Sie haben einen großen Datensee, was nun?

In meiner Arbeit treffe ich viele Kunden, die viel in einen Data Lake investiert haben. Und das natürlich aus guten Gründen. Angesichts der zunehmenden Komplexität und der wachsenden Zahl der verwendeten Toolsbesteht ein enormer Bedarf, alle Daten an einem Ort zu haben.

"Aber wenn dann alles eingerichtet ist, stellt sich die eigentliche Frage: "Ich habe also einen tollen Datensee, was nun?...."

Die Teams beginnen damit, Abfragen zu schreiben, um die benötigten Berichte zu erstellen. Dies ist in der Regel sehr zeitaufwändig, da das von den meisten Data Lakes verwendete Modell auf flachen Tabellen oder Indizes basiert. Da eine Korrelation zwischen verschiedenen Datenquellen (verschiedenen Tabellen) erforderlich ist, müssen Joins erstellt werden. Die geschriebenen Abfragen eignen sich perfekt für die Reproduktion, so dass sie, sobald sie eingerichtet sind, für die regelmäßige Erstellung von Berichten (wie SLA-Berichte, Website-Nutzung und Verfügbarkeitsberichte) verwendet werden können. Wie können Sie jedoch mehr Wert aus Ihrem Data Lake ziehen?

Stellen Sie sich vor, Sie könnten diese Fülle an Daten nutzen, um Ad-hoc-Fragen aus dem Unternehmen zu beantworten? Zum Beispiel: "Zeigen Sie mir alle Komponenten, die nicht mit einem Endbenutzer in Verbindung stehen", "Ich muss JETZT wissen, welche Geschäftsprozesse von einer bestimmten IT-Komponente abhängen" oder "Was war die Ursache für das Leistungsproblem, das unsere Kunden vor zwei Stunden hatten?". Dann ist das Modell des Data Lake nicht wirklich hilfreich...

Was in diesen Fällen helfen würde, ist ein Modell, das versteht, wie die Komponenten zueinander in Beziehung stehen. Ein Modell, das Aufschluss darüber gibt, wie der Stack aufgebaut ist. Ein Modell, das auch alle zusätzlichen relevanten Informationen (wie Überwachungsdaten, Änderungs- und Konfigurationsdaten und Service-Management-Daten) automatisch mit diesen Komponenten und ihren Beziehungen korreliert. Dann sind Sie in der Lage, die oben genannten Ad-hoc-Fragen zu beantworten. Und noch viel mehr...

StackState hat eine Algorithmic IT Operations (AIOps) Plattform entwickelt, die ein solches Modell verwendet. Das einzigartige 3T-Modell von StackState basiert auf einer versionierten Graphdatenbank, die es Ihnen ermöglicht, Schlussfolgerungen über den Graphen zu ziehen. Es kombiniert Topologie, Telemetrie und Zeit in einer einheitlichen Ansicht. Es kann nicht nur Daten aus Ihrem Data Lake abrufen, sondern auch aus jeder anderen Datenquelle, die nicht mit Ihrem Data Lake verbunden ist (wie z.B. Netzwerkdaten). Dabei handelt es sich in der Regel um so große Datenmengen, dass die Lizenzkosten für Ihren Data Lake explodieren, wenn Sie diese Daten einspielen).

Indem StackState die Informationen abruft und das 3T-Modell darauf anwendet, steigert StackState den Wert Ihrer bereits getätigten Investitionen in Ihren Data Lake erheblich. Als dezentralisierte Lösung kann StackState von jedem Team genutzt werden, um den größten Wert aus den Daten zu ziehen, die für ihre Arbeit relevant sind.

"Die Frage "Ich habe also einen großartigen Data Lake, was nun?" wird von StackState beantwortet."

Die Frage "Ich habe also einen großartigen Data Lake, was nun?" wird von StackState beantwortet. Stellen Sie sich vor, Sie haben ein System, das Ihre gesamte IT-Landschaft vollständig versteht, von Geschäftsprozessen bis zur Hardware, von Legacy bis zu Microservices... Die Daten sind da, sie müssen nur noch offengelegt werden. Dann scheinen die Möglichkeiten endlos zu sein...

In meinem nächsten Blog werde ich näher darauf eingehen, wie das 3T-Modell von StackState Ihre Möglichkeiten zur Ursachenanalyse drastisch verbessern wird. Möchten Sie StackState in Aktion sehen? Sie können Ihre geführte Tour gleich hier buchen!