L’approccio di un Executive Architect a FinOps Come l’IA e l’automazione semplificano la gestione dei dati

Il punto di vista di un Executive Architect su FinOps come l'IA e l'automazione semplificano la gestione dei dati

Abbiamo imparato ad affrontare FinOps come sia una mentalità che un insieme di capacità di soluzioni cloud. Sì, FinOps permette alle aziende di sfruttare il valore del cloud in modo coerente e continuo (savings del 20-30% ogni anno secondo un recente articolo di McKinsey), ma porta anche a crescita e innovazione. Per realizzare risparmi sui costi e benefici di trasformazione, è indispensabile considerare il vostro impegno in FinOps come una priorità aziendale critica.

Negli ultimi due anni – e dopo più di venti esperienze di consulenza – possiamo riassumere un gruppo di problemi che impediscono il successo di FinOps.

I dirigenti aziendali si impegnano molto tardi per i principi di FinOps, permettendo che troppo focus, personale esperto e budget siano diretti verso capacità operative e tattiche piuttosto che competenze strategiche che guidano i risparmi futuri sul cloud. Le squadre non riescono ad allineare i principi fondamentali di FinOps con i principi di gestione dei dati sul cloud, assicurando il loro successo. Inoltre, non vengono sviluppate o vengono trascurate competenze fondamentali, portando a lacune nelle capacità di FinOps che si consolidano, impedendo di realizzare i vantaggi economici di FinOps.

Per evitare tali rischi, questo articolo metterà in atto quattro discipline di FinOps:

• Un mezzo più semplice per la comunicazione tramite luce visibile
• Ricercatori hanno insegnato a un algoritmo a gustare
• Rivoluzione Magnetica Diamanti e Ruggine Riscrivono i Libri di Fisica

1. Comprendere l’utilizzo e i costi del cloud
2. Analisi dei dati e del risparmio
3. Gestione delle anomalie
4. Gestione del lavoro e automazione

Punto di enfasi – Intelligenza Artificiale e automazione nella gestione dei dati consentono ai dati adeguati, affidabili, completi ed igienicamente puliti di guidare il vostro ciclo di vita di FinOps. Perseguiamo ciò con un approccio basato su strumenti, in modo che la vostra azienda abbia le competenze necessarie per fornire una soluzione di FinOps con una mentalità di gestione dei dati sul cloud testata sul campo.

In quanto attore positivo nel dominio pubblico di FinOps, questo articolo si attiene alle condizioni di utilizzo e termini di attribuzione FinOps 4.0.

Cos’è FinOps?

FinOps è una disciplina di gestione finanziaria del cloud in evoluzione e una pratica culturale che consente alle organizzazioni di ottenere il massimo valore aziendale aiutando i team di ingegneria, finanza, tecnologia e business a collaborare nelle decisioni di spesa basate sui dati. Se FinOps si basa sulle decisioni basate sui dati, la gestione dei dati sul cloud sarà sempre fondamentale per FinOps.

Ricordiamo che FinOps è anche un mandato strategico in cui i team gestiscono i costi del cloud in modo efficace e raggiungono un consenso sulle pratiche fondamentali, permettendo alle linee di business di migliorare la proprietà del loro utilizzo del cloud supportato da un gruppo centrale di best practices. I team interfunzionali nelle discipline di ingegneria, finanza, CRM e prodotto si potenziano a vicenda per consentire una consegna più rapida e contemporaneamente ottenere un maggiore controllo finanziario e prevedibilità.

Rappresentazione del framework FinOps.

Prima di analizzare le fasi di FinOps per allinearle agli obiettivi e alle pratiche di gestione dei dati sul cloud, ha senso condividere i concetti di base che lo guidano:

Il framework FinOps descrive:

• I principi che guidano il nostro dominio pubblico e la pratica di FinOps.
• Le persone che FinOps deve supportare per gli stakeholder.
• Le best practice e i modelli di processo che consentono a FinOps di realizzarlo.
• I domini di attività su cui bisogna agire costantemente per una pratica di FinOps di successo.

FinOps si basa su un ciclo di azionamento a volano “in loop” che cerca di:

1. Informare attraverso team, stakeholder e unità aziendali.
2. Identificare e misurare gli obiettivi di ottimizzazione.
3. Operazionalizzare i cambiamenti e le capacità fondamentali man mano che gli obiettivi e le metriche di FinOps evolvono.

Questo approccio a volano sostiene un approccio alla maturità di “strisciare, camminare, correre” per risolvere le sfide che la gestione dei dati sul cloud presenterà a un’organizzazione. Questo framework è anche chiamato modellazione della capacità FinOps o modello di funzione FinOps.

FinOps fornisce un ciclo di vita semplice ma molto potente per fornire e migliorare iterativamente i risultati: Informare, ottimizzare e operare. La fase di Inform stabilisce visibilità e allocazione insieme al benchmarking, budgeting e forecasting.

La fase di Ottimizzazione dovrebbe guidare la vostra azienda a raggiungere obiettivi chiaramente definiti e misurabili. Considerate di iniziare almeno con queste due discipline: ottimizzazione del tasso di cloud e ottimizzazione dell’utilizzo del cloud.

Per l’ottimizzazione delle tariffe cloud, dovrebbe guidare l’approccio un semplice principio: la tua azienda affitta l’infrastruttura cloud e i cloud hyperscaler ne sono proprietari. Pertanto, l’infrastruttura cloud che rispetta i tuoi obiettivi di modello di pricing a un costo unitario flessibile vince la giornata. Un mix di sconti basati su impegno e consapevolezza delle variazioni stagionali storiche dovrebbe guidare quel modello di pricing. Un insieme di servizi di base rispetto a servizi specializzati (cioè con un premio di prezzo) dovrebbe essere elencato in un roster programmatico per tutte le linee di business che utilizzano la piattaforma FinOps.

Concentrandosi sull’ottimizzazione dell’utilizzo cloud, non esiste semplicemente un modo per evitare modelli di utilizzo variabili (ad esempio, l’esecuzione di report di riepilogo finanziario alla fine del trimestre rispetto all’utilizzo limitato all’inizio del trimestre). Quindi, la domanda riguarda l’accurato mappaggio dei carichi di lavoro all’ottimizzazione delle risorse di calcolo basata sull’analisi dell’autoscaling e lo spegnimento delle risorse inattive. Fortunatamente, i cluster di calcolo elastico basati sul cloud sono fatti appositamente per questo scopo. Controllare i costi del cloud e fornire un valore aziendale tempestivo è un atto di equilibrio. Pertanto, richiedi un feedback dalle tue operazioni IT e dai partner commerciali in modo tempestivo e frequente per garantire il successo qui. Il FinOps è un framework flessibile in cui i tuoi sponsor esecutivi devono guidare e stabilire in modo coerente gli obiettivi chiave per le tue squadre.

La fase “Operate” riguarda la raggiungimento della prevedibilità per l’economia unitaria. Questo si riduce a gestire anomalie, gestione dei carichi di lavoro e automazione per il FinOps.

In parole semplici, la “gestione delle anomalie” è la capacità di rilevare, specificare, avvisare e gestire eventi imprevisti di costo cloud tempestivamente al fine di ridurre l’impatto negativo per l’azienda, in termini di costi o altro. La gestione delle anomalie coinvolge tipicamente l’uso di strumenti o report per identificare spese impreviste, la distribuzione di avvisi di anomalia e l’indagine e soluzione di tali anomalie. Ora è il momento giusto per considerare:

• Quali strumenti forniscono automazione, avvisi e intelligenza artificiale per rilevare queste anomalie – tempestivamente e in modo coerente?
• Chi nella mia struttura FinOps dovrebbe essere responsabile dell’applicazione di questi strumenti per ottenere risultati misurabili?
• Quale processo basato su strumenti fornirà una visualizzazione dei risultati per un’analisi affidabile dei dati e per la visualizzazione retrospettiva?
• Di quanti set di campioni tra le squadre (due settimane, sei mesi) è necessario disporre per differenziare tra variazioni periodiche prevedibili e anomalie reali? Evitare il rischio di prendere decisioni autorevoli su un campione temporale troppo ridotto o su poche delle tue squadre: questo è molto importante! Ora, secondo l’immagine sotto riportata, un aumento nella scansione dei metadati per una società Fortune 1000 è una variazione prevedibile da pianificare, non un’anomalia per la gestione delle anomalie:

Rappresentazione dell’aumento dell’utilizzo della piattaforma cloud dei metadati.

La “gestione dei carichi di lavoro e automazione” richiede sia un approccio pratico che risultati misurabili basati su metriche.

È focalizzata sull’esecuzione dei compiti dati solo quando necessario e sulla creazione di meccanismi che regolino automaticamente le risorse di calcolo in esecuzione in un dato momento. Un obiettivo chiave è fornire alle squadre FinOps la possibilità di adattarsi alla domanda stagionale o ad altre fluttuazioni di domanda in modo più efficiente, ma anche ottimizzare l’utilizzo del cloud attraverso la misurazione dinamica della domanda di carico di lavoro e la capacità di fornitura. Ha senso evidenziare alcuni requisiti chiave per raggiungere questo stato desiderato:

• Come viene supportata la resilienza durante l’esecuzione del lavoro, rendendo i carichi di lavoro tolleranti agli errori sulle architetture cloud?
• La stessa soluzione supporta la pianificazione basata su interfaccia utente e API in modo che la fase “Operate” non sia basata esclusivamente sulle persone?
• Viene supportato il processo di elaborazione elastico per carichi di lavoro altamente variabili su cluster self-service e cluster completamente gestiti (ad esempio, Azure Kubernetes Services [AKS])?
• Viene supportata l’elaborazione massiva su cloud serverless computing, consentendo la gestione dei carichi di lavoro, la gestione dell’infrastruttura e l’automazione dei carichi di lavoro di essere di competenza di un unico provider che fattura un costo singolo?
• La stessa piattaforma può fornire i metadati giusti al momento giusto per supportare l’analisi dei dati e la visualizzazione retrospettiva e l’analisi periodica per raggiungere l’ottimizzazione delle tariffe cloud e l’ottimizzazione dell’utilizzo del cloud?

Dal precedente, si può vedere che le domande complesse si accumulano molto rapidamente. Immagina ora di chiedere alle operazioni IT, agli ufficiali di continuità aziendale e agli architetti aziendali: “Come pianifichiamo e progettiamo una soluzione per questo?” Lo schema di seguito rappresenta alcune capacità chiave per affrontare le sfide dell’automazione e gestione dei carichi di lavoro.

Principali capacità che affrontano l’automazione e la gestione dei carichi di lavoro per FinOps.

Benefici dell’Implementazione Efficace di FinOps

L’elenco sottostante combina le nostre esperienze di consulenza 2022-23 sui vantaggi del FinOps, più un prezioso articolo di Harvard Business Review sullo stesso tema:

• Le decisioni sono guidate dal valore commerciale misurabile finanziato, non dagli esiti soggettivi dell’IT.
• L’economia unitaria del cloud viene realizzata attraverso il FinOps per tutti i partecipanti.
  • Richiede alle squadre di costruire, misurare e rifattorizzare l’ottimizzazione dei costi del cloud come necessario per raggiungere l’economia unitaria del cloud.
• Al FinOps è stato concesso un sostegno esecutivo con obiettivi dichiarati; esiste per raggiungere quei misurabili obiettivi commerciali.

I proprietari di aziende sono tenuti ad “optare” per ottenere risultati FinOps seguendo pratiche definite. Tutte le organizzazioni coinvolte acquisiscono fiducia nel guidare gli investimenti aziendali nel cloud con metriche tempestive che mostrano dove l’azienda realizza il maggior valore dai propri investimenti nel cloud.

• I modelli di consumo del cloud diventano più efficienti, risultando legati alla generazione di ricavi, alla trasformazione digitale o ad altri obiettivi aziendali.
• Le squadre non tecniche acquisiscono una maggiore competenza nelle limitazioni conosciute di costo, governance ed esperienza prima di presentare progetti da gestire.

Ricordiamo che in questo articolo non esamineremo l’intero panorama di FinOps. L’obiettivo è costruire un toolkit di gestione dei dati automatizzato e basato sull’intelligenza artificiale per abilitare FinOps. Il passo successivo logico è delineare le sfide di FinOps attraverso la prospettiva della gestione dei dati.

Sfide in FinOps

Discussione degli Ostacoli Comuni e dei Problemi in FinOps

Leggete questa breve lista di sfide persistenti che si sa ostacolano il successo di FinOps – tratte dalle esperienze di oltre venti (20) aziende Fortune 1000 – quando le pratiche di gestione dei dati nel cloud non sono in atto per supportare FinOps:

• Impossibilità di imporre controlli misurabili sui costi del cloud e sulla governance su scala aziendale.
• Mancanza di un meccanismo di reporting tempestivo per le parti interessate che evidenziano preoccupazioni critiche sulla gestione dei dati.
• Impossibilità di gestire anomalie nei dati, costi del cloud, utilizzo del cloud e reportistica.
• Policies inconsistenti del cloud e governance con diritti di voto per fornire risparmi sui costi e risultati aziendali misurabili.
• La mancanza di regole rigide sulla residenza dei dati significa che una regione può spostare, trasformare e accedere ai dati, mentre un’altra non può farlo.
• Scarso gestione dell’accesso ai dati nel cloud (DAM) blocca le parti interessate dall’avere accesso ai dati corretti al momento opportuno.
• Come indicato nella lista precedente – la mancanza di processi e deliverable adottati dalla piattaforma cloud causa il disimpegno dei responsabili esecutivi dagli sforzi di FinOps.

Quindi, se il vostro obiettivo sono “i punti cardinali” che guidano la condotta e i principi di una pratica FinOps, discipline meno ambiziose, come pratiche e capacità basate su quei principi, devono essere stabilite nella vostra azienda. Ora cercheremo di riassumere le preoccupazioni e i principi di FinOps sopra esposti in una matrice decisionale:

Nota: se il bisogno, l’ostacolo o il problema incontrato non può essere affrontato con i principi di gestione dei dati in FinOps da soli, non verrà trattato in questo articolo. FinOps e la gestione dei dati basata sull’intelligenza artificiale non affronteranno da soli “il bisogno di collaborare tra team”.

Come già accennato, ecco alcuni elementi da considerare per la fase di Ottimizzazione: come si possono pianificare i carichi di lavoro per ridurre i costi della computazione piuttosto che essere on-demand? Dove l’elaborazione serverless del Spark può ridurre una laboriosa ottimizzazione delle prestazioni ma ancora raggiungere gli obiettivi di runtime? Infine, quali soluzioni leader offrono ottimizzazione completa dei carichi di lavoro e dell’infrastruttura basata sull’intelligenza artificiale utilizzando l’analisi dei carichi di lavoro guidata dai metadati per quantificare le ottimizzazioni?

Come Superare le Sfide di FinOps

Per iniziare ad affrontare le sfide di FinOps sopra menzionate, il vostro team dovrà cercare una piattaforma completa che possa affrontare ripetutamente le sfide all’interno delle discipline che FinOps offre.

Lo schema sottostante non è una risposta “definitiva” alla matrice delle sfide di FinOps esposta sopra, ma inizia a calibrare il vostro modo di pensare per rispondere alle sfide di FinOps all’interno di un approccio di piattaforma unica.

Schema che rappresenta le necessità logiche delle piattaforme per la gestione dei dati nel cloud per FinOps.

La vostra azienda dovrà proporre una piattaforma FinOps per il futuro (con automazione e gestione dei dati basata sull’intelligenza artificiale) per comprendere l’utilizzo e i costi del cloud, l’analisi dei dati e il report, la gestione delle anomalie e l’automazione dei carichi di lavoro. La prevedibilità, la pianificazione, la gestione dei costi condivisi e la misurazione dei risultati dei costi unitari possono derivare solo da una piattaforma costruita per sostenerli. Ora possiamo rivolgerci alla risoluzione dei problemi della gestione dei dati nel cloud per FinOps.

Il Ruolo dell’Automazione e della Gestione dei Dati basata sull’Intelligenza Artificiale per Abilitare FinOps

Intelligenza Artificiale nella Gestione dei Dati

È importante ricordare che la vostra azienda non può procedere alle fasi di Ottimizzazione e Operatività di FinOps quando la gestione dei dati (a partire dalla qualità dei dati) non è in uno stato accettabile.

Per le organizzazioni orientate a FinOps che cercano di ottimizzare i costi del cloud e migliorare l’efficienza operativa, le soluzioni basate sull’intelligenza artificiale (come i Grandi Modelli di Linguaggio) giocano un ruolo cruciale per una gestione sostenibile dei dati. Sfruttando algoritmi avanzati e tecniche di apprendimento automatico (ML), i sistemi di intelligenza artificiale possono analizzare ingenti volumi di dati per identificare modelli, anomalie e discrepanze, garantendo l’accuratezza, la completezza e l’integrità dei dati. Ma questi dati devono essere di alta qualità per essere alla base di un preciso show back e analisi dei dati o di un’analisi più approfondita dei costi dell’utilizzo del cloud e della gestione delle anomalie.

Considera questo scenario: una società di FinOps ha due team: uno che registra un costo di infrastruttura di $1MM con dati igienici consegnabili e l’altro che registra un costo di infrastruttura di $1MM con dati anomali non consegnabili (ma il loro ETL si completa). Prenderai decisioni errate dalle tue analisi dei dati per FinOps in almeno due aree di preoccupazione:

1. L’esecuzione del cloud computing su questi dati spurii “dovrà essere eseguita nuovamente” per raggiungere gli obiettivi aziendali.
2. Gli analisti di FinOps incorreranno in costi unitari non validi se la metà dei lavori vengono eseguiti su dati non igienici e non consegnabili.

È semplice così.

L’IA genererà dei preconcetti se è costruita su dati sbagliati o incompleti, causando conseguenze negative sulle tue decisioni in FinOps, restituzione e analisi dei dati e sostanzialmente su qualsiasi decisione basata sui dati.

Siamo d’accordo con l’asserzione di Forbes che GenAI si basa sui set di dati su cui è stato addestrato. Le imperfezioni nei set di dati di input per l’addestramento – che siano un volume o un campo di dati insufficiente o con limiti di tempo gravi – alla fine emergeranno attraverso modelli di addestramento inaccurati e risultati operativi per l’IA nell’uso quotidiano. Quindi, il compito di FinOps è definire, posizionare e integrare una soluzione di qualità dei dati nativa del cloud per affrontare e ridurre questi problemi, se possibile. Altrimenti, i dati errati che guidano decisioni errate bloccheranno gli obiettivi chiave di FinOps discussi nell’introduzione dell’organizzazione.

Utilizzare LLM per ottenere risultati AI aumenta il rischio di allucinazioni nei dati generati. Fai affidamento su questo processo logico per bloccare e scoprire allucinazioni in GenAI:

• Ispetta e analizza clinicalmente (abbiamo utilizzato i profili dei dati) le fonti di dati per GenAI che soddisfano le aspettative principali.
• Successivamente, controlla e misura tali fonti profilate nelle dimensioni di qualità dei dati su una scheda punteggio.
• Richiedi ripetutamente (e assorbi) i contributi degli stakeholder su questi dati di addestramento dalla scheda punteggio.
• Invita FinOps a partecipare al proprio processo di qualità dei dati – sia per i dati di addestramento GenAI che per i dati aziendali complessivi.
• Se i dati di input GenAI non sono adatti all’uso di FinOps, prendi le misure necessarie per correggerli.

Pannello di controllo olistico che utilizza l’IA per l’ispezione, l’analisi e le azioni sulla qualità e l’igiene dei dati del team.

Per progettazione, esistono anche benefici aggiuntivi nel porre una barriera di accettazione prima dell’uso dei dati GenAI e dei risultati per i team di FinOps. Riutilizza lo stesso identico processo per bloccare i dati aziendali anomali dall’entrare nel flusso di lavoro di FinOps.

Usa prima l’automazione per migliorare la qualità dei dati

Riguardo all’eliminazione del pregiudizio, delle allucinazioni e dei contenuti dati difettosi – questo elemento si posiziona chiaramente in cima alla lista. Le società hanno bisogno di regole prescrittive automatizzate (e suggerimenti di qualità dei dati) basati su una libreria robusta di decine di algoritmi aggiornati senza l’intervento del proprietario del prodotto o del responsabile dei dati.

La scarsa qualità dei dati e il pregiudizio dell’IA aggravano significativamente i pesi operativi e decisionali per FinOps, in particolare nell’allocazione dei costi, nella previsione e nella gestione delle capacità anomale. I dati pregiudizievoli possono distorcere l’attribuzione delle risorse, portando a valutazioni finanziarie disomogenee e a bilanci inaccurati. Questo problema si acuisce durante la previsione, dove algoritmi di previsione pregiudiziosi, guidati da dati difettosi, generano previsioni inaccurate e ostacolano la capacità di pianificare i bilanci in modo efficace. Inoltre, i modelli pregiudizievoli presentano un rischio effettivo in quanto potrebbero fraintendere anomalie genuine, creando falsi allarmi o ignorando irregolarità effettive, impedendo all’organizzazione di identificare con precisione i dati, i processi e le incongruenze finanziarie. In parole povere, le sfide operative e decisionali all’interno di FinOps diventano ingigantite a causa della scarsa qualità dei dati e dei pregiudizi dell’IA, ostacolando l’efficienza e l’accuratezza delle capacità di FinOps basate sui dati aziendali.

Gli esempi di seguito esaminano brevemente un approccio pratico testato sul campo per utilizzare l’automazione con algoritmi di suggerimento di regole per consolidare la qualità dei dati a livello aziendale, offrendo una certezza contro i pregiudizi guidati dall’IA.

Rappresentazione delle regole di qualità dei dati consigliate che guidano i responsabili e gli esperti di dati per assistere la standardizzazione e la correzione dei dati.

Rappresentazione delle regole di qualità dei dati accettate generate automaticamente per eseguire la standardizzazione e la correzione dei dati.

Quanto sopra indica un esempio di un insieme di strumenti che sfrutta l’automazione e l’IA in modo efficiente per garantire la qualità dei dati a FinOps, garantendo che i tuoi team possano essere ripetibili, stabili e di successo nella fase “Operare”.

È utile pensare in questo formato basato sull’accettazione, esaminando la qualità dei dati assistita, automatizzata e guidata dall’IA. Se le dimensioni misurabili della qualità dei dati non migliorano con l’insieme di strumenti, FinOps non trarrà vantaggio, quindi passa a un altro insieme di strumenti. La capacità aziendale di gestire le anomalie per FinOps non maturerà a meno che i responsabili dei dati selezionino e mettano in opera le regole di pulizia giuste. L’IA ha un valore significativo nell’eliminare il peso del tempo e dell’esperienza nella risoluzione delle anomalie di igiene note (ad esempio, spaziatura, errori di ortografia) attraverso l’automazione guidata delle regole. Inoltre, la gestione dei carichi di lavoro e l’automazione su scala aziendale non possono essere realizzate con dati anomali che i consumatori di dati respingono come prodotto di dati. Usando i termini di FinOps – queste due discipline rimarranno a “passo di gambero” fino a quando non verrà ripristinata la qualità dei dati.

IA nell’automazione della classificazione dei dati

Nel 2023, su scala, i cataloghi di dati potenziati da ML consentiranno alle aziende di ottimizzare e automatizzare i processi comuni di cura dei dati. Questi includono il tagging dei dati, la classificazione e il processo di associare termini di glossario aziendale agli asset tecnici dei dati. È importante evitare costose o propense ad errori interventi umani quando la complessità strutturale (Parquet, AVRO, XML) e la mancanza di lineage inferito o diretto possono ostacolare gli sponsor aziendali o gli analisti dei dati nel rispondere a queste importanti domande:

• Sono stati raccolti (ed arricchiti) dati sufficienti, affidabili su entità aziendali chiave come clienti, conti e nuclei familiari?
• Ci sono entità complesse (ad esempio, un cliente residenziale rispetto a un cliente aziendale) che una soluzione IA più debole non riesce a riconoscere?

L’esperienza è un insegnante apprezzato. Man mano che le BU delle Fortune 1000 apprendono di più sui loro dati e su ciò che contengono, emergeranno richieste ancora più impegnative su “cosa dobbiamo esaminare e classificare”, tra cui:

1. Diecimila istanze di Teradata;
2. Cinquantamiliardi di posizioni di rischio finanziario; e
3. Seicento sistemi bancari.

Elaborazione del linguaggio naturale (NLP) e distanza di Jaccard possono essere utilizzate per:

• Allineare accuratamente modelli di input variabili a modelli di metadati standard per la scansione.
• Evidenziare rapidamente, classificare e offrire similarità dei dati su entità complesse che i tuoi FinOps spesso utilizzeranno.
• Fornire punteggi di similarità affidabili su tipi di dati e strutture dati molto dissimili.
• Supportare la semplice ricerca di testo dopo tali scansioni in modo che gli utenti FinOps possano trovare i dati rilevanti desiderati senza programmazione.

La similarità dei dati si riferisce all’assegnazione di punteggi corrispondenti a set di dati confrontabili, sollecitando gli utenti FinOps (e gli steward aziendali, gli SME aziendali) a selezionare i dati più rilevanti per il loro scopo. Avere metadati e classificazione dei dati più solidi e tempestivi infonde fiducia nei consumatori delle BU, negli stakeholder esecutivi e nelle squadre di ingegneria dei dati del cloud che sei pronto per le fasi di ottimizzazione e operatività.

IA e tag di metadati attivi

Prima che gli stakeholder possano ispezionare e valutare i loro asset di dati FinOps, collaborare su tali asset e prendere decisioni su di essi, è necessario un stack di gestione dei dati cloud basato sull’IA con metadati attivi che forniscono tali capacità o risposte standard:

• Associazione automatica di regole e termini di policy ai tuoi attributi di dati per ottenere risultati di politiche FinOps più coerenti.
• Ruoli standard per gli stakeholder nei processi di metadati ripetibili.
• Chi ha diritti di proprietà, diritti di voto e diritti di modifica delle politiche sugli asset e i processi di dati?
• Dove gli stakeholder hanno accettato il loro ruolo assegnato (su un grafico a torta/grafico a barre aggiornato)?
• Quali utenti e ruoli downstream consumano i dati?
• Quali processi (ETL, integrazione dati, assistenti di ingestione dati) trasformano i dati?
• Notifica dell’arrivo di asset dati nuovi o modificati come richiesto.

Le suddette informazioni non possono essere gestite manualmente dagli steward dei dati, dai proprietari dei metadati e dagli SME tecnici su base continuativa. L’operatività FinOps richiede una robusta capacità di IA (con aggiornamenti periodici dei microservizi) per risultati stabili. Il volume degli asset, il volume dei dati, le anomalie dei dati e il tasso di cambiamento che alimentano il ciclo di vita dei FinOps rendono impossibile un approccio manuale o di dipendenza da un unico fornitore.

Rappresentazione della gerarchia dei dati orientata ai domini che indica la proprietà downstream degli stakeholder.

Ricorda, gli stakeholder FinOps pagheranno solo per i costi se sono certi che i loro dati di valore, affidabili e tempestivi abbiano completato un processo a valore aggiunto mediante il quale possono condividere, utilizzare e comprendere i loro dati, prendendo decisioni accurate rilevanti per le loro esigenze di consegna aziendale. L’automazione e l’IA nella gestione dei dati cloud sono blocchi di costruzione critici per raggiungere questo obiettivo.

Concentrandoti sulle fasi di ottimizzazione e operatività, il tuo team FinOps dovrebbe essere ora pronto a:

• Assegnare chargeback iniziali per il calcolo, lo storage e i metadati.
• Essere in grado di identificare asset dati dormienti o non pertinenti da escludere dai FinOps.
• Essere in grado di filtrare i dati anomali o incompleti non pronti per l’utilizzo downstream dei FinOps.
• Considerare l’analisi dei dati e il show back per i FinOps dalle pratiche basate sull’IA sopra menzionate.