iPad

Published on January 2017 | Categories: Documents | Downloads: 58 | Comments: 0 | Views: 579
of 13
Download PDF   Embed   Report

Comments

Content

Model Manajemen modul
untuk mengubah data menjadi informasi yang berguna, sistem ini memanfaatkan
dengan modul manajemen model, yang menawarkan satu tetap model, model
dinamis dimodifikasi atau koleksi model yang baik DSS atau pengguna memilih
salah satu yang paling sesuai. Model variabel tetap tidak berubah. Model dinamis
diubah adalah salah satu yang secara otomatis disesuaikan berdasarkan mengubah
hubungan antara variabel.
Urutan peristiwa atau pola perilaku mungkin menjadi model yang berguna ketika
hubungan antara input, output, dan kondisi dapat dibangun cukup baik bahwa
mereka dapat digunakan untuk menganalisis parameter yang berbeda. Model
digunakan untuk memprediksi output berdasarkan masukan yang berbeda atau
kondisi yang berbeda atau untuk memperkirakan apa kombinasi kondisi dan
masukan mungkin menyebabkan output yang diinginkan. Model sering didasarkan
pada penelitian matematika atau pengalaman. Model mungkin metode yang
digunakan untuk memprediksi kinerja, seperti analisis linear terbaik cocok, atau itu
mungkin dibangun oleh organisasi, menggunakan pengalaman karyawan yang
----Perusahaan telah terakumulasi dari waktu ke waktu. Banyak perusahaan tidak
akan membocorkan detail model mereka telah diprogram karena mereka
melihatnya sebagai penting rahasia dagang dan aset berharga yang dapat
memberikan mereka keunggulan kompetitif. Pola atau model mungkin unik untuk
industri tertentu atau bahkan untuk bisnis individu. Sebagai contoh:
• dalam berusaha melayani nasabah bank lebih baik, riset operasi ahli membuat
model yang memprediksi posisi yang paling efisien dan penjadwalan peramal.
• Dalam bisnis truk, model yang dikembangkan untuk meminimalkan jarak tempuh
total truk harus perjalanan dan memaksimalkan beban truk, sambil
mempertahankan memuaskan pengiriman kali. Model serupa yang dikembangkan
di industri penerbangan untuk memaksimalkan pendapatan.
• Model lain untuk pendapatan maksimalisasi di industri penerbangan akan secara
otomatis harga tiket tergantung pada parameter pengguna memasukkan: tanggal
penerbangan, hari Minggu penerbangan, titik keberangkatan dan tujuan, dan lama
tinggal jika tiket untuk penerbangan pulang-pergi.
• Perusahaan Penyewaan Mobil menggunakan model serupa untuk harga layanan
mereka dengan mobil kelas, periode sewa, dan pilihan drop-off di negara yang
berbeda.

Di antara model statistik yang umum, model regresi linear adalah terbaik cocok
linier hubungan antara dua variabel, seperti penjualan dan uang yang dihabiskan
pemasaran. Bisnis swasta mungkin mengembangkan model regresi linear untuk

memperkirakan penjualan masa depan berdasarkan pengalaman masa lalu.
Sebagai contoh, Departemen Pemasaran rantai toko sepatu mungkin berlaku regresi
linear hubungan antara jumlah dolar yang dihabiskan untuk iklan situs Web
pencarian dan perubahan volume penjualan. Hubungan linear ini dapat
diterjemahkan ke dalam program di DSS. Kemudian pengguna dapat memasukkan
jumlah ke dihabiskan iklan pencarian situs Web untuk tahun berikutnya ke DSS, dan
program akan memasuki angka itu model dan menemukan perubahan perkiraan
volume penjualan. Hubungan antara dua variabel dapat dipetakan, seperti
ditunjukkan pada gambar 10.4.

Perhatikan bahwa titik data yang sebenarnya jarang berbaring di garis regresi yang
dihasilkan dari data. Ini menggambarkan ketidakpastian yang terlibat dalam banyak
model. Sebagai contoh, dalam gambar 10.4, jika Manajer Pemasaran mencoba
untuk memperkirakan volume penjualan yang dihasilkan dari menghabiskan $1,4
juta per bulan pada Web iklan, mereka perkiraan untuk bulan kedua diplot pada
grafik akan lebih dari penjualan aktual. Meskipun perbedaan ini, garis regresi
mungkin memadai secara umum untuk pemodelan, dengan pengertian bahwa hasil
tidak selalu tepat. Juga mencatat bahwa model sering menggambarkan hubungan
antara lebih dari dua variabel dan bahwa beberapa model dapat dinyatakan sebagai
sebuah kurva, daripada garis lurus.
Biasanya, model tidak begitu sederhana. Dalam contoh ini iklan dan penjualan,
misalnya, banyak faktor lain mungkin memainkan peran: jumlah tenaga penjual,
lokasi toko, jenis sepatu ditawarkan untuk dijual, Cari kata kunci dengan iklan
terkait dan banyak parameter lainnya. Oleh karena itu, sebelum model diprogram

untuk menjadi bagian dari DSS, lingkungan di mana keputusan akan dieksekusi
harus dipertimbangkan dengan cermat.
Tidak semua model DSS berorientasi bisnis. Di beberapa daerah, terutama teknik,
DSS model mungkin mensimulasikan fisik daripada lingkungan bisnis. Sebagai
contoh, insinyur penerbangan menggunakan model komputer terowongan angin
untuk melihat bagaimana sebuah komputer model pesawat dengan desain sayap
baru mungkin berperilaku. Hal ini secara signifikan lebih murah untuk membangun
model perangkat lunak daripada untuk membangun model fisik. Simulasi
memberikan informasi berharga tentang getaran, drag, logam kelelahan, dan faktorfaktor lain dalam berbagai kecepatan dan kondisi cuaca. Output, dalam bentuk
animasi gambar dan tabel numerik, memungkinkan para insinyur untuk membuat
keputusan penting sebelum menghabiskan sejumlah besar uang untuk benar-benar
membangun pesawat — keputusan seperti sudut di mana pesawat sayap menyapu,
bentuk fuselage lintas bagian, penyebaran berat atas bagian yang berbeda dari
pesawat, dan sebagainya. Ketika menggunakan jenis model, insinyur dasar bagian
dari keputusan mereka pada pemeriksaan visual dari perilaku model simulasi.

Dialog modul
untuk pengguna untuk mengumpulkan informasi dari DSS, sistem harus
memberikan cara mudah untuk berinteraksi dengan program. Bagian dari DSS yang
memungkinkan pengguna untuk berinteraksi dengan itu disebut modul dialog. Ia
meminta pengguna untuk memilih model, memungkinkan pengguna untuk
mengakses database dan memilih data untuk proses keputusan atau untuk
menetapkan kriteria untuk memilih data tersebut. Hal ini memungkinkan pengguna
Masukkan parameter dan mengubah mereka untuk melihat bagaimana perubahan
mempengaruhi hasil analisis. Dialog mungkin dalam bentuk perintah, pull-down
menu, ikon, kotak dialog, atau pendekatan lain. Pada dasarnya, modul dialog ini
tidak jauh berbeda dari antarmuka pengguna jenis aplikasi. Sebagai peningkatan
jumlah DSSs tersedia untuk digunakan melalui Internet, beberapa modul dialog
yang dirancang khusus agar kompatibel dengan Web browser. Banyak DSSs
tersebut dapat diakses melalui intranet perusahaan.
Modul dialog ini juga bertanggung jawab untuk menampilkan hasil analisis. DSSs
menggunakan berbagai menampilkan teks, tabel, dan grafis yang pembuat
keputusan dapat memilih. Ambil iklan usaha skenario sebelumnya, misalnya, di
mana Manajer Pemasaran perusahaan mencoba untuk memutuskan bagaimana
untuk menghabiskan dolar promosi. Komponen dialog dari DSS menyajikan menu
memungkinkan pemasaran eksekutif untuk memilih iklan dari berbagai promosi
pilihan pencarian dan memilih jumlah yang akan dihabiskan di saluran itu (Lihat
gambar 10,5). Sekarang modul dialog panggilan atas bagian dari database yang
memegang data saat ini pada pengeluaran iklan dan volume penjualan selama

bulan bersangkutan. Pada titik ini, sistem yang baik mungkin menyajikan daftar
model untuk menganalisis data dari yang pengguna dapat memilih atau, jika itu
cukup, canggih Pilih model secara otomatis, didasarkan pada masalah yang
dihadapi. Angka penjualan proyek model berdasarkan data dari database, dan
komponen dialog menyajikan hasil analisis. Output membantu eksekutif membuat
keputusan dengan menjawab pertanyaan, "Akan diusulkan jumlah yang akan
dihabiskan pada Web iklan menghasilkan dorongan yang cukup besar dalam
penjualan?"

Analisis sensitivitas
hasil hampir selalu dipengaruhi oleh lebih dari satu parameter; sebagai contoh,
volume penjualan produk dipengaruhi oleh jumlah tenaga penjual, jumlah
perwakilan penjualan regional, jumlah yang dihabiskan untuk iklan televisi lokal dan
nasional, harga, kompetisi, dan sebagainya. Namun, hasil jarang merespon dalam
taraf terhadap perubahan dalam parameter. Sebagai contoh, perubahan kecil dalam
harga per unit dapat mengakibatkan peningkatan dramatis dalam penjualan, yang
berarti volume penjualan memiliki kepekaan tinggi harga produk. Namun, penjualan
sama mungkin hanya sedikit meningkat dalam menanggapi investasi besar di
periklanan, yang berarti bahwa penjualan memiliki sensitivitas rendah untuk belanja
iklan. Hal ini penting untuk menentukan parameter yang hasilnya sangat sensitif,
sehingga organisasi dapat memfokuskan upaya paling efektif. Kadang-kadang
parameter yang hasil paling sensitif juga mempengaruhi parameter lainnya,
sehingga interaksi ini harus hati-hati dilacak serta.
Jika sebuah perusahaan ingin memaksimalkan laba, manajer harus menemukan
kombinasi yang optimal dari banyak faktor. Untuk melengkapi DSS untuk membantu
mencapai tujuan ini, perkiraan rumus matematika yang mengungkapkan hubungan
antara setiap faktor dan total profit dibangun dalam DSS. Kemudian analisis
sensitivitas yang dilakukan untuk menguji sejauh mana total profit tumbuh atau
menyusut jika satu atau lebih faktor meningkat atau menurun. Hasilnya
menunjukkan kepekaan relatif keuntungan untuk perubahan. Jika hasilnya
dipengaruhi secara signifikan bahkan ketika parameter yang berubah hanya sedikit,
maka sensitivitas dari hasil parameter dikatakan tinggi. Sebaliknya benar: jika
hasilnya dipengaruhi hanya sedikit, bahkan ketika parameter bervariasi, hasilnya
dikatakan tidak sensitif terhadap parameter. Sebagai contoh, seorang manajer
mungkin bertanya, "Apa itu dampak pada total laba kuartalan jika iklan televisi
menurun sebesar 10 persen dan jumlah ditugaskan perwakilan penjualan
meningkat sebesar 5 persen?" Karena pertanyaan biasanya diungkapkan dalam
format ini, analisis sensitivitas sering dirujuk sebagai bagaimana-jika analisis.
Catatan bahwa Anda dapat menggunakan DSS bagaimana jika melakukan analisis
pada beberapa parameter pada waktu yang sama.

Sama pentingnya adalah penggunaan sensitivitas tes untuk mempelajari parameter
yang tidak membuat perbedaan. Sebagai contoh, berdasarkan data yang
dikumpulkan selama promosi melalui kupon, analis pemasaran mungkin belajar
bahwa diskon tidak meningkatkan penjualan dan/atau tidak membawa pelanggan
baru. Keputusan jelas akan tidak untuk melakukan promosi serupa di masa
mendatang.
Anda mungkin akrab dengan analisis sensitivitas dari menggunakan spreadsheet
elektronik. Spreadsheet memungkinkan Anda untuk memasukkan data dan rumus
sel. Dengan demikian, mereka adalah alat yang sangat baik untuk membangun
data dan model-model yang memerlukan sistem dukungan pengambilan keputusan,
dan karena itu mereka membuat alat yang sangat baik untuk membangun
perangkat lunak dukungan keputusan. Mengubah data di dalam satu atau beberapa
sel akan menghasilkan solusi yang berbeda untuk masalah. Hal ini memungkinkan
Anda untuk melihat efek perubahan dalam satu parameter yang dihitung hasil.

Sistem dukungan pengambilan keputusan dalam tindakan
DSSs dapat digunakan pada permintaan, ketika seorang manajer membutuhkan
bantuan dalam membuat keputusan kadang-kadang, atau mereka mungkin dapat
diintegrasikan ke dalam sebuah skema yang memberlakukan kebijakan perusahaan.
Dalam kedua kasus, DSSs membantu mempertahankan kriteria standar dalam
pengambilan keputusan seluruh organisasi. Semakin banyak organisasi menerapkan
aplikasi perangkat lunak yang menghasilkan keputusan secara otomatis dan real
time. Tenaga kerja hanya terlibat adalah masuknya parameter yang relevan, dan
ketika DSS terhubung ke situs Web organisasi, kegiatan ini mungkin tidak akan
dilakukan oleh karyawan tetapi oleh klien. Berikut adalah beberapa contoh
bagaimana DSSs digunakan untuk berbagai keperluan.
Produksi pangan dan ritel

Berapa banyak setiap jenis cookie harus toko kue menghasilkan hari ini? Bahanbahan yang harus diambil dari lemari es, dan berapa lama sebelum mereka akan
dicampur dan dimasukkan ke dalam oven? Ini adalah hanya beberapa keputusan
yang operator toko Mrs. Fields Cookies akan harus membuat. Namun, pengambilan
keputusan dilakukan untuk mereka oleh DSS. Sistem, dipasang di setiap toko,
memutuskan untuk manajer yang jenis kuki agar, apa jumlah setiap jenis, dan
bahan-bahan yang digunakan. Perangkat lunak ini menganggap banyak parameter,
termasuk toko pertumbuhan volume penjualan, musim, hari dalam seminggu,
waktu, apakah itu sebuah liburan, lokasi dan cuaca. Perusahaan — yang beroperasi
390 Toko di Amerika Serikat dan lebih dari 80 Toko di negara lain — telah terstruktur
lingkungan bisnis untuk manajer toko. Setiap manajer toko harus mengikuti sistem
instruksi mengenai yang dipanggang produk untuk membuat dan jumlah mereka.
Sistem menentukan bahan untuk setiap produk, ketika untuk adonan tarik dari
lemari es, dan bagaimana membuat kue, termasuk suhu oven dan waktu.
Perangkat lunak Mrs. Fields Cookies digunakan adalah jadi efektif dalam
menjalankan makanan toko bahwa pemilik menciptakan anak perusahaan, bidang
Software Group. Perusahaan menjual perangkat lunak untuk beberapa perusahaan,
termasuk Burger King Corporation.
Dalam industri restoran, manajer harus memperkirakan jumlah pengunjung dan
jumlah bahan untuk pembelian, serta di mana untuk membelinya untuk
meminimalkan biaya. FoodPro, DSS dikembangkan dan dijual oleh sistem informasi
Aurora, membantu membuat keputusan tersebut. Berdasarkan data historis
Restoran menumpuk, sistem akan membantu dengan keputusan ini. Database
resep digunakan untuk mengusulkan keputusan bahan, jumlah, dan konsolidasi
pembelian dari vendor tertentu. Komponen lain dari sistem termasuk peramalan
keuangan, faktur, akuntansi, dan hampir setiap aspek lain dari mengelola restoran.

Pertanian pemerintah
Kanada telah mensponsori pengembangan serangkaian DSSs bagi petani, salah
satunya adalah Prairie tanaman perlindungan Planner, sistem yang membantu
petani membuat keputusan mengenai penyakit, serangga dan gulma pengendalian
pada padang rumput Kanada. Sistem berbasis Web yang membantu memilih
tanaman produk-produk perlindungan; menghitung aplikasi tarif dan biaya;
mengidentifikasi gulma, serangga, dan penyakit; mengidentifikasi gejala cedera
herbisida, menjaga catatan-catatan aplikasi pestisida, dan cepat referensi produkproduk perlindungan tanaman.
Ketika petani memasuki informasi dasar tentang tanaman tertentu dan masalah
hama — gulma, serangga atau penyakit — perencana menguraikan pilihan-pilihan
seperti bahan kimia dan cara-cara menerapkannya. Petani dapat menggambarkan
peralatan mereka penyemprotan, ukuran lapangan, dan saat ini harga kimia dari

pemasok lokal, dan perencana perlindungan tanaman Prairie menghitung harga
aplikasi, biaya per hektar, jumlah produk petani akan perlu menggunakan dalam
tangki sprayer, dan jumlah yang diperlukan untuk semprot bidang kimia.
Demikian pula, banyak lembaga pemerintah nasional dan regional lainnya
menawarkan sistem dukungan pengambilan keputusan di Web. Sebagai contoh,
Departemen Pertanian AS menyediakan beberapa keputusan alat online untuk
petani. Salah satu dari mereka menggunakan tiga dekade sejarah suhu untuk
membantu petani memutuskan di mana daerah Nebraska tanaman anggur, dan
yang jenis, untuk menghindari tanaman pembusukan karena suhu ekstrim. Bagian
dari output adalah dalam bentuk kode warna peta.

Pajak perencanaan
beberapa aplikasi yang orang mungkin tidak berpikir seperti DSSs benar-benar.
TurboTax, TaxCut, dan aplikasi pajak-persiapan lainnya telah dikembangkan selama
bertahun-tahun untuk lebih dari bantuan mengisi formulir. Mereka datang dengan
formula canggih untuk membantu pembayar pajak rencana strategi terbaik dalam
memilih pilihan, dengan tujuan akhir untuk meminimalkan pajak yang dibayar.
Sebagai contoh, aplikasi membandingkan pengajuan status dan pengurangan
pilihan: pendekatan yang akan mengakibatkan gabungan pajak rendah, pengajuan
sebagai dua individu atau pengajuan bersama sebagai suami dan istri? Memerinci
pengurangan, atau mengambil pemotongan standar? Mengambil kredit pendidikan
yang lebih kecil, atau pemotongan pendidikan lebih besar? Berdasarkan
penghasilan kena pajak dan kombinasi pengurangan diambil, aplikasi
memperingatkan pengguna tentang peluang mereka menjadi diaudit oleh Internal
Revenue Service dan memberi mereka kesempatan untuk memodifikasi
pengurangan. Aplikasi juga mengingatkan pengguna opsional pengurangan,
memberitahu mereka apa yang memerlukan pengurangan (misalnya, jika Anda
mengambil pengurangan X Anda tidak boleh mengambil pengurangan Y atau Anda
meningkatkan kemungkinan menjadi diaudit) dan dengan demikian membuatnya
mudah bagi filers untuk membuat keputusan. Dan bila pengguna menyelesaikan
persiapan pajak mereka selama setahun terakhir, mereka dapat merencanakan
pajak mereka untuk tahun depan — berdasarkan total pendapatan dan jenis
pendapatan (gaji, Bisnis, capital gain, dan sebagainya) — dan membuat keputusan
tentang berapa banyak untuk berkontribusi pensiun dana, amal, dan tujuan lain
yang berfungsi sebagai perisai pajak untuk mengurangi pajak berutang tahun
depan.

Situs web perencanaan dan penyesuaian

karena begitu banyak perusahaan yang menggunakan Web untuk pemasaran,
penjualan dan dukungan pelanggan, keputusan mengenai bagaimana merancang
situs Web sangat penting. Beberapa perusahaan menawarkan DSSs khusus
dirancang untuk menganalisis perilaku pembeli di situs mereka didasarkan pada
data diambil seperti halaman yang dilihat, pilihan diklik dan urutan tampilan
halaman pembeli. Sebagai contoh, Datanautics, Inc menawarkan G2, sistem analisis
jalur yang menganalisis bagaimana pengunjung menavigasi melalui situs.
Tujuannya adalah untuk mengubah pembeli menjadi pembeli, proses marketer
panggilan konversi. Manajer mungkin terkesan bahwa 30 persen dari pembeli yang
mengikuti urutan tertentu halaman Web membeli item. Namun, perangkat lunak
mungkin mengungkapkan bahwa urutan lain, tak terduga berakhir dengan 90
persen dari pembeli yang membeli sesuatu. Hal ini dapat mengakibatkan sebuah
keputusan untuk meningkatkan halaman tersebut atau menghilangkan halaman
tertentu antara halaman rumah dan halaman terakhir sebelum pembelian
dilakukan. Lain perusahaan, WebTrends, menjual WebPosition, alat keputusan yang
membantu menentukan kata kunci yang digunakan untuk meningkatkan listing di
search engine, cara mengoptimalkan halaman Web untuk konversi yang lebih besar,
kirimkan URL ke mesin pencari, dan menganalisa konversi.

Hasil manajemen
Anda mungkin akan terkejut untuk mengetahui bahwa penumpang yang duduk di
sebelah Anda di pesawat terbang dibayar sepertiga dari apa yang Anda dibayar
untuk penerbangan yang sama. Ini adalah hasil rekomendasi maskapai menerima
dari DSS yang tujuannya adalah untuk memaksimalkan pendapatan. Konsep disebut
hasil manajemen atau manajemen pendapatan. Untuk setiap penerbangan,
pendapatan manajer memasukkan sejumlah data, termasuk titik keberangkatan
dan waktu, titik tujuan dan waktu kedatangan, jumlah bandara di mana pesawat
berhenti, pesawat kapasitas dan informasi tentang dimanfaatkan kapasitas dari
operasi sebelumnya penerbangan tertentu. Mereka mengubah harga, atau biarkan
sistem mengubah harga, sesuai dengan waktu tiket dibeli, dan berapa lama
sebelum penumpang terbang kembali. Dilema adalah antara menawarkan harga
yang rendah untuk mengisi pesawat, atau upping harga dan mempertaruhkan
terbang dengan beberapa kursi kosong.
Tujuan dari hasil manajemen DSSs adalah untuk menemukan harga yang tepat
untuk memaksimalkan pendapatan keseluruhan dari menjual kursi untuk setiap
penerbangan. Hasilnya adalah sering diskriminasi harga, yang merupakan hukum
dan praktek yang umum di industri penerbangan: Anda mungkin membayar harga
yang berbeda tergantung pada seberapa jauh di muka Anda membeli tiket, fakta
bahwa pendamping terbang dengan Anda, jumlah hari antara keberangkatan dan
kedatangan, dan beberapa variabel-variabel lainnya. Biasanya, maskapai double
atau triple harga tiket sewaktu purchased hanya beberapa hari sebelum

keberangkatan, karena biasanya ketersediaan kursi di pesawat pesaing terbatas.
Selain itu, pembeli akhir cenderung orang-orang bisnis yang diganti untuk
perjalanan mereka dan karena itu kurang pricesensitive. Maskapai mengambil
keuntungan dari fakta ini dan harapan bahwa pelanggan yang memesan akhir
biasanya melakukannya karena mereka memiliki sedikit fleksibilitas dalam memilih
tanggal penerbangan. Variabel lain kurang jelas, dan oleh karena itu DSSs
digunakan untuk model permintaan dan kepekaan terhadap harga.
Aids keputusan serupa yang digunakan dalam industri perhotelan. Sebagai contoh,
Harrah's Entertainment, operator dari rantai hotel dan Kasino, menggunakan sistem
seperti untuk menetapkan harga untuk hotel dan menawarkan berbagai tingkat ke
tingkat yang berbeda dari anggota di pelanggan program loyalitas. Tarif kamar
mungkin lebih rendah, atau bahkan gratis, bagi pelanggan yang secara teratur
menghabiskan banyak uang pada perjudian. Seperti banyak perusahaan lain, rantai
memiliki program kesetiaan pelanggan disebut Total hadiah. Harrah's data analisis
program, yang disebut sistem manajemen pendapatan, mengenali nomor telepon
anggota Total Rewards dan memungkinkan agen reservasi untuk menawarkan harga
yang lebih rendah untuk kamar selama akhir pekan yang sibuk untuk pelanggan
bernilai tinggi — satu yang biasanya menghabiskan banyak — atau untuk
menaikkan harga Sabtu malam untuk pelanggan yang tidak menghasilkan banyak
keuntungan.

Layanan Keuangan
memutuskan secara manual berapa banyak uang untuk pinjaman kepada
pelanggan yang pada tingkat bunga dapat menunda proses keputusan ke titik
kehilangan pelanggan potensial. Pelamar pinjaman mereka enggan untuk
menunggu lebih dari satu hari atau bahkan beberapa jam untuk bank respon. Alat
bantu otomatis keputusan dapat menghasilkan menawarkan dalam menit setelah
nasabah memasukkan data. DSS menggabungkan data ini dengan data yang
Diperoleh dari database sejarah kredit dan terprogram aturan model untuk
menciptakan respon yang cepat.
Mempertimbangkan DeepGreen keuangan, pinjaman ekuitas rumah online yang
dimiliki oleh Lightyear modal. Bank ini adalah benar-benar sebuah program
komputer. Untuk mengajukan permohonan pinjaman hipotek, pelanggan pergi ke
situs perusahaan (www.deepgreenfinancial.com) dan mengisi aplikasi, yang
memakan waktu tidak lebih dari lima menit. DSS mengambil laporan kredit
pelanggan, melibatkan formula penilaian, mengakses penilaian online properti
untuk menjadi menggadaikan, mengkaji kondisi asuransi banjir dan penipuan, dan
menghasilkan keputusan pinjaman (misalnya jumlah penuh yang diminta atau
jumlah yang lebih kecil, dengan apa uang muka, dan pada tingkat bunga apa).
Delapan puluh persen dari pemohon menerima respons dalam waktu dua menit.

Sistem ini juga memilih Notaris lokal. Semua yang tersisa untuk pemohon adalah
untuk memilih tanggal penutupan. Meskipun banyak pelamar pinjaman masih
merasa aneh untuk memikirkan sistem informasi online sebagai pemberi pinjaman
ekuitas, antara 2000 (yang awal tahun) dan 2007, DeepGreen diperpanjang lebih
dari 65.000 pinjaman senilai $5 miliar.
Peningkatan jumlah pengambilan keputusan dalam jasa keuangan dan industriindustri lain yang dibuat dengan cara ini: secara otomatis dan real time. Ini
menghemat banyak jam kerja dan memastikan layanan yang cepat bagi pelanggan.

Pilihan manfaat
Majikan dapat menghemat biaya tenaga kerja dan memberikan kenyamanan
kepada karyawan dengan membantu mereka membuat keputusan. Salah satu
daerah yang mana hal ini dapat terjadi adalah pilihan manfaat, terutama rencana
perawatan kesehatan. ADP, Inc, sebuah perusahaan yang dikenal untuk layanan
penggajian, bekerja sama dengan Subimo LLC menawarkan sebuah aplikasi online
untuk membantu karyawan dalam mengevaluasi rencana perawatan kesehatan
biaya. Analisis didasarkan pada kebutuhan medis. Alat ini menggunakan seseorang
usia, jenis kelamin, wilayah geografis, dan kondisi kesehatan untuk memperkirakan
beberapa biaya perawatan kesehatan keluarga. Memprediksi Kesehatan Layanan
individu atau keluarga kemungkinan akan membutuhkan. Alat pemodelan
didasarkan pada data demografis dan pengalaman lebih dari 60 juta US pasien.
Karyawan dapat menggunakan prediksi untuk memilih rencana dan untuk
memutuskan bagaimana untuk mendanai rekening pengeluaran yang fleksibel,
kesehatan menyimpan rekening, atau pengaturan penggantian kesehatan.
Alat-alat pendukung keputusan serupa yang ditawarkan oleh perusahaan lain,
termasuk beberapa organisasi manajemen perawatan kesehatan terbesar (HMO) di
Amerika Serikat. Sebuah alat yang disebut MyHealthcareAdvisor.com, juga
ditawarkan oleh Subimo, menyajikan usaha kecil yang ingin menambah cakupan
karyawan mereka. Diperkirakan bahwa sekitar 60 juta orang Amerika memiliki
akses ke alat-alat yang membantu membuat keputusan tentang rencana perawatan
kesehatan dan pilihan dalam rencana. Menariknya, sekitar 95 persen dari
pendaftaran transaksi dilakukan secara online.

Sistem Pakar

Sebagai menggambarkan sosok 10.6, perbedaan utama antara DSSs dan ESs
adalah "dasar" yang mereka gunakan dan bagaimana itu disusun. DSSs
menggunakan data dari database. ES menggunakan basis pengetahuan, yang
merupakan kumpulan fakta-fakta dan hubungan antara mereka. ES tidak
menggunakan modul model tapi mesin kesimpulan. Mesin kesimpulan adalah
perangkat lunak yang menggabungkan data yang dimasukan oleh pengguna
dengan relasi data yang disimpan dalam basis pengetahuan. Hasilnya adalah
diagnosis atau saran untuk kursus terbaik tindakan. Dalam kebanyakan ESs, basis
pengetahuan dibangun sebagai serangkaian aturan jika-maka. Gambar 10.7
menyediakan suatu ilustrasi sederhana bagaimana aturan seperti itu digunakan
untuk menyimpulkan penyakit yang menjangkiti pohon. Jika kelembaban rendah,
suhu udara rata-rata lebih tinggi dari 60 derajat Fahrenheit, daun pohon yang hijau
gelap, dan pohon usia 0-2 tahun, maka pohon memiliki penyakit A pada probabilitas
90 persen. Namun, jika kelembaban rendah, suhu adalah antara 40 dan 65 derajat
Fahrenheit, daun pohon hijau, dan pohon usia adalah 0-2, ada 40 persen
kemungkinan bahwa penyakit adalah A dan 50 persen bahwa penyakit ini B.
Diagnosis membantu mencapai keputusan tentang perawatan yang tepat untuk
menghentikan penyakit. Sistem pakar nyata untuk diagnosis tersebut akan terdiri
dari banyak aturan lain, biasanya ratusan atau ribuan, karena ada banyak kondisi
lain — pendahulunya — dan kombinasi faktor yang dapat menyebabkan penyakit;
dan ada penyakit lain yang mungkin memiliki pohon tertentu.
Dalam eksplorasi mineral, misalnya, aturan seperti itu dapat: jika kedalaman
pengeboran adalah begitu banyak meter, dan jika sampel mencakup persentase
tertentu dari karbon (dan sebagainya), maka ada kemungkinan 90 persen yang

begitu banyak meter lebih jauh di bawah sana adalah minyak komersial kualitas
dan kuantitas. Aturan seperti itu sering tidak kuantitatif tetapi kualitatif, dan karena
itu hanya dapat disimpan sebagai basis pengetahuan daripada database.

Sponsor Documents

Or use your account on DocShare.tips

Hide

Forgot your password?

Or register your new account on DocShare.tips

Hide

Lost your password? Please enter your email address. You will receive a link to create a new password.

Back to log-in

Close