Telemetrie: Eine andere Art von Daten
Als Branche sind wir bereit, über nahezu jeden Aspekt der Technologie zu diskutieren. Unsere Stärke scheint jedoch im Streiten über Terminologie zu liegen. Fachjargon. Wörter.
Wolke. DevOps. SDN. Offen. Die Definition dieser Begriffe ist noch immer umstritten, so wie Hundehaare ein schwarzes Sofa umstritten sind.
Sie verwenden Ihre Vergleiche und ich verwende meine, vielen Dank.
Heute möchten wir über einen Begriff sprechen, der sicherlich noch etwa ein Jahrzehnt lang für Diskussionsstoff sorgen wird: Telemetrie. Sind es nicht letztlich bloß Daten? Nutzen wir Telemetrie nur, weil sie attraktiver klingt als Daten?
NEIN. Gar nicht.
Letztlich sind sowohl Daten als auch Telemetrie organisierte Informationseinheiten. Es ist kein Verbrechen, sie synonym zu verwenden. Doch wenn man es genau nehmen will, besteht tatsächlich ein Unterschied. Und dieser Unterschied wird immer wichtiger, wenn Unternehmen in die Datenökonomie eintreten.
Telemetrie leitet sich von zwei griechischen Wörtern ab: „tele“ und „metron“, die „entfernt“ und „messen“ bedeuten. Laut Wikipedia ist „Telemetrie die Erfassung von Messungen oder anderen Daten an entfernten oder unzugänglichen Punkten und ihre automatische Übertragung an Empfangsgeräte zur Überwachung.“
Aus diesem Grund werden so viele Betriebsdaten als Telemetriedaten bezeichnet – weil sie (fern) erfasst und an ein anderes System übertragen werden. Die Existenz von Telemetriedaten ist nichts Neues. Es ist ein angeborenes Nebenprodukt jedes Netzwerk- und Anwendungsdienstes, seit es diese gibt. Bei der Netzwerk- und Anwendungsüberwachung werden seit Jahrzehnten Agenten und Protokolle zur Erfassung von Telemetriedaten verwendet. Sein Wert lag hauptsächlich bei der Fehlerbehebung bei Problemen im Datenpfad.
Doch während die Geschäftswelt die digitale Transformation durchläuft und die Grenzen zwischen Geschäftsprozessen und Technologie immer mehr verschwimmen, können Telemetriedaten aus dem gesamten Datenpfad Einblicke in technische und geschäftliche Probleme liefern. Da Unternehmen bei der Geschäftsabwicklung – intern und extern, mit Kunden und Partnern – immer stärker auf Anwendungen angewiesen sind, sind die Telemetriedaten, die von den Anwendungsdiensten generiert werden, aus denen der Datenpfad besteht, von größtem Nutzen.
Wenn Sie sich diesen Pfad ansehen, werden Sie feststellen, dass mindestens ein – auf jeden Fall eher zehn – Anwendungsdienste für Skalierbarkeit und Sicherheit sorgen.
Jeder Anwendungsdienst – und die Plattformen, auf denen sie bereitgestellt werden – verfügen über wertvolle Informationen zum Status einer bestimmten Kundenerfahrung. Alles, von Merkmalen der Benutzerplattform (Gerätetyp, Standort, Netzwerk) bis hin zur bei jedem einzelnen „Hop“ entlang des Datenpfads verbrachten Zeit, kann zur Behebung von Vorfällen, Identifizierung böswilliger Akteure und zur detaillierten Beschreibung von Leistungsproblemen verwendet werden. Dabei handelt es sich nicht um „Kundendaten“ oder „Unternehmensdaten“, sondern um Betriebsdaten. Es ist Telemetrie.
Um diese Daten jedoch wirklich nutzen zu können, müssen wir eine Möglichkeit finden, die enormen Datenmengen, die von Anwendungsdiensten im Datenpfad stammen können, zu erfassen und anschließend zu analysieren. Hier kommt die Cloud ins Spiel.
Warum die Cloud für die Nutzung von Telemetrie von entscheidender Bedeutung ist
Heute werden nur einige Telemetriedaten erfasst, da zur Speicherung aller Daten mehr Speicherplatz erforderlich wäre, als verfügbar ist.
Die Menge der gesendeten und möglichen Telemetriedaten ist überwältigend. Die meisten Systeme können Telemetriedaten von höchstens ein paar Wochen oder Tagen speichern. Um Platz zu sparen, werden sie häufig in Zeitreihen unterteilt. Aber auch das kann die unglaubliche Speicherbelastung nicht stoppen. Schließlich müssen sie gelöscht werden, um Platz für neuere, relevantere Telemetriedaten zu schaffen.
Aus diesem Grund werden erweiterte Analysedienste in der Regel in einer öffentlichen Cloud gehostet. Die Kapazität der Cloud-Rechen- und Speichertechnologie in Verbindung mit maschinellem Lernen bietet die technologischen Grundlagen, die für die Erfassung, Speicherung und Verarbeitung riesiger Mengen an Telemetriedaten erforderlich sind. Mithilfe ausreichend robuster Telemetriedaten können mithilfe erweiterter Analysen durch die Erkennung von Mustern und Beziehungen zwischen scheinbar unterschiedlichen Datenpunkten Unternehmen umsetzbare Erkenntnisse bereitgestellt werden.
Doch um dieses Ziel zu erreichen, müssen die Anwendungsdienste so viele Telemetriedaten ausgeben, wie ein Cloud-basiertes Repository aufnehmen kann. Und die Daten müssen von möglichst vielen Punkten entlang des Datenpfads kommen. Je mehr Informationen aus einem Kundenerlebnis (dem Datenpfad) gesammelt werden können, desto wertvoller sind sie für das System bei der Suche nach Mustern und Beziehungen, die umsetzbare Erkenntnisse zutage fördern, die sowohl das Kundenerlebnis als auch die Geschäftsleistung verbessern.