     : ________________________________________

═══════════════════════════════════════════════════════════════

PERTANYAAN KEPUTUSAN
Dashboard ini menjawab pertanyaan: ________________________________________
Keputusan yang akan berubah       : ________________________________________
Decision owner                     : ________________________________________
Frekuensi monitoring               : [ ] Real-time  [ ] Harian  [ ] Mingguan  [ ] Bulanan

KPI UTAMA (Maksimal 5)
1. ________________________________________  Target: ________  Alert if: ________
2. ________________________________________  Target: ________  Alert if: ________
3. ________________________________________  Target: ________  Alert if: ________
4. ________________________________________  Target: ________  Alert if: ________
5. ________________________________________  Target: ________  Alert if: ________

SUMBER DATA
Data source 1  : ________________________________________  Update freq: ________
Data source 2  : ________________________________________  Update freq: ________
Data source 3  : ________________________________________  Update freq: ________

VISUALISASI (untuk setiap KPI)
KPI 1 → Tipe chart: [ ] Bar  [ ] Line  [ ] Gauge  [ ] Table  [ ] Heatmap
KPI 2 → Tipe chart: [ ] Bar  [ ] Line  [ ] Gauge  [ ] Table  [ ] Heatmap
KPI 3 → Tipe chart: [ ] Bar  [ ] Line  [ ] Gauge  [ ] Table  [ ] Heatmap

ACTION THRESHOLD
Jika KPI melewati batas: Siapa yang harus tahu? ________________________________________
Aksi yang harus diambil : ________________________________________

═══════════════════════════════════════════════════════════════

LEVEL ANALITIK DASHBOARD:
[ ] Deskriptif (apa yang terjadi)
[ ] Diagnostik (drill-down: mengapa)
[ ] Prediktif (forecast)
[ ] Preskriptif (rekomendasi)

EVALUASI:
Apakah dashboard ini bisa menjawab pertanyaan keputusan dalam 5 detik? [ ] Ya  [ ] Tidak

---

SEK 7.10 — PETA KONSEP (Gambar 7.2)

mindmap
  root((BI & Analitik Bisnis))
    Arsitektur BI
      Data Sources
      ETL Process
      Data Warehouse
      OLAP Cubes
      Visualization Layer
    4 Tipe Analitik
      Deskriptif — Apa yang terjadi
      Diagnostik — Mengapa terjadi
      Prediktif — Apa yang akan terjadi
      Preskriptif — Apa yang harus dilakukan
    Dashboard
      Decision Question
      KPI Selection
      Visualisasi Efektif
      Action Threshold
    Keterbatasan
      Correlation ≠ Causation
      Data Quality Dependency
      Dashboard Fatigue
      Bias in AI Models
    Tren
      Self-Service BI
      Embedded Analytics
      AI-Augmented BI
      Natural Language Query

---

SEK 7.11 — RANGKUMAN

Takeaway utama:

1. BI bukan satu software — ia ekosistem: data source → ETL → warehouse → analytics → visualization → keputusan. Manajer harus memahami alur ini untuk bisa mempercayai (dan mengkritisi) output BI.
2. Empat tipe analitik (deskriptif, diagnostik, prediktif, preskriptif) mewakili spektrum kematangan — 79% organisasi masih di level deskriptif-diagnostik, padahal 80% nilai bisnis ada di prediktif-preskriptif.
3. Dashboard yang baik dimulai dari pertanyaan keputusan, bukan dari data yang tersedia. Setiap dashboard harus memiliki decision owner dan action threshold yang jelas.
4. Visualisasi data yang buruk bukan hanya tidak membantu — ia menyesatkan. Prinsip Few dan Tufte: kejelasan, minimalisme, dan honesty dalam representasi data.
5. Correlation ≠ causation adalah peringatan terpenting bagi manajer yang menggunakan BI. Korelasi memotivasi investigasi, bukan kesimpulan.
6. AI masuk secara natural di level prediktif-preskriptif sebagai evolusi BI — bukan proyek terpisah, melainkan pematangan kemampuan analitik yang sudah ada.
7. Self-service BI bisa menjadi demokratisasi atau anarki data — tergantung apakah ada single source of truth dan standar metrik yang disepakati seluruh organisasi.

Closing Bridge (ke Bab 8):

BI dan analitik memberi manajer kemampuan melihat apa yang terjadi dan memprediksi apa yang akan terjadi. Tetapi insight tanpa framing masalah yang benar hanya melahirkan jawaban untuk pertanyaan yang salah. Bab 8 membawa kita mundur selangkah: sebelum mencari jawaban dengan BI, manajer harus terlebih dulu mendefinisikan masalah organisasi yang benar.

🔥 Final Statement:

"Business Intelligence bukan tentang berapa banyak grafik yang Anda tampilkan di layar, tetapi tentang berapa banyak pertanyaan bisnis yang mampu Anda jawab sebelum pesaing Anda bertanya."

---

SEK 7.12 — LATIHAN & REFLEKSI

Pertanyaan Refleksi:

1. Di level analitik mana organisasi Anda saat ini beroperasi (deskriptif/diagnostik/prediktif/preskriptif)? Apa yang menghalangi naik ke level berikutnya?
2. Evaluasi satu dashboard yang ada di organisasi Anda: apakah ia dirancang dari "pertanyaan keputusan" atau dari "data yang tersedia"? Apa dampaknya?
3. Berikan contoh keputusan bisnis di mana korelasi di dashboard disalahartikan sebagai kausalitas. Apa konsekuensinya?
4. Diskusikan: apakah self-service BI (semua manajer bisa buat analisis sendiri) lebih banyak manfaat atau risikonya bagi organisasi Anda?

Tugas Artefak:

Gunakan Template A.7 (Desain Dashboard BI) untuk merancang kerangka 1 dashboard untuk satu keputusan manajerial spesifik. Tentukan pertanyaan keputusan, 5 KPI, action threshold, dan tipe visualisasi.

---

REFERENSI BAB 7

1. Sharda, R., Delen, D., & Turban, E. (2024). Business Intelligence, Analytics, and Data Science (5th ed.). Pearson.
2. Mikalef, P., Boura, M., Lekakos, G., & Krogstie, J. (2021). Big data analytics capabilities and innovation. British Journal of Management, 32(2), 507–527.
3. Hayati, N., & Rahardjo, B. (2022). Implementasi business intelligence untuk pengambilan keputusan strategis. Jurnal Sistem Informasi, 18(2), 89–104.
4. McKinsey Global Institute. (2023). The economic potential of generative AI. McKinsey & Company.
5. Davenport, T. H. (2023). The AI Advantage (Updated ed.). MIT Press.
6. Gartner Research. (2024). Top strategic technology trends for 2025. Gartner, Inc.
7. Gartner Research. (2023). Analytics and BI platforms: Market guide. Gartner, Inc.
8. Few, S. (2012). Show Me the Numbers: Designing Tables and Graphs to Enlighten (2nd ed.). Analytics Press.
9. Fortune Business Insights. (2024). Business Intelligence market size 2024–2029. Fortune Business Insights.
10. Deloitte. (2023). Data visualization survey: Insights and impact. Deloitte Insights.
11. McKinsey & Company. (2024). The state of AI in 2024. McKinsey Digital.
12. Laudon, K. C., & Laudon, J. P. (2022). Management Information Systems (17th ed.). Pearson.

---

QUALITY GATES CHECK

[✓] Gate 1 — THINK   : Mengubah pandangan dari "BI = laporan" ke "BI = spektrum analitik yang menggerakkan keputusan"
[✓] Gate 2 — APPLY   : Template A.7 langsung applicable untuk merancang dashboard keputusan
[✓] Gate 3 — REFLECT : Pembaca merefleksikan level analitik organisasinya dan gap menuju prediktif-preskriptif