Apa itu business intelligence generatif?

Intelijen bisnis generatif, juga disebut " generatif BI " atau " gen BI, " adalah praktik penerapan AI generatif untuk proses intelijen bisnis. Alat bantu BI Generatif dapat mengotomatiskan dan merampingkan tugas analisis data utama, seperti mengidentifikasi pola dan membuat visualisasi.

Intelijen bisnis atau BI, mengacu pada serangkaian proses untuk menganalisis data bisnis untuk menginformasikan keputusan bisnis. Alat dan alur kerja BI tradisional bersifat manual, memerlukan banyak waktu dan keahlian teknis untuk mengubah data mentah menjadi insight yang dapat ditindaklanjuti. Pemangku kepentingan yang tidak memiliki latar belakang ilmu data seringkali tidak dapat memanfaatkan sepenuhnya teknik BI.

BI generatif memungkinkan lebih banyak orang untuk berpartisipasi dalam analisis bisnis. Biasanya didukung oleh model bahasa besar (LLM), alat BI generatif bekerja seperti alat AI generatif umum lainnya, seperti ChatGPT atau Microsoft Copilot. Pengguna memasukkan instruksi bahasa alami dan alat merespons sesuai dengan itu. 

Berbeda dengan BI tradisional, pengguna tidak perlu mempelajari bahasa pemrograman khusus, menghitung secara manual, atau membuat bagan dari nol. Mereka dapat meminta alat BI generatif, dalam bahasa sederhana, untuk melakukan analitik lanjutan dan membuat laporan untuk mereka.  

Dengan demikian, BI generatif memungkinkan semua pengguna di organisasi mengakses analitik layanan-mandiri, tanpa bergantung pada tingkat keahlian mereka. Analisis layanan mandiri, pada gilirannya, membantu organisasi membuat lebih banyak keputusan berbasis data.

BI generatif adalah kategori Teknologi yang relatif baru. Menurut sebuah survei, hanya 3% organisasi yang menyatakan telah sepenuhnya menerapkan BI generatif dalam operasional mereka. Namun, lebih dari separuh organisasi melaporkan sedang berada pada berbagai tahap eksplorasi BI generatif.¹ Tingkat adopsi diperkirakan akan meningkat seiring dengan penyempurnaan teknologi dan meningkatnya ketersediaan perangkat BI generatif. 

BI generatif dan AI generatif bukanlah jenis teknologi atau model AI yang berbeda. Sebaliknya, orang dapat menganggap BI generatif sebagai contoh penggunaan untuk AI generatif. BI generatif adalah praktik pemanfaatan solusi AI generatif untuk mengumpulkan, mengelola, dan menganalisis data organisasi guna mendukung pengambilan keputusan bisnis.

AI generatif (Gen AI) adalah jenis kecerdasan buatan (AI) dan machine learning (ML) yang dapat menghasilkan konten asli—seperti teks, gambar, atau kode—berdasarkan prompt dari pengguna. BI generatif adalah jenis analitik AI karena menerapkan algoritma AI untuk memproses dan menganalisis data bisnis.

Alat BI generatif bekerja dengan cara yang sama dengan alat lainnya didukung AI generatif. Pengguna memasukkan prompt bahasa alami dan alat menghasilkan konten sebagai tanggapan.  

Misalnya, pengguna dapat memasukkan permintaan seperti, "Tampilkan diagram lingkaran yang menunjukkan lima produk terlaris tahun lalu, dengan pembagian berdasarkan persentase penjualan masing-masing." Alat BI generatif akan menganalisis kumpulan data yang relevan dan menampilkan hasilnya dalam bentuk diagram lingkaran yang menunjukkan produk terlaris berdasarkan persentase penjualan.

Sebagian besar alat BI generatif datang dalam salah satu dari 3 bentuk:  

1. Model AI gen tujuan umum, seperti Llama Meta, diterapkan pada tugas BI.   

2. Platform BI dengan model AI bawaan. Sebagai contoh, Amazon QuickSight Q menyematkan chatbot bertenaga LLM, Amazon Q, ke dalam QuickSight, alat intelijen bisnis dari Amazon Web Services (AWS).   

3. Model AI yang secara khusus disesuaikan untuk intelijen bisnis. Sebagai contoh, IBM Project Ripasso adalah platform berbasis LLM yang dilatih dengan konten relevan bagi perusahaan dan dilengkapi dengan kemampuan tata kelola data bawaan.

Meskipun model AI serba guna dapat menjalankan berbagai fungsi Business Intelligence (BI), banyak organisasi lebih memilih alat dan model BI yang lebih spesifik. Pendekatan ini biasanya memberikan kontrol lebih besar atas penggunaan data mereka.

Fitur dapat bervariasi tergantung alat, tetapi kemampuan BI generatif umum meliputi:

• Pemrosesan bahasa alami (NLP): Alat BI generatif menggunakan pemrosesan bahasa alami dan antarmuka obrolan sehingga pengguna dapat mengirimkan prompt, kumpulan data kueri, dan menjalankan perhitungan tanpa menggunakan bahasa kueri terstruktur (SQL) atau sintaks khusus lainnya. 

• Dasbor, laporan, dan visualisasi khusus: Sebagian besar solusi BI generatif dilengkapi dengan alat bantu penulisan yang memungkinkan pengguna membuat dasbor, visualisasi data, laporan, dan cerita data hanya dengan mendeskripsikan kebutuhannya, tanpa harus menyusun semuanya secara manual. 

• Integrasi: Alat Gen BI dapat berintegrasi dengan berbagai sumber data, termasuk database, gudang data, data lake, dan data lakehouses.

• Rekomendasi: Banyak alat bantu BI generatif yang dapat memperkaya analisis dengan merekomendasikan set data terkait, menyarankan kueri terkait, menawarkan masukan tentang pengoptimalan laporan, dan memberikan panduan lainnya. 

• Glosarium bisnis: Beberapa alat BI generatif mendukung atau terintegrasi dengan glosarium bisnis. Glosarium membantu organisasi mendefinisikan istilah, konsep, dan proses penting, sehingga dapat memberikan referensi yang sesuai dengan konteks bisnis yang spesifik.

AI generatif dapat diterapkan di setiap tahap proses intelijen bisnis, tetapi paling sering digunakan untuk mendukung pengumpulan, analisis, visualisasi data, serta perencanaan tindakan.

Alat Gen BI dapat membantu pengguna menemukan, membersihkan, mengubah, dan mengumpulkan data untuk dianalisis.  

Misalnya, pengguna mungkin meminta alat BI gen untuk menyusun laporan tentang pengeluaran berdasarkan unit bisnis. Alat ini mencari data yang relevan dari berbagai sumber terintegrasi—termasuk catatan keuangan perusahaan dan unit bisnis spesifik—data tersebut kemudian diformat secara seragam dan disusun menjadi laporan yang jelas dan terstruktur.  

Alat BI generatif dapat memproses sejumlah besar data kompleks untuk mengidentifikasi pola, menjawab pertanyaan, dan mendeteksi tren. Dengan demikian, pengguna dapat memperoleh insight dari data tanpa perlu melakukan perhitungan manual.

Misalnya, saat membuat laporan pengeluaran, pengguna dapat meminta BI generatif untuk mengidentifikasi unit bisnis yang secara konsisten melebihi anggaran dalam delapan kuartal terakhir. Pengguna juga dapat meminta BI generatif untuk membantu mengidentifikasi alasan di balik pengeluaran berlebihan unit-unit tersebut.  

Gen BI dapat mengubah hasil analisis menjadi grafik dan ringkasan yang mudah dipahami serta dibagikan, dengan menyoroti metrik utama, titik data, dan insight penting lainnya.

Misalnya, pengguna dapat membuat diagram batang yang membandingkan pengeluaran unit bisnis per kuartal dengan anggaran yang dialokasikan, sehingga menyoroti perbedaan antara rencana dan realisasi pengeluaran.  

Alat BI generatif dapat merekomendasikan langkah-langkah untuk diambil organisasi berdasarkan analisis data. Misalnya, alat ini dapat merekomendasikan pemisahan pengeluaran unit bisnis berdasarkan proyek untuk mengidentifikasi proyek yang tidak memberikan pengembalian cukup besar guna membenarkan investasi lebih lanjut.

Alat BI generatif memungkinkan analisis data lanjutan dan akses layanan-mandiri tanpa memerlukan keahlian teknis. Pengguna tidak perlu menguasai bahasa pemrograman, rumus matematika, atau alat khusus untuk mengolah data. Sebagai gantinya, mereka dapat mengajukan pertanyaan, melakukan perhitungan, dan menghasilkan laporan menggunakan bahasa alami.

Secara tradisional, pengguna bisnis bergantung pada ilmuwan data dan analis bisnis untuk menangani sebagian besar tugas kompleks dalam Business Intelligence (BI). Gen BI menghilangkan sebagian besar kerumitan dari intelijen bisnis, memungkinkan pengguna di seluruh bisnis untuk membawa data dunia nyata dan real-time ke dalam pengambilan keputusan mereka. Sebagai contoh:

• Pengguna di bidang sumber daya manusia (SDM) dapat menggunakan alat BI generatif untuk menganalisis tren bakat dan memberikan rekomendasi perencanaan tenaga kerja. 

• Tim keuangan dapat meminta alat BI generatif untuk membuat forecasting yang lebih terperinci dengan menganalisis pendapatan di tingkat pelanggan, produk, dan saluran.

• Tim rantai pasokan dan pengadaan dapat mengoptimalkan inventaris dengan memanfaatkan BI generatif untuk menganalisis tren masa lalu dan memprediksi pola pembelian di masa depan.

• Tim pemasaran dapat memanfaatkan alat BI generatif untuk menganalisis masukan pelanggan secara semantik dan memperoleh insight berharga guna meningkatkan pengalaman pelanggan.

• Tim penjualan dapat menggunakan alat bantu BI generatif untuk menganalisis efek dari berbagai titik harga pada pengeluaran pelanggan. Mereka dapat menggunakan hasilnya untuk mengoptimalkan Harga.

Selain itu, analitik mandiri memungkinkan ilmuwan data dan analis bisnis fokus pada proyek yang lebih strategis. Daripada menjawab pertanyaan sederhana yang kini bisa diatasi oleh pengguna sendiri, pakar data dapat fokus pada pengembangan alat data baru atau pelatihan model AI khusus.

Alat BI generatif dapat memberikan banyak manfaat, termasuk:

• Meningkatkan penggunaan alat dan praktik intelijen bisnis
• Meningkatkan hasil intelijen bisnis
• Menangani kurangnya keterampilan ilmu data
• Menganalisis volume yang lebih besar dari data yang lebih kompleks
• Mengurangi biaya upaya BI

Menurut sebuah survei, hanya 25% pengguna yang melaporkan menggunakan alat Business Intelligence (BI).² Rendahnya tingkat adopsi ini sebagian disebabkan oleh kompleksitas teknis dalam proses BI tradisional.

Namun, alat BI generatif memungkinkan pengguna mengakses dan menganalisis data mereka secara langsung tanpa bergantung pada ilmuwan data atau analis. Akibatnya, lebih banyak orang dapat memanfaatkan intelijen bisnis untuk mendukung pengambilan keputusan berbasis data di seluruh organisasi.

Selain mendorong lebih banyak penggunaan business intelligence, BI generatif juga dapat meningkatkan hasil dari upaya analisis bisnis.

Karena dapat mengolah lebih banyak data lebih cepat daripada pengguna manusia atau alat BI tradisional, alat BI yang didorong oleh AI sering dapat melihat tren yang mungkin dilewatkan orang.

Banyak alat BI generatif menyediakan pertanyaan yang disarankan, data, dan insight untuk membantu pengguna meningkatkan kualitas analisis mereka. Alat BI generatif dapat mengubah hasil analisis data menjadi visualisasi dan laporan yang mudah dibagikan dan dipahami. 

BI tradisional membutuhkan sejumlah keahlian data yang tidak dimiliki semua orang. Mungkin sulit untuk menemukan ilmuwan data dan analis bisnis yang cukup terampil untuk sepenuhnya mengelola semua proyek BI.

Dengan menyediakan kemampuan analitik swalayan, alat BI generatif dapat membantu organisasi mengurangi dampak kekurangan keterampilan ilmu data pada inisiatif BI mereka.

Alat BI generatif mampu memproses data dalam jumlah besar dengan kecepatan yang jauh melebihi kemampuan ilmuwan data atau pengguna bisnis secara manual.

Mereka juga dapat memproses data yang tidak terstruktur, seperti dokumen dan gambar, yang membentuk porsi data bisnis yang meningkat. Algoritme AI berbasis aturan tradisional sulit menangani data yang tidak terstruktur atau tidak sesuai format tertentu, sementara AI generatif lebih fleksibel dan tidak memiliki batasan tersebut.

BI generatif dapat membantu organisasi menghemat waktu dan uang dengan mengotomatiskan banyak bagian intelijen bisnis yang paling banyak menghabiskan waktu dan sumber daya, seperti menjalankan perhitungan dan membuat laporan. Ini berarti organisasi dapat menghabiskan lebih sedikit uang dan tenaga kerja untuk analisis bisnis tanpa mengorbankan insight yang dapat ditindaklanjuti.

Meskipun BI generatif menawarkan banyak manfaat, penerapannya juga menghadapi berbagai tantangan. Beberapa hambatan yang paling umum meliputi:

• Transparansi dan penjelasan
• Keamanan dan privasi data
• Halusinasi
• Arsitektur data yang tidak efektif

Beberapa model AI generatif berperilaku seperti kotak hitam, memberikan sedikit insight tentang proses di balik hasil mereka. Ini bisa menjadi kendala dalam intelijen bisnis, karena pengguna perlu memahami proses analisis data agar dapat mempercayai kesimpulan dari alat BI generatif.

Selain itu, beberapa regulasi, seperti Undang-Undang AI Uni Eropa, mewajibkan organisasi untuk transparan mengenai cara alat AI mereka memproses data pribadi.

Menggunakan alat BI generatif yang dapat menjelaskan alasan di balik analisisnya, termasuk data yang digunakan dan proses pengambilan kesimpulan, membantu organisasi menjaga transparansi dan kejelasan. 

Organisasi memiliki alasan hukum dan bisnis untuk memprioritaskan keamanan data dan privasi data . Undang-undang tertentu, seperti Peraturan Perlindungan Data Umum (GDPR) UE , membatasi bagaimana bisnis dapat menggunakan berbagai jenis data. Selain itu, setiap insidenpelanggaran data menyebabkan kerugian rata-rata sebesar USD 4,88 juta bagi organisasi, menurut Laporan Biaya Pelanggaran Data IBM.

Beberapa model AI generatif tidak memiliki langkah-langkah keamanan dan privasi data yang kuat. Hal yang menjadi perhatian utama adalah organisasi mungkin tidak dapat mengontrol bagaimana model-model ini memproses dan menggunakan data mereka setelah dikirimkan.

Alat bantu BI generatif dengan kemampuan keamanan data dan tata kelola data bawaan dapat membantu organisasi mempertahankan kontrol atas data mereka dan mencegah akses yang tidak sah.

Model AI generatif dapat mengalami halusinasi. Artinya, mereka dapat mengarang sesuatu dan menghasilkan hasil yang salah. Halusinasi berpotensi menggagalkan proyek intelijen bisnis, yang berdampak pada strategi bisnis dan langkah-langkah tindakan yang didasarkan pada informasi yang salah.

Organisasi dapat mengurangi halusinasi dengan melatih alat BI generatif hanya pada set data berkualitas tinggi dan relevan dengan bisnis. Mereka juga dapat Jelajahi teknik lain, seperti Generasi dengan dukungan pengambilan data (RAG), yang memungkinkan LLM untuk mendasarkan responsnya dalam sumber pengetahuan eksternal yang faktual.

Seperti model AI generatif lainnya, alat BI generatif memerlukan akses ke sejumlah besar data berkualitas. Arsitektur data perusahaan yang terfragmentasi, dengan data tersebar dan terisolasi di berbagai bagian organisasi, dapat menghambat akses alat BI generasi berikutnya ke data yang dibutuhkan.

Arsitektur data yang efektif, dengan sistem penyimpanan data yang sesuai yang terhubung dalam struktur data terintegrasi, dapat membantu memastikan bahwa alat gen BI memiliki data yang mereka butuhkan untuk menghasilkan hasil berkualitas.