Data Logis dan Data Fisik ( Pert6 )

Perancangan logika basis data

Merupakan proses pendefinisian entitas dan relasi (Relationship) dari dunia nyata yang dirancang, berdasarkan kebutuhan informasi dan pengolahan data dari organisasi yang bersangkutan.

• Entity / entitas adalah sekumpulan objek yang dapat diidentifikasi dan dibedakan di lingkungan pemakai
• Relasi adalah hubungan yang terjadi antar kelompok entitas.
• Sasaran dari perancangan logika basis data adalah fleksibilitas model data yang dihasilkan dan efisiensi pengimplementasiannya dalam komputer.

Perancangan fisik basis data

Merupakan proses untuk mengimplementasikan hasil perancangan logika ke dalam komputer secara fisik yang bergantung kepada software DBMS yang dipilih. Proses yang dilakukan :

• Menentukan struktur untuk setiap tabel, meliputi nama field, jenis, lebar dan field kuncinya.
• Menentukan nama basis data dan nama setiap tabel, serta lokasi tempat penyimpanannya (drive, directory / folder).
• Menghitung perkiraan tempat (space) yg dibutuhkan untuk seluruh tabel dan untuk seluruh index.

Tugas Data Warehouse ( Pert5 )

Dari table HR yang berada pada oracle 11g home 1, dapat disimpulkan bahwa termasuk pada skema Snowflake, karena ada percabangan yang terjadi pada tabel Departements -> Location ->Countries -> Region.

Prinsip Pemodelan Dimensi ( Pert5 )

Data warehouse merupakan metode dalam perancangan database  yang menunjang Decision Support System (DSS) dan Executive Information System (EIS). Secara fisik data warehouse adalah database, tetapi  perancangan data warehouse dan database sangat berbeda. Dalam perancangan database tradisional menggunakan prinsip normalisasi, sedangkan pada data warehouse normalisasi bukanlah cara yang terbaik.

Tahapan Dalam Proses Perancangan

• Memilih proses bisnis
• Memilih inti dari tabel fakta
• Memilih dimensi
• Memilih fakta yang terukur (umumnya numeric, additive quantities)
• Melengkapi tabel berdimensi 

Star Schema

Mendesain struktur star schema, dimulai dengan menentukan data apa yang ingin dilihat oleh pengguna (besarannya) dan bagaim

ana pengguna melihat data tersebut (kondisi atau dimensinya). Dalam data warehouse, data-datanya akan disimpan dalam tabel fakta dan tabel dimensi. Nah, tabel fakta akan menyimpan data-data utama yang terukur besarannya, semisal jumlah siswa, banyaknya rupiah yang diperoleh, rata-rata IPK, dan sejenisnya. Untuk lebih menjelaskan data fakta, maka kondisi saat data tersebut diukur turut disampaikan. Data kondisi inilah yang dipetakan dalam bentuk data dimensi. Kondisi yang dipetakan dalam dimensi umumnya berupa kondisi waktu, kondisi produk atau item, dan kondisi geografinya.

Sementara tabel dimensi mendeskripsikan setiap nilai dari suatu dimensi dan dapat direlasikan ke tabel fakta jika diperlukan. Tabel dimensi memiliki primary key sederhana yang mengandung hanya satu atau dua kolom saja. Namun, tabel fakta akan memiliki sekumpulan foreign key yang disusun dari primary key komposit dan merupakan gabungan kolom-kolom tabel dimensi yang berelasi. Untuk lebih jelasnya, berikut contoh struktur star schema.

Dalam star schema, kueri yang terbentuk antara tabel fakta dan sejumlah tabel dimensi dinamakan star query. Setiap tabel dimensi direlasikan dengan tabel fakta berdasarkan kolom primary key dan foreign key, namun diantara masing-masing tabel dimensi tidak ada yang saling berelasi (tidak ada hubungan data). Kueri yang terbentuk menyebabkan proses eksekusi yang lebih optimal, karena rencana eksekusi kueri dalam DBMS akan lebih cepat dengan setiap tabel hanya berelasi dengan satu tabel yang lain.

Ada kalanya tabel dimensi mengandung data yang duplikat pada satu atau lebih kolom. Jika mengikuti azas normalisasi, maka struktur basis data yang terbentuk bukan lagi star schema namun akan menjadi snowflake schema.

Keuntungan :

• Sebih simple 
• Mudah dipahami.
• Hasil dari proses query juga relatif lebih cepat.

Kerugian :

• Boros dalam space.

Snowflake Schema

Struktur basis data ini lebih kompleks dari pada star schema, dengan menormalisasi tabel-tabel dimensi yang berukuran besar dengan satu atau lebih kolom yang memiliki duplikasi data. Misal jika tabel dimensi Product dinormalisasi maka akan menghasilkan struktur seperti berikut:

Tabel dimensi dinormalisasi untuk mengurangi redudansi data (duplikasi), sehingga struktur tabelnya akan lebih ramping. Dengan pengelompokan ini, data akan lebih mudah dibaca dan membantu pengembang aplikasi untuk menata desain antarmuka sistem dan filtering data. Struktur ini akan menghemat kapasitas storage, namun waktu eksekusi data akan lebih lama mengingat jumlah tabel dimensi yang direlasikan lebih banyak dan membutuhkan tambahan relasi foreign key. Kueri yang terbentuk lebih kompleks, yang mengakibatkan kinerja kueri menurun. Pada penerapan yang lebih umum, tabel dimensi tidak diturunkan dengan lebih banyak tabel dimensi lain dan pengaturan UI atau pengelompokan data diatur secara hard-coded di kode program aplikasinya.
Fokus penggunaan datawarehouse adalah kecepatan akses dan eksekusi data, bukanlah ukuran data yang lebih kecil atau struktur basis data yang lebih ramping. Sehingga bijaksana dalam menetapkan struktur data star maupun snowflake schema akan menentukan kinerja layanan datawarehouse yang dimiliki.

Keuntungan model Snowflake

Pemakain space yang lebih sedikit

Update dan maintenance yang lebih mudah

Kerugian model ini yaitu: 

Model lebih komplek dan rumit

Proses query lebih lambat

Performance yang kurang bagus

Sumber ::

1. Konsep Model Dimensional. http://kuli-kuliah.blogspot.com/2012/04/konsep-model-dimensional.html ( diakses tanggal 8 oktober 2013 )

2. Pengertian Datawarehose. http://dashboardxcelsius.blogspot.com/2012/08/pengertian-data-warehouse.html ( diakses tanggal 8 Oktober 2013 )

Jawaban Tugas2 Data Warehouse

Dari studi kasus 1, jelaskan dan sebutkan arsitektur dan Infrastruktur data warehouse yang dimiliki perusahaan!

Arsitektur

Perusahaan menggunakan arsitektur seperti gambar di samping, karena mereka menggunakan beberapa data mart serta mengolah datanya terpisah, agar perusahaan lebih mudah dalam oprasionalnya.

Infrastruktur

• Data mart 
• Oracle
• Unix
• Data
• Purchasing
• Sales
• Inventory

Arsitektur dan Infrastruktur Data Warehouse (Pert4)

Perusahaan sering menjaga data mereka di berbagai sistem informasi yang telah terus bekembang selama bertahun-tahun untuk melacak histori data perusahaan. Karena sistem tersebut mungkin telah diambil dari database yang berbeda atau spreadsheet, mungkin pada sistem operasi yang berbeda dan platform komputer, dan sering dikembangkan pada waktu yang berbeda oleh staf yang berbeda untuk berbagai tujuan, kualitas data mereka bervariasi secara signifikan. Sistem warisan juga sangat sulit, mahal, dan tidak efisien untuk mempertahankan. Yang paling penting, meskipun, adalah bahwa bagian kunci dari data dari seluruh sistem tidak dapat diintegrasikan ke dalam satu basis pengetahuan untuk membantu dalam membuat keputusan korporasi yang sehat.

Gambar 1-1

Dalam Gambar 1-1, metadata dan data mentah dari sistem tradisional OLTP hadir, seperti tambahan jenis data, data ringkasan. Ringkasan yang sangat berharga dalam gudang data karena mereka pra - menghitung operasi lama di muka. Misalnya, permintaan data warehouse khas adalah untuk mengambil sesuatu seperti penjualan Agustus. Ringkasan di Oracle yang disebut pandangan terwujud.

Gambar 1-2

Pada Gambar 1-1 , Anda perlu membersihkan dan memproses data operasional sebelum memasukkannya ke dalam data warehouse . Anda dapat melakukan pemrograman ini, meskipun sebagian besar data warehouse menggunakan staging area sebaliknya . Sebuah area pementasan menyederhanakan ringkasan bangunan dan manajemen gudang umum . Gambar 1-2 menggambarkan arsitektur khas.

Gambar 1-3

Meskipun arsitektur pada Gambar 1-2 adalah sangat umum, Anda mungkin ingin menyesuaikan arsitektur data warehouse anda untuk kelompok yang berbeda dalam organisasi. Anda dapat melakukan ini dengan menambahkan data mart, yang merupakan sistem yang dirancang untuk lini bisnis tertentu. Gambar 1-3 mengilustrasikan contoh di mana pembelian, penjualan, dan persediaan dipisahkan. Dalam contoh ini, seorang analis keuangan mungkin ingin menganalisis data historis untuk pembelian dan penjualan.

Infrastruktur data warehouse

Infrastruktur data warehouse adalah software, hardware, pelatihan dan komponen-komponen lainnya yang memberikan dukungan yang dibutuhkan untuk mengimplementasikan data warehouse(Poe).

Salah satu instrumen yang mempengaruhi keberhasilan pengembangan data warehouse adalah pengidentifikasian arsitektur mana yang terbaik dan infrasruktur apa yang dibutuhkan. Arsitektur yang sama, mungkin memerlukan infrastruktur yang berbeda, tergantung pada lingkungan perusahaan ataupun organisasi.

Staging area itu tempat penampungan data sementara sebelum data dimasukkan ke dalam data warehouse, fungsinya buat clean, transform dan mengkombinasikan data yang diperlukan untuk data warehouse.

Karena Dalam menggunakan data warehouse ini, anda dapat mengkustomisasi arsitekturnya yang bisa anda sesuaikan dengan kebutuhan organisasi dalam artian ini adalah organisasi yang terstruktur dan mempunyai badan hukum, serta bergerak dalam dunia bisnis. Hal ini dimungkinkan dengan menambahkan data mart. Data mart merupakan subset dari data resource, biasanya berorientasi untuk suatu tujuan yang spesifik atau subjek data yang di distribusikan untuk mendukung kebutuhan bisnis. Maka jelas alas an mengapa perusahaan distributor Philips memilih Arsitektur dataware house menggunakan staging area serta datamart, karena jelas bahwa akan sangat membantu menjalankan usaha bisnis dengan baik. Sebagai contoh data purchasing, sales, dan inventory dapat di pisahkan dalam masingmasing cube. Dalam contoh ini seorang analis keuangan dapat menganalisa histori data untuk purchases dan sales.

Sebelumnya kita mesti mengetahui Fungsi serta menjelaskan bagian-bagian yang ada pada

arsitektur dataware house ini :

1. Operational System

Berfungsi mejadi wadah ataupun lapisan pertama untuk menyediakan software yang mengambil ataupun memberikan Sumber data dari data warehouse serta dapat diambil langsung dari mainframe, basis data relasional seperti Oracle, Ms SQL server dan sebagainya. Selain itu dapat melalui Operational Data Source(ODS). ODS menampung data yang diekstrak dari sistem utama atau sumber-sumber data yang ada dan kemudian data hasil ekstrasi tersebut dibersihkan.

2. Flat File

Flat File Merupakan Kumpulan data yang diakses secara periodic. CSV (Comma Separated Value) pada Microsoft Excel, sebagai Contohnya, dan merupakan sebuah flat file. Flat file tidak melakukan hubungan (relationship) dengan tabel lainnya yang mengandalkan perintah khusus untuk digunakan. Oleh karena itu penggunaan flat file banyak digunakan pada aplikasi yang membutuhkan database tunggal dan sederhana.

3. Meta Data

metadata adalah informasi yang ditanam pada sebuah file yang isinya berupa penjelasan tetang file tersebut. misal pada perusahaan lampu Philips terdapat item barang jenis tertentu, untuk mengetahui jenis item lampu tertentu maka diperlukan gambar dari item lampu tersebut untuk mendapatkan informasi mengenai spesifikasi item lampu tersebut , nah informasi inti kan adalah gambar tersebut. namun bagaimana dengan informasi yang

menjelaskan gambar tersebut (kapan produksi lampu ini dibuat, berapa harga modalnya, bagaimana bentuk lampunya, serta informasi lainnya)? informasi yang menjelaskan lampu inilah yang disebut metadata.

4. Summary Data

Summary Data merupakan Sekumpulan Ringkasan sejumlah data pada sebuah item barang, sehingga Data-data yang terkait tentang jenis/item barang itu akan teringkas melalui spefikasi tulisan maupun gambar ataupun hal-hal yang berkaitan dengan jenis/item barang tersebut untuk kemudian diproses untuk dismpan dalam data yang bernama Summary Data tersebut. Atau Lebih Disebut Data Operasioal dikumpulkan (diringkas) kemudian dimapping kedalam format untuk pengambilan keputusan

5. Raw Data

RAW Data adalah Data ‘murni’ hasil tangkapan dari sensor digital yang sama sekali belum

disentuh oleh kompresi atau pun interpolasi apapun! Jadi datanya pun ‘fresh from the oven‘,

belum ada data yang hilang karena kompresi, belum ada keputusan processing apapun yang

diambil. Apa yang dilihat/ditangkap oleh sensor digital, itulah yang ada di data RAWnya.

Sumber ::
1. http://docs.oracle.com/cd/B10501_01/server.920/a96520/concept.htm

2. http://informatika.web.id/arsitektur-data-warehouse.htm

Pembangunan Data Warehouse pada Perusahaan General Electric (Tugas1 Data Warehouse)

Seperti halnya pemain besar lainnya di bisnis ini, GE sebenarnya juga bukan anak kemarin sore. Investasi real estat pertamanya dilakukan pada era 1950-an. Di awal 1970-an manajemen GE memutuskan membuat unit bisnis real estat terpisah yang beroperasi lazimnya perusahaan pembiayaan real estat institusional lainnya. Di era 1980-an hingga awal 1990-an, unit bisnis ini beroperasi sebagai pemberi pinjaman properti perkantoran. Baru ketika terjadi market crash pada 1992, unit ini mengakhiri penambahan portofolio perkantorannya. Tahun-tahun berikutnya, GE Real Estate mengembangkan portofolio ekuitas dengan membeli aset dari the Resolution Trust Corporation. Di masa ini pula, GE Real Estate menambahkan properti permukiman (multi-family housing) serta fasilitas industrial dan ritel, selain fokus tradisionalnya di sektor perkantoran.

Pentingnya posisi GE Real Estate sebagai salah satu pemain utama di industrinya juga lantaran berbagai inisiatifnya dalam pemanfaatan teknologi informasi (TI), sehingga membuat industri real estat lebih berwarna modern. Saat ini, departemen TI GE Real Estate telah mengotomasi proses front-end untuk pembiayaan real estat komersial, sehingga setiap karyawan perusahaan ini dapat membereskan transaksi (closing the deal) dengan nasabah/pelanggan lebih cepat. Dan lebih penting lagi, GE Real Estate telah membangun sistem data warehousing. Sebagaimana diketahui, dengan sistem data warehousing, suatu perusahaan dapat membuat keputusan bisnis lebih baik dengan memanfaatkan data yang tersedia, lantaran bisa memprediksi permintaan pelanggan berdasarkan analisis tren. Tak mengherankan, Michael E. Pralle, President & CEO GE Real Estate, dalam sambutan di website perusahaan, dengan percaya diri berujar bahwa komitmen perusahaannya terhadap pelanggan berakar pada pengabdian terhadap kualitas dan didukung teknologi yang disebutnya “best-in-classh”. “Dua kombinasi ini menjamin Anda bisa mencapai bahkan melebihi tujuan pertumbuhan dan profit Anda (sebagai pelanggan),” katanya.

Kenyataannya, kinerja bisnis GE Real Estate memang kinclong. Meski ekonomi AS di awal 2000 terbatuk-batuk, pasar real estat tetap semarak, ditandai dengan melejitnya harga mal perbelanjaan, gedung perkantoran dan kompleks industri. Dengan suku bunga yang rendah, kompetisi di antara pemain jadi ketat. Toh, pada 2000 dan 2001, seperti terungkap dalam laporan tahunan induknya, GE, pendapatan usaha unit real estat tumbuh 24% dan 25%. “Bisnis kami memang bisa berjalan baik-baik saja tanpa menggunakan banyak teknologi, tetapi lewat otomasi, banyak peluang bisnis yang bisa ditingkatkan,” kata Hank Zupnick, CIO GE Real Estate, seperti dikutip Computerworld.com.

Sistem bersifat customized yang dikembangkan menggunakan bahasa Java ini di kalangan GE Real Estate disebut RE Source. Sistem ini secara elektronik bisa menangkap sebagian besar informasi yang masuk dalam proses transaksi real estat dan tersedia secara online bagi orang-orang kunci yang terlibat. “Berkat teknologi ini, kami dapat meng-underwrite 25% lebih banyak transaksi, dan mengurangi US$ 8-9 juta pengeluaran setiap tahun selama dua tahun dengan jumlah staf yang sama,” kata Zupnick sebagaimana dicatat Computerworld.com.

Meski tak jelas berapa nilai investasi yang dikeluarkan GE Real Estate untuk mengembangkan DMS, yang pasti banyak hal yang harus disiapkan perusahaan ini. Termasuk, menambahkandatabase Oracle, server Unix v880 dari Sun Microsystem (untuk kebutuhan dari testing hingga backup), menyewa beberapa tenaga programer bahasa Java, dan mengikutkan para staf TI seniornya pelatihan bahasa Java.

Yang menarik ketika perusahaan ini memutuskan mengembangkan sistem data warehousing yang didukung dengan sistem pelaporan berbasis Web. Seperti diungkapkan Zupnick dalam jawabannya atas pertanyaan via e-mail dari SWA, diskusi untuk mengembangkan sistem ini dimulai pada 2002. “Kami membentuk kelompok kerja (working council), yang terdiri dari bagian keuangan, bagian risk & property management, dan bagian TI,” katanya. Tim ini berusaha menemukan apa informasi yang terpenting buat bisnis dan bagaimana informasi itu bisa tersedia. “Tim ini masih bertemu setiap 6 minggu untuk mengkaji proposal baru dan merancang prioritas,” ungkapnya.

Dalam pandangan Zupnick, ada beberapa alasan mengapa sistem data warehousing menjadi penting buat perusahaannya. Pertama, masuknya bank-bank dan perusahaan jasa keuangan lainnya ke bisnis pembiayaan real estat komersial menambah ketat persaingan di bisnis ini. Di sisi lain, pelanggan juga membutuhkan informasi quote (harga) maupun persetujuan sesegera mungkin. Jelas, hal yang mahal dan tak mudah bila informasi pendukung ini dikumpulkan dari berbagai sumber secara manual dan paper-based. Padahal, kesalahpahaman dalam menilai kinerja portofolio kredit bisa merugikan perusahaan. Kalau perusahaan mematok suku bunga lebih rendah dari seharusnya, risiko bisnis jadi lebih tinggi. Adapun kalau perusahaan mematok suku bunga lebih tinggi dari seharusnya, konsumen mungkin akan lari ke perusahaan pembiayaan lainnya.

Alasan yang lain, dengan menggenggam lebih dari 8 ribu gedung di seluruh dunia dalam portofolionya, perusahaan ini membutuhkan cara yang lebih cepat, efisien dan akurat untuk melihat kinerja properti yang didanainya. Perusahaan ini juga perlu tahu lebih mendalam kesehatan keuangan penyewa propertinya.

Yang menarik, meski otoritas keuangan GE Real Estate menyatakan berani keluar uang banyak untuk investasi sistem data warehousing ini, kelompok kerja (pokja) di bawah koordinasi Zupnick ini memilih langkah bijak. langkah cerdiknya adalah dengan mempersempit targetnya menjadi membangun data mart (istilah untuk aplikasi data yang lebih simpel dan relatif kecil) yang punya target lebih sempit, sebagai langkah permulaan. “Daripada kami menerima segepok uang, lebih baik kami membangun dan me-roll out beberapa data mart tunggal yang berbiaya murah,” ujar Zupnick. Toh, ada alasan lain di baliknya. Kalau data mart ini bisa memberikan fungsionalitas yang bagus, ini cukup memberikan gambaran nilai bisnis yang bisa dipetik dengan sistem yang lebih besar. Buntutnya, tentu saja akses pendanaan yang lebih besar, walau juga belum ada jaminan.

Beberapa data mart kecil ini pun bisa diluncurkan hanya dalam hitungan bulan. Nyatanya, aplikasi data mart tersebut berjalan bagus, gampang digunakan, berciri real time, dan mampu memberikan data berkualitas tinggi, baik bagi para pentolan departemen bisnis maupun para spesialis. Tak mengherankan, setelah itu, investasi yang jauh lebih besar – bahkan melebihi yang diharapkan -- diguyurkan untuk mengembangkan sistem data warehousing yang lebih besar. Ternyata ini juga berhasil. Contohnya, bagian hospitality lending group bisa mengidentifikasi berbagai tipe kredit hotel yang berbeda-beda dengan catatan masing-masing, sehingga bisa menargetkan ceruk pasar baru.

Toh, diakui Zupnick, apa yang bisa berjalan dengan baik pada beberapa data mart kecil belum tentu bisa berjalan baik pula pada sistem yang lebih besar. Maka, migrasi infrastruktur yang tergolong besar dilakukan guna mendukung kebutuhan masa depan. Dalam hal ini, lingkungan server yang semula berbasis Microsoft diganti menjadi Unix, lengkap dengan dukungan databaseOracle. Untuk aplikasi ekstraksi, transformasi dan pemuatan data di tingkat back-end menggunakan Informatica,sedangkan untuk peranti pelaporan menggunakan Cognos. Adapun user interface-nya, dikatakan Zupnick, dikembangkan sendiri di kantornya di Dallas.

Zupnick mengklaim, total biaya yang digelontorkan GE Real Estate untuk membangun sistem data warehousing ini cukup besar, US$ 5,9 juta, tapi manfaatnya amat terasa. Ia menyebutkan, berkat data warehouse ini, perusahaan bisa menghemat lebih dari US$ 2,5 juta/tahun dalam hal biaya tenaga kerja langsung karena bisa menyediakan akses data yang mudah, padahal sebelumnya butuh riset ekstensif yang mahal.

Kepada SWA, Zupnick membeberkan manfaat signifikan dari keberadaan sistem data warehousing di perusahaannya. Pertama, sistem ini mengeliminasi waktu yang dulu dibutuhkan para staf untuk melakukan analisis pasar. Menurutnya, karena mereka menganalisis lebih dari 55 pasar besar di seluruh dunia, yang mencakup empat jenis properti utama (perkantoran, multi-family housing, ritel dan industri), jelas ini merupakan peningkatan produktivitas secara signifikan. “Sekarang semua informasi ini sudah disediakan sistem,” katanya. Kedua, sistem tersebut juga bisa dipakai untuk mengarah ke tren (seperti lonjakan harga atau perubahan tingkat okupansi) jauh lebih cepat, sekaligus untuk mengambil aksi yang paling pas. Ketiga, mengidentifikasi peluang baru, misalnya memasuki pasar-pasar baru yang berkembang.

Sebenarnya, ada lagi manfaat yang tak kalah penting, yakni meminimalkan risiko bisnis properti. Contohnya, seperti diceritakan Zupnick pada CIO.com, seorang VP Senior yang bertanggung jawab di bidang manajemen risiko global yang sedang dalam perjalanan menuju rapat di kantor pusat GE Real Estate mendengar berita sebuah perusahaan blue chip tengah dirundung masalah berat. Lewat laptop-nya, ia pun mengakses sistem data warehousing guna mengetahui apakah ada exposure bisnis perusahaannya yang terkena pengaruh, yang mungkin bakal ditanyakan peserta rapat lainnya. Tak sampai satu jam, ia sudah bisa memperoleh jawabannya, dan sekaligus menyiapkan aksi yang bakal diinstruksikannya ke kantor GE Real Estate di Dallas (AS) dan Manchester (Inggris).

Dengan keberhasilan kerja tim di bawah koordinasinya ini, omongan Zupnick kemudian memang jadi amat bermakna: untuk memperoleh kemenangan besar, kadang Anda harus memulainya dari hal kecil.

URL : http://202.59.162.82/swamajalah/ambang/details.php?cid=1&id=3512 

Sumber :: http://202.59.162.82/cetak.php?cid=1&id=3512&url=http%3A%2F%2F202.59.162.82%2Fswamajalah%2Fambang%2Fdetails.php%3Fcid%3D1%26id%3D3512

Pertanyaan dan Jawaban ::

1. Apa yang menyebabkan perusahaan GE memutuskan untuk membangun data warehouse?

Karena migrasi infrastruktur yang dilakukan perusahaan tergolong besar, selain itu pertimbangan lainnya adalah guna mendukung kebutuhan masa depan

2. Apa saja manfaat data warehouse bagi perusahaan tersebut?

• Mampu mengeliminasi waktu yang dulu dibutuhkan para staf untuk melakukan analisis pasar.
• Mampu dipakai untuk mengarah ke tren (seperti lonjakan harga atau perubahan tingkat okupansi) jauh lebih cepat, sekaligus untuk mengambil aksi yang paling pas.
• Mampu mengidentifikasi peluang baru, misalnya memasuki pasar-pasar baru yang berkembang.
• Perushaan bisa menyediakan akses data yang mudah, padahal sebelumnya butuh riset ekstensif yang mahal, sehingga perusahaan bisa menghemat lebih dari US$ 2,5 juta/tahun dalam hal biaya tenaga kerja langsung.

3. Apa kendala yang dialami perusahaan dalam membangun sebuah data warehouse?

Dibutuhkan biaya mahal (diperkirakan butuh beberapa juta dolar) dan makan waktu lama, selain itu juga punya ketidakpastian tinggi dalam prosesnya.

Perencanaan dan Kebutuhan Dalam Membangun Data Warehouse (Pert3)

Langkah pertama dan terpenting, menentukan apakah perusahaan Anda benar-benar membutuhkan data warehouse. Mungkin beberapa pertanyaan dibawah ini mampu mnjadi pertimbangan :

• Apakah benar-benar siap untuk menggunakannya?
• Anda perlu mengembangkan kriteria untuk menilai nilai yang diharapkan dari data warehouse Anda.
• Perusahaan Anda harus memutuskan pada jenis data warehouse yang akan dibangun dan di mana untuk di tempatkan. 

Perencanaan untuk data warehouse dimulai dengan mempertimbangkan secara seksama isu-isu kunci. Jawaban untuk pertanyaan-pertanyaan kunci merupakan yang penting untuk menghasilkan perencanaan yang tepat dan keberhasil menyelesaikan proyek. Oleh karena itu, marilah kita mempertimbangkan isu-isu yang terkait dengan perencanaan dalam membangun data warehouse, diantaranya :

Value and Expectations

Akankah data warehouse Anda membantu para eksekutif dan manajer untuk melakukan perencanaan yang lebih baik dan membuat keputusan yang lebih baik?

• Apakah akan meningkatkan pangsa pasar?
• Jika demikian, seberapa banyak?
• Apa yang manajemen ingin capai melalui data warehouse?

Sebagai bagian dari proses perencanaan secara keseluruhan, membuat daftar manfaat yang realistis dan harapan merupakan salah satu hal terpenting dalam membangun data warehouse.

Risk assessment

Selain itu kita harus dapat memperkirakan resikonya. Jika proyek gagal, berapa banyak uang yang akan sia-sia? Tapi penilaian risiko lebih dari menghitung kerugian dari biaya proyek. Penilaian risiko yang luas dan relevan dengan bisnis masing-masing. Gunakan kondisi budaya dan bisnis perusahaan Anda untuk menilai risiko. Sertakan penilaian ini sebagai bagian dari dokumen perencanaan Anda.

Top-down or Bottom-up

Top-down, dimana data warehouse dirancang menggunakan data model enterprise yang telah dinormalisasi. 

Kelebihannya :

. menghasilkan dimensional view yang konsisten dari semua data yang berasal dari data cabang karena semua data cabang diload dari repository terpusat.

. sanggup menghadapi perubahan pada bisnis, membuat data dimensional cabang yang baru menjadi tugas yang mudah.

Kelemahannya

. merepresentasikan projek yang sangat besar dengan cakupan yang luas, sehingga membutuhkan biaya yang besar untuk mengimplementasikannya.

. durasi waktu dari dimulainya projek sampai pengguna dapat merasakan manfaat warehouse memakan waktu yang cukup lama.

. dapat menjadi tidak fleksible terhadap perubahan kebutuhan di tahap implementasi

        Drop down, data pada cabang/pasar dibuat lebih dulu untuk menyediakan kapabilitas laporan dan analisis untuk proses bisnis tertentu. Data cabang ini dapat dikombinasikan untuk membuat sebuah data warehouse.

(+) nilai bisnis dapat dikembalikan secepat data cabang pertama dibuat. (kecepatan)

(-) sulit untuk memastikan kekonsistenan dimensi dari kesemua data cabang.

Build or Buy

Berbagai macam dan kaya alat pihak ketiga dan solusi yang tersedia. Pertanyaan sebenarnya adalah berapa banyak data mart Anda jika Anda membangun sendiri? Berapa banyak dari ini dapat terdiri dari solusi siap pakai? Apa jenis campuran dan cocok harus dilakukan?

Intinya adalah untuk melakukan pekerjaan rumah Anda dan menemukan keseimbangan yang tepat antara di rumah dan vendor perangkat lunak. Lakukan ini pada tahap perencanaan itu sendiri.

Requerment database

System yang bekerja pada level operasional, walaupun System tersebut adalah suatu hal yang penting, tapi system tersebut tidak dapat menyediakan informasi yang bersifat strategis, karena itu para pelaku bisnis harus menemukan cara baru dalam mendapatkan informasi strategis.

Misalnya Para pelaku bisnis butuh untuk tahu dimana lokasi terbaik membangun gudang penyimpanan, jenis produk mana yang harus dikembangkan, dan pasar produk mana yang harus mereka perkuat.

                Data dalam skala yang besar sangat berguna untuk menjalankan operasional bisnis, tapi sering kali sulit untuk bisa dijadikan dasar dalam pengambilan kebijakan strategis dan tujuan bisnis. Karena data dari sebuah perusahaan sering kali tersebar dalam banyak bentuk yang saling tidak kompatibel antara satu System dengan System lainnya.

Syarat-syarat yang diinginkan oleh informasi strategis yang akan digunakan dalam bisnis,
diantaranya:

• Integrated : harus terintergrasi denga pandangan-pandangan sistem lain yang ada dalam perusahaan.
• Data integrity : informasi yang dihasilkan haruslah akurat dan sesuai dengan aturan bisnis yang ada.
• Accesible : kemudahan dalam mengaksesnya dan dapat mendukung dalam analisa bisnis.
• Credible : informasi yang dihasilkan pun juga harus bisa dipercaya dan bersumber pada satu pandangan bisnis yang tejaga.
• Timely : informasi yang tersedia memiliki jangka waktu tertentu dan siap pada waktu yang dibutuhkan.