Kennis

Blog: Workload analytics zijn essentieel voor je user experience. Hoe verzamel je data en hoe zet je ze effectief in?

De normen die gebruikers stellen aan hun ervaring worden steeds strenger. Dat geldt natuurlijk vooral voor de consument, die de razendsnelle interacties van Facebook en Google gewend is, maar ook interne gebruikers beoordelen hun IT-toepassingen vaak op snelheid en laten van zich horen als de performance achterblijft. ‘Slow is the new down’ , is een uitdrukking die we steeds meer horen: een langzame applicatie is net zo erg als een applicatie die het helemaal niet doet. Maar om performanceproblemen te kunnen oplossen, moet je ze eerst kunnen vinden. 

Workload analytics, zowel realtime als historisch, zijn dus essentieel voor het op peil houden van je user experience. Als je bijvoorbeeld precies weet welke schermen langzaam laden, bij welke gebruikers en op welke devices, ben je al een eind op weg naar het vinden van de oorzaak. 

Processen optimaliseren 

Ook bij processen waarin steeds minder gebruikersinteractie is, speelt workload performance een grote rol. Steeds meer processen worden met straight-through processing (STP) en Robotic Process Automation (RPA) volledig geautomatiseerd. Om die processen te kunnen blijven optimaliseren, heb je diepgaande kennis nodig van de performance van de verschillende processtappen. Hoe lang lopen batches? Hoe lang duurt het voordat een klant antwoord heeft? Op dat soort vragen wil je exacte antwoorden hebben, die gebaseerd zijn op data en niet op schattingen of gemiddelden.  

Data-driven met workload analytics 

Deze manier van naar infra-performance kijken past natuurlijk helemaal in het algemene beeld dat je ziet bij de algemene ontwikkeling van de digitalisering. Er is bijna geen proces meer dat niet op een of andere manier datagedreven is. Data-dashboards zijn organisatiebreed de belangrijkste tool geworden voor het nemen van beslissingen. Je wilt dus van iedere workspace, van iedere applicatie, van alle onderdelen van je infrastructuur en van iedere clouddienst realtime weten hoe hij presteert. Voor de analyse van al die data is machine learning erg geschikt. Het algoritme doet suggesties voor verbetering, die jij dan meteen kunt testen. Maar de verzamelde data dient nog meer doelen. Zo kun je met goede infra-analytics waterdicht aantonen dat je aan je SLA voldoet. Maar in de complexe omgevingen van nu is het niet meer genoeg om te kunnen zeggen dat het probleem niet bij jou zit. De gebruiker ziet immers alleen de eigen ervaring en interesseert zich niet voor wie het probleem heeft veroorzaakt. Zelfs niet als dat de gebruiker zelf blijkt te zijn. Je hebt dus analytics nodig over alle niveaus van je infrastructuur om problemen heel precies te kunnen identificeren. 

Infra wordt steeds ingewikkelder 

Maar hoe verzamel je de performancedata die je nodig hebt als de verschillende tiers en functionaliteiten van een app uit verschillende systemen van verschillende aanbieders komen? Terwijl aan de voorkant het gebruik en het inrichten van IT-systemen alleen maar eenvoudiger is geworden de afgelopen tijd, zijn infrastructuren van binnen juist steeds ingewikkelder geworden. De eerste en belangrijkste stap in workload analytics, zicht krijgen op wat de performance van alle losse onderdelen, is dus meteen de moeilijkste stap. Vooral data uit hardware en verbindingen vraagt inspanningen. De meeste netwerkhardware is weliswaar voorzien van sensoren en telemetrie, maar het bijeenbrengen van al die data, het interpreteren van de dataformaten en het bijblijven met updates en wijzigingen kan veel werk zijn. In een multi-cloudomgeving geldt hetzelfde voor de verschillende cloud-aanbieders. Is dit je gelukt, dan spreken wij van ‘end-to-end analytics’: performance analytics die echt je hele infrastructuur laten zien. Heb je dat voor elkaar, dan kun je starten met workloadanalyse en optimalisatie. Real-time monitoring en historische analyse leren je welke workloads problemen geven en waar die problemen door veroorzaakt worden.  

Integratie en intelligentie 

Om dit voor elkaar te krijgen, hebben we bij Axians een aantal oplossingen van partners met elkaar gecombineerd en aangevuld met eigen functionaliteit. Voor veelgebruikte systemen waar nog geen analyse-oplossing voor was, zoals bepaalde ERP-systemen, voegden we deze zelf toe. Zo kwamen we tot een  oplossing voor workload analytics die werkt met alle gangbare infra-hardware en cloudplatformen en integreert met  analyse- en managementtools van bijvoorbeeld zoals Cisco, Microsoft en Vmware. 

Om effectief met zo veel performancedata te kunnen werken, verzamelen we ze in een gestandaardiseerd formaat in een centrale database. Een algoritme dat we de GAIA Machine Learning Engine analyseert daar de data en detecteert afwijkingen die op (toekomstige) problemen kunnen wijzen. Gedeeltelijk kan het systeem die maatregelen al automatisch nemen, gebaseerd op eerder vastgelegd beleid. Gedeeltelijk zullen menselijke beheerders dat moeten doen op basis van advies van het algoritme. 

Achterblijvende performance kost je klanten. 

Moderne infrastructuren zijn complex. Performanceproblemen kunnen dus moeilijk vast te pinnen zijn op één specifieke oorzaak en er zal niet snel een tool of suite verschijnen die alle problemen automatisch voor je oplost. Tegelijkertijd is workload performance is dus geen nice to have, maar een integraal deel van je digitale strategie. Een administratief systeem dat vaak traag is wordt bijvoorbeeld onder zorgmedewerkers, die administratief werk vaak als ongewenst extra werk ervaren, al snel ‘dat rotprogramma’. En als bank wil je niet bekendstaan als ‘die bank met die trage app’. Achterblijvende performance kost je klanten. 

Als IT-afdeling wil je ook bij interne discussies precies weten waar performanceproblemen vandaan komen. Een complete end-to-end oplossing vertelt je op werkplekniveau, op infra-niveau en op workloadniveau waar de problemen ontstaan, zodat je precies de vinger op de zere plek kunt leggen. 

De kennis die je op deze manier opdoet, helpt je ook bij het uitrollen van nieuwe functionaliteit. Omdat je beschikt over gedetailleerde analytics van al je workloads en over je hele infrastructuur, kun je voor nieuwe workloads de juiste keuzes maken om optimale performance te garanderen. 

Een strategische blik is cruciaal 

Wat je dus nodig hebt is een strategische blik op performance en infrastructuur. Uiteindelijk heb je als organisatie bepaalde doelen, op het gebied van klantervaring en op het gebied van snelheid en efficiency. Een goede strategie voor workload analytics zet deze doelen om in continue actie voor verbetering en optimalisatie. Want de goede klantervaring van vandaag, kan morgen langzaam en verouderd zijn. 

Meer weten met betrekking tot workload analytics en hoe dit het verschil kan maken voor jouw organisatie? Bekijk dan onderstaande GAIA Talks video.