A decision model is a logical or mathematical representation of a problem or business

situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input

1. Model keputusan
adalah representasi logis atau matematis dari masalah atau situasi bisnis yang dapat
digunakan untuk memahami, menganalisis, atau memfasilitasi pengambilan keputusan. Sebagian
besar model keputusan memiliki tiga jenis input:
1. Data, yang dianggap konstan untuk tujuan model. Beberapa contoh adalah biaya, kapasitas
alat berat, dan jarak antarkota.
2. Variabel yang tidak terkendali, yaitu jumlah yang dapat berubah tetapi tidak dapat
dikendalikan secara langsung oleh pembuat keputusan. Beberapa contoh adalah permintaan
pelanggan, tingkat inflasi, dan pengembalian investasi. Seringkali, variabel-variabel ini tidak
pasti.
3. Variabel keputusan, yang dapat dikontrol dan dapat dipilih pada kebijaksanaan pembuat
keputusan. Beberapa contoh akan menjadi jumlah produksi (lihat Contoh 1.5), tingkat
kepegawaian, dan alokasi investasi
Model keputusan mencirikan hubungan antara data, variabel yang tidak dapat
dikendalikan, dan variabel keputusan, dan output yang menarik bagi pembuat keputusan (lihat
Gambar1.7). Model keputusan dapat direpresentasikan dalam berbagai cara, paling khas
dengan fungsi matematika dan spreadsheet. Spreadsheet adalah kendaraan yang ideal untuk
menerapkan model keputusan karena fleksibilitasnya dalam mengelola data, mengevaluasi
berbagai skenario, dan menyajikan hasil dengan cara yang bermakna.

A decision model is a logical or mathematical representation of a

problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
A decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types of input:
decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types
decision model is a logical or mathematical representation of a problem or business
situation that can be used to understand, analyze, or facilitate making a decision. Most
decision models have three types
Bagaimana kita dapat menggunakan model dalam Contoh 1.6 untuk membantu membuat
keputusan? Misalkan pabrikan memiliki opsi untuk memproduksi bagian in-house atau
outsourcing dari pemasok (variabel keputusan). Haruskah perusahaan memproduksi bagian atau
mengalihdayakannya? Keputusan tergantung pada volume permintaan yang diantisipasi (variabel
yang tidak dapat dikendalikan); untuk volume tinggi, biaya pembuatan in-house akan lebih
rendah daripada outsourcing, karena biaya tetap dapat tersebar di sejumlah besar unit. Untuk
volume kecil, akan lebih ekonomis untuk melakukan outsourcing. Mengetahui total biaya dari
kedua alternatif (berdasarkan data untuk biaya produksi tetap dan variabel dan biaya pembelian)
dan titik impas akan memfasilitasi keputusan. Contoh numerik disediakan dalam Contoh 1.7.

2. Model keputusan deskriptif

Dihadapkan pada situasi yang hasilnya tidak pasti, pengambil keputusan menggunakan suatu
mekanisme psikologis untuk membantu mereka mengambil keputusan. Mekanisme psikologis yang
terpenting adalah mengenai cara seseorang menggunakan informasi yang rumit, kompleks, acak, dan
tidak dikenali menjadi suatu rumusan yang memungkinkan mereka mengambil keputusan.

A. Model Deskriptif dalam pengambilan keputusan

Menurut Plous (1993) terdapat beberapa model deskriptif dalam pengambilan keputusan, yaitu :
1. model kepuasan (Satisficing)
 seseorang yang membuat suatu keputusan biasanya lebih mengutamakan kepuasan dibandingkan
sesuatu yang optimal. Dalam teori utilitas harapan, pembuat keputusan diasumsikan memiliki informasi
yang lengkap mengenai peluang dan konsekuensi yang melekat pada setiap alternatif tindakan. "ntuk
mendapatkan kepuasan tersebut adalah dengan memilih satu cara yang dianggap memuaskan, sesuatu
yang dibutuhkan meskipun pilihan tersebut mungkin tidak ideal atau optimal. kenyataannya,informasi
mengenai alternatif tidak sepenuhnya tersedia dan mengandung ketidakpastian. Dengan demikian,
walaupun utilitas harapan tidak berguna sebagai model normatif dari pembuatan keputusan (model
mengenai seberapa rasional perilaku seseorang), utilitas harapan tidak  berguna sebagai model deskriptif
(model mengenai bagaimana sebenarnya membuat keputusan).
2. Teori Prospek 

teori ini dikembangkan oleh kahneman dan tversky (1974) dan memiliki perbedaan dengan teori
ekspektasi kegunaan dalam jumlah tanggapan penting. teori prospek memprediksi bahwa suatu keputusan
tergantung pada bagaimana suatu masalah disusun. ) ika suatu nilai referensi didefinisikan sebagai suatu
pengeluaran yang terlihat sebagai sebuah keuntungan, maka hasil nilai fungsi akan menjadi cekung dan
pembuat keputusan akan menolak mengambil risiko. sebaliknya, jika nilai referensi didefinisikan sebagai
pengeluaran yang terlihat sebagai kerugian, maka nilai fungsi menjadi cembung dan pembuat keputusan
akan mengambil keputusan untuk mengambil risiko.
3. Dampak kepastian (The Certainty Effect)

ketika seseorang telah yakin, akan nilai referensi yang mereka dapatkan dari teori prospek, maka
pembuat keputusan akan berusaha untuk menghilangkan atau menghindari risiko secara keseluruhan
dibandingkan dengan mengurangi risiko tersebut.).  
4. Pseudocertainty

untuk model pengambilan keputusan ini, pengambil keputusan membuat suatu kebijakan dimana
kebijakan tersebut tidak terlihat jelas atau tidak terlihat langsung dampaknya.
5. Theory Regret (Teori Penyesalan)

basis dari teori penyesalan adalah bentuk counterfactual reasoning, dimana teori ini didapat
berdasarkan ketika seseorang membandingkan kausalitas dari keputusan mereka dengan apa yang akan
terjadim jika mereka membuat pilihan yang berbeda. teori ini berasai dari dua asumsi: pertama, bahwa
banyak pengalaman orang-orang yang merasakan sensasi penyesalan dan kegembiraan dan kedua, bahwa
dalam membuat keputusan dibawah ketidakpastian, maka mereka mencoba untuk mengantisipasi dan
mengindahkan sensansi-sensasi diatas. teori ini memiliki risiko prediksi, yang sama dengan teori
kemungkinan, hanya saja teori ini penyesalan memprediksi pilihan dengan menambahkan &ariabel baru,
penyesalan ke fungsi kegunaan normal.
 6. Pilihan Beragam Sifat

Di beberapa situasi, hasil tidak dapat diukur dengan satuan ukuran tertentu. !ebagaian besar hasil
penelitian, pilihan beragam sifat lebih focus  pada “bagaimana” dibandingkan “seberapa baik” seseorang
membuat keputusan. Orang-orang menggunakan sejumlah strategi keputusan yang berbeda untuk
membuat pilihan beragam sifat dan strategi-strategi ini sangat tergantung pada jenis masalah. ketika
pembuat keputusan dihadapkan pada  pilihan sederhana antara dua alternatif, mereka sering menggunakan
sesuatu yang dikenal sebagai ‘strategi pengganti”. strategi lainnya adalah “model linier”, pada strategi ini
setiap dimensi ditimbang berdasarkan kepentingan dan pertimbangan nilai disimpulkan pada bentuk
indeksi keseluruhan bentuk. “trategi pengganti lain dikenal dengan model tambahan berbeda”. Model ini
mirip dengan model linier, kecuali pada model linier, setiap alternatif dievaluasi pada semua dimensi
kemudian dibandingkan dengan alternatif lain. Dimana pada model tambahan berbeda, setiap dimensi
dievaluasi satu persatu di tiap alternatif dan perbedaan di antara alternatif  ditimbang dan dijumlahkan
bersama.
7. Strategi non-kompensasi

ketika seseorang bertemu dengan pilihan yang rumit diantara sejumlah alternatif, maka mereka
biasa menggunakan “strategi tanpa pengganti”. Pembuat keputusan menggunakan aturan konjungtif, yaitu
mengeliminasi  berbagai alternatif yang berada di luar batas sebelum definisi. Di sisi lain, seorang
pembuat keputusan memakai aturan disjungtif dimana setiap alternatif dievaluasi pada syarat-syarat sifat
terbaik. strategi ketiga dari strategi tanpa pengganti adalah lexicographic. Pembuat keputusan
menggunakan strategi ini dimulai dari mengidentifikasi dimensi yang paling penting untuk
diperbandingkandan dipilih sebuah alternatif yang paling diperlukan. !trategi keempat adalah strategi –
eliminasi oleh aspek-aspek. berdasarkan strategi ini, setiap aspek perbandingan diseleksi dengan proporsi
kemungkinan ke kepentingan. berbagai alternatif  dibandingkan dengan tanggapan dari aspek yang
terseleksi, alternatif inferior  lalu dieliminasi, aspek lain yang diperbandingkan diseleksi, alternatif 
tambahan dieliminasi dan sampai pada hanya satu alternatif.
8. Dimensi paling penting

hipotesis dari dimensi paling penting adalah memberi pilihan di antara dua alternatif yang sama.
Orang-orang akan memilih alternatif yang superior  pada dimensi yang paling penting. jadi konsep ini
mengatakan bahwa hal ini merupakan ‘’hipotesis dimensi yang paling penting’’. Pembuat keputusan
dapat ditelaah dari segi normative ataupun dari segi deskriptif. Pendekatan normative menitikberatkan
pada apa yang seharusnya dilakukan oleh pembuat keputusan agar keputusannya juga dapat dikaji dari
dua sudut pandang, yaitu : keputusan yang dibuat dalam suasana tanpa risiko (riskless choice) dan
keputusan yang dibuat dalam suasana yang mengandung risiko (risky choice). Pada akhir-akhir ini
pendekatan normative terhadap pengambilan keputusan sering kali digugat (hastjarjo,1991). beberapa
peneliti menemukan bahwa orang acap bertindak melanggar prinsip-prinsip dominan dan invarian.
Mereka lalu mengajukan sebuah teori yang dinamai teori  prospek (prospect theory) yang pada dasarnya
merupakan deskriptif  mengenai pengambilan keputusan dalam situasi yang mengandung risiko.

Deskriptif pengambilan keputusan

Model yang menerangkan bagaimana kelompok mengambil keputusan. Model ini juga
menerangkan (menggambarkan) segala sesuatu sebagaimana apa adanya. Model ini juga
memberikan kepada manajer informasi yang mereka butuhkan untuk membuat keputusan-
keputusan, dan tidak menawarkan penyelesaian masalah. Faktor- Faktor yang Mempengaruhi
Model Keputusan Pengambilan keputusan merupakam proses interaksi antara input-input
sebagai bahan dsar pembentukan suatu model keputusan, yang terdiri atas tujuan organisasi,
kendala-kendala intern,kriteria pelaksanaan dan berbagai alternatif pemecahan masalaah.
Imteraksi tersebut diharapkan akan menghaslkan output yang baik yang berupa pelaksanaan
keputusan,pengendalian, dan umpan baliknya. Pengambilan keputusan baik keputusan pribadi
maupun keputusan kelompok dipengaruhi oleh beberapa faktor, yaitu: 1. keadaan lingkungan dn
nilai-nilai yang kerap kali bertentangan 2. pengaruh politik 3. emosionalisme 4. tingkat
pendidikan 5. model keputusam faktual. Lima faktor tersebut akan berpengaruh terhadap
pembentukan suatu model keputusan

3. Model keputusan Prediktif

Model prediksi ini adalah model hubungan antara kinerja tertentu dari suatu unit dalam
sampel dan satu atau lebih dikenal atribut atau fitur dari unit ini. Tujuan dari model ini adalah
untuk menilai kemungkinan bahwa unit serupa dalam sampel yang berbeda akan menunjukkan
kinerja tertentu. Kategori ini meliputi model-model dalam berbagai bidang, seperti pemasaran, di
mana mereka mencari halus pola data untuk menjawab pertanyaan-pertanyaan tentang kinerja
pelanggan, atau deteksi penipuan model ini. Model prediktif sering melakukan perhitungan pada
transaksi langsung, misalnya, untuk mengevaluasi risiko atau peluang yang diberikan nasabah
atau transaksi, dalam rangka untuk memandu keputusan. Dengan kemajuan dalam kecepatan
komputasi, agen individu pemodelan sistem telah menjadi mampu mensimulasikan perilaku
manusia atau reaksi terhadap rangsangan yang diberikan atau skenario.
 Tersedia unit sampel dikenal dengan atribut dan dikenal pertunjukan ini disebut sebagai
"pelatihan sampel". Unit-unit dalam sampel lainnya, dikenal dengan atribut tapi tidak diketahui
pertunjukan, yang disebut sebagai "keluar dari [pelatihan] contoh" unit. Keluar dari unit sampel
tidak selalu menanggung kronologis kaitannya dengan pelatihan unit sampel. Misalnya, pelatihan
sampel dapat terdiri dari sastra atribut dari tulisan-tulisan oleh Victoria penulis, dikenal dengan
atribusi, dan keluar dari unit sampel mungkin baru ditemukan menulis dengan penulisnya tidak
diketahui; model prediksi dapat membantu dalam menghubungkan sebuah pekerjaan yang harus
diketahui penulis. Contoh lain adalah yang diberikan oleh analisis memerciki darah dalam
simulasi tkp yang keluar dari unit sampel adalah sebenarnya memerciki darah pola dari tkp.
Keluar dari unit sampel dapat dari waktu yang sama seperti pelatihan unit, dari waktu
sebelumnya, atau dari waktu mendatang.

Tiga teknik pemodelan prediktif

1. Pohon keputusan

adalah model klasifikasi yang mempartisi data menjadi himpunan bagian berdasarkan
kategori variabel input. Ini membantu Anda memahami jalan keputusan seseorang. Pohon
keputusan terlihat seperti pohon dengan masing-masing cabang mewakili pilihan antara
sejumlah alternatif, dan setiap daun mewakili klasifikasi atau keputusan. Model ini
melihat data dan mencoba menemukan satu variabel yang membagi data menjadi
kelompok logis yang paling berbeda. Pohon keputusan populer karena mudah dipahami
dan diinterpretasikan. Mereka juga menangani nilai yang hilang dengan baik dan berguna
untuk pemilihan variabel awal. Jadi, jika Anda memiliki banyak nilai yang hilang atau
menginginkan jawaban yang cepat dan mudah ditafsirkan, Anda bisa mulai dengan
pohon.

2. Regresi (linier dan logistik)

adalah salah satu metode statistik yang paling populer. Analisis regresi memperkirakan
hubungan antar variabel. Ditujukan untuk data kontinu yang dapat diasumsikan
mengikuti distribusi normal, ia menemukan pola kunci dalam kumpulan data yang besar
dan sering digunakan untuk menentukan berapa banyak faktor spesifik, seperti harga,
 mempengaruhi pergerakan aset. Dengan analisis regresi, kami ingin memprediksi suatu
bilangan, yang disebut respon atau variabel Y. Dengan regresi linier, satu variabel
independen digunakan untuk menjelaskan dan / atau memprediksi hasil Y. Regresi
berganda menggunakan dua atau lebih variabel bebas untuk memprediksi hasilnya.
Dengan regresi logistik, variabel variabel diskrit yang tidak diketahui diprediksi
berdasarkan nilai variabel lain yang diketahui. Variabel respon bersifat kategoris, artinya
hanya dapat diasumsikan jumlah nilai tertentu. Dengan regresi logistik biner, variabel
respon hanya memiliki dua nilai seperti 0 atau 1. Pada regresi logistik ganda, variabel
respon dapat memiliki beberapa tingkat, seperti rendah, sedang dan tinggi, atau 1, 2 dan
3.

3. Jaringan saraf

adalah teknik canggih yang mampu memodelkan hubungan yang sangat kompleks.
Mereka populer karena mereka kuat dan fleksibel. Kekuatan datang dalam kemampuan
mereka untuk menangani hubungan nonlinear dalam data, yang semakin umum saat kami
mengumpulkan lebih banyak data. Mereka sering digunakan untuk mengkonfirmasi
temuan dari teknik sederhana seperti pohon regresi dan keputusan. Jaringan saraf
didasarkan pada pengenalan pola dan beberapa proses cerdas secara artifisial yang secara
grafis "model" parameter. Mereka bekerja dengan baik ketika tidak ada rumus
matematika yang diketahui yang menghubungkan input dengan output, prediksi lebih
penting daripada penjelasan, atau ada banyak data pelatihan. Jaringan syaraf tiruan pada
awalnya dikembangkan oleh para periset yang mencoba meniru neurofisiologi otak
manusia.
Organisasi beralih ke analisis prediktif untuk meningkatkan keunggulan
kompetitif mereka. Beberapa penggunaan yang paling umum meliputi:
 Mendeteksi kecurangan

Menggabungkan beberapa metode analisis dapat memperbaiki deteksi pola dan

mencegah perilaku kriminal. Karena keamanan dunia maya menjadi perhatian yang
berkembang, analisis perilaku berkinerja tinggi menguji semua tindakan pada jaringan
secara real time untuk menemukan kelainan yang mungkin mengindikasikan kecurangan,
kerentanan zero-day dan ancaman terus-menerus yang terus-menerus.

 Mengoptimalkan kampanye pemasaran

Analisis prediktif digunakan untuk menentukan tanggapan atau pembelian pelanggan,

serta mempromosikan peluang jual silang. Model prediktif membantu bisnis menarik,
mempertahankan dan menumbuhkan pelanggan mereka yang paling menguntungkan.

 Memperbaiki operasi

Banyak perusahaan menggunakan model prediksi untuk meramalkan persediaan dan

mengelola sumber daya. Maskapai penerbangan menggunakan analisis prediktif untuk
menetapkan harga tiket. Hotel mencoba memprediksi jumlah tamu untuk malam tertentu
 untuk memaksimalkan hunian dan meningkatkan pendapatan. Analisis prediktif
memungkinkan organisasi berfungsi lebih efisien.

 Mengurangi resiko

Skor kredit digunakan untuk menilai kemungkinan default pembelian pembeli dan
merupakan contoh analisis prediktif yang terkenal. Skor kredit adalah angka yang
dihasilkan oleh model prediktif yang menggabungkan semua data yang relevan dengan
kelayakan kredit seseorang. Penggunaan terkait risiko lainnya termasuk klaim dan
koleksi asuransi.

Contoh analisis prediktif

Prediktif Analytics Merampingkan Operasi Perusahaan
Harvard Business Review melaporkan bahwa data besar sangat membantu untuk memprediksi
permintaan pelanggan akan produk yang bukan "hits", namun agak dijual kepada banyak orang
di berbagai relung (atau dikenal sebagai "ekor panjang").
Pertambangan jenis data ini lebih menantang karena produk di ekor panjang tidak sepopuler
produk hit dan daerah yang mereka jual tidak besar.
Contoh yang lainnya meliputi:
1. Sistem rekomendasi untuk produk perjalanan (mis., Hotel, penerbangan, layanan
tambahan)
2. Sistem pengenal video, gambar, dan suara untuk tujuan perjalanan.
3. Pengoptimalan klik dan konversi untuk produk perjalanan dan kampanye iklan online.

6. Model Keputusan Preskriptif

Model keputusan preskriptif membantu pembuat keputusan untuk mengidentifikasi solusi
terbaik untuk masalah keputusan. Optimalisasi adalah proses menemukan serangkaian nilai
untuk variabel keputusan yang meminimalkan atau memaksimalkan sejumlah bunga — laba,
pendapatan, biaya, waktu, dan sebagainya — yang disebut fungsi objektif. Setiap set variabel
keputusan yang mengoptimalkan fungsi objektif disebut solusi optimal. Dalam dunia yang sangat
kompetitif di mana satu poin persentase dapat berarti perbedaan ratusan ribu dolar atau lebih,
mengetahui solusi terbaik dapat berarti perbedaan antara keberhasilan dan kegagalan
CONTOH 1.11 Model Preskriptif untuk Penentuan Harga
Untuk mengilustrasikan contoh model preskriptif, anggaplah bahwa perusahaan ingin
menentukan harga terbaik untuk salah satu produknya untuk memaksimalkan pendapatan selama
tahun berikutnya. Sebuah studi riset pasar telah mengumpulkan data yang memperkirakan
penjualan tahunan yang diharapkan untuk berbagai tingkat harga. Analis menentukan bahwa
penjualan dapat diungkapkan oleh model berikut:

penjualan = - 2,9485 × harga + 3,240.9

Karena pendapatan sama dengan harga × penjualan, model untuk total pendapatan adalah
total pendapatan = harga × penjualan
= harga × 1 - 2,9485 × harga + 3240,92
= 22.9485 × harga2 + 3240.9 × hargaPerusahaan ingin mengidentifikasi harga yang
memaksimalkan total pendapatan.

Salah satu cara untuk melakukan ini adalah dengan mencoba harga yang berbeda dan
mencari yang menghasilkan total pendapatan tertinggi. Ini akan sangat membosankan dilakukan
dengan tangan atau bahkan dengan kalkulator. Kita akan melihat bagaimana melakukan ini
dengan mudah pada spreadsheet di Bab 11.

7. Pemecahan Masalah dengan Analytics

Tujuan dasar analitik adalah untuk membantu manajer memecahkan masalah dan
membuat keputusan. Teknik analisis hanya mewakili sebagian dari keseluruhan proses
penyelesaian masalah dan pengambilan keputusan. Pemecahan masalah adalah kegiatan yang
terkait dengan mendefinisikan, menganalisis, dan memecahkan masalah dan memilih solusi yang
sesuai yang memecahkan masalah. Pemecahan masalah terdiri dari beberapa fase:
1. mengenali masalah
2. mendefinisikan masalah
3. penataan masalah
4. menganalisis masalah
5. menafsirkan hasil dan membuat keputusan
6. mengimplementasikan solusi

1. Mengenali Masalah
Manajer di tingkat organisasi yang berbeda menghadapi berbagai jenis masalah. Di
sebuah perusahaan pabrikan, misalnya, manajer puncak menghadapi keputusan mengalokasikan
sumber daya keuangan, membangun atau memperluas fasilitas, menentukan bauran produk, dan
memproduksi secara strategis sumber produksi. Manajer menengah dalam operasi
mengembangkan rencana distribusi, jadwal produksi dan inventaris, dan rencana penempatan
staf. Manajer keuangan menganalisis risiko, menentukan strategi investasi, dan membuat
keputusan penetapan harga. Manajer pemasaran mengembangkan rencana periklanan dan
membuat keputusan alokasi tenaga penjualan. Dalam operasi manufaktur, masalah melibatkan
ukuran operasi produksi harian, jadwal mesin individual, dan penugasan pekerja. Apa pun
masalahnya, langkah pertama adalah menyadari bahwa itu ada. Bagaimana masalah diakui?
Masalah ada ketika ada kesenjangan antara apa yang terjadi dan apa yang kita pikir seharusnya
terjadi. Sebagai contoh, seorang manajer produk konsumen mungkin merasa bahwa biaya
distribusi terlalu tinggi. Pengakuan ini mungkin dihasilkan dari membandingkan kinerja dengan
pesaing, mengamati tren yang meningkat dibandingkan dengan tahun-tahun sebelumnya.

2. Mendefinisikan Masalah
Langkah kedua dalam proses pemecahan masalah adalah mendefinisikan masalah dengan
jelas. Menemukan masalah nyata dan membedakannya dari gejala yang diamati adalah langkah
kritis. Misalnya, biaya distribusi yang tinggi mungkin berasal dari ketidakefisienan dalam rute
truk, lokasi pusat distribusi yang buruk, atau faktor eksternal seperti meningkatnya biaya bahan
bakar. Masalahnya mungkin didefinisikan sebagai meningkatkan proses perutean, mendesain
ulang seluruh sistem distribusi, atau melakukan lindung nilai pembelian bahan bakar secara
optimal. Masalah pendefinisian bukanlah tugas yang sepele. Kompleksitas masalah meningkat
ketika hal berikut terjadi:
• number Jumlah potensi tindakan yang diambil besar.
• problem Masalahnya adalah milik kelompok dan bukan individu.
• solPemecah masalah memiliki beberapa tujuan yang bersaing.
• groups Kelompok atau individu eksternal dipengaruhi oleh masalah.
• solPemecah masalah dan pemilik sebenarnya dari masalah — orang yang mengalami masalah
dan bertanggung jawab untuk menyelesaikannya — tidak sama.
• limitations Batasan waktu penting. Faktor-faktor ini menyulitkan untuk mengembangkan tujuan
yang bermakna dan mencirikan berbagai keputusan potensial. Dalam mendefinisikan masalah,
penting untuk melibatkan semua orang yang membuat keputusan atau yang mungkin terkena
dampaknya.

3. Menyusun Masalah
Ini biasanya melibatkan menyatakan tujuan dan sasaran, mencirikan keputusan yang
mungkin, dan mengidentifikasi segala kendala atau batasan. Misalnya, jika masalahnya adalah
mendesain ulang sistem distribusi, keputusan mungkin melibatkan lokasi baru untuk pabrik dan
gudang (di mana?), Penugasan baru produk ke pabrik (yang mana?), Dan jumlah setiap produk
untuk dikirim dari berbagai gudang untuk pelanggan (berapa banyak?). Tujuan pengurangan
biaya dapat diukur dengan total biaya pengiriman produk. Manajer mungkin ingin memastikan
bahwa tingkat layanan pelanggan tertentu — misalnya, mampu mengirimkan pesanan dalam
waktu 48 jam — tercapai dengan desain ulang. Ini adalah contoh kendala. Penataan masalah
seringkali melibatkan pengembangan model formal.

4. Menganalisis Masalah
Di sinilah analitik memainkan peran utama. Analisis melibatkan semacam eksperimen
atau proses solusi, seperti mengevaluasi berbagai skenario, menganalisis risiko yang terkait
dengan berbagai alternatif keputusan, menemukan solusi yang memenuhi tujuan tertentu, atau
menentukan solusi optimal. Profesional Analytics telah menghabiskan waktu puluhan tahun
untuk mengembangkan dan memperbaiki berbagai pendekatan untuk mengatasi berbagai jenis
masalah. Banyak dari buku ini dikhususkan untuk membantu Anda memahami teknik-teknik ini
dan mendapatkan fasilitas dasar dalam menggunakannya.

5. Menafsirkan Hasil dan Membuat Keputusan

 Menafsirkan hasil dari fase analisis sangat penting dalam membuat keputusan yang baik.
Model tidak dapat menangkap setiap detail masalah nyata, dan manajer harus memahami
keterbatasan model dan asumsi yang mendasarinya dan sering kali memasukkan penilaian ke
dalam pengambilan keputusan. Misalnya, dalam menemukan fasilitas, kami mungkin
menggunakan prosedur analitik untuk menemukan lokasi "sentral"; namun, banyak
pertimbangan lain harus dimasukkan dalam keputusan, seperti akses jalan raya, pasokan tenaga
kerja, dan biaya fasilitas. Dengan demikian, lokasi yang ditentukan oleh solusi analitis mungkin
bukan lokasi tepat yang sebenarnya dipilih perusahaan.

6. Menerapkan Solusi
Ini berarti membuatnya bekerja di organisasi, atau menerjemahkan hasil model kembali
ke dunia nyata. Ini umumnya membutuhkan penyediaan sumber daya yang memadai,
memotivasi karyawan, menghilangkan resistensi terhadap perubahan, memodifikasi kebijakan
organisasi, dan mengembangkan kepercayaan. Masalah dan solusinya memengaruhi orang:
pelanggan, pemasok, dan karyawan. Semua harus menjadi bagian penting dari proses pemecahan
masalah. Sensitivitas terhadap isu-isu politik dan organisasi adalah keterampilan penting yang
harus dimiliki manajer dan profesional analitis saat menyelesaikan masalah. Dalam setiap
langkah ini, komunikasi yang baik sangat penting. Profesional Analytics harus dapat
berkomunikasi dengan manajer dan klien untuk memahami konteks bisnis masalah dan dapat
menjelaskan hasil dengan jelas dan efektif. Keterampilan seperti membangun bagan visual yang
baik dan spreadsheet yang mudah dipahami sangat penting bagi pengguna analitik. Kami
menekankan keterampilan ini di seluruh buku ini

Sumber :
1. 6. 7. Introduction to bussines analytic, james R. evans
3. https://id.scribd.com/document/341810234/Model-Deskriptif-Dalam-Pengambilan-
Keputusan https://www.google.com/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=6&cad=rja&uact=8&ved=2ahUKEwihjP3
i6NHlAhXFeisKHSqnCUsQFjAFegQIBRAC&url=http%3A%2F%2Ffile.upi.edu
%2FDirektori%2FFIP%2FJUR._ADMINISTRASI_PENDIDIKAN
%2F196807291998021-SURYADI
 %2FMODEL_PENGAMBILAN_KEPUTUSAN.pdf&usg=AOvVaw1ypwHFxp4fSG
aLPtJLOwff
4. https://id.wikipedia.org/wiki/Analitik_prediktif
https://students.warsidi.com/2017/06/pengertian-analisis-prediktif.html