Realitas baru muncul di mana AI, yang ditanamkan langsung ke lanskap data, bekerja sama dengan intelligent agent. Agen ini bertindak sebagai katalisator, membuka insight bagi semua orang, dan memungkinkan tindakan otonom dan real-time yang penting untuk meraih kesuksesan. 

Data & AI Cloud milik Google dibangun untuk mendukung roda ini, menghadirkan AI ke data untuk aktivasi data real-time yang berkelanjutan.

Di Google Cloud Next 2025 silam, Google mengumumkan beberapa inovasi baru Google Data Analytics ke AI yang didukung oleh BigQuery. Simak pembaruannya di artikel berikut!

1. Agen khusus untuk setiap pengguna

Google menyediakan bantuan berbasis AI secara luas di BigQuery dan Looker, dan kini mereka telah memperluasnya ke agen khusus yang paling memenuhi kebutuhan untuk semua peran data, termasuk:

• Data engineering agent di BigQuery (tersedia umum) membantu membuat pipeline data, menyiapkan data, menjaga kualitas (masa pratinjau), dan otomatisasi metadata. Agen ini menggantikan tugas manual yang lama, memastikan data terpercaya, dan meningkatkan efisiensi tim data Anda.
• Data science agent di Google Colab (tersedia umum) mengotomatisasi feature engineering, memilih model secara cerdas, mendukung pelatihan skala besar, dan mempercepat iterasi. Hal ini membebaskan tim data science dari kerumitan data dan infrastruktur, sehingga mereka dapat fokus pada pengembangan alur kerja yang lebih canggih.
• Looker conversational anayltics (pratinjau) memungkinkan interaksi data dengan natural language. Dikembangkan dengan DeepMind, fitur ini melakukan analisis mendalam dengan penjelasan transparan, meningkatkan pemahaman pengguna dan akurasi (hingga ⅔ melalui lapisan semantik). 

Baca juga: Panduan Agentic AI: Memahami Agen AI yang Cerdas dan Mandiri

2. Mempercepat data science dan advanced analytics

Platform BigQuery otonom mengubah kerja data scientist and analyst dengan pengalaman data science berbasis AI dan engine baru untuk analisis real-time data yang kompleks.

BigQuery AI enquiry engine memproses data terstruktur dan tidak terstruktur bersama dengan pengetahuan dari Gemini, memungkinkan pertanyaan kompleks dan analisis gambar.

Data scientist kini dapat mengajukan pertanyaan seperti: “Produk mana dalam inventaris kita yang sebagian besar diproduksi di negara-negara dengan ekonomi berkembang?”. Foundation model secara inheren mengetahui negara mana yang dianggap sebagai ekonomi berkembang.

BigQuery memberdayakan data scientist dengan alat (SQL, Spark, foundation model) di infrastruktur tanpa server Google untuk inovasi yang lebih cepat. 

3. Autonomous data foundation di seluruh data lifecycle

Fondasi data otonom BigQuery memprioritaskan data tidak terstruktur dengan tata kelola terintegrasi, orkestrasi beban kerja beragam, dan format terbuka untuk siap menghadapi tantangan data science dan AI dengan biaya operasional minimal.

BigQuery mengatasi tantangan data tidak terstruktur melalui multimodal tables (pratinjau) untuk penyimpanan Google data analytics dan kueri terpadu, didukung oleh BigQuery governance (pratinjau) yang menyediakan tampilan terpadu untuk pengelola data, termasuk katalog otomatis dan pembuatan metadata, serta BigQuery continuous queries (ketersediaan umum) untuk analisis real-time streaming dalam format apa pun.

Adopsi analisis multimodal di BigQuery meningkat pesar, dan kombinasi BigQuery dengan Vertex AI lebih hemat biaya dibanding platform lain.

Komitmen terhadap ekosistem terbuka diwujudkan melalui BigQuery tables for Apache Iceberg (pratinjau) yang menawarkan fleksibilitas data leakhouse dengan performa dan tooling BigQuery, memungkinkan koneksi terbuka ke berbagai engine serta manajemen tabel adaptif, streaming berkinerja tinggi, insight AI otomatis, skala tanpa server, dan tata kelola canggih dengan kontrol akses terpusat melalui Cloud Storage.

Terakhir, platform data otonom ke AI dapat mengoptimalkan dirinya sendiri. Platform ini dapat meningkatkan skala sumber daya, mengelola beban kerja, dan membantu memastikan efektivitas biaya dengan kemampuan manajemen beban kerja (Generally Available) yang canggih.

Baca juga: Cara AI Agent Mengubah Customer Experience dengan Customer Engagement Suite

Kini, Anda juga dapat memulai perjalanan data dan AI Anda dengan memanfaatkan penawaran migrasi data BigQuery kami. Hubungi PointStar untuk berinovasi menggunakan data di era Agentic AI!

The post Pembaruan Google Data Analytics di Era Agentic AI. Selamat Tinggal Analisis Manual! appeared first on PointStar Indonesia.

Terkadang, banyaknya data yang dimiliki oleh perusahaan tidak didukung dengan penyimpanan dan pengelolaan yang baik sehingga timbul masalah-masalah baru atau mengalami ketertinggalan dibandingkan perusahaan lain.

Perusahaan membutuhkan data warehouse untuk menyimpan seluruh data yang dimiliki perusahaan. Selain dibutuhkan untuk membantu pengambilan berbagai keputusan, data-data tersebut perlu disimpan secara aman.

Perusahaan dapat menggunakan BigQuery untuk menyimpan data yang besar dengan biaya yang lebih murah.

BigQuery adalah data warehouse cloud tanpa server yang memiliki kapabilitas machine learning dan disertai dengan konektivitas yang sangat mudah dengan berbagai perangkat visualisasi data/BI (Business Intelligence).

BigQuery juga mendukung data yang disimpan dari berbagai cloud serta dapat berkembang mengikuti skala data perusahaan. Data milik perusahaan dapat disimpan dan dikelola oleh BigQuery dengan waktu yang cepat. 

Salah satu fitur utama dari BigQuery adalah kemampuannya untuk melakukan ‘query’ atau menganalisis data dengan cepat.

Anda dapat mengajukan pertanyaan kepada BigQuery mengenai data perusahaan yang dimiliki, dan BigQuery akan memberikan hasilnya dalam hitungan detik atau menit, tergantung seberapa besar ukuran data tersebut.

BigQuery juga sangat memudahkan kolaborasi dalam tim yang efisien. Anda dapat mengizinkan beberapa orang lainnya untuk mengakses dan bekerja dengan data yang sama secara bersamaan.

Seluruh tim juga dapat mengakses data secara langsung serta melihat perubahan apa saja yang dilakukan anggota lain.

Tidak hanya itu, BigQuery memiliki berbagai fitur lainnya yang dapat digunakan untuk pengelolaan data perusahaan, antara lain:

BigQuery Maching Learning

Data analyst dapat membangun dan menggunakan Machine Learning pada data yang terstruktur, semi-terstruktur, maupun data tidak terstruktur yang berskala besar langsung dalam BigQuery menggunakan SQL sederhana.

Anda dapat mengekspor model BigQuery ML untuk prediksi online ke Vertex AI atau platform layanan yang Anda miliki.

Anda tidak perlu menggunakan bahasa pemrograman seperti Python atau Java untuk membuat model ML. SQL lebih mudah digunakan karena lebih familiar bagi banyak orang yang bekerja dengan data.

Hal ini memudahkan bagi data analyst yang tidak memiliki latar belakang teknis yang kuat dalam pemrograman agar dapat terlibat dalam ML.

Baca juga: BigQuery sebagai Warehouse Perusahaan Gaya Baru

BigQuery Omni

Fitur selanjutnya yang dimiliki BigQuery adalah BigQuery Omni. BigQuery Omni adalah solusi untuk menganalisa data Anda di berbagai platform cloud dengan efisien.

Anda bisa menggunakan BigQuery di Google Cloud Platform atau cloud lainnya.

Data yang Anda miliki dapat dianalisis oleh BigQuery Omni tanpa perlu memindahkan data dari satu platform ke platform lainnya.

Jika Anda memiliki data yang tersimpan dalam cloud lain, Anda tetap bisa menggunakan BigQuery untuk mengakses dan menganalisis data tersebut.

Meskipun sangat fleksibel, BigQuery Omni tetap memastikan keamanan data Anda. Kolaborasi yang Anda lakukan antara tim Anda dan mitra bisnis Anda akan semakin baik dan terjaga.

Big Query juga memiliki Big Query Analytics Hub yang mampu memperkaya analisis Anda menggunakan set data komersial, publik, dan data yang disediakan oleh Google.

Ini membantu Anda mendapatkan informasi terbaru dan lebih luas dengan sumber data yang berbeda.

Analisa real-time dan akselerasi bawaan

Big Query mampu menganalisa data streaming Anda secara langsung dan dapat di-query dengan cepat.

Data yang masuk terus-menerus akan dapat langsung diambil, misalnya data sensor atau log aktivitas. Lalu Big Query mampu menganalisanya dengan sangat cepat.

Integrasi juga mudah dilakukan dengan produk streaming lain seperti Dataflow. Hal ini memungkinkan data lebih mudah dialirkan ke Big Query sehingga menganalisa data lebih fleksibel dan cepat.

Layanan bernama BI Engine juga dimiliki Big Query yang mampu menyimpan data dalam memori sehingga analisa data yang sangat besar pun dapat dilakukan dengan cepat, dalam hitungan detik.

BI Engine bahkan dapat terintegrasi dengan tools visualisasi data dan tools Business Intelligence lainnya, termasuk Google Sheets yang terhubung.

Baca juga: Penggunaan Data Analytics untuk Bisnis Retail

Big Query sangat efisien dan membantu perusahaan Anda untuk mengelola data dengan efektif, cepat, mudah, dan aman. Big Query juga memiliki banyak fitur lain yang memudahkan pengelolaan data perusahaan Anda.

Sudahkah perusahaan Anda menggunakan Big Query untuk kelola data perusahaan?

Ingin menggunakan Big Query atau mengetahui informasi lebih lanjut mengenai Big Query? Hubungi tim profesional kami untuk mulai sekarang!

The post Fitur BigQuery yang Bermanfaat untuk Pengelolaan Data Perusahaan appeared first on PointStar Indonesia.

Dalam pengelolaan Big Data, kita akan mengenal dua istilah Bigtable dan BigQuery. Kedua layanan ini sekilas mirip, termasuk kata “Big” didalam namanya, tetapi mereka memiliki kasus penggunaan yang sangat berbeda dalam ekosistem Big Data Anda. 

Bigtable is a NoSQL wide-column database optimized for heavy reads and writes.

Pada tingkat penggunaan yang ahli, Bigtable adalah database NoSQL berkolom lebar. Bigtable dioptimalkan untuk latensi rendah, membaca dan menulis data, dan mempertahankan kinerja dalam skala besar. Kasus penggunaan bigtable memiliki skala atau throughput tertentu dengan persyaratan latensi yang ketat, seperti IoT, AdTech, FinTech, dan sebagainya. Jika throughput tinggi dan latensi rendah tidak menjadi skala prioritas bagi Anda, database NoSQL lain seperti Firestore mungkin lebih cocok.

BigQuery is an enterprise data warehouse for large amounts of relational structured data.

Di sisi lain, BigQuery adalah Enterprise Data Warehouse (EDW) untuk data terstruktur relasional dengan jumlah besar. BigQuery dioptimalkan untuk analisis dan pelaporan skala besar yang berbasis SQL ad-hoc. Anda bahkan dapat menggunakan BigQuery untuk menganalisis data dari Cloud Bigtable.

Karakteristik Cloud Bigtable

Bigtable adalah database NoSQL yang dirancang untuk mendukung aplikasi besar dan terukur. Anda bisa menggunakan Bigtable saat membuat aplikasi yang perlu diskalakan secara besar-besaran dalam hal membaca dan menulis per detik. Throughput Bigtable dapat disesuaikan dengan menambahkan/menghapus node – setiap node menyediakan hingga 10.000 kueri per detik (baca dan tulis).

Anda dapat menggunakan Bigtable sebagai mesin penyimpanan untuk aplikasi skala besar dengan latensi rendah serta pemrosesan data dan analitik yang intensif. Ini menawarkan ketersediaan tinggi dengan SLA 99,5% pada zonal instance. Bigtable juga sangat konsisten dalam satu cluster; replikasi menambahkan konsistensi terakhir di dua cluster dan meningkatkan SLA menjadi 99,99%.

Baca juga : Tren Hybrid Working yang Mulai Diminati Karyawan dan Perusahaan

Cloud Bigtable adalah database key-value yang dirancang sebagai tabel yang jarang diisi. Skalanya dapat mencapai hingga miliaran baris dan ribuan kolom, memungkinkan Anda untuk menyimpan data dengan ukuran terabyte atau bahkan petabyte. Desain ini juga membantu menyimpan data dalam jumlah besar per baris atau per item, sehingga cocok untuk prediksi machine learning. Ini adalah sumber data yang ideal untuk operasi gaya MapReduce dan terintegrasi dengan mudah dengan alat data besar yang ada seperti Hadoop, Dataflow, dan Dataproc. Bigtable juga mendukung standar HBase API open-source agar mudah diintegrasikan dengan ekosistem Apache.

Karakteristik BigQuery

BigQuery adalah data warehouse (DW) berskala petabyte yang dirancang untuk menyerap, menyimpan, menganalisis, dan memvisualisasikan data dengan mudah. Biasanya, Anda akan mengumpulkan data dalam jumlah besar dari seluruh database dan sistem pihak ketiga lainnya untuk menjawab pertanyaan spesifik. Anda dapat menyerap data ini ke dalam BigQuery dengan menguploadnya dalam batch atau dengan mengalirkan data secara langsung untuk mengaktifkan analisis real-time. BigQuery mendukung dialek SQL standar yang sesuai dengan ANSI, jadi Anda sudah siap jika sudah mengetahui SQL. Anda pasti akan menyajikan aplikasi yang menggunakan Bigtable sebagai database, tetapi Anda tidak akan memiliki aplikasi yang menjalankan kueri BigQuery sepanjang waktu. Cloud Bigtable unggul dalam serving path, sedangkan BigQuery lebih unggul dalam hal analisis. 

Setelah data Anda berada di BigQuery, Anda dapat mulai melakukan kueri pada data tersebut. BigQuery adalah pilihan tepat saat kueri Anda mengharuskan Anda memindai tabel besar atau Anda perlu melihat seluruh kumpulan data. Ini dapat mencakup kueri seperti jumlah, rata-rata, jumlah, pengelompokan, atau bahkan kueri untuk membuat model pembelajaran mesin. Kasus penggunaan BigQuery yang umum mencakup penyimpanan dan analisis skala besar atau pemrosesan analitik online (OLAP).

Karakteristik Umum 

BigQuery dan Bigtable adalah cloud-native dan keduanya memiliki SLA yang unik dan terdepan di industri. Karena pembaruan dan peningkatan terjadi secara transparan di belakang layar, Anda tidak perlu khawatir tentang masa pemeliharaan atau merencanakan waktu henti untuk kedua layanan tersebut. Selain itu, mereka menawarkan skala tak terbatas, sharding otomatis, dan pemulihan kegagalan otomatis (dengan replikasi). Untuk transaksi cepat dan kueri yang lebih cepat, BigQuery dan Bigtable memisahkan pemrosesan dan penyimpanan, yang membantu memaksimalkan throughput. 

The post Perbedaan Bigtable dan BigQuery appeared first on PointStar Indonesia.