Pencarian Berbentuk /heuristik search dan Eksplorasi (MATERI 3)

1. Strategi pencarian berbentuk

Dengan menggunakan Uninformed Search Algorithm, beberapa permasalahan dapat dipecahkan, namun tidak semua algoritma dapat menyelesaikan permasalahan dengan efektif serta efisien.

Informed Search Algorithm, disebut juga dengan Heuristic Search. Pencarian dengan algoritma ini menggunakan pengetahuan yang spesifik kepada permasalahan yang dihadapi selain dari definisi masalahnya itu sendiri.

Pada pencarian dengan metode UCS(Salah satu bagian dai Uninformed Search Algorithm), kita membandingkan nilai pada path yang ada lalu kemudian melakukan ekspansi pertama kali pada path dengan nilai yang terkecil. Nilai path ini biasanya dilambangkan dengan g(n). lebih lanjut lagi, dari metode pencarian tsb, pada Informed Search Algorithm, kita akan mengenal nilai estimasi(prediksi) dari satu node ke node yang lainnya. Nilai estimasi ini biasanya dilambangkan dengan h(n). Jika n adalah goal node, maka nilai h(n) adalah nol.

Metode metode pada Informed Search Algorithm :

• Greedy Best First Search

Metode pencarian ini melakukan ekspansi node yang memiliki jarak terdekat dengan goal node. Namun, ekspansi yang dilakukan pada metode ini menggunakan evaluasi node hanya dengan melihat kepada fungsi heuristiknya. Dengan kata lain, yang dibandingkan untuk penentuan ekspansi node adalah nilai estimasi/prediksinya saja.

F(n) = h(n)

• A * Search (A-Star Search)

Bentuk dari Best First Search yang paling dikenal adalah algorima pencarian A(Dibaca dengan A-Star). Tidak jauh berbeda dengan Greedy yang hanya melihat kepada nilai h(n), pencarian dengan A melihat kepada kombinasi nilai dari pathnya yaitu g(n) dengan nilai estimasi yaitu h(n).

F(n) = g(n) +h(n)

• Heuristic Best First Search

Fungsi heuristic h(n) merupakan estimasi cost dari n ke simpul tujuan. Sangat penting untuk memilih fungsi heuristic yang baik. Misalkan h(n) merupakan cost sebenarnya dari simpul n ke simpul tujuan, maka pada algoritma A terdapat beberapa kemungkinan yang terjadi pada pemilihan fungsi heuristic yang digunakan, yaitu (Amit Gaming) :

• Jika h(n) = 0, sehingga hanya g(n) yang terlibat maka A* akan bekerja seperti halnya algoritma Dijkstra.
• Jika h(n) < h*(n), maka A* akan mengembangkan titik dengan nilai paing rendah dan algoritma A* menjamin ditemukannya lintasan terpendek. Nilai h(n) terendah akan membuat algoritma mengembangkan lebih banyak simpul. Jika h(n) < h*(n), maka h(n) dikatakan heuristicyang admissible.
• Jika h(n) = h*(n), maka A* akan mengikuti lintasan terbaik dan tidak akan mengembangkan titik-titik yang lain sehingga akan berjalan cepat. Tetapi hal ini tidak akan terjadi pada semua kasus. Informasi yang baik akan mempercepat kinerja A*.
• Jika h(n) > h*(n), maka A* tidak menjamin pencarian rute terpendek, tetapi berjalan dengan cepat.

Jika h(n) terlalu tinggi relative dengan g(n) sehingga hanya h(n) yang bekerja maka A* berubah jadi Greedy Best First Search.

2. Algoritma Pencarian Lokal dan Masalah Optimisasi

• Metode Hill Climbing Search

Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristik. Pembangkitan keadaan berikutnya sangat tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristik ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnya yang mungkin(Sri Kusumadewi 2003, h. 34).

Ada dua macam metode Hill

• Climbing Search, yaitu Simple Hill Climbing , Steepest-ascent Hill Climbing (Sri Kusumadewi 2003, h. 39).

Algoritma untuk Hill Climbing Search adalah sebagai berikut :

1. Mulai dari keadaan awal, lakukan pengujian: jika merupakan tujuan, maka berhenti; dan jika tidak, lanjutkan dengan keadaan sekarang sebagai keadaan awal.
2. Kerjakan langkah-langkah berikut sampai solusinya ditemukan, atau sampai tidak ada node baru yang akan diaplikasikan pada keadaan sekarang :

• Cari node yang belum pernah digunakan; gunakan node ini untuk mendapatkan keadaan yang baru.
• Evaluasi keadaan baru tersebut.

– Jika keadaan baru merupakan tujuan, keluar.

– Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan baru tersebut menjadi keadaan sekarang.

– Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan pencarian.

• Simulated Annealing Search

Merupakan ialah suatu algoritma optimasi yang mensimulasikan proses annealing pada pembuatan materi yang terdiri dari butir keristal/logam. Algoritma unt untuk optimalisasi yang bersifat generic. Berbasiskan probabilitas dan mekanika statistic,algoritma ini dapat dipakai untmencari pendekatan terhadap solusi optimum global dari suatu permasalahn. Masalah yang membutuhkan pendekatan simulated annealing ialah masalah-masalah optimisasi kombinatorial, dimana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahn itu.

Secara umum ada 3 hal pokok pada simulated annealing, yaitu:

1. Nilai awal : Unt temperature (T0). Nilai T0 biasanya ditetapkan cukup besar (tidak mendekati 0), karena jika T mendekati 0 maka gerakan simulated annealing akan sama dengan hill climbing. Biasanya temperature awal ini ditetapkan sebesar 2 kali panjang suatu jalur yang dipilih secara acak.
2. Kriteria : Yang dipakai unt memutuskan apakah temperature sistem seharusnya dikurangi.
3. Berapa besarnya pengurangan temperature dalam setiap waktu.

• Local Beam Search

Local beam search adalah algoritma pencarian heuristik yangmerupakan optimasi dari pencarian best-first search yang mengurangikebutuhan memorinya. Dalam Beam Search, hanya jumlah solusiparsial terbaik yang telah ditetapkan yang disimpan sebagai kandidat.

Beam Search membutuhkan tiga komponen sebagai inputnya, yaitu :

1. Masalah yang akan di selesaikan : Biasanya di tampilkan dalam bentuk grafik dan berisi kumpulan node yang tiap satu atau lebih node mengarah ke goal/hasil.
2. Kumpulan aturan-aturan heuristik untuk pemangkasan : Adalah aturan-aturan spesifik yang mengarah ke ruang masalah dan memangkas node yang tidak menguntungkan dari memori yang berhubungan dengan ruang masalah.
3. Memori dengan kapasitas yang terbatas

Adalah memori tempat menyimpan beam, dimana ketika memori dalam keadaan penuh dan node akan di tambahkan ke beam, maka node yang nilainya paling besar yang dihapus, jadi  tidak  akan melebihi memori yang tersedia.

Beam Search memiliki keuntungan yang berpotensi mengurangi perhitungan dan waktu pencarian. Selain itu, pemakaian memori daripencarian ini jauh lebih sedikit daripada metode yang mendasari metode pencarian ini.  Kelemahan utama Beam Search adalah metode pencarian ini mungkin  tidak dapat mencapai tujuan/hasil yang optimaldan bahkan mungkin tidak mencapai tujuan sama sekali. Padakenyataannya, algoritma beam search berakhir untuk dua kasus:  nodetujuan yang diperlukan tercapai, atau node tujuan tidak tercapai dantidak ada node tersisa untuk dieksplorasi.

• Genetic Algorithm

Genetic Algorithm (GA) adalah teknik pencarian dalam bidang komputasi untuk menemukan solusi benar atau pendekatan untuk masalah optimasi dan pencarian. Teknik dalam GA didasarkan pada biologi evolusioner seperti pewarisan, mutasi, seleksi dan crossover.

Dalam GA biasanya ada 2 hal yang harus didefinisikan:

1. Representasi genetis dari domain solusi
2. Fungsi fitness untuk mengevaluasi solusi domain.

Hal-hal yang harus dilakukan untuk menggunakan algoritma genetika:

1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat.
2. Mendefinisikan nilai fitness, yang merupakan ukuran baik tidaknya sebuah individu atau baik tidaknya solusi yang didapatkan.
3. Menentukan proses pembangkitan solusi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random walk.
4. Menentukan proses seleksi yang akan digunakan.
5. Menentukan proses perkawinan silang (cross over) dan mutasi gen yang akan digunakan.

3. Agen pencarian online dan lingkungan yang tidak diketahui.

1. Pencarian buta (uninformed/blind search) : tidak ada informasi awal yang digunakan dalam proses pencarian.
2. Pencarian melebar pertama (Breadth – First Search).
3. Pencarian mendalam pertama (Depth – First Search).

Link PPT:

https://drive.google.com/open?id=1GMj05p3t6NkHAJxjkVWvfOp7QbB6k6rk

Sumber : 

https://adiazep.wordpress.com/2017/11/12/pencarian-berbentuk-heuristik-search-dan-eksplorasi/

https://shabri-prayogi.blogspot.com/2013/08/teknik-pencarian-heuristik-heuristic.html

Penyelesaian Masalah melalui proses Pencarian / Searching

AGEN PEMECAH PERMASALAHAN

Dalam menentukan teknik penyelesaian terbaik dalam AI memang tidak mudah, untuk itu ada beberapa teknik penyelesaian masalah yang perlu kita pahami, antara lain:

1.1 Searching

Teknik penyelesaian masalah yang mempresentasikan masalah kedalam ruang keadaan (state) dan secara sistematis melakukan pembangkitan dan pengujian state-state dari initial state sampai ditemukan suatu goal state.

1.2 Reasoning

Teknik penyelesaian masalah yang mempresentasikan masalah kedalam logic (Mathematical Tools yang digunakan untuk merepresentasikan dan memanipulasi fakta dan aturan)

1.3 Planning

Memecah masalah dalam sub-sub masalah yang lebih kecil, menyelesaikan sub-sub masalah satu demi satu, kemudian menggabungkan solusi-solusi dari sub masalah tersebut menjadi sebuah solusi lengkap.

1.4 Learning

Program komputer yang secara otomatis sanggup belajar dan meningkatkan performancenya  melalui pengalaman

PENCARIAN SEBAGAI SOLUSI PEMECAHAN MASALAH

Searching adalah mekanisme pemecahan masalah yang paling umum di dalam kecerdasan buatan. Di dalam permasalahan-permasalahan kecerdasan buatan, urutan langkah-langkah yang dibutuhkan untuk memperoleh solusi merupakan suatu isu yang penting untuk diformulasikan. Hal ini harus dilakukan dengan mengidentifikasikan proses try and error secara sistematis pada eksplorasi setiap alternatif jalur yang ada.

    STRATEGI PENCARIAN YANG TIDAK BERBENTUK

1.    Depth-First Search

Algoritma Depth First Search (DFS) adalah salah satu algoritma pencarian solusi yang digunakan di dalam kecerdasan buatan. Algoritma ini termasuk salah satu jenis uninformed algorithm yaitu algoritma yang melakukan pencarian dalam urutan tertentu tetapi tidak memiliki informasi apa-apa sebagai dasar pencarian kecuali hanya mengikuti pola yang diberikan.

Di dalam DFS, pencarian dilakukan pada suatu struktur pohon yaitu kumpulan semua kondisi yang mungkin yang diimplementasikan dalam sebuah struktur pohon. Paling atas adalah akar (root) yang berisi kondisi awal pencarian (initial state) dan di bawahnya adalah kondisi-kondisi berikutnya sampai kepada kondisi tujuan (goal state).

Pada prinsipnya, DFS ini menggunakan tumpukan untuk menyimpan seluruh state yang ditemukan atau bisa dikatakan bahwa DFS menggunakan metode LIFO (Last In First Out).

2.    Breadth-First Search

BFS adalah sebuah metode pencarian yang bertujuan untuk memperluas dan memeriksa semua node dari sebuah graf atau kombinasi dari urutan dengan menggunakan semua solusi secara sistematis. dengan kata lain, bfs mencari ke seluruh graf atau urutan secara mendalam tanpa mempertimbangkan tujuannya (goal) sampai tujuan itu tercapai. BFS tidak menggunakan algoritma heuristis.

3.    Uniform Cost Search

Pencarian dengan Breadth First Search akan menjadi optimal ketika nilai pada semua path adalah sama. Dengan sedikit perluasan, dapat ditemukan sebuah algoritma yang optimal dengan melihat kepada nilai tiap path di antara node-node yang ada.

Selain menjalankan fungsi algoritma BFS, Uniform Cost Search melakukan ekspansi node dengan nilai path yang paling kecil. Hal ini bisa dilakukan dengan membuat antrian pada successor yang ada berdasar kepada nilai path-nya (node disimpan dalam bentuk priority queue).

4.    Depth Limited Search

Pencarian menggunakan DFS akan berlanjut terus sampai kedalaman paling terakhir dari tree. Permasalahan yang muncul pada DFS adalah ketika proses pencarian tersebut menemui infinite state space. Hal ini bisa diatasi dengan menginisiasikan batas depth pada level tertentu semenjak awal pencarian. Sehingga node pada level depth tersebut akan diperlakukan seolah-olah mereka tidak memiliki successor.

5.    Iterative Deepening Depth-First Search

Iterative deepening search merupakan sebuah strategi umum yang biasanya dikombinasikan dengan depth first tree search, yang akan menemukan berapa depth limit terbaik untuk digunakan. Hal ini dilakukan dengan secara menambah limit secara bertahap, mulai dari 0,1, 2, dan seterusnya sampai goal sudah ditemukan.

6.    Bidirectional Search

Pencarian dengan metode bidirectional search adalah dengan menjalankan dua pencarian secara simultan, yang satu dikerjakan secara forward dari initial state menuju ke goal, sedangkan yang satu lagi dikerjakan secara backward mulai dari goal ke initial state. Yang kemudian diharapkan bahwa kedua pencarian itu akan bertemu di tengah-tengah.

Link PPT : https://drive.google.com/open?id=1X0bRdCXQyRIIm-rfYAS2DCMlRIOZyb4U

Sumber :http://furqaanm.blogspot.com/2017/09/penyelesaian-masalah-melalui-proses.html

              http://cakweone.blogspot.com/2017/09/agen-pemecah-permasalahan.html

PENGENALAN AI / KECERDASAN BUATAN (Materi 1)

A. PENGERTIAN KECERDASAN BUATAN

Kecerdasan Buatan atau kecerdasan yang ditambahkan kepada suatu sistem yang bisa diatur dalam konteks ilmiah atau Intelegensi Artifisial (bahasa Inggris: Artificial Intelligence atau hanya disingkat AI) didefinisikan sebagai kecerdasan entitas ilmiah. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer (games), logika fuzzy, jaringan saraf tiruan dan robotika.

Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika relatif tidak bermasalah. Seperti contoh: mentransformasikan persamaan, menyelesaikan persamaan integral, membuat permainan catur atau Backgammon.

B. BIDANG ILMU YANG MENJADI DASAR AI

Penerapan AI meliputi berbagai bidang seperti ditunjukkan pada bagian cabang dari pohon AI pada Gambar 1, sedangkan induk keilmuan AI dapat dilihat pada akar dari pohon AI yang antara lain meliputi: Bahasa/linguistik, Psikologi, Filsafat, Matematik, Teknik Elektro, Ilmu Komputer, dan Ilmu Manajemen.

C. SEJARAH KECERDASAN BUATAN

Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelacebekerja pada mesin penghitung mekanis yang dapat diprogram.

Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan "Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas " pada 1943 yang meletakkan fondasi untuk jaringan saraf.

Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah "kecerdasan buatan " pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan "Turing test" sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.

Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan saraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.

Pada tahun 1980-an, jaringan saraf digunakan secara meluas dengan algoritme perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Pada tahun 1982, para ahli fisika seperti Hopfield menggunakan teknik-teknik statistika untuk menganalisis sifat-sifat penyimpanan dan optimasi pada jaringan saraf. Para ahli psikologi, David Rumelhart dan Geoff Hinton, melanjutkan penelitian mengenai model jaringan saraf pada memori. Pada tahun 1985-an sedikitnya empat kelompok riset menemukan kembali algoritme pembelajaran propagansi balik (Back-Propagation learning). Algoritme ini berhasil diimplementasikan ke dalam ilmu komputer dan psikologi. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.

Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

D. Jenis – jenis Agent

·         Simple reflex agents : berdasarkan persepsi yang terakhir.
                

·         Model-based reflex agents: memiliki representasi internal tentang keadaan sekitar.
             

    ·           Goal-based agents: memiliki informasi tentang tujuan, memilih tindakan yang mencapai tujuan.

           ·        Utility-based agents: melakukan penilaian kuantitatif terhadap suatu keadaan lingkungan – utility function.

·         Learning agents: belajar dari pengalaman, meningkatkan kinerja.
                              

LINK PPT : https://drive.google.com/open?id=1CnSy2JujbFeJfyB230TZg0lYMFlEJXc4

Sumber : https://id.wikipedia.org/wiki/Kecerdasan_buatan

                http://pbsabn.lecture.ub.ac.id/2012/05/bidang-aplikasi-artificial-intelligence/

                https://evangelinosite.wordpress.com/2017/10/21/agent-konsep-agent-definisi-serta-contoh/

MANAJEMEN HUBUNGAN BISNIS

MANAJEMEN HUBUNGAN BISNIS


PENDAHULUAN DAN RUANG LINGKUP
Keberhasilan jangka panjang dari penyedia layanan TI bergantung pada hubungannya dengan pelanggannya. Seperti dalam banyak aspek kehidupan lainnya, hubungan jangka panjang yang efektif membutuhkan komitmen dan upaya di kedua sisi untuk mengembangkan dan mempertahankan kepercayaan dan pemahaman yang akan mendukung hubungan melalui masa-masa baik dan buruk.

Dalam arti yang luas, hubungan antara pelanggan dan penyedia layanan TI mencakup spektrum penuh interaksi bisnis di antara mereka, dari hal-hal operasional yang berkaitan dengan pemberian layanan dan kinerja operasional, melalui isu-isu taktis, seperti persyaratan pengembangan atau mungkin kasus bisnis baru atau berubah layanan, untuk pengembangan strategi jangka panjang.   


Bab 13 buku ini menjelaskan bagaimana manajemen tingkat layanan (SLM) menyediakan platform untuk mengelola hubungan relatif terhadap masalah taktis tingkat operasional dan bawah. Bab ini menjelaskan bagaimana manajemen hubungan bisnis (BRM) digunakan untuk menyelaraskan kegiatan penyedia layanan dengan kebutuhan pelanggannya dengan mengembangkan, memperkuat dan memelihara hubungan untuk isu taktis tingkat strategis dan lebih tinggi, dan bagaimana BRMberhubungan dengan proses ITIL lainnya . 

MAKSUD DAN TUJUAN utama BRM adalah membangun dan mempertahankan hubungan yang efektif dan produktif antara pelanggan dan penyedia layanan, yang didasarkan pada pemahaman pelanggan dan kebutuhan bisnisnya. Ini berarti lebih dari sekadar bereaksi terhadap persyaratan pelanggan baru. Ini lebih dalam dari ini. Ini adalah tentang memahami pelanggan, strategi dan penggerak bisnisnya dengan cukup untuk dapat mengantisipasi dan memengaruhi persyaratan pelanggan saat keadaan berubah. Seperti yang dikatakan ITIL † “Manajemen hubungan bisnis adalah proses yang memungkinkan manajer hubungan bisnis untuk menyediakan hubungan antara penyedia layanan dan pelanggan pada tingkat strategis dan taktis.” Pelanggan dan penyedia akan memiliki kepentingan bersama untuk memastikan bahwa pelanggan memahami nilai penawaran layanan dan memiliki harapan yang realistis dari mereka. Agar hubungan semacam itu dapat berfungsi, harus ada komitmen, kepercayaan, keterbukaan, dan kejujuran yang jelas di kedua sisi, dan kadang-kadang hal ini akan mengharuskan penyedia layanan bersikap terbuka dan jujur ​​tentang pelanggan, misalnya dalam kaitannya dengan kewajiban pelanggan telah gagal memenuhi.

BRM harus mencapai sejumlah tujuan jika hubungan itu untuk memberikan. Ini harus jelas didasarkan pada pemahaman yang cukup tentang pelanggan sehingga penyedia layanan dapat mengembangkan kemampuan dan sumber dayanya untuk merespon dalam kerangka waktu yang dapat diterima untuk kebutuhan dan prioritas perubahan pelanggan, dan, jika relevan, untuk membantu pelanggan mengembangkanpersyaratan dalam menanggapi. Penyedia layanan akan dapat mengantisipasi, setidaknya sejauh mana, bagaimana kebutuhan pelanggan dapat berubah dengan keadaan, mengidentifikasi bagaimana layanan baru atau berubah atau penawaran teknologi baru dapat membantu pelanggan merespons secara efektif untuk mengubah atau meningkatkan kinerja. Penyelarasan yang ketat antara penyedia layanan dan pelanggan, dan wawasan yang diberikan penyedia layanan ini, akan memungkinkan penyedia layanan untuk mengidentifikasi konflik nyata atau potensial antara berbagai bagian dari organisasi pelanggan itu sendiri dan membantu menyelesaikan atau memitigasi mereka. Tempat BRM menuntut baik penyedia layanan maupun pelanggan. BRM harus terus menunjukkan nilai dari hubungan tidak hanya melalui memenuhi tujuan yang dibahas di atas, tetapi juga dengan memastikan bahwa penyedia layanan memenuhi kewajibannya untuk kinerja dan kualitas layanan, mencapai tingkat kepuasan pelanggan yang tinggi dalam proses, antara lain oleh memberikan respons yang efektif terhadap pujian dan keluhan.

PRINSIP-PRINSIP UMUM

Dasar untuk BRM

Penyebaran BRM didasarkan pada argumen bahwa baik penyedia layanan dan pelanggan akan memperoleh manfaat dari hubungan yang berusaha menyelaraskan kegiatan penyedia layanan dengan kebutuhan bisnis berkembang pelanggan dan meningkatkan pemahaman pelanggan tentang penawaran penyedia layanan dan nilai mereka untuk bisnis pelanggan. Ini bertentangan dengan pandangan bahwa hubungan pemasok-pelanggan pada dasarnya bersifat permusuhan. BRM membutuhkan komitmen, sehingga kedua belah pihak harus menilai nilai BRM sebelum mengerahkan sumber daya untuk itu. Masalah utama bagi pelanggan adalah apakah hubungan bisnis cukup penting untuk menjadikannya berharga. Hubungan antara pelanggan dan penyedia layanan komoditas di pasar yang kompetitif akan memiliki panggilan yang lebih sedikit untuk manajemen yang terstruktur daripada layanan yang kompleks dan kepentingan strategis bagi pelanggan. Penyedia layanan juga akan ingin fokus pada pelanggan utama atau pelanggan yang memiliki kepentingan strategis bagi mereka.

Kepuasan pelanggan

Kepuasan pelanggan adalah perhatian utama untuk BRM karena begitu banyak proses SM lainnya. Namun, kepuasan pelanggan untuk BRM kurang tentang memberikan layanan kepada target yang disepakati untuk garansi dan utilitas daripada memastikan bahwa pelanggan menerima layanan yang mendukung tujuan bisnisnya. Fokus untuk BRM adalah pada desain dan penyediaan layanan yang menambahkan nilai nyata kepada pelanggan dengan biaya yang masuk akal baik dalam hubungan dengan nilai yang diberikan layanan dan biaya layanan serupa dari pesaing.

Manajemen hubungan bisnis dan manajemen tingkat layanan

Perbedaan fokus antara BRM dan proses lainnya diilustrasikan oleh perbedaan antara BRM dan manajemen tingkat layanan (SLM). Kedua proses tersebut berkaitan dengan hubungan jangka panjang dengan pelanggan dan dengan memastikan bahwa pelanggan senang dengan apa yang disampaikan. Fokus dari SLM adalah tentang menempa perjanjian dengan pelanggan pada tingkat layanan yang akan disampaikan untuk layanan tertentu dan, dengan memastikan tingkat layanan ini terpenuhi, untuk mencapai tingkat kepuasan pelanggan yang dapat diterima. Ini berarti memastikan bahwa semua proses SM, yang mendukung kontrak dan perjanjian tingkat operasional mendukung pencapaian SLA. BRM membangun hubungan dengan pelanggan yang fokus pada isu-isu strategis dan tingkat yang lebih tinggi, berusaha untuk menyediakan layanan yang selaras dengan kebutuhan bisnis pelanggan dan berada dalam kemampuan penyedia layanan untuk menyampaikan. Kepuasan pelanggan adalah ukuran utama keberhasilan BRM, tetapi ini adalah kepuasan pelanggan yang dinyatakan dalam hal nilai layanan kepada pelanggan.

Portofolio pelanggan

Agar efektif, BRM harus menjaga informasi terbaru tentang pelanggannya. Perlu dipahami siapa pelanggan sebenarnya, terutama di organisasi pelanggan yang lebih besar di mana pelanggan dan pengambil keputusan yang sebenarnya mungkin tidak sama dengan pengguna layanan utama. Untuk memahami nilai layanan kepada organisasi pelanggan dan dampak perubahan layanan, penyedia layanan memerlukan informasi yang solid tentang pengguna layanan dan bagaimana bisnis pelanggan bergantung pada layanan yang mereka terima. Penyedia membutuhkan informasi untuk menilai nilai pelanggan tertentu untuk bisnisnya sendiri berdasarkan pada arus pemakaian dan pendapatan yang lalu dan diprediksi. Ini akan memengaruhi keputusan BRM pada sumber daya yang akan diberikan oleh penyedia untuk BRM bagi pelanggan tertentu.Pengetahuan tentang strategi pelanggan dan rencana bisnis memungkinkan BRM memposisikan dirinya, dalam hal sumber daya dan kemampuan, untuk menangani perubahan permintaan pelanggan. BRM harus mengumpulkan dan menyimpan semua informasi ini dalam portofolio pelanggan, basis informasi yang secara logis berisi informasi pelanggan yang cukup untuk memberikan BRM yang efektif.Portofolio perjanjian pelanggan

Bagian dari informasi yang diperlukan pada pelanggan menyangkut perjanjian antara penyedia layanan dan pelanggan. Ini adalah sumber utama informasi yang diperlukan oleh BRM dan dapat dianggap logis sebagai komponen portofolio pelanggan. Namun, dalam prakteknya, yang terbaik dikelola oleh manajemen tingkat layanan, yang membawa tanggung jawab untuk menegosiasikan dan mempertahankan SLA untuk memastikan bahwa semua kontrak pelanggan dan perjanjian lainnya dikelola secara terpusat untuk memastikan bahwa penyedia layanan tidak melakukan komitmen yang tidak dapat dipenuhi. . Untuk penyedia layanan internal perjanjian akan non-kontrak, sedangkan untuk penyedia layanan eksternal perjanjian akan kontraktual. Tergantung pada sifat dan skala penyedia layanan, perjanjian mungkin merupakan perjanjian standar yang diterapkan untuk semua pelanggan atau perjanjian yang dinegosiasikan secara terpisah dengansetiap pelanggan.KEGIATAN UTAMAKegiatan utama BRM berkaitan dengan:• memahami pelanggan dan tujuan bisnisnya dan bagaimana ini diterjemahkan ke dalam persyaratan layanan;• membantu pelanggan merumuskan persyaratan untuk layanan baru dan mengembangkan kasus bisnis pelanggan untuk investasi di dalamnya;
• mengidentifikasi perubahan yang dapat mempengaruhi penggunaan atau persyaratan layanan oleh pelanggan;
• mengidentifikasi perkembangan teknologi dan hal-hal terkait yang dapat memberikan peluang untuk layanan yang lebih baik atau menurunkan biaya bagi pelanggan;
• memastikan bahwa pengiriman dan pengoperasian layanan, termasuk, misalnya, transisi ke operasi penuh, terus mengenali dan memenuhi kebutuhan bisnis pelanggan;
• mengukur tingkat kepuasan pelanggan dengan proses BRM dan kinerja penyedia layanan secara keseluruhan;
• berurusan dengan laporan layanan, keluhan, komentar, dan umpan balik lainnya untuk memastikan penyediaan yang efektif dan peningkatan berkelanjutan dari layanan yang diberikan.

Proses SM lainnya melalui siklus hidup

BRM pada dasarnya bergantung pada dan berinteraksi dengan banyak proses SM lain karena melakukan berbagai aktivitasnya selama siklus hidup layanan. Ketergantungan dan keterkaitan ini diilustrasikan pada Gambar 7.1.

HUBUNGAN DENGAN PROSES MANAJEMEN LAYANAN LAINNYA

Pentingnya BRM dari portofolio pelanggan dan portofolio kesepakatan pelanggan telah dibahas sebelumnya dalam bab ini. Selain ini, BRM memanfaatkan hal berikut:
• Portofolio layanan TI (lihat Bab 10): Ini digunakan oleh BRM untuk mencatat informasi tentang peluang baru untuk pelanggan BRM, sebagai sumber informasi untuk membantu BRM mengevaluasi layanan baru atau berubah dan untuk melacak kemajuan dan status pengembangan layanan untuk pelanggan.
• Portofolio proyek: Ini memberikan informasi secara lebih rinci tentang status proyek yang direncanakan atau sedang berjalan sehubungan dengan layanan baru atau yang diubah untuk pelanggan.
• Portofolio aplikasi: Ini memberikan informasi tentang aplikasi IT yang ada, fungsionalitas yang mereka sediakan, orang-orang yang mengembangkannya dan orang-orang yang mendukung dan mengelolanya.

Manajemen portofolio layanan

BRM akan bekerja sama erat dengan manajemen portofolio layanan, menggunakan informasi yang disimpan dalam portofolio layanan untuk mengidentifikasi cara terbaik untuk memanfaatkan penawaran layanan yang ada atau memanfaatkan perkembangan dalam pipa untuk memenuhi kebutuhan pelanggan. Jika portofolio layanan yang ada tidak dapat memenuhi kebutuhan pelanggan, maka perlu dikembangkan penawaran layanan baru. BRM akan bekerja dengan pelanggan untuk mengartikulasikan persyaratan strategis dan hasil yang diinginkan, menentukan pola kegiatan bisnis, mengidentifikasi pemangku kepentingan, mengembangkan kasus bisnis dan memastikan bahwa pendanaan yang memadai tersedia. Ini akan bekerja dengan manajemen portofolio layanan secara internal untuk menentukan apakah penyedia layanan memiliki sumber daya dan kemampuan untuk menyampaikan.

Gambar 7.1 Kegiatan manajemen hubungan bisnis

Ketersediaan, kapasitas, manajemen tingkat layanan, dan kontinuitas layanan TI

BRM perlu bekerja sama dengan tim desain layanan untuk memastikan bahwa layanan yang dirancang terus memberikan utilitas dan garansi yang ditetapkan, bekerja sama dengan tim proyek untuk memperjelas atau memperluas persyaratan dan menyelesaikan konflik. Selama tahap ini, BRM akan bekerja dengan ketersediaan dan manajemen kapasitas untuk membantu mereka memahami apa yang dibutuhkan pelanggan dan mengapa, terus bekerja dengan pelanggan untuk mengembangkan dan memperbaiki pola aktivitas bisnis dan untuk mengartikulasikan dan menyetujui persyaratan untuk pemulihan bencana / kelangsungan bisnis. Bekerja bersama manajemen tingkat layanan, BRM juga akan berperan dalam pengembangan perjanjian tingkat layanan dan mendapatkan komitmen pelanggan untuk proses SLM. BRM memiliki peran penting untuk dimainkan dalam memastikan persyaratan pelanggan untuk kelangsungan bisnis dipahami dengan benar dan dimasukkan ke dalam Manajemen Kelangsungan Layanan TI.

Ubah manajemen, perencanaan dan dukungan transisi, manajemen pengetahuan, dan rilis dan manajemen penyebaran

BRM akan memastikan bahwa permintaan perubahan diajukan atas nama pelanggan dan bahwa kepentingan pelanggan terwakili sepenuhnya dalam proses manajemen perubahan. BRM juga akan terlibat dalam memastikan pelanggan berada pada kondisi kesiapan yang cukup untuk menerima layanan baru, tidak hanya dalam hal menyetujui dan memvalidasi rencana dan kriteria uji penerimaan pengguna dan menyediakan sumber daya yang diperlukan untuk melakukan tes, tetapi juga dalam hal membuat perubahan yang diperlukan untuk proses dan prosedur melalui manajemen perubahan bisnis. Ini akan terlibat dengan pelanggan dalam mengembangkan pelatihan dan rencana pendidikan, dan termasuk pelanggan dalam pengembangan rencana manajemen pengetahuan. BRM juga akan bekerja sama dengan pelanggan dalam kaitannya dengan rilis dan manajemen penyebaran untuk memastikan bahwa pelanggan memahami rencana rilis dan penyebaran, dampaknya terhadap operasi dan risiko yang terkait. BRM perlu mengkonfirmasi bahwa ada cukup
‘Go live’ dan dukungan kehidupan awal, pelatihan telah cukup dan sesuai dengan tujuan dan bahwa pelanggan memiliki informasi lengkap tentang kesalahan yang diketahui dan memahami bagaimana hal ini dapat mempengaruhi pengoperasian layanan baru.

Peningkatan layanan berkelanjutan

Pengukuran kepuasan pelanggan adalah kegiatan utama untuk BRM selama siklus hidup. Pengukuran kepuasan pelanggan, manajemen tingkat layanan dan
proses peningkatan tujuh langkah semua akan mengidentifikasi peluang untuk peningkatan layanan, seperti juga pertemuan antara pelanggan dan BRM untuk meninjau laporan layanan. Diskusi pada tingkat yang lebih strategis akan mengidentifikasi area-area di mana layanan perlu dimodifikasi, diganti atau diakhiri sebagai tanggapan terhadap penggerak perubahan eksternal, seperti undang-undang dan peraturan baru, persaingan yang berkembang atau berbagai kondisi ekonomi.

Manajemen keuangan untuk layanan TI

BRM membantu manajemen keuangan untuk layanan TI untuk memahami bagaimana pelanggan menilai nilai yang mereka dapatkan dari layanan TI dan apa yang mereka siapkan untuk membayarnya. BRM membantu pelanggan memahami kebijakan, biaya, risiko, dan masalah keuangan penyedia layanan TI lainnya, dan menjelaskan bagaimana biaya penyedia layanan diterjemahkan ke dalam biaya pelanggan. Secara kritis, BRM dapat membantu pelanggan memahami implikasi keuangan dari keputusan perencanaan jangka panjang. 

METRICS

Kinerja BRM diukur dalam kaitannya dengan kegiatan utamanya dan indikator kinerja utama mencerminkan hal ini:• Mendokumentasikan tujuan bisnis pelanggan dan hasil bisnis yang diinginkan yang disepakati dengan pelanggan dan cocok untuk dimasukkan ke dalam portofolio layanan.• Persyaratan yang lengkap dan ditandatangani untuk layanan baru dan kasus bisnis pelanggan untuk penggunaannya.• Mendokumentasikan bukti identifikasi perubahan yang mungkin berdampak pada layanan yang disampaikan dan penyedia layanan menanggapi mereka.• Peluang untuk memanfaatkan perkembangan teknologi baru dan inovasi lainnya diidentifikasi, dinilai bekerja sama dengan pelanggan, didokumentasikan dan dicatat dalam portofolio layanan.• Bukti yang terdokumentasi yang memberikan layanan secara efektif dan efisien memenuhi kebutuhan pelanggan.• Penilaian rutin terhadap kepuasan pelanggan yang menunjukkan tingkat kepuasan yang tinggi, misalnya, melalui bisnis berulang dan rekomendasi positif kepada pelanggan potensial lainnya.• Bukti yang terdokumentasi bahwa peningkatan layanan berkelanjutan dicapai dalam menanggapi dan melalui analisis laporan layanan, keluhan, komentar, dan umpan balik lainnya.

PERAN

Peran kunci dalam BRM, yang mungkin atau mungkin tidak ditugaskan untuk satu orang, adalah pemilik proses hubungan bisnis dan manajer proses hubungan bisnis. Yang pertama bertanggung jawab untuk kinerja yang tepat dari proses BRM dalam kaitannya dengan tujuan dan kebijakan yang disepakati dan standar untuk operasinya. Yang kedua dari dua peran ini berkaitan dengan manajemen operasional proses BRM.Apakah cocok untuk dua peran ini untuk digabungkan dalam satu orang tergantung pada skala organisasi dan strukturnya dalam kaitannya dengan proses SM lainnya. Organisasi penyedia layanan yang lebih besar mungkin memiliki beberapa manajer hubungan bisnis, mungkin digambarkan sebagai manajer akun, yang akan melaporkan kepada manajer proses BRM dan memiliki tanggung jawab untuk satu pelanggan utama atau untuk sekelompok pelanggan.