Analisis data: Definisi, jenis, peluang kerjaya

Dalam era digital yang serba pantas ini, analisis data telah menjadi komponen penting dalam membuat keputusan yang tepat dan strategik. Dengan jumlah data yang semakin meningkat, organisasi dalam pelbagai sektor bergantung pada analisis data untuk memahami corak, meramal tren, dan meningkatkan kecekapan operasi mereka.

Menurut laporan oleh Universiti Malaysia Pahang (UMP), analisis data memainkan peranan penting dalam meningkatkan produktiviti dan inovasi perniagaan, khususnya dalam menghadapi cabaran Revolusi Industri 4.0.

Selain itu, analisis data turut menjadi asas kepada pembangunan teknologi canggih. Maka, tidak hairanlah jika kemahiran dalam bidang ini kini amat diperlukan dalam pasaran kerja, malah meliputi sektor kewangan, pendidikan, kesihatan, logistik dan perkhidmatan awam.

• Apa itu analisis data?
• Proses analisis data
• Jenis-jenis analisis data
• Kerjaya dalam analisis data
• Cara memulakan kerjaya dalam analisis data
• Aplikasi analisis data dalam dunia sebenar
• Daripada data kepada tindakan
• Soalan lazim

Apa itu analisis data?

Analisis data merujuk kepada proses menyusun, membersihkan, mentransformasikan, dan menganalisis data untuk mendapatkan maklumat yang berguna. Ia membantu organisasi dan individu membuat keputusan berdasarkan data yang diperoleh.

Analisis data digunakan oleh organisasi dan individu untuk memahami apa yang sedang berlaku, mengapa ia berlaku, dan apa yang mungkin berlaku seterusnya.

Dalam sektor kerajaan, analisis data digunakan untuk merancang dasar awam yang lebih berkesan. Di syarikat swasta pula, ia membantu mengenal pasti tingkah laku pengguna, memaksimumkan hasil jualan, serta mengurus kos operasi.

Di hospital, analisis data menyokong keputusan klinikal dan pengurusan kesihatan pesakit. Pendek kata, penggunaan analisis data merentasi pelbagai bidang dan terus berkembang dari hari ke hari.

Peranan utama analisis data

• Mengenal pasti pola dan tren dalam data: Analisis data membantu mengenal pasti corak yang berulang dan perubahan dalam set data yang besar. Pola ini boleh memberikan petunjuk awal tentang tingkah laku pengguna, prestasi pasaran atau isu dalaman.

• Menyokong pengambilan keputusan yang lebih tepat dan strategik: Data yang dianalisis membolehkan organisasi membuat keputusan berdasarkan fakta, bukan anggapan. Ini mengurangkan risiko kesilapan dan membolehkan syarikat merangka strategi yang lebih berkesan.

• Menyediakan ramalan berdasarkan data sejarah: Melalui model ramalan, analisis data boleh menjangka hasil masa hadapan dengan menggunakan data yang dikumpulkan sebelum ini. Ini sangat berguna dalam meramalkan permintaan pelanggan, tren pasaran atau risiko kewangan.

• Meningkatkan kecekapan operasi dan produktiviti: Analisis data boleh mendedahkan bahagian dalam proses kerja yang tidak efisien atau mengambil masa terlalu lama. Dengan maklumat ini, syarikat boleh memperbaiki aliran kerja dan mengurangkan pembaziran sumber. Hasilnya, produktiviti meningkat dan kos operasi dapat dikurangkan.

Proses analisis data

Untuk memastikan analisis data dijalankan dengan cekap dan menghasilkan keputusan yang berkualiti tinggi, terdapat beberapa langkah penting yang perlu diikuti secara sistematik. Berikut adalah peringkat utama dalam proses analisis data:

1. Keperluan data

Langkah pertama adalah menentukan keperluan data dengan memahami objektif analisis secara jelas, iaitu apakah persoalan yang ingin dijawab atau masalah yang perlu diselesaikan.

Berdasarkan objektif tersebut, jenis data yang diperlukan akan dikenal pasti, sama ada data kuantitatif seperti angka jualan atau data kualitatif seperti maklum balas pelanggan. Dengan mengenal pasti keperluan data secara tepat, organisasi dapat menjimatkan masa dan sumber, serta mengelakkan pengumpulan data yang tidak relevan.

2. Pengumpulan data 

Setelah keperluan data dikenal pasti, langkah seterusnya adalah pengumpulan data. Data boleh diperoleh daripada pelbagai sumber seperti pangkalan data dalaman, sistem pengurusan pelanggan (CRM), sensor IoT, media sosial, kaji selidik, wawancara, atau sumber awam seperti laporan kerajaan dan kajian pasaran.

Kualiti data yang dikumpulkan amat penting kerana ia akan mempengaruhi ketepatan dan kebolehpercayaan hasil analisis. Oleh itu, pengumpulan data perlu dilakukan dengan teliti, menggunakan kaedah yang sah serta sumber yang boleh dipercayai.

3. Pemprosesan data

Selepas data dikumpulkan, ia biasanya berada dalam bentuk mentah yang mungkin tidak teratur atau mengandungi maklumat berlebihan. Proses pemprosesan data diperlukan untuk menyusun data tersebut ke dalam format yang lebih teratur dan sedia untuk dianalisis.

Pemprosesan ini mungkin melibatkan penukaran format fail, penggabungan data daripada pelbagai sumber, atau pengasingan data mengikut kategori tertentu. Tujuannya adalah untuk memudahkan langkah-langkah analisis seterusnya dengan memastikan data lebih mudah diakses dan difahami.

4. Pembersihan data

Pembersihan data adalah salah satu langkah yang kritikal dalam proses analisis data. Dalam peringkat ini, sebarang ralat, data yang hilang, pendua, atau ketidakselarasan dalam set data akan dikenal pasti dan diperbetulkan.

Sebagai contoh, rekod pelanggan yang berulang atau data yang mengandungi nilai tidak logik perlu dihapuskan atau dibetulkan. Pembersihan data memastikan analisis dijalankan berdasarkan data yang tepat dan konsisten, sekali gus meningkatkan ketepatan keputusan yang dihasilkan.

5. Analisis data eksploratori (EDA)

Sebelum membuat sebarang kesimpulan, Analisis Data Eksploratori (EDA) dijalankan untuk memahami struktur dan ciri-ciri utama set data. Melalui teknik statistik seperti pengiraan min, median, varians, serta penggunaan graf dan carta, EDA membantu mendedahkan corak tersembunyi, anomali, atau hubungan antara pemboleh ubah.

EDA juga memberikan gambaran awal tentang data dan membantu dalam memilih pendekatan analisis yang paling sesuai. Ini merupakan fasa penting untuk memastikan sebarang keanehan atau ketidakteraturan dalam data dapat dikenal pasti lebih awal.

6. Pemodelan & algoritma

Setelah data diterokai dan difahami, langkah seterusnya adalah pemodelan dan penggunaan algoritma. Di peringkat ini, model statistik atau algoritma pembelajaran mesin seperti regresi linear, pohon keputusan, atau rangkaian neural akan dibangunkan untuk mengkaji hubungan antara pemboleh ubah dan membuat ramalan. 

Pemilihan model bergantung kepada objektif analisis, sama ada untuk mengklasifikasikan, meramal, mengelompokkan, atau mengesan anomali. Model yang dibina akan diuji dan divalidasi untuk memastikan ketepatan dan keupayaan generalisasi terhadap data baharu.

7. Pengeluaran produk data

Hasil daripada analisis, data diproses untuk membangunkan produk data seperti aplikasi, laporan, papan pemuka (dashboard), atau sistem cadangan. Produk-produk ini membantu memudahkan pihak berkepentingan menggunakan penemuan analisis untuk membuat keputusan.

Sebagai contoh, laporan jualan berasaskan data atau sistem peringatan automatik bagi risiko kredit merupakan antara produk data yang dihasilkan daripada proses analisis. Produk ini direka agar mesra pengguna dan mampu menyampaikan maklumat penting dengan jelas serta pantas.

8. Komunikasi keputusan

Langkah terakhir namun amat penting dalam proses analisis data adalah komunikasi keputusan. Penemuan daripada analisis perlu disampaikan dengan jelas dan berkesan kepada pihak berkepentingan seperti pengurus, pelanggan, atau pembuat dasar. Penyampaian ini biasanya dilakukan melalui pembentangan, laporan bertulis, papan pemuka interaktif, atau info grafik.

Penyampaian yang berkesan memastikan hasil analisis bukan sahaja difahami, malah dapat diterjemahkan kepada tindakan yang konkrit dan memberi manfaat kepada organisasi.

Jenis-jenis analisis data

Memahami jenis-jenis analisis data adalah penting kerana setiap satu mempunyai pendekatan, tujuan, dan teknik yang tersendiri. Berikut adalah lima jenis utama analisis data yang sering digunakan dalam industri dan penyelidikan:

1. Analisis statistik deskriptif (Descriptive statistics)

Analisis statistik deskriptif digunakan untuk meringkaskan dan menerangkan ciri-ciri utama sesuatu set data. Ia memberikan gambaran awal tentang maklumat asas seperti purata (mean), median, mod, sisihan piawai (standard deviation), dan julat.

Analisis ini membantu penganalisis memahami taburan data serta mengenal pasti sebarang nilai luar biasa (outlier). Sebagai contoh, dalam analisis jualan bulanan, statistik deskriptif boleh menunjukkan jumlah purata jualan, variasi prestasi antara bulan, serta perubahan minimum dan maksimum.

2. Analisis data eksploratori (Exploratory data analysis – EDA)

Analisis data eksploratori merupakan langkah penting dalam peringkat awal proses analisis data. Tujuannya adalah untuk mengenal pasti corak, tren, dan hubungan tersembunyi dalam data yang mungkin tidak dapat dilihat secara langsung.

Melalui penggunaan visualisasi seperti carta bar, carta pai, histogram, dan plot pencar (scatter plot), EDA membantu membentuk hipotesis awal yang boleh diuji dalam analisis seterusnya. Ia juga berguna untuk mengenal pasti data tidak normal, data yang hilang, serta anomali yang perlu diberi perhatian.

3. Analisis data konfirmatori (Confirmatory data analysis – CDA)

Berbeza dengan EDA, analisis data konfirmatori digunakan untuk mengesahkan atau menolak hipotesis yang telah ditentukan lebih awal. Ia melibatkan ujian statistik seperti ujian-t, ANOVA, dan regresi, yang membolehkan penganalisis membuat kesimpulan berdasarkan data.

CDA biasanya digunakan dalam penyelidikan akademik dan kajian perniagaan, khususnya apabila bukti kuantitatif diperlukan untuk menyokong sesuatu cadangan atau tindakan. Sebagai contoh, jika sebuah syarikat ingin mengetahui sama ada kempen pemasaran baharu berjaya meningkatkan jualan, CDA boleh digunakan untuk menguji keberkesanannya secara statistik.

4. Analisis ramalan (Predictive analytics)

Analisis ramalan merupakan salah satu bentuk analisis yang paling berkuasa dalam era data besar (big data). Ia menggunakan model statistik, algoritma pembelajaran mesin (machine learning), dan data sejarah untuk meramal keputusan pada masa hadapan.

Contoh penggunaannya termasuk meramal permintaan produk, kemungkinan pelanggan menghentikan langganan, atau menilai risiko kredit dalam sektor kewangan. Antara model ramalan yang biasa digunakan adalah regresi linear, pohon keputusan, dan rangkaian neural tiruan. Dengan analisis ramalan, organisasi dapat membuat keputusan proaktif yang lebih tepat dan bersandarkan data.

5. Analisis teks (Text analytics)

Analisis teks digunakan untuk mengekstrak dan mengelaskan maklumat daripada data tidak berstruktur dalam bentuk teks, seperti ulasan pelanggan, komen media sosial, atau laporan perkhidmatan pelanggan. Teknik yang digunakan termasuk pemprosesan bahasa semula jadi (NLP), analisis sentimen, dan pengecaman topik (topic modeling). 

Analisis ini membolehkan organisasi memahami persepsi pelanggan, mengenal pasti masalah yang sering berlaku, serta menyesuaikan strategi komunikasi mereka. Dalam dunia digital hari ini, analisis teks menjadi semakin penting kerana banyak maklumat wujud dalam bentuk teks yang tidak berstruktur.

Kerjaya dalam analisis data

Bidang analisis data menawarkan pelbagai peluang kerjaya yang menarik dan berpotensi tinggi di Malaysia. Dengan pertumbuhan pesat dalam teknologi serta peningkatan keperluan untuk membuat keputusan berasaskan data, permintaan terhadap profesional dalam bidang ini terus meningkat dari semasa ke semasa.

1. Penganalisis data (Data analyst)

Penganalisis data bertanggungjawab untuk mengumpul, membersihkan, dan menganalisis data bagi mengenal pasti pola dan tren yang berguna. Mereka juga menyediakan laporan serta visualisasi data yang membantu dalam proses membuat keputusan.

Selain itu, mereka bekerjasama dengan pasukan lain untuk memahami keperluan data dan menawarkan penyelesaian yang bersesuaian.

Kemahiran Diperlukan:

• Kemahiran dalam alat seperti Microsoft Excel, SQL, dan Tableau

• Kefahaman dalam statistik dan analisis data

• Keupayaan untuk berkomunikasi dengan jelas dan berkesan

Julat Gaji:

• RM3,800 – RM5,800 sebulan, bergantung kepada pengalaman dan industri.

2. Saintis data (Data scientist)

Seorang saintis data menggunakan pembelajaran mesin dan algoritma statistik untuk membuat ramalan berdasarkan data yang tersedia. Mereka membangunkan model prediktif dan analitik bagi menyelesaikan masalah perniagaan yang kompleks serta menganalisis data besar untuk mengenal pasti peluang dan risiko yang mungkin dihadapi oleh organisasi.

Kemahiran Diperlukan:

• Kemahiran dalam bahasa pengaturcaraan seperti Python dan R.

• Pengalaman dalam pemodelan data dan pembelajaran mesin.

• Kefahaman dalam statistik lanjutan dan analisis data besar.​

Julat Gaji:

• RM6,300 – RM8,800 sebulan, bergantung kepada tahap pengalaman dan kepakaran.

3. Jurutera data (Data engineer)

Seorang jurutera data bertanggungjawab untuk membina dan mengurus infrastruktur data dalam sesebuah organisasi. Mereka memastikan data yang dikumpulkan boleh diakses dan digunakan dengan cekap, di samping mengoptimumkan aliran data serta menjaga integriti data agar analisis yang dijalankan dapat dipercayai.

Kemahiran Diperlukan:

• Kemahiran dalam bahasa pengaturcaraan seperti Java, Scala, atau Python

• Pengalaman dengan sistem pangkalan data dan alat ETL (Extract, Transform, Load)

• Kefahaman dalam pengurusan data besar dan sistem pengurusan data

Julat Gaji:

• RM6,000 – RM8,500 sebulan, bergantung kepada pengalaman dan skop projek. ​

4. Penganalisis perniagaan (Business analyst)

Seorang penganalisis perniagaan menggunakan data untuk memberikan cadangan strategik yang membantu syarikat membuat keputusan perniagaan yang lebih baik. Mereka turut menganalisis proses perniagaan sedia ada dan mencadangkan penambahbaikan, di samping bekerjasama rapat dengan pelbagai pihak berkepentingan untuk memahami keperluan dan objektif perniagaan.

Kemahiran Diperlukan:

• Kemahiran dalam analisis data dan pemodelan proses perniagaan

• Kefahaman dalam alat seperti Microsoft Excel, SQL, dan perisian pemodelan proses

• Keupayaan untuk berkomunikasi dan berunding dengan pelbagai pihak

Julat Gaji:

• RM4,500 – RM6,500 sebulan, bergantung kepada pengalaman dan industri.

5. Penganalisis risiko (Risk analyst)

Seorang penganalisis risiko bertanggungjawab untuk menganalisis data kewangan dan operasi bagi mengenal pasti risiko yang mungkin dihadapi oleh organisasi. Mereka juga membangunkan strategi pengurusan risiko serta mencadangkan langkah mitigasi bagi mengurangkan kesan negatif risiko tersebut.

Selain itu, mereka perlu memantau dan melaporkan risiko secara berkala kepada pihak pengurusan.

Kemahiran Diperlukan:

• Kefahaman dalam analisis statistik dan pemodelan risiko

• Kemahiran dalam alat seperti Microsoft Excel dan sistem pengurusan risiko

• Keupayaan untuk menilai dan melaporkan risiko dengan jelas

Julat Gaji:

• RM3,450 – RM5,950 sebulan, bergantung kepada pengalaman dan sektor industri. 

Cara memulakan kerjaya dalam analisis data

Memulakan kerjaya dalam bidang analisis data memerlukan lebih daripada sekadar minat terhadap nombor dan statistik. Ia menuntut pemahaman teknikal yang kukuh, latihan yang relevan, serta pengalaman praktikal yang mantap. Berikut adalah langkah-langkah utama untuk membina kerjaya yang berjaya dalam bidang analisis data:

1. Kuasai kemahiran asas analisis data

Langkah pertama untuk memulakan kerjaya dalam bidang analisis data adalah dengan menguasai kemahiran teknikal asas yang diperlukan. Bahasa pengaturcaraan seperti Python, R, dan SQL adalah antara kemahiran utama yang perlu dipelajari kerana ia membolehkan seseorang memanipulasi dan menganalisis data dengan berkesan. 

Di samping itu, penguasaan alat analisis dan visualisasi seperti Microsoft Excel, Tableau, dan Power BI juga sangat penting untuk membantu membentangkan data dengan cara yang mudah difahami. Memiliki asas statistik yang kukuh juga akan memberikan kelebihan dalam memahami dan mengaplikasikan pelbagai teknik analisis.

2. Ambil kursus dan pensijilan yang berkaitan

Menyertai kursus yang ditawarkan secara dalam talian atau melalui institusi tempatan dapat memperkukuhkan lagi kemahiran dalam analisis data. Platform seperti Coursera, edX, dan Udemy menawarkan pelbagai program pembelajaran yang meliputi topik daripada asas pengaturcaraan hingga kepada analitik perniagaan lanjutan. 

3. Bangunkan portfolio projek

Portfolio ini boleh mengandungi projek-projek yang menunjukkan kemahiran dalam membersihkan data, menjalankan analisis statistik, membina visualisasi data, dan membuat kesimpulan berdasarkan data. Portfolio yang kukuh bukan sahaja membuktikan kebolehan teknikal, tetapi juga menunjukkan kreativiti dan keupayaan menyelesaikan masalah secara praktikal.

4. Dapatkan pengalaman praktikal

Selain daripada pembelajaran teori, pengalaman praktikal dalam bidang ini amat penting untuk membina keyakinan diri dan meningkatkan kecekapan. Pengalaman ini boleh diperoleh dengan menyertai latihan industri atau menjalankan projek data secara sukarela bersama organisasi bukan kerajaan (NGO) atau perniagaan kecil.

Projek-projek ini dapat memberikan pendedahan kepada data sebenar dan cabaran dunia kerja yang nyata, sekali gus meningkatkan kemahiran komunikasi serta keupayaan menyelesaikan masalah.

5. Menyertai komuniti analisis data

Menyertai komuniti dalam talian atau luar talian juga merupakan satu cara yang berkesan untuk terus belajar dan berhubung dengan pakar dalam industri. 

Komuniti seperti ini sering berkongsi sumber pembelajaran, cabaran data, dan peluang kolaborasi projek. Selain itu, ia dapat membantu membina rangkaian profesional yang berguna untuk perkembangan kerjaya.

Aplikasi analisis data dalam dunia sebenar

Analisis data bukan sekadar teori, malah ia memainkan peranan penting dalam menyelesaikan masalah sebenar dan memacu inovasi dalam pelbagai sektor di Malaysia. Daripada sektor perniagaan hingga perkhidmatan awam, penggunaan data secara bijak telah membantu organisasi menjadi lebih cekap, responsif, dan berorientasikan hasil.

Kecerdasan perniagaan (Business intelligence)

Dalam sektor korporat, analisis data digunakan untuk mengumpulkan dan mentafsir maklumat prestasi syarikat, seperti jualan, keuntungan dan tingkah laku pelanggan. Melalui laporan dan dashboard interaktif, pihak pengurusan dapat mengenal pasti masalah lebih awal dan membuat keputusan strategik berdasarkan bukti. 

Contohnya, syarikat e-dagang boleh menggunakan data untuk meramal permintaan produk dan menyesuaikan tahap inventori mereka.

Bangunan pintar (Smart buildings)

Teknologi bangunan pintar menggunakan sensor dan sistem automatik yang menjana data secara masa nyata. Data ini kemudiannya dianalisis untuk meramal penggunaan tenaga, mengesan kerosakan awal, dan mengoptimumkan pengurusan fasiliti.

Hasilnya, pemilik bangunan dapat menjimatkan kos penyelenggaraan serta menjadikan bangunan lebih mesra alam dan efisien dari segi operasi.

Pendidikan

Institusi pendidikan menggunakan analitik data untuk memantau prestasi pelajar dan mengenal pasti mereka yang memerlukan intervensi awal. Melalui sistem e-pembelajaran serta data kehadiran dan keputusan ujian, pendidik boleh merancang strategi pengajaran yang lebih berfokus dan berkesan.

Pendekatan ini membantu meningkatkan kadar kejayaan pelajar serta menyesuaikan pengalaman pembelajaran mengikut keperluan individu.

Analisis boleh replikasi (Reproducible analysis)

Dalam penyelidikan dan sains data, konsep analisis boleh replikasi sangat penting untuk memastikan ketelusan dan kebolehpercayaan hasil. 

Dengan merekodkan setiap langkah dalam proses analisis, pihak lain boleh menyemak atau mengulangi analisis untuk mendapatkan keputusan yang konsisten terutamanya dalam industri farmaseutikal dan sains sosial.

Pembangunan produk berasaskan data

Banyak syarikat teknologi kini membangunkan aplikasi dan perkhidmatan yang berpaksikan data. Contohnya, aplikasi kewangan yang menganalisis corak perbelanjaan pengguna atau aplikasi kesihatan yang memantau data kecergasan untuk memberikan cadangan kesihatan yang sesuai dengan keperluan individu.

Produk seperti ini menjadikan data sebagai asas untuk menambah nilai secara langsung kepada pengguna.

Sebagai contoh nyata, kerajaan Malaysia telah melaksanakan inisiatif Analitis Data Raya Sektor Awam (aDRSA) di bawah Pekeliling Transformasi Pentadbiran Awam. Inisiatif ini bertujuan untuk mempertingkatkan keberkesanan penyampaian perkhidmatan awam melalui penggunaan analitik data berskala besar dalam sektor kerajaan.

Inisiatif ini membuktikan bagaimana data boleh digunakan untuk mentransformasikan sistem penyampaian awam agar lebih responsif dan berasaskan bukti.

Daripada data kepada tindakan

Analisis data memainkan peranan penting dalam dunia moden dengan membantu individu dan organisasi membuat keputusan yang lebih bijak, cekap, dan berasaskan bukti. Daripada proses pengumpulan hinggalah kepada aplikasi dalam kerjaya dan industri sebenar, analisis data membuka peluang yang luas serta berpotensi tinggi.

Dengan menguasai kemahiran yang berkaitan, membina pengalaman, dan memahami aplikasinya dalam dunia sebenar, sesiapa sahaja boleh memulakan perjalanan yang berjaya dalam bidang ini.

Soalan lazim

1. Apakah langkah utama dalam proses analisis data?

Langkah utama termasuk menentukan keperluan data, mengumpul data, memproses dan membersihkan data, serta melakukan analisis eksploratori. Selepas itu, data dimodelkan untuk membentuk produk data dan hasil analisis disampaikan kepada pihak berkepentingan secara jelas dan berimpak.

2. Bagaimanakah cara memulakan kerjaya dalam bidang analisis data?

Seseorang boleh bermula dengan menguasai kemahiran asas seperti pengaturcaraan dan penggunaan alat analisis seperti Excel, SQL dan Python. Kemudian, ambil kursus atau pensijilan yang berkaitan, bangunkan portfolio, dan libatkan diri dalam komuniti profesional untuk membina rangkaian serta pengetahuan industri.

3. Apakah alat dan perisian yang paling banyak digunakan dalam analisis data?

Alat seperti Excel, SQL, Tableau, Power BI, Python dan R sangat popular dalam bidang ini kerana fungsinya yang meluas. Selain itu, perisian analitik seperti SPSS dan SAS turut digunakan dalam persekitaran akademik dan korporat untuk analisis statistik yang lebih kompleks.

4. Bagaimanakah analisis data boleh digunakan dalam pelbagai industri?

Dalam sektor perniagaan, analisis data digunakan untuk meningkatkan prestasi dan merangka strategi pemasaran. Di sektor pendidikan, ia membantu memahami keperluan pelajar, manakala dalam sektor awam dan perkhidmatan, data digunakan untuk menambah baik kecekapan operasi dan menyokong keputusan dasar.