3 tahun lebih saya berada di dunia IT khususnya analytic membuat saya mengetahui ragam produk dan implementasi BI. Secara umum biaya terbagi 2 sesuai judulnya :
- Lisensi
- Implementasi
Lisensi / License
Licensing Scheme / skema license tiap produk sangat berbeda. Ada yang per CPU Core, ada yang per NAMED User, ada juga tambahan biaya lainnya untuk developer-nya. Selain itu juga beberapa produk menerapkan license per module / feature, misalnya ketika akses untuk mobile dibutuhkan biaya tambahan. Berikut saya lampirkan 2 contoh yang harga list-pricenya bisa diakses umum :
Diatas adalah contoh pricing yang saya ambil dari MicroStrategy Analytics. Penerapan licensenya ada 2 : CPU Core dan NAMED User, serta dibedakan lagi berdasarkan jenis penggunanya: web dan mobile. Harga diatas adalah listprice sehingga pastinya harga setelah diskon akan menjadi berbeda.
Contoh kedua saya ambil dari SAS, mereka menerapkan harga berdasarkan produk dan jumlah penggunanya. Negara dan kategori sektor perusahaan yang membeli juga mempengaruhi harganya.
Sekali lagi saya ingatkan bahwa skema harga dari setiap produk adalah berbeda. Masih banyak BI / Analytic lain diluar sana, seperti Google, Tableau, Qlik, Microsoft, IBM, Oracle, Tibco, Pentaho, Birst, dsb.
Implementasi / Implementation / Services
Komponen kedua yang berpengaruh selain lisensi adalah jasa. Jasa disini bisa jasa setup, jasa training, atau jasa pembangungan aplikasi analytics itu sendiri. Untuk yang ini dikembalikan ke vendor / konsultan masing-masing. Penawaran dan model bisnis setiap perusahaan pastilah berbeda.
Ketika saya jualan dulu, penerapannya dibagi menjadi 2 secara umum, yakni data modeling dan dashboard development. Bicara tentang dashboard adalah tentang seni dan logika. Karena seni dan logika itu tidak terbatas pastinya dashboard yang bisa dibuat dan desainnya pasti akan beraneka-ragam tergantung user-nya. Alhasil pastinya semakin banyak jumlah dashboard yang dibuat dan semakin kompleks dashboardnya, akan membuat semakin mahal jasa-nya. Jumlah data model atau penjelasannya adalah data yang analisa mempengaruhi SOW / ruang lingkup pekerjaan. Semakin banyak data yang ingin dianalisa, semakin banyak waktu dan tenaga yang dibutuhkan. Data modeling ini berhubungan dengan Data Warehouse / DW.
Ketika perusahaan telah memiliki DW, maka biaya untuk data modeling ini bisa diminimalisir sehingga hanya biaya jasa untuk analisa. Sedangkan ketika tidak memiliki DW, biaya DW akan dibebankan pada customer sehingga akan menambah ruang lingkup dan jasa pekerjaan. Ketika kita berbicara DW, maka kita mungkin akan bertemu dengan istilah atau kosakata seperti "Big Data" dan Hadoop". Semuanya bisa menjadi luas. Variabel biaya di dalam DW juga akan dipengaruhi komponen lainnya seperti ETL. Detail untuk masing-masing DW dan ETL sudah ada diartikel lain ya, dan kalau mau tahu bedanya DW dan ETL bisa klik disini.
Kembali ke biaya jasa, rate setiap perusahaan akan berbeda juga. Ketika memilih perusahaan asing sudah dipastikan bahwa tarif mereka akan ribuan dollar beda dengan perusahaan lokal atau malah kelas software house. Pengalaman yang diberikan juga pasti berbeda. Untuk tips memilih perusahaan, silahkan lihat disini ya.
...
Masih banyak yang bisa saya ceritakan kepada anda semua namum pastinya karena keterbatasan ruang dan waktu mungkin bisa disambung lain kali ya. Sekarang terserah kepada anda untuk memilih yang terbaik sesuai dengan anggaran / budget yang anda miliki. Setiap produk pastinya memiliki kelebihan dan kekurangan, begitupun dengan jasa perusahaan yang anda pilih. Pilihlah dengan bijak dan tentunya yang paling penting adalah sesuai dengan kebutuhan. :)
The 11 trends give a useful picture of how analytics was moving from specialist-driven reporting toward broader, more accessible decision-making. The points about self-service analytics, predictive modeling, operationalizing analytics, and storytelling are particularly connected because they show that generating an analysis is only one part of the process; organizations also need to make the results usable in everyday business decisions.
ReplyDeleteThe discussion of newer forms of analysis, including text, social media, geospatial, and clickstream analytics, shows how expanding data sources were changing the scope of business intelligence. These applications make the subject relevant to Data Analytics Training, especially where analysts need to prepare, examine, and interpret different types of business data.
The article's emphasis on visualizations and data storytelling is another important point because dashboards can turn analytical results into information that executives and operational teams can actually consume. This connects naturally with Data Visualization Training, where presenting analytical findings clearly is an important part of the workflow.
ReplyDeleteThe section on big data also highlights the shift toward larger and more diverse datasets, along with technologies such as Hadoop, NoSQL databases, and in-memory analytics. That broader processing environment is closely related to Big Data Projects, particularly for applications that need to process and analyze high-volume data.
ReplyDeleteThe mention of predictive models and the growing role of business analysts also provides a useful bridge to practical data-driven applications. Modern projects increasingly combine exploratory analysis with predictive techniques, making Data Science Projects For Final Year a relevant area for applying several of the analytical ideas discussed in the article.
ReplyDelete