Die meisten fehlenden Erkenntnisse sind auf Datenverzerrungen zurückzuführen

Von hundert Personen schaffen es nur fünf, aus den unzähligen Überwachungstools, die sie zur Überwachung der Leistung, Verfügbarkeit und Sicherheit ihrer digitalen Assets verwenden, die nötigen Erkenntnisse zu gewinnen .

Die anderen fünfundneunzig? Sie könnten genauso gut auf niedliche, aber ineffektive Venn-Diagramme starren.

Einer der Gründe für fehlende Erkenntnisse ist nicht etwa ein Mangel an Werkzeugen oder gar Daten, sondern die fortwährende Verzerrung der Daten.

Kontinuierliche Datenverzerrung

Datenverzerrungen werden durch eigensinnige Kuratierung innerhalb eines Systems verursacht. Eine eigensinnige Kuratierung ist das Ergebnis von Entscheidungen zu allen möglichen Themen, von der Frage, welche Daten aus welchen Systemen erfasst werden, bis hin zur Art und Weise, wie Visualisierungen auf Dashboards angezeigt werden.

Eine der größten Quellen von Datenverzerrungen sind veraltete agentenbasierte Systeme, die die Bereitstellung zusätzlicher Software auf jedem System erfordern, von dem Sie Daten erfassen möchten. Agenten werden normalerweise mit einer Analyseplattform gekoppelt und in der Vergangenheit waren die Kosten für Agenten häufig im Preis dieser Produkte enthalten. Bei großen Einsätzen gibt es natürlich einen Rabatt, aber dennoch ist es ein kostspieliges Unterfangen.

Die Kosten für die Bereitstellung und Verwaltung von Agenten führten zu einer Datenverzerrung, da sie die Systeme beschränkten, aus denen Sie Daten erfassen konnten. Die Entscheidung über die Bereitstellung wurde häufig von erfahrenen oder nicht erfahrenen Meinungen über die Sinnhaftigkeit der Überwachung einer bestimmten Application oder eines bestimmten Systems bestimmt.

Auch die Menge der generierten Daten stellt eine Quelle ständiger Verzerrung dar, da sie zu Entscheidungen führt, die auf der Meinung über den Wert bestimmter Datenpunkte beruhen. Brauchen Sie wirklich alle diese Kennzahlen oder können wir es auf drei oder vier beschränken? Die eigensinnige Kuratierung der Messgrößen bedeutet, dass es keine Möglichkeit gibt, Verschiebungen oder Änderungen der Daten insgesamt zu validieren. Diese Verschiebungen oder Änderungen könnten auf ein potenzielles Problem – oder Risiko – hinweisen, werden jedoch übersehen, weil die Daten als unbedeutend erachtet werden.

Schließlich führen Entscheidungen zur Dashboard-Visualisierung zu einer stärkeren Interpretationsverzerrung und basieren häufig auf Fähigkeiten und Erfahrungen, die andere Dashboard-Benutzer möglicherweise nicht teilen. Sogar die Wahl des Diagramms kann zu einer Verzerrung führen. Dies gilt insbesondere für zeitreihenbasierte Betriebsmesswerte wie Leistung und Verfügbarkeit.

Balkendiagramme werden häufig zur Darstellung von Zeitreihendaten verwendet, sind jedoch nicht so aussagekräftig wie Liniendiagramme. Ein Balkendiagramm zwingt uns, die Balkenhöhen zu vergleichen, um Veränderungen in der Reaktionszeit zu verstehen, statt uns anhand der Form der Linie zeigen zu lassen, was passiert. Diese einfachen Entscheidungen können tiefgreifende Auswirkungen auf Bediener haben, die sich auf die Visualisierung verlassen, um Einblick in den Betriebszustand eines Systems zu erhalten.

Alle diese Entscheidungen führen fortlaufend zu einer Verzerrung der Daten und beeinträchtigen unsere Fähigkeit, sie zu interpretieren – und somit Erkenntnisse darüber zu gewinnen, was sie wirklich bedeuten.

Datenverzerrungen beseitigen

Wenn wir in einer standardmäßig digitalisierten Welt bessere Entscheidungen treffen wollen, benötigen wir bessere Daten. Und das bedeutet, dass wir Datenverzerrungen so weit wie möglich beseitigen müssen.

Dies ist einer der Gründe, warum OpenTelemetry so vielversprechend ist. Durch die Standardisierung der Generierung und Aufnahme von Telemetriedaten mithilfe von Open-Source-Agenten (und damit kostengünstigen bis kostenlosen Agenten) können wir einen großen Beitrag zur Beseitigung einer der Hauptursachen für Datenverzerrungen leisten: das IT-Budget. Indem Sie sicherstellen, dass Sie Telemetriedaten von jedem System erfassen können und nicht nur von einigen wenigen, die als „würdig“ erachtet werden, eliminieren Sie eine erhebliche Quelle der Verzerrung Ihrer Daten. Aus diesem Grund beinhaltet unsere Edge-Vision die Idee, die Generierung von Telemetriedaten in die Plattform selbst einzubetten, sodass sie immer und überall verfügbar ist.

Auch Data Lake als Service kann ein wirksames Mittel sein, um der durch die Kuratierung entstehenden Verzerrung aufgrund des Volumens und der mit der Zeit anfallenden Speicherkosten entgegenzuwirken. Durch das Outsourcing von Umfang und Kapazität können Unternehmen mehr Telemetriedaten freier verarbeiten und so Anomalien und Muster, die sich auf die Leistung usw. auswirken, leichter erkennen. In den vergangenen fünf Jahren haben wir eine wachsende Zahl solcher Dienste erlebt, die oft in der Kategorie XaaS zusammengefasst sind und weiterhin in zunehmendem Maße das IT-Budget aufzehren. Deloitte stellte in einem diesjährigen Bericht zu XaaS fest , dass fast die Hälfte der Unternehmen mindestens die Hälfte ihrer IT-Ausgaben für XaaS bereitstellen wird.

Und schließlich kann durch die Migration von Visualisierungen zu Erkenntnissen das Problem der Verzerrung bei der Bereitstellung operativer Daten im Dashboard behoben werden. Anstatt nur Momentaufnahmen von Datenpunkten anzuzeigen, liefern Erkenntnisse Informationen auf Grundlage von Mustern und Beziehungen, die in den Daten entdeckt wurden. Darüber hinaus können durch die gewonnenen Erkenntnisse unnötige Notfallübungen vermieden werden, die durch die Abhängigkeit von binären Messwerten entstehen. Moderne Systeme sind so konstruiert, dass sie bei Ausfällen automatisch wiederhergestellt werden. Wenn Sie jedes Mal benachrichtigt werden, wenn dies geschieht, kann dies zu Alarmmüdigkeit führen, die wiederum die Produktivität mindert. Durch die Fähigkeit, Telemetriedaten im Kontext eines gesamten Benutzerflusses zu analysieren, lässt sich erkennen, wann bei einer ausgefallenen Komponente ein Eingriff erforderlich ist und wann nicht. Durch die Migration von einem Modus, der auf der Interpretation mehrerer Visualisierungen beruht, zur Nutzung umfassender Erkenntnisse können einige der der Visualisierung innewohnenden Verzerrungen eliminiert werden.

Da sich Unternehmen zunehmend einem digitalen Standardmodell nähern, sind sie zwangsläufig immer stärker auf Daten angewiesen. Die Beseitigung von Verzerrungen in diesen Daten ist ein entscheidender Schritt, um sicherzustellen, dass auf diesen Daten basierende Entscheidungen zum bestmöglichen Ergebnis für Kunden und Unternehmen führen.