EIKON Technology

logo Eikon
Menu

machine learning

Google Cloud

Mengenal Fitur Data Praprocessing dari BigQuery ML

 Pra-pemrosesan dan transformasi data mentah menjadi features merupakan langkah penting namun memakan waktu dalam proses machine learning (ML). Terutama ketika seorang data scientist harus memindahkan data. Dalam artikel ini, Anda dapat menyimak tentang bagaimana BigQuery ML dapat menyederhanakan proses tersebut dengan menambahkan dua kemampuan rekayasa fitur. Fitur Data Preprocessing BigQuery ML Photo Credit: Freepik Bulan Oktober 2022 lalu, BigQuery ML meluncurkan beberapa fungsi rekayasa fitur lanjutan. Fitur-fitur tersebut akan membantu mereka untuk menghitung, menormalkan, hingga encode data. Dengan memanfaatkan fitur-fitur ini, tahapan prapemrosesan data pun menjadi lebih cepat dan aman. Berikut adalah beberapa fitur yang diluncurkan BigQuery ML dalam rilisan tersebut: ML.MAX_ABS_SCALER Menskalakan kolom numerik ke range [-1, 1] tanpa pemusatan dengan nilai absolut maksimum. ML.ROBUST_SCALER Skala kolom numerik dengan memusatkan median (opsional) dan membaginya dengan quantile range pilihan ([25, 75] secara default). ML.NORMALIZER Mengubah input numerical array menjadi unit norm array untuk p-norm apa pun: 0, 1, >1, +inf. Standarnya adalah 2, menghasilkan array yang dinormalisasi di mana jumlah kuadratnya adalah 1. ML.IMPUTER Mengganti nilai yang hilang dalam input numerik atau kategori dengan rata-rata, median, atau mode (paling sering). ML.ONE_HOT_ENCODER One-hot encode input kategori. Selain itu, fitur ini secara opsional melakukan dummy encoding dengan menghilangkan nilai yang paling sering. Dimungkinkan juga untuk membatasi ukuran pengkodean dengan menentukan k untuk k kategori yang paling sering dan/atau ambang batas yang lebih rendah untuk frekuensi kategori. ML.LABEL_ENCODER Enkode input kategori ke nilai integer [0, n kategori] di mana 0 mewakili NULL dan kategori yang dikecualikan. Anda dapat mengecualikan kategori dengan menentukan k untuk k kategori yang paling sering dan/atau ambang batas yang lebih rendah untuk frekuensi kategori. Baca juga: Mengenal Fitur Log Analytics dari Cloud Logging yang Telah Didukung oleh BigQuery Ekspor model dengan TRANSFORM Statement Anda kini dapat mengekspor model BigQuery ML yang menyertakan statemen feature TRANSFORM. Kemampuan untuk menyertakan statemen TRANSFORM membuat model lebih portabel saat mengekspornya untuk prediksi online. Kemampuan ini juga berfungsi saat model BigQuery ML didaftarkan dengan Vertex AI Model Registry dan diterapkan ke end point Vertex AI Prediction. Fitur baru ini tersedia melalui Google Cloud Console, BigQuery API, dan client libraries. Baca juga: Pengalaman Terpadu Log Gmail di BigQuery, Seperti Apa? Kemudahan prepemrosesan data dengan BigQuery ML Photo Credit: Freepik Dengan fungsi prapemrosesan baru dari BigQuery ML ini, Anda dapat menyederhanakan eksplorasi data dan prapemrosesan feature. Selanjutnya, dengan menyematkan prapemrosesan dalam pelatihan model menggunakan statemen TRANSFORM, proses penyajian disederhanakan dengan menggunakan model yang sudah disiapkan tanpa memerlukan langkah tambahan. Dengan kata lain, prediksi dilakukan langsung di dalam BigQuery atau sebagai alternatif, model dapat diekspor ke lokasi mana pun di luar BigQuery seperti Vertex AI Prediction untuk penayangan online. Untuk mempelajari cara kerja fitur Data Praprocessing BigQuery ML, Anda dapat mengunjungi halaman tutorial ini. Baca juga: 3 Fitur Rahasia BigQuery untuk Kelola Data Lebih Baik Memanfaatkan fitur Data Praprocessing dari BigQuery ML ini pengguna dapat menyederhanakan proses eksplorasi data secara mudah dan aman. BigQuery ML sendiri merupakan sebuah solusi yang dihadirkan Google Cloud untuk memanggil model ML pada data terstruktur hanya dengan menggunakan SQL. Mulai perjalanan transformasi cloud Anda dengan Google Cloud yang kini telah tersedia di EIKON Technology. Sebagai partner Google Cloud Indonesia, kami menghadirkan produk resmi bergaransi yang disertai dengan konsultasi untuk memastikan penerapan yang mulus dan aman. Informasi lebih lanjut mengenai cara berlangganan, silakan hubungi kami di sini!

Google Cloud

Pedoman Google Cloud untuk Mengembangkan Solusi Machine Learning Berkualitas Tinggi

Saat model machine learning (ML) menghasilkan prediksi yang tidak memuaskan, penyebabnya bisa sangat beragam. Bisa jadi karena bug dari suatu program atau bisa juga karena masalah khusus pada ML itu sendiri. Adanya anomaly data pun dapat menyebabkan kinerja model menurun seiring berjalannya waktu. Apabila model kemudian disematkan ke aplikasi, masalah tersebut akan berpotensi menciptakan pengalaman pengguna yang buruk. Terlebih jika model merupakan bagian dari sebuah proses internal, dampaknya bisa memengaruhi pengambilan keputusan bisnis. Tantangan dalam membangun model machine learning Photo Credit: Piqsels Rekayasa perangkat lunak memiliki banyak proses, alat, dan praktik yang berfungsi untuk memastikan kualitas software. Fungsi alat-alat tersebut mencakup pengujian, verifikasi dan validasi, serta pencatatan dan pemantauan perangkat lunak. Sedangkan dalam pemodelan machine learning, tugas membangun, menerapkan, dan mengoperasikan sistem menghadirkan tantangan tambahan yang memerlukan proses sekaligus praktik tambahan. ML tidak hanya bergantung pada data. Sebab, sistem tersebut menginformasikan pengambilan keputusan secara otomatis tidak hanya dari data, tapi juga dari sistem layanan pelatihan ganda. Baca juga: Memanfaatkan Google Cloud untuk Menyusun Proyek Data Science Dualitas tersebut memang bisa meningkatkan kualitas prediksi ML, namun di waktu yang bersamaan juga bisa mengakibatkan kemiringan penyajian pelatihan. Bukan hanya itu, sistem ML juga rentan mengalami macet dalam proses pengambilan keputusan otomatis. Artinya, anda perlu jenis pengujian dan pemantauan yang berbeda untuk model dan sistem ML dibandingkan dengan sistem software lain. Pedoman pengembangan solusi machine learning Google Cloud Photo Credit: Piqsels Untuk mengatasi permasalahan tersebut, Google menyusun sebuah pedoman komprehensif yang mencakup setiap proses dalam siklus hidup MLOps. Pedoman tersebut juga membahas cara menilai, memastikan, dan mengontrol kualitas solusi machine learning yang sedang Anda kembangkan. Detail pedoman selengkapnya bisa didapatkan di situs Google Cloud. Rangkuman pedoman solusi machine learning Google Secara garis besar, pedoman solusi machine learning yang disusun Google Cloud tersebut membahas 6 topik berbeda. Di sini kami memberikan rangkuman dari pedoman tersebut. Anda bisa menyimaknya dalam poin-poin berikut: Pengembangan model Topik ini membahas tentang bagaimana membangun model ML yang efektif dengan menerapkan pra-pemrosesan data relevan, evaluasi model, serta pengujian model dan teknik debugging. Pelatihan penerapan pipeline Pada bagian ini membahas cara menerapkan rutinitas CI/CD yang mengotomatiskan pengujian untuk fungsi model dan pengujian integrasi komponen alur pelatihan. Panduan ini juga membantu Anda menerapkan strategi penyampaian progresif yang sesuai untuk menerapkan pipeline. Pelatihan berkelanjutan Panduan ini memberikan rekomendasi untuk memperluas alur kerja pelatihan otomatis dengan langkah-langkah yang memvalidasi data input baru untuk pelatihan, sekaligus memvalidasi model output baru yang dihasilkan setelah pelatihan. Bagian ini juga mengajarkan cara melacak metadata dan artefak yang dihasilkan selama proses pelatihan. Model deployment These guidelines address how to implement a CI/CD routine that automates the process of validating compatibility of the model and its dependencies with the target deployment infrastructure. These recommendations also cover how to test the deployed model service and how to apply progressive delivery and online experimentation strategies to decide on a model’s effectiveness. Penerapan model Membahas cara menerapkan rutinitas CI/CD yang mengotomatiskan proses validasi kompatibilitas model dan dependensinya dengan infrastruktur penerapan target. Juga mencakup cara menguji layanan model yang diterapkan dan cara menerapkan strategi pengiriman progresif dan eksperimen online untuk memutuskan efektivitas model. Tata kelola model Menyangkut penetapan standar kualitas model. Bagian ini juga mencakup teknik penerapan prosedur dan alur kerja untuk meninjau dan menyetujui model untuk penyebaran produksi, serta mengelola model yang digunakan dalam produksi. Baca juga: Mengenal BigQuery Explainable AI, Alat Interpretasi Model Machine Learning  Mengembangkan solusi untuk machine learning memang bukanlah suatu proses yang mudah. Pedoman yang dikeluarkan oleh Google Cloud bisa Anda jadikan panduan untuk membantu. Terlebih, panduan tersebut terus diperbarui dan disesuaikan dengan kondisi terkini. Anda bisa langsung mendapatkan update terbaru jika menggunakan Google Cloud. Belum menggunakan Google Cloud untuk pengembangan sistem machine learning perusahaan Anda? Tim EIKON Technology menyediakan layanan konsultasi produk untuk membantu Anda menentukan mana solusi Google Cloud yang paling tepat. Untuk terhubung langsung dengan tim EIKON Technology, silakan klik di sini!

Appsheet

Strategi Mengoptimalkan Machine Learning as a Service (MLaaS)

  Mengingat pentingnya machine learning dalam menyediakan berbagai solusi, banyak perusahaan rela berinvestasi besar-besaran untuk mengembangkan machine learning sebagai bagian penting dari bisnis mereka. Para ahli bahkan memprediksi bahwa per 2026 nanti, jumlah investasi yang dikeluarkan perusahaan untuk machine learning akan mencapai 12,3 miliar Dolar. Namun, bagaimana dengan perusahaan yang tak mempunyai biaya sebanyak itu untuk mengembangkan program machine learning sendiri? Di sinilah Machine Learning as a Service (MLaaS) memberikan solusi. Menawarkan berbagai perangkat yang dapat dengan mudah diadopsi dan dikustomisasi sesuai kebutuhan bisnis, MLaaS memungkinkan perusahaan berskala kecil untuk turut merasakan manfaat machine learning tanpa harus mengeluarkan banyak waktu dan biaya. Agar penerapan MLaaS bisa optimal, berikut beberapa hal yang sebaiknya Anda lakukan. Gabungkan dengan penggunaan platform no-code Photo Credit: Priscilla Du Preez (Unsplash) Bagaimana caranya Anda menggunakan machine learning tanpa harus merancang program sendiri maupun mengembangkan artificial intelligence (AI)? Jawabannya adalah dengan memanfaatkan platform no-code seperti AppSheet dari Google Cloud. Dengan platform no-code, Anda bisa membuat aplikasi yang didukung oleh algoritma machine learning tanpa harus menulis coding sama sekali. Platform no-code memudahkan Anda merancang aplikasi bersifat custom yang memungkinkan pembuat aplikasi maupun penggunanya untuk memanfaatkan langsung sumber data. Misalnya, data yang disimpan dalam database atau spreadsheet dapat ditampilkan sebagai insight atau tren strategis untuk membentuk strategi suatu departemen di perusahaan. Karena tidak memerlukan coding, maka karyawan non-IT pun bisa turut mengembangkan aplikasi bersifat Machine Learning as a Service di platform no-code seperti AppSheet. Walau begitu, bukan berarti perusahaan Anda jadi tidak membutuhkan tim IT. Sebaliknya, tim IT justru bisa menjadi pihak yang bertanggung jawab memelihara tata kelola aplikasi menggunakan platform no-code agar semua berjalan sesuai aturan. Anggap MLaaS sebagai sebuah investasi Photo Credit: Firos nv (Unsplash) Machine Learning as a Service sangat mungkin dikembangkan berkat adanya platform no-code seperti AppSheet. Namun, bagi perusahaan yang belum familiar dengan teknologi satu ini, wajar jika mereka merasa ragu untuk mencoba. Hal yang perlu diingat adalah MLaaS dapat menjadi investasi berharga untuk perusahaan Anda. Coba bayangkan jika Anda mengembangkan sistem machine learning konvensional, Anda harus berulang kali membuat dan menguji aplikasi bisnis baru berdasarkan workflow tim IT. Apabila memang ada sumber daya tenaga, waktu, dan biaya yang mencukupi, mungkin hal tersebut bukanlah suatu masalah. Namun, jika sumber daya cenderung terbatas, Anda tentu akan sulit membagi fokus. Adanya MLaaS memungkinkan Anda dan seluruh anggota tim di perusahaan—bukan hanya tim IT—untuk ikut terlibat dalam perencanaan dan eksekusi. Hal ini sangatlah baik karena para karyawan inilah yang paham betul permasalahan di lapangan, sehingga mereka bisa merancang aplikasi secara tepat fungsi dan sasaran. Identifikasi early adopter dan yakinkan mereka untuk menggunakan MLaaS Photo Credit: fauxels (Pexels) Strategi selanjutnya dalam optimalisasi Machine Learning as a Service adalah mengidentifikasi early adopter di perusahaan. Siapa kira-kira yang akan merasakan paling banyak manfaat dari pengembangan aplikasi no-code? Jika sudah berhasil mengidentifikasi, saatnya Anda meyakinkan mereka untuk mendukung penerapan MLaaS di perusahaan. Kuncinya adalah membuat para early adopter ini memahami besarnya nilai yang ditawarkan MLaaS. Jelaskan bahwa MLaaS mampu menghasilkan solusi atas berbagai kerumitan bisnis dalam skala yang besar. Terlebih, MLaaS juga memberikan kendali kepada seluruh anggota tim untuk menganalisis pemecahan masalah yang selama ini mungkin belum terjamah. Terus menggunakan MLaaS secara berulang Photo Credit: cottonbro (Pexels) Pada dasarnya, aplikasi machine learning akan semakin pintar seiring dengan meningkatnya frekuensi penggunaan. Itulah kenapa teknologi ini disebut dengan machine learning, yang memang betul-betul mempelajari pola penggunaan secara terus-menerus agar bisa memberikan hasil terbaik untuk bisnis Anda. Hal ini tentunya berlaku pula pada Machine Learning as a Service. Dengan kata lain, penggunaan MLaaS sebagai bagian dari transformasi digital di perusahaan merupakan sebuah proses berkelanjutan. Semakin sering Anda menggunakan aplikasi buatan sendiri dalam kegiatan operasional sehari-hari, maka aplikasi tersebut akan memberikan performa yang semakin baik dari hari-hari sebelumnya. Walau dengan sumber daya terbatas, perusahaan berskala kecil dapat merasakan manfaat machine learning melalui penggunaan platform no-code seperti AppSheet untuk mengembangkan aplikasi berbasis Machine Learning as a Service. Mengingat bahwa AppSheet merupakan bagian dari Google Cloud, Anda dapat mengaksesnya dengan menghubungi partner resmi Google di Indonesia. Tak perlu pusing mencari, EIKON Technology telah dikenal selama bertahun-tahun sebagai partner premium Google yang tepercaya di Indonesia. Klik di sini untuk segera terhubung dengan tim EIKON Technology dan berlangganan AppSheet dari Google!

Info

Membangun Industri Manufaktur Berbasis Digital dengan SAP Google Cloud

  Pesatnya perkembangan digital membuat industri manufaktur harus menghadapi banyak tantangan, mulai dari besarnya biaya operasional hingga meningkatnya ekspektasi pelanggan. Kabar baiknya, berbagai tantangan tersebut tidak mustahil untuk diatasi selama ada data bisnis. Terlebih, kini umumnya perusahaan manufaktur telah menerapkan System Application and Product in Data Process (SAP) yang memang fokus pada pengolahan data. Namun, analisis data saja belumlah cukup untuk membangun industri manufaktur berbasis digital yang mampu meningkatkan produksi, meminimalisir masalah, dan jeli menemukan peluang. Agar bisa menghasilkan data yang lebih mendalam, perusahaan manufaktur perlu menggabungkan data SAP dengan data dari machine learning (ML). Caranya adalah melalui integrasi antara aplikasi SAP perusahaan dengan kemampuan ML, artificial intelligence (AI), dan analitik data dari Google Cloud. Kombinasi SAP Google Cloud mendukung percepatan digitalisasi perusahaan manufaktur. Migrasi ke sistem cloud dengan risiko minim Photo Credit: Science in HD (Unsplash) Bagi perusahaan manufaktur yang telah mengadaptasi SAP, Anda pasti paham betapa rumit prosesnya. Karenanya, wajar jika Anda merasa khawatir untuk melakukan integrasi SAP dengan Google Cloud. Bagaimana jika prosesnya lebih rumit dan memakan banyak waktu? Tenang saja, layanan Google Cloud dirancang dengan proses yang sederhana dan dilengkapi sistem keamanan mumpuni. Jika ingin mempercepat proses integrasi, Anda bisa menggunakan template otomatis SAP Google Cloud yang telah disediakan dan mengonsolidasi data SAP dalam cloud. Semua hal tersebut telah tergabung dalam Cloud Acceleration Program untuk para pengguna SAP. Menyediakan solusi migrasi bersifat pre-built, proses integrasi SAP Google Cloud pun bisa berjalan secara lebih efisien dan minim risiko. Manajemen dan integrasi data secara lebih efisien Photo Credit: Christino Morillo (Pexels) Dengan menjalankan SAP pada Google Cloud, Anda dan tim di perusahaan manufaktur dapat memanfaatkan layanan penyimpanan data yang fleksibel tanpa harus mengeluarkan biaya untuk perawatan infrastrukturnya. Nantinya, Anda tak hanya bisa mendapatkan insight berdasarkan riwayat data, tapi juga dari data-data yang bersifat real-time. Jika ingin mendapatkan hasil yang lebih optimal, gabungkan pula data-data tersebut dengan sinyal data dari perangkat Google Cloud, misalnya maps, shopping, dan weather. Dengan begini, perusahaan manufaktur dapat memperoleh insight mendalam atas berbagai faktor penting dalam proses bisnis, mulai dari perencanaan hingga kebutuhan konsumen. Analitik data dilengkapi teknologi machine learning Photo Credit: Brett Sayles (Pexels) Dalam menyimpan dan mengolah data, Google juga memanfaatkan BigQuery, warehouse analisis data tanpa server yang dirancang dengan sistem scalable. Artinya, Anda bisa terus menyesuaikan pemakaian Google BigQuery sesuai kebutuhan sehingga membantu efisiensi biaya pengeluaran. Google BigQuery mampu menganalisis data dalam jumlah besar dari berbagai sumber, termasuk sistem SAP Google Cloud, untuk menghasilkan insight yang mendalam. Bahkan Anda juga bisa mendapatkan prediksi tren dengan memanfaatkan Cloud AutoML yang dilengkapi dengan teknologi machine-learning. Dengan prediksi tren, perusahaan manufaktur dapat mengambil keputusan yang tepat dan berdampak positif terhadap masa depan bisnis. Contohnya untuk membantu meningkatkan hasil produksi, mengurangi keterlambatan produksi, dan sebagainya. Sudah saatnya industri manufaktur meningkatkan intensitas digitalisasi dalam pekerjaan sehari-hari. Menerapkan integrasi SAP Google Cloud merupakan solusi yang tepat. Sebagai langkah awal, pastikan Anda lebih dulu berlangganan Google Cloud melalui partner resmi produk Google seperti EIKON Technology. Untuk mempermudah migrasi ke Google Cloud, Anda bisa berkonsultasi dengan tim EIKON Technology. Klik di sini untuk mempelajari lebih jauh tentang Google Cloud atau langsung saja hubungi EIKON Technology! 

Collaboration, Google Cloud, Productivity

Transformasi Industri FMCG dengan Sistem SAP Google Cloud

  Sejak beberapa tahun belakangan ini, industri fast-moving consumer goods (FMCG)—atau disebut juga dengan consumer packaged goods (CPG)—sedang bergelut dengan perubahan. Konsumen mulai menginginkan pengalaman yang lebih personal dengan brand FMCG. Tak hanya itu, mereka pun memiliki standar yang meningkat terkait tanggung jawab sosial dan transparansi brand. Tuntutan perubahan pada industri FMCG juga ditujukan pada model bisnis yang dijalankan. Jika sebelumnya mayoritas konsumen mendapatkan produk FMCG dengan mendatangi supermarket, kini mulai banyak dari mereka yang mengandalkan layanan berlangganan (subscription) atau pengantaran langsung (direct-to-consumer). Menjawab berbagai tantangan tersebut, banyak perusahaan CPG mulai mengarahkan model bisnis ke arah digital. Alhasil, dibutuhkan pemanfaatan teknologi cloud yang dikenal memiliki keamanan dan fleksibilitas tinggi. Mengingat bahwa banyak perusahaan CPG yang menggunakan SAP, Anda bisa mengintegrasikannya dengan Google Cloud untuk mencapai target digitalisasi perusahaan. Sediakan data maksimal untuk analisis lebih mendalam Photo Credit: Fatos Bytyqi (Unsplash) SAP merupakan singkatan dari System Application and Product in Data Processing, yang diterapkan untuk mendukung aktivitas kerja di perusahaan atau organisasi agar bisa berjalan secara otomatis. Dengan begitu, efisiensi dan produktivitas kerja pun dapat meningkat. Idealnya, sistem SAP terdiri dari bermacam-macam modul dengan tugas masing-masing sesuai perintah. Seluruh modul tersebut akan saling terintegrasi untuk menyajikan data akurat kepada Anda. Nah, melalui kombinasi SAP Google Cloud, Anda bisa mendapatkan data atau insight secara lebih optimal. Beberapa perangkat analitik Google, contohnya Looker dan BigQuery, dapat membantu perusahaan menghubungkan data pelanggan, operasional, dan bisnis sekaligus. Caranya adalah melalui penyatuan sistem SAP dengan sinyal data Google seperti Maps, Ads, atau Shopping. Data tersebut mampu menjalankan tugas-tugas kompleks secara cepat, sehingga perusahaan dapat melakukan analisis secara mendalam dan mendapatkan insight baru seputar pelanggan dan bisnis mereka. Relatif lebih efisien, lebih hemat biaya Photo Credit: Scott Graham (Unsplash) Salah satu kelebihan sistem SAP Google Cloud adalah sifatnya yang scalable. Artinya, Anda bisa terus menyesuaikan pemakaian sistem berdasarkan perkembangan bisnis dan pasar, termasuk di industri FMCG. Hal ini memungkinkan Anda untuk melakukan efisiensi biaya. Anda hanya perlu mengeluarkan biaya untuk hal-hal yang memang diperlukan. Berdasarkan sebuah riset yang dilakukan oleh IDC, penggunaan sistem SAP pada Google Cloud mampu mengurangi biaya operasional tiga tahun hingga 46%, dengan potensi downtime yang menurun hingga 83% dan peningkatan efisiensi tim IT hingga 56%. Dengan begini, Anda dan tim di perusahaan FMCG pun bisa mengalokasikan biaya lebih untuk hal-hal krusial lain seperti eksekusi strategi marketing, riset pasar, hingga aktivitas tanggung jawab sosial perusahaan (CSR). Membangun built-in intelligence dengan teknologi AI dan machine learning Google Photo Credit: Sai Kiran Anagani (Unsplash) Mengikuti tren pasar memang baik untuk dilakukan, terutama bagi perusahaan FMCG yang produk-produknya begitu dekat dengan konsumen. Namun, akan lebih baik jika Anda memiliki kemampuan untuk memprediksi tren tersebut dan menjadi brand yang inovatif. Dibekali teknologi machine learning dan artificial intelligence (AI), sistem SAP Google Cloud mampu memprediksi tren secara akurat. Hal ini dapat membantu banyak divisi di perusahaan FMCG dalam menjalankan tugas masing-masing. Bagi tim marketing, misalnya, kemampuan prediksi tren dari SAP Google Cloud bisa membantu mengevaluasi hasil promosi dan efektivitas biaya pengeluaran. Lalu, bagi tim supply chain, mereka dapat menggunakan hasil prediksi untuk memonitor inventaris sehingga meminimalisir terjadinya kehabisan stok.   Bagi perusahaan FMCG yang selama ini telah menggunakan sistem SAP, tingkatkan performanya melalui integrasi dengan Google Cloud. Berbagai kemudahan di atas akan Anda dapatkan dan digitalisasi perusahaan pun tak lagi mustahil dilakukan. Jadi, jangan buang-buang waktu lagi. Namun, pastikan Anda hanya berlangganan SAP Google Cloud dari partner resmi produk Google yang tepercaya seperti EIKON Technology. Anda bahkan bisa berkonsultasi dengan tim EIKON Technology untuk menentukan infrastruktur cloud paling sesuai dengan kebutuhan perusahaan FMCG Anda. Hubungi EIKON Technology sekarang juga!    

Scroll to Top