Category: tableau

Perhitungan tabel adalah salah satu keterampilan penting dalam analisis data, terutama saat bekerja dengan alat seperti Excel, Google Sheets, atau perangkat lunak Business Intelligence (BI) seperti Tableau dan Power BI. Dengan memahami perhitungan tabel, Anda dapat mengubah data mentah menjadi wawasan yang berharga. Dalam artikel ini, kita akan membahas perhitungan tabel secara bertahap untuk memudahkan pemahaman Anda. Apa Itu Perhitungan Tabel? Perhitungan tabel adalah proses melakukan operasi matematis atau logis pada data yang terorganisir dalam tabel. Contohnya meliputi: Menjumlahkan atau menghitung rata-rata kolom data. Membuat kolom baru berdasarkan logika tertentu. Menghitung perbedaan atau persentase perubahan antar baris data. Menampilkan hasil yang lebih terperinci, seperti total kumulatif atau peringkat. Perhitungan tabel memungkinkan analisis data yang lebih dalam, membantu Anda memahami tren, pola, dan hubungan yang mungkin tersembunyi dalam data. Langkah 1: Pahami Data Anda Sebelum melakukan perhitungan apa pun, langkah pertama adalah memahami struktur data Anda. Perhatikan elemen-elemen berikut: Kolom: Jenis data apa yang tersedia? (angka, teks, tanggal, dll.) Baris: Apakah setiap baris mewakili entitas unik atau pengamatan? Tujuan: Apa yang ingin Anda capai dengan perhitungan ini? Langkah ini penting untuk memastikan bahwa perhitungan yang Anda lakukan relevan dan memberikan hasil yang berguna. Langkah 2: Lakukan Operasi Dasar Perhitungan tabel dimulai dengan operasi sederhana, seperti penjumlahan dan rata-rata. Contohnya: Penjumlahan Total: Jika Anda memiliki kolom berisi angka, seperti “Penjualan”, Anda dapat menjumlahkan semua nilainya untuk mendapatkan total. Rata-rata: Untuk menghitung rata-rata, gunakan rumus seperti =AVERAGE(range) di Excel atau fungsi serupa di perangkat lunak lainnya. Operasi dasar ini sering digunakan untuk memberikan gambaran awal tentang data. Langkah 3: Gunakan Logika untuk Perhitungan Lanjutan Anda dapat membuat perhitungan baru berdasarkan aturan logika tertentu. Misalnya: Klasifikasi: Tambahkan kolom baru untuk mengkategorikan data berdasarkan kriteria tertentu, seperti “Tinggi”, “Sedang”, atau “Rendah” berdasarkan nilai penjualan. IF Statements: Gunakan logika seperti =IF(condition, value_if_true, value_if_false) untuk memfilter data. Perhitungan ini membantu menyaring data dan menyoroti informasi yang relevan sesuai kebutuhan analisis. Langkah 4: Perhitungan Relatif Untuk analisis yang lebih dalam, gunakan perhitungan relatif, seperti: Persentase Perubahan: Mengukur perubahan antar baris dengan rumus seperti =(B2-B1)/B1. Total Kumulatif: Menambahkan nilai secara progresif untuk melihat tren jangka panjang. Perhitungan relatif memungkinkan Anda memahami perubahan dari waktu ke waktu atau membandingkan data dalam konteks yang lebih luas. Langkah 5: Visualisasikan Hasil Perhitungan tabel lebih bermanfaat jika divisualisasikan. Gunakan grafik atau tabel pivot untuk menyajikan hasil: Diagram Batang: Untuk membandingkan kategori. Diagram Garis: Untuk melihat tren waktu. Tabel Pivot: Untuk menganalisis data dengan dimensi berbeda. Visualisasi membantu menyampaikan informasi dengan cara yang lebih intuitif dan mudah dipahami, terutama untuk audiens non-teknis. Langkah 6: Gunakan Perangkat Lunak yang Tepat Berbagai perangkat lunak menawarkan fitur canggih untuk melakukan perhitungan tabel. Berikut adalah beberapa contohnya: Excel dan Google Sheets: Ideal untuk perhitungan sederhana hingga menengah dengan berbagai fungsi bawaan. Tableau: Digunakan untuk visualisasi interaktif dan analisis data kompleks. Power BI: Memberikan kemampuan analitik yang kuat, termasuk integrasi dengan sumber data besar. Pelajari alat yang sesuai dengan kebutuhan Anda untuk meningkatkan efisiensi dan akurasi pekerjaan. Tips dan Trik Periksa Kesalahan: Selalu periksa kembali perhitungan Anda untuk menghindari kesalahan logika atau input. Gunakan Alat yang Tepat: Pelajari fitur alat seperti formula di Excel atau fungsi khusus di Tableau untuk efisiensi. Eksperimen dengan Data: Jangan takut mencoba perhitungan baru untuk mendapatkan wawasan yang tidak terduga. Otomatisasi: Jika memungkinkan, gunakan skrip atau makro untuk mengotomatisasi perhitungan yang berulang. Kesimpulan Perhitungan tabel adalah fondasi dari analisis data yang efektif. Dengan memahami dan menguasai langkah-langkah dasar ini, Anda akan lebih percaya diri dalam mengolah data dan menghasilkan wawasan yang bernilai. Selain itu, eksplorasi alat-alat canggih akan membuka peluang baru untuk analisis yang lebih mendalam. Jadi, mulailah dari operasi sederhana, lalu tingkatkan keterampilan Anda ke perhitungan yang lebih kompleks. Selamat mencoba! Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan tableau indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi kami sekarang atau kunjungi tableau.ilogoindonesia.id untuk informasi lebih lanjut!

Memetakan data secara geografis adalah fitur Tableau sejak versi 4.0. Namun, cara lain untuk memanfaatkan kemampuan pemetaan Tableau adalah memetakan titik-titik ke latar belakang kustom, dan membuat diagram Anda sendiri. Metode ini memungkinkan Anda membuat gambar beranotasi, seperti peta lokasi, peralatan, kendaraan, dan bangunan. Dalam panduan ini, kita akan melihat bagaimana kita dapat memproyeksikan gambar ke latar belakang visualisasi dan memplot titik-titik di atasnya. Metode ini mengasumsikan Anda memiliki pengetahuan dasar tentang Tableau, seperti menambahkan sumber data, memplot scatter plot, dan memformat tanda. Cara Memetakan ke Latar Belakang Kustom di Tableau Langkah 1: Mengumpulkan dan Menambahkan Data Untuk mulai membuat diagram, hal pertama yang Anda perlukan adalah gambar. Kita akan menggunakan gambar denah lantai. Anda dapat mengunggah file atau menggunakan URL gambar dari web. Untuk memetakan gambar di Tableau, Anda perlu mengetahui ukuran gambar dan koordinat untuk menentukan area pada gambar yang ingin Anda soroti. Menentukan Ukuran Gambar Gunakan penampil gambar untuk mengetahui jumlah piksel lebar dan tinggi gambar. Jika menggunakan Windows, klik kanan pada gambar di File Explorer, pilih Properties, lalu buka tab Details. Jika menggunakan Mac, buka gambar di aplikasi Preview, lalu pilih ikon informasi. Contohnya, gambar saya memiliki lebar 688 piksel dan tinggi 419 piksel. Menentukan Koordinat Titik Untuk menentukan titik yang ingin Anda soroti di gambar, Anda dapat: Menggunakan metode trial and error. Menggunakan Tableau untuk memberikan koordinat, yang akan kita bahas nanti. Buat tabel data yang mencakup kolom untuk nama area, lokasi X, dan lokasi Y. Jika Anda menggunakan Tableau untuk menemukan koordinat, mulailah dengan dataset sederhana, misalnya koordinat awal (1,1). Contohnya: Area Lokasi X Lokasi Y Kamar Tidur 1 180 301 Kamar Tidur 2 104 111 Ruang Makan 345 106 Dapur 534 300 Ruang Tamu 500 106 Kamar Mandi 632 123 Tambahkan data ini ke Tableau sebagai koneksi data biasa dan buka worksheet. Langkah 2: Menambahkan Gambar Kustom Selanjutnya, tambahkan latar belakang kustom Anda di Tableau. Di worksheet Tableau, buka menu Map di banner atas dan pilih Background Images. Pilih sumber data dengan koordinat Anda. Di jendela Background Image, klik Add Image. Unggah gambar menggunakan tombol Browse atau masukkan URL gambar. Tentukan X Field dan Y Field berdasarkan ukuran piksel gambar Anda: X Field (kiri ke kanan): Left: Sumbu X kiri bawah (biasanya 0). Right: Sumbu X kanan bawah (lebar piksel). Y Field (atas ke bawah): Bottom: Sumbu Y kiri bawah (biasanya 0). Top: Sumbu Y kiri atas (tinggi piksel). Di tab Options, Anda dapat: Lock Aspect Ratio: Memastikan gambar tetap pada dimensi aslinya. Always Show Entire Image: Menghindari bagian gambar terpotong. Only Show When: Menentukan kapan gambar muncul berdasarkan filter. Klik OK untuk kembali ke jendela Background Images. Centang kotak di sebelah gambar Anda, lalu tekan OK. Langkah 3: Memetakan Titik pada Gambar Di area pengembangan worksheet, letakkan field X pada kolom, Y pada baris, dan dimensi yang ingin Anda pisahkan di kartu Detail. Gambar Anda akan otomatis muncul pada visual. Menentukan Koordinat di Tableau Jika Anda menggunakan Tableau untuk menentukan koordinat: Klik kanan pada gambar di titik yang ingin Anda plot, lalu pilih Annotate > Point. Kotak teks akan muncul dengan Location X dan Location Y. Catat nilai ini ke dataset Anda. Pindahkan titik ke lokasi lain di gambar untuk mengumpulkan koordinat tambahan. Memformat Gambar Gunakan fungsi zoom seperti pada peta untuk mengatur tampilan. Hapus garis grid untuk mengurangi kesan grafik. Format tanda pada visualisasi seperti biasa, misalnya, gunakan lingkaran berwarna terang yang diisi. Hasil akhirnya adalah visualisasi yang memetakan titik-titik pada latar belakang kustom, seperti diagram berikut ini. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan tableau indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi kami sekarang atau kunjungi tableau.ilogoindonesia.id untuk informasi lebih lanjut!

Kita sering mendapatkan permintaan dari organisasi yang ingin memberikan wawasan tentang data mereka kepada audiens yang lebih luas, tetapi tetap mematuhi pedoman privasi. Biasanya, permintaan ini menggunakan istilah seperti “sembunyikan”, “masking”, atau “obscure”. Reaksi pertama saya adalah menunjuk pada Row Level Security, di mana pengguna tertentu diberikan akses ke bagian data yang boleh mereka lihat. Namun, pendekatan ini tidak berlaku untuk situasi di mana ada banyak pengguna tanpa nama (guest) yang diperbolehkan melihat gambaran besar, tetapi tidak boleh melihat data lebih rinci setelah mereka menelusuri subgroup tertentu atau ketika batas sensitivitas tertentu tercapai. Sayangnya, jawaban untuk pertanyaan ini tidak sederhana karena Tableau tidak memiliki fitur bawaan untuk menyembunyikan, memasking, atau mengaburkan data secara dinamis. Mari kita coba membuat solusinya sendiri! Aturan Masking Dinamis Klien meminta Anda untuk melakukan masking pada data dalam sebuah dashboard berdasarkan aturan tertentu. Aturan tersebut bersifat dinamis dan didasarkan pada bagaimana data dipartisi dan difilter dalam visualisasi. Persyaratan: Aturan Privasi 1: Jika total dari satu partisi kurang dari batas tertentu, masking harus dilakukan pada setiap sel dalam partisi, subtotal partisi tersebut, dan total keseluruhan. Aturan Privasi 2: Karena kategori tertentu dianggap sangat sensitif, jika satu sel kategori tersebut hanya berbeda sebesar X dari subtotal partisi, maka setiap sel dalam partisi tersebut, subtotalnya, dan total keseluruhan harus dimasking. Aturan Umum: Masking berarti menampilkan simbol ‘(*)’. Masking tidak boleh bisa dihindari dengan mengekspor visualisasi. Menentukan Pendekatan Berdasarkan Data Ada dua cara untuk melakukan masking data di Tableau, tergantung pada data Anda: Ubah data menjadi NULL jika perlu masking, lalu gunakan opsi Format > Special Values (contoh: NULL) untuk menampilkan ‘(*)’ ketika nilai NULL muncul. Cara ini hanya berlaku jika tidak ada nilai NULL di data sumber Anda, karena Anda tidak dapat membedakan antara nilai NULL asli dan nilai yang dimasking. Ubah data menjadi angka negatif besar jika perlu masking, lalu gunakan custom number formatting untuk menampilkan nilai di bawah 0 sebagai ‘(*)’. Formatnya seperti ini: 0.00;(/*);0. Cara ini hanya berlaku jika tidak ada angka negatif di data sumber Anda. Apakah data Anda memiliki NULL? Gunakan opsi 2. Apakah data Anda memiliki angka negatif? Gunakan opsi 1. Saya memilih opsi 2 karena data saya tidak memiliki angka negatif. Solusi LOD atau Kalkulasi Tabel? Karena kalkulasi ini didasarkan pada partisi dan filter dalam visualisasi, Anda tidak dapat melakukan prakalibrasi, sehingga Anda memerlukan LOD (EXCLUDE, bukan FIXED!) atau kalkulasi tabel. Saya memilih pendekatan LOD. Membuat Kalkulasi Masking Misalkan kita memiliki tabel ini dan kita perlu melakukan masking untuk setiap kombinasi region/year yang memiliki jumlah kurang dari 1400 (sesuai aturan privasi pertama). Ini dihitung berdasarkan garis horizontal merah. Kita juga perlu melakukan masking jika kategori Office Supplies memiliki selisih kurang dari 750 dari total kombinasi region/year, karena kategori ini dianggap sensitif. Ini adalah perbedaan antara dua kolom yang ditandai biru. Maka, kita memerlukan 3 field kalkulasi: Aturan Privasi 1: Kalkulasi ini menghitung total baris (kombinasi region/year) dengan mengecualikan kategori dari tingkat detail. Jika total baris di bawah 1400, nilai ini diubah menjadi -999999. Aturan Privasi 2: Kalkulasi ini menghitung perbedaan antara kolom Office Supplies dan total baris (kombinasi region/year). Jika perbedaan ini kurang dari 750, nilai ini diubah menjadi -999999. Konsolidasi Aturan Privasi: Kalkulasi ini menggabungkan dua kalkulasi sebelumnya dan memeriksa apakah salah satu dari keduanya memicu masking (atau: jika salah satu bernilai negatif!). Tambahan lainnya adalah memperhitungkan baris subtotal dan total. Menampilkan Kalkulasi Masking Saat ketiga kalkulasi ini ditampilkan, menjadi lebih jelas apa yang sebenarnya kita lakukan. Hasil akhirnya kemudian terlihat seperti ini:  data sensitif disembunyikan secara dinamis menggunakan simbol ‘(*)’. Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan tableau indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi kami sekarang atau kunjungi tableau.ilogoindonesia.id untuk informasi lebih lanjut!

Pada Tableau Conference 2025, Tableau Next menghadirkan revolusi dalam BI (Business Intelligence) melalui agentic analytics, yang mengubah cara bisnis mengubah data menjadi tindakan. Selamat datang di era agentic analytics Selama beberapa dekade, intelijen bisnis tradisional (BI) umumnya mengikuti model manual yang memerlukan analisis data oleh manusia untuk menghasilkan wawasan, kemudian mengambil tindakan di sistem terpisah. Analis biasanya menangani berbagai tugas seperti membersihkan dan menyiapkan data, membuat kalkulasi tabel, membangun dashboard, atau melakukan analisis mendalam. Meski pekerjaan ini dapat memberikan kepuasan, prosesnya sering memakan waktu berjam-jam atau bahkan berhari-hari. Di sisi lain, para eksekutif dan pengguna bisnis merasa frustrasi karena harus mencari data dan wawasan yang tepat untuk mendukung keputusan mereka. Namun, semuanya akan berubah. Agentic analytics memberdayakan manusia untuk berkolaborasi dengan agen AI, sehingga dapat mengubah seluruh alur kerja dari data ke tindakan. Agen-agen ini mampu menangani tugas-tugas repetitif yang memakan waktu dan secara otomatis memberikan wawasan awal. Dengan begitu, manusia dapat fokus pada pekerjaan yang mereka nikmati, seperti berpikir strategis, analisis mendalam, dan pemecahan masalah kreatif. Semua ini menjadi mungkin berkat Tableau Next. Mengenal platform agentic analytics pertama di dunia Tableau Next dibangun di atas Salesforce Platform dan terintegrasi dengan Agentforce, memberikan kinerja, keamanan, dan skalabilitas tingkat perusahaan, sambil mengintegrasikan wawasan dan tindakan berbasis AI. Pengguna dari berbagai industri dapat berpindah dari data ke wawasan ke tindakan dalam alur kerja yang ada, tanpa harus berpindah-pindah antara platform. Tableau Next adalah platform BI pertama yang berbasis API-first dengan mesin alur kerja yang mencakup seluruh perjalanan analitik, mulai dari data layer, semantic layer, viz layer, hingga action layer. Setiap elemen ini kuat secara individual, tetapi ketika digabungkan, mereka menciptakan sesuatu yang benar-benar revolusioner. Lapisan Data Terbuka Data adalah fondasi segalanya, dan kini menghubungkan serta menyatukan data Anda menjadi lebih mudah dari sebelumnya. Dengan Data Cloud, Anda dapat mengakses data di platform eksternal seperti Snowflake, Databricks, Google BigQuery, atau AWS Redshift tanpa perlu menyalinnya, sehingga memastikan kecepatan dan keamanan, sambil mengurangi biaya penyimpanan. Analis mendapatkan orkestrasi data yang kuat, sementara organisasi diuntungkan dengan harmonisasi semua data. Semantik yang Didukung AI Tableau Semantics memungkinkan Anda membangun satu sumber kebenaran dari semua data Anda, lengkap dengan konteks dan makna. Bantuan AI membantu analis mengurangi waktu persiapan data, sementara wawasan yang konsisten dan terpercaya memastikan bahwa setiap manusia dan agen di organisasi Anda berbicara dalam bahasa bisnis yang sama. Model semantik yang diverifikasi dapat dikurasi, dipromosikan, dan tersedia bagi pengguna di seluruh organisasi, sambil tetap memberikan kebebasan kepada analis untuk melakukan analisis ad hoc. Visualisasi Langkah berikutnya adalah menghadirkan data menjadi hidup dengan visualisasi. Ini mencakup segala hal yang menjadi keunggulan Tableau, kini disajikan melalui pengalaman berbasis API yang lebih kencang, skalabel, dan hemat biaya. Analis dapat menggunakan kembali, berbagi, dan mengatur aset komposabel melalui marketplace bersama yang mencakup metrik, visualisasi, dashboard, dan lainnya. Wawasan terpercaya yang disampaikan dengan kecepatan tinggi dan selalu terkini memberdayakan organisasi Anda untuk membuat keputusan berbasis data. Lapisan Aksi Tableau Next menghadirkan kekuatan otomatisasi Salesforce Flow ke data Anda, membuat alur kerja lebih mulus, mengotomatiskan tugas dengan AI, dan menghemat biaya. Kini, Anda dapat mengotomatiskan tugas-tugas repetitif, meningkatkan efisiensi, dan menciptakan proses bisnis yang andal, semuanya langsung dari grafik dan ringkasan Anda. Keahlian Agentic Analytics Tableau Next memperkenalkan pengalaman agentic analytics yang unik di mana orang dapat berinteraksi dengan agen AI untuk menyelesaikan tugas, mencapai tujuan, dan menjawab pertanyaan. Agen ini menggunakan kemampuan analitik canggih untuk melaksanakan tugas sambil terus belajar dari masukan, umpan balik, dan agen lainnya. Data Pro adalah asisten cerdas untuk persiapan data Anda. Data Pro memberikan saran pintar dan bahkan secara otomatis menangani beberapa perubahan rumit, menghemat waktu dan meningkatkan kualitas data sejak awal. Concierge menyediakan jawaban langsung atas pertanyaan data Anda dalam bahasa yang sederhana. Inspector menawarkan pemantauan data proaktif dan wawasan dengan terus melacak perubahan utama pada data, menganalisis tren, dan memprediksi perbaikan. Marketplace Tableau Next menghadirkan pendekatan modern untuk marketplace analitik, memberikan nilai signifikan melalui pengurangan biaya, inovasi berbasis data, dan layanan mandiri. Marketplace ini dibangun pada kerangka kerja yang memastikan kepercayaan dan konsistensi, sementara arsitektur komposabel memungkinkan inovasi dan skalabilitas tanpa mengorbankan kontrol. Membawa AI Agentic ke Tableau Server dan Tableau Public Bagi Anda yang belum siap beralih ke cloud, kami tetap berinvestasi dalam produk Tableau yang ada. Salah satu cara menghadirkan AI agentic secara on-premises adalah melalui Tableau Server Dashboard Extension yang menyediakan antarmuka percakapan dengan LLM perusahaan Anda, serta solusi BI headless Tableau, VizQL Data Service. Siap memulai perjalanan ini bersama? Setelah bertahun-tahun menjadi pionir dalam analitik, kami sangat berterima kasih kepada Komunitas Tableau yang selalu mendukung perjalanan ini. Kami berkomitmen untuk mendukung Anda setiap langkah menuju era agentic ini. Segera manfaatkan kekuatan Tableau Next dan rasakan transformasi dari agentic analytics! Infrastruktur IT yang kuat adalah kunci produktivitas perusahaan. Dengan tableau indonesia, Anda bisa mendapatkan solusi IT lengkap yang sesuai dengan kebutuhan Anda. iLogo Indonesia sebagai mitra terpercaya siap mengintegrasikan semuanya agar bisnis Anda tetap berjalan lancar dan aman. Hubungi kami sekarang atau kunjungi tableau.ilogoindonesia.id untuk informasi lebih lanjut!

Bergabunglah dengan seorang pengembang utama untuk melihat lebih dalam bagaimana AI digunakan dalam pembuatan hubungan otomatis di Tableau Semantics. Wawancara ini awalnya ditampilkan di blog Salesforce Engineering sebagai bagian dari seri Q&A “Engineering Energizers” Salesforce, yang menyoroti para pemimpin teknik yang membentuk masa depan teknologi. Foto Roni Ben-Oz, pemimpin teknik di Salesforce Roni Ben-Oz, Senior Manager of Software Engineering, memimpin pengembangan pembuatan hubungan otomatis berbasis AI di Tableau Next dan Data Cloud. Timnya merevolusi cara pengguna bekerja dengan data terstruktur dengan mengotomatiskan identifikasi hubungan antar objek data, sehingga menghilangkan kebutuhan konfigurasi manual. Dalam wawancara ini, Anda akan mengetahui bagaimana tim Roni memastikan bahwa hubungan yang dihasilkan oleh AI akurat dan selaras dengan data dunia nyata, dioptimalkan untuk kinerja waktu nyata, dan dapat diskalakan untuk menangani kumpulan data yang sangat besar. Apa misi tim Anda? Roni: Tim kami mengotomatiskan dan meningkatkan pemodelan data dalam Tableau Semantics, lapisan semantik di Tableau Next dan Data Cloud, sehingga memudahkan pengguna membuat hubungan terstruktur antar tabel saat membangun model semantik. Pembuatan hubungan dikembangkan untuk menghilangkan kerumitan dalam persiapan data, memungkinkan pengguna untuk lebih fokus pada analisis daripada definisi manual joins, kunci asing, atau hubungan. Dengan menyematkan otomatisasi berbasis AI langsung ke lapisan pemodelan semantik Tableau dan Data Cloud, fitur ini memastikan penemuan hubungan selaras dengan struktur data yang kompleks sambil tetap mempertahankan akurasi dan efisiensi dalam skala besar. Hubungan yang dihasilkan beroperasi pada tingkat dasar pemodelan. Hal ini memastikan bahwa kueri dan wawasan berbasis AI dibangun di atas skema yang dioptimalkan oleh AI, sehingga meningkatkan akurasi dan kinerja beban kerja analitik. Tim ini berkolaborasi dengan peneliti AI, tim platform data, dan insinyur produk untuk menyempurnakan penemuan hubungan, mengoptimalkan saran berbasis AI, dan mengintegrasikan fitur ini dengan mulus di seluruh lingkungan Tableau dan Salesforce. Apa tantangan teknis terbesar dalam mengembangkan pembuatan hubungan berbasis AI? Roni: Salah satu tantangan terbesar adalah memastikan bahwa hubungan yang dihasilkan oleh AI secara akurat mencerminkan data dunia nyata. Tidak seperti join SQL deterministik, inferensi hubungan berbasis AI memerlukan pemahaman kontekstual yang mendalam tentang metadata skema, kesamaan kolom, dan niat pengguna. Sistem ini harus menyimpulkan dan memvalidasi hubungan bahkan ketika kunci asing atau batasan integritas referensial eksplisit tidak ada. Selain itu, beberapa hubungan yang valid dapat muncul antara tabel, dan AI perlu menentukan mana yang paling relevan secara kontekstual sambil menghindari false positive. Untuk mengatasi hal ini, kami mengembangkan jalur validasi multi-tahap yang memeriksa ulang tipe kolom, definisi skema, dan pola kueri. Jalur ini menyaring hubungan yang lemah atau tidak relevan, menjaga hubungan yang paling mungkin berguna. Sistem ini juga harus berfungsi dengan mulus di berbagai lingkungan Salesforce, termasuk Tableau dan Data Cloud. Hal ini memerlukan arsitektur modular untuk menstandarisasi penemuan hubungan berbasis AI di berbagai mesin basis data, struktur metadata, dan kebijakan tata kelola, sehingga memastikan adaptabilitas dan konsistensi di seluruh ekosistem Salesforce. Bagaimana masalah latensi dalam pembuatan hubungan berbasis AI dioptimalkan? Roni: Salah satu masalah utama adalah mengatasi inefisiensi dalam pemrosesan model bahasa besar (LLM) dan penundaan jaringan yang terkait dengan pengambilan metadata dari kumpulan data besar. Karena penemuan hubungan harus terjadi secara waktu nyata, pengurangan waktu respons menjadi prioritas penting. Untuk mengatasi efisiensi LLM, fokusnya adalah pada pengoptimalan data masukan. Awalnya, definisi skema lengkap memperkenalkan beban komputasi yang tidak perlu. Dengan merestrukturisasi prompt LLM agar hanya mencakup metadata penting, konsumsi token berkurang secara signifikan, yang pada gilirannya menurunkan waktu inferensi. Strategi caching multi-level juga diterapkan untuk lebih meningkatkan kinerja. Selain itu, cache tingkat kedua secara dinamis menyesuaikan panjang keluaran token, memastikan AI hanya mengembalikan data yang paling penting sambil menghilangkan deskripsi yang berlebihan. Proses schema ingestion juga didesain ulang untuk menyederhanakan prapemrosesan. Alih-alih mengirimkan skema tabel lengkap, sistem kini melakukan ekstraksi selektif terhadap bidang-bidang yang relevan. Pendekatan ini meminimalkan jumlah data yang perlu diproses. Untuk menangani skema yang kompleks secara lebih efisien, pemrosesan paralel diaktifkan, memungkinkan beberapa kueri AI dijalankan secara bersamaan. Hal ini lebih jauh mengurangi latensi keseluruhan, memastikan pengalaman pengguna yang lancar dan responsif. Bagaimana biaya layanan dikurangi sambil tetap menjaga akurasi tinggi? Roni: Upaya optimasi biaya berfokus pada meminimalkan biaya inferensi LLM sambil menjaga kualitas layanan. Setiap kueri menimbulkan biaya berdasarkan penggunaan token masukan dan keluaran, sehingga efisiensi menjadi prioritas utama. Berikut langkah-langkah pengurangan biaya layanan yang diterapkan: Pengurangan Token Keluaran: Metadata berlebihan dan elemen yang tidak diperlukan dalam respons AI dihilangkan. Selain itu, jumlah hubungan yang dihasilkan dibatasi. Untuk lebih mengoptimalkan efisiensi, kami memilih model LLM yang seimbang antara kinerja, biaya, dan waktu pemrosesan. Langkah-langkah ini memastikan hanya detail hubungan penting yang dipertahankan, mengurangi jumlah token keluaran dan menurunkan biaya. Optimasi Prapemrosesan: Tahap prapemrosesan dioptimalkan untuk menangani kasus hubungan umum tanpa memanggil model AI. Optimasi ini didasarkan pada pendekatan berbasis aturan dan heuristik, yang secara signifikan mengurangi volume inferensi AI, menghasilkan penghematan biaya yang substansial. Pengaturan Tingkat Dinamis: Sistem pengaturan tingkat dinamis diterapkan, menyesuaikan alokasi token berdasarkan kompleksitas kueri dan perilaku pengguna. Hal ini mencegah panggilan AI yang tidak perlu, memastikan penggunaan sumber daya yang efisien. Caching untuk Hubungan dengan Keyakinan Tinggi: Pemetaan hubungan yang sering digunakan disimpan dalam cache. Ini menghilangkan kebutuhan untuk kueri AI berulang, mengurangi biaya, dan meningkatkan waktu respons. Penghapusan Duplikasi Kueri: Analisis berulang terhadap skema yang sama dicegah, yang dapat memicu biaya inferensi AI yang tidak perlu. Dengan mengidentifikasi dan menghindari kueri duplikat, setiap analisis menjadi lebih efisien dan hemat biaya. Bagaimana tantangan skalabilitas diatasi dalam pemrosesan data berskala besar dan konkurensi pengguna? Roni: Skalabilitas dalam pembuatan hubungan adalah tantangan yang kompleks, terutama dengan kumpulan data besar dan konkurensi pengguna yang tinggi. Pendekatan kami berpusat pada lapisan semantik, yang mempersempit ruang masalah dengan berfokus pada subset tabel tertentu. Fitur auto-join dalam lapisan semantik mengotomatiskan definisi join dan menghilangkan kebutuhan untuk spesifikasi jenis join secara manual. Hal ini merampingkan pembuatan hubungan, meningkatkan efisiensi dan akurasi. Tantangan lainnya adalah peningkatan eksponensial dalam kemungkinan hubungan dengan setiap tabel tambahan, membuat pendekatan brute force menjadi tidak praktis. Untuk mengatasi hal ini, kami memperkenalkan mekanisme pembersihan skema yang cerdas, yang mengoptimalkan kumpulan data sambil mempertahankan presisi dan recall yang tinggi, memastikan skalabilitas tanpa mengorbankan akurasi. Interaksi dengan LLM juga dioptimalkan untuk meminimalkan beban pemrosesan….