Der Markt für Enterprise-Storage hat sich total gewandelt. Aufgrund des großen Angebots wird es für Unternehmen immer schwieriger zwischen Storage-Produkten zu differenzieren. Um sich besser von ihren Mitbewerbern abzuheben sind Storage-Hersteller deshalb in den vergangenen Jahren dazu übergegangen, ihren Kunden einen Zusatznutzen anzubieten - und die Customer Experience über die Lebensspanne ihrer Systeme deutlich zu optimieren.
Über lange Zeit war System-Support per Remote-Verbindung ein zentraler Zusatznutzen und Bestandteil traditioneller Angebote von Enterprise-Storage-Anbietern. Damit konnten die Kundensysteme nahezu in Echtzeit überprüft werden - in erster Linie, um auftretende Fehler schnellstmöglich zu identifizieren, zu beseitigen oder andere Maßnahmen zur Bereinigung eines Problems anzustoßen.
Zwar konnten die Anbieter auf diesem Weg Probleme schneller lösen- die Vorgehensweise blieb allerdings eine rein reaktive und ließ keinerlei Einblicke in das Ökosystem zu, in das die Storage-Plattform eingebunden war. Dieser einseitige Fokus auf den Storage-Bereich erschwerte regelmäßig den ganzheitlichen Blick auf eine bereits identifizierte Problemstellung und ihre Ursache.
Foto: whiteMocca - shutterstock.com
Mehr als Remote-Monitoring
Dies änderte sich schlagartig mit der Etablierung von Cloud Computing und Predictive Analytics (PA). Im Jahr 2010 brachte das Storage Startup Nimble die erste Cloud-basierte Predictive-Analytics-Plattform namens InfoSight auf den Markt. Die Idee hinter dieser Plattform ging weit über die Fernüberwachungssysteme hinaus.
InfoSight sammelt mit Hilfe von tausenden Hardware- und Software-Sensoren permanent und sehr granular Daten von den Storage-Systemen der Kunden - anonymisiert und in der Cloud. KI- und Machine-Learning-Algorithmen analysieren automatisch den Zustand der Systeme, erkennen auftretende Probleme und helfen, vorausschauend zu agieren. Die Software sucht ständig nach potenziellen Indikatoren für Probleme über den gesamten Infrastruktur-Stack und löst festgestellte Probleme proaktiv. Lässt sich ein Problem nicht automatisch lösen generiert InfoSight ein Support-Ticket und empfiehlt geeignete Maßnahmen.
Die drei wesentlichen Features, die als Alleinstellungsmerkmale Cloud-basierter Predictive-Analytics-Lösungen fungieren, sind:
das Teilen von Daten
der Umfang des Monitorings und
der Einsatz von Künstlicher Intelligenz respektive Machine Learning (ML), um autonome Prozesse zu realisieren.
Anwender möchten Predictive Analytics
Die Marktforscher von IDC haben den Nutzwert von PA nun genauer untersucht. Im Juni 2018 führte IDC eine weltweite Umfrage durch, bei der Endanwender nach ihren Erfahrungen und Erwartungen an Cloud-basierte prädiktive Analysen gefragt wurden. Die Studie zeigt, dass der Einsatz von KI/ML-Algorithmen zur Verbesserung von IT-Infrastruktur und -Prozessen grundsätzlich sehr positiv gesehen wird. Mehr als 85 Prozent wünschen den Einsatz solcher Algorithmen; 74 Prozent sehen ein besonders hohes Potential in der Steigerung der Produktivität autonomer Prozesse.
Auf die Frage, wie die autonomen Operationen umgesetzt werden sollen, wünschen sich 20 Prozent der Befragten eine KI/ML-gesteuerte Empfehlungsmaschine, die Implementierung wollen sie aber den Admins überlassen. 53,6 Prozent der Befragten setzen hingegen lieber auf automatisierte Abläufe - zumindest bei bestimmten Prozessen.
In der Interaktion zwischen Storage-Anbietern und Kunden gibt es allerdings Raum für Verbesserungen, sagen 60 Prozent der Befragten. Besonders hoch in der Gunst der Kunden (78 Prozent) stehen Anbieter, die auf Cloud-basierte Echtzeit-Predictive-Analytics-Systeme setzen, um diese Verbesserungen voranzutreiben. Die Verwendung anonymisierter Daten zur Optimierung des Array-Managements und der Betriebsplanung kommt bei den Kunden mit 86 Prozent gut an.
Knapp ebenso viele der Befragten (84 Prozent) waren mit der Anonymisierung ihrer Daten einverstanden, wenn sie zur Verbesserung des Supports und zur besseren Information des Engineerings und der Roadmap-Planung bei den Anbietern verwendet werden sollten. Anonymisierte Daten entfernen alle Identifikatoren, die auf die Identität eines Kunden oder Systems hinweisen, und bewahren gleichzeitig relevante Metriken für die Analyse auf.
Interessiert? Im Computerwoche-Webcast "Intelligenter Storage, der sich selbst optimiert", erfahren Sie von Reinhard Frumm, Presales Consultant bei Hewlett Packard Enterprise, wie sich Speicher-Analyse von reiner Performance-Kontrolle unterscheidet und wie Sie Ihren Storage für das digitale Zeitalter optimieren können. |
Der Nutzwert von Predictive Analytics
IDC befragte auch Unternehmen, die bereits Cloud-basierte Predictive Analytics verwenden, nach dem konkreten Einsatzzweck und Nutzen, den sie von diesen Plattformen erhalten. Die meisten (43 Prozent) verwenden Predictive Analytics für die Verbesserung der allgemeinen Systemverfügbarkeit.
Vorrangig ist dabei die Beschleunigung der Problemlösung und die Unterstützung bei der Leistungs- und Kapazitätsplanung. An zweiter Stelle steht die Verbesserung der Support-Serviceleistung (38 Prozent), es folgen Performance- und Kapazitätsplanung (37 Prozent), Monitoring für Fehlerdiagnose (36 Prozent) und das Antizipieren und Verhindern drohender Hardware-Fehler (36 Prozent).
Die IDC-Analyse ergab auch: Die meisten Anwender (70 Prozent) sind besonders an solchen Anbietern interessiert, die ihre Cloud-basierten Predictive-Analytics-Plattformen auf weitere IT-Infrastruktur-Komponenten ausweiten. Sie sehen mit PA auch bei Rechenzentrums-Komponenten wie Server oder Switches eine Verbesserung der Gesamtleistung, Verfügbarkeit und Effizienz - sowie eine schnellere Problemlösung.