Alle Änderungen sind in gewisser Weise mit Risiken verbunden. Dies gilt auch für inkrementelle Änderungen an digitalen Produkten und Diensten, auf die sich Millionen (manchmal Milliarden) von Kunden verlassen. Sorgfältiges Änderungsmanagement bedeutet, Risiken zu quantifizieren und nach Lösungen zu suchen, die Risiken vermeiden – und das alles, ohne die Geschwindigkeit der Änderungsbereitstellung länger als nötig zu beeinträchtigen.

Früher ging man davon aus, dass alle Änderungen vor der Bereitstellung überprüft würden, um das Risiko von Dienstunterbrechungen, Vorfällen oder anderen Problemen zu verringern. Dieses Protokoll hatte jedoch größtenteils eine abschreckende Wirkung auf die Bereitstellungsgeschwindigkeit, ohne die Qualität der Releases unbedingt zu verbessern.

Jetzt verfügen wir über die datenbasierten Informationen und die erforderliche Technologie, um zu vermeiden, dass jede Änderung in der Pipeline manuell überprüft werden muss. Mithilfe von KI/ML-Modellierung in Kombination mit einem Analyse-Dashboard und Prozessautomatisierung, DevOps Teams können vom „Change Management“ zum Ideal von „Change Management“ wechseln.Änderungsaktivierung„Hier erhalten Änderungsteams und Entwicklungsingenieure die Bedingungen, die sie benötigen, um Änderungen in regelmäßigen Abständen vorzunehmen.

Digital.ai Change Risk Prediction funktioniert in Kombination mit Digital.ai Release um dieses Ziel zu verwirklichen. Datenmodelle und KI-gestützte Analysen ermöglichen DevOps Führungskräfte können erkennen, welche Änderungskategorien und Änderungsteams eine hohe Änderungserfolgsrate aufweisen. Sie können diese Informationen dann verwenden, um Genehmigungen für diese Änderungstypen zu automatisieren und so viele der umständlichen Überprüfungsprozesse zu umgehen, die sonst die Release-Geschwindigkeit verlangsamen würden.

Dies ist im Grunde das Ideal der Veränderungsbefähigung: eine Situation zu schaffen, in der Änderungen ungehindert ablaufen und Teams den Kunden häufiger neue Mehrwerte liefern.

Umfangreiche, kontextualisierte Daten fördern die Ermöglichung von Veränderungen

Das Hauptproblem, das Änderungsfreigaben verhindert und Änderungsteams verzögert, ist der Faktor des Unbekannten. Teams haben möglicherweise keine Ahnung, welche Änderungen fehlschlagen werden. Noch beunruhigender ist, dass sie keine Ahnung haben, warum bestimmte Änderungen schlagen fehl. In dieser Situation besteht die häufigste Methode zur Bewältigung eines unbekannten Risikos in der Implementierung von Gatekeeping, häufig in Form eines manuellen Überprüfungsprozesses.

ITIL war eines der ersten IT-Frameworks, das einen formalisierten Change-Review-Prozess vorschlug. schon seit 1989. Mit der Veröffentlichung der ITIL v4-Richtlinien im Jahr 2019 schlägt das Handbuch für bewährte IT-Praktiken nun vor, dass die Teams von einer übermäßig sorgfältigen „Change-Management“-Perspektive zu einer „Change-Enablement“-Perspektive wechseln.

Sehen wir uns etwas genauer an, wie dieser semantische Wandel einen größeren Einstellungswandel offenbart. „Management“ impliziert, dass jede Änderung über einen bestimmten Prozess abgewickelt werden muss. In Wirklichkeit können viele Änderungen mit minimalen Überprüfungen und minimalen Risiken bereitgestellt werden. Zu erwarten, dass jede Änderung einzeln von menschlichen Mitarbeitern „verwaltet“ wird, impliziert ein Maß an Kontrolle, das weder notwendig noch wirklich möglich ist. Das Erzwingen manueller Änderungsüberprüfungen führt nicht nur zu Verzögerungen bei jeder Veröffentlichung, sondern verlangt von den Änderungsprüfern auch, bei jeder Änderung das gleiche Maß an Sorgfalt und Voraussicht anzuwenden. Was in der Realität letztendlich passiert, ist, dass zwar viele Änderungsgenehmigungen ordnungsgemäß erteilt werden, einige Änderungsgenehmigungen jedoch unvermeidlich zu übersehenen Mängeln führen.

Anstatt zu versuchen, jede Änderung manuell zu verwalten, ist eine Methode erforderlich, mit der ermittelt werden kann, welche Änderungstypen und Änderungsfaktoren tendenziell das Risiko erhöhen. Diese Risikofaktoren können mithilfe von Datenanalysen in Kombination mit KI/ML-Modellierung aufgedeckt und verstanden werden. Mithilfe automatisierter Prozesse zum Durchsuchen der relevanten Daten können Änderungsteams nicht nur den Umfang der Änderungsüberprüfungen erweitern, sondern auch lernen, auf welche Risikofaktoren sie sich konzentrieren sollten – und welche Änderungen mit minimalem Risiko den gesamten Überprüfungsprozess umgehen sollten. Dieser Unterschied stellt einen echten Wandel dahingehend dar, den freien Fluss von Änderungen zu ermöglichen und gleichzeitig die Prioritäten auf die Änderungsarten und Teams zu konzentrieren, die sie am meisten benötigen.

Im Worte des ITIL-Experten Jon Stevens und des ITSM-Beraters Joseph Mathenge: „Der Zweck der Change-Enablement-Praxis besteht darin, die Anzahl erfolgreicher IT-Änderungen zu maximieren, indem sichergestellt wird, dass Risiken ordnungsgemäß bewertet wurden.“

Die Idee besteht also darin, die Änderungsgeschwindigkeit zu erhöhen, indem man sich ausschließlich auf Änderungen konzentriert, die ein hohes Maß an Risiko darstellen, während für Änderungen mit geringem oder keinem Risiko automatisierte Genehmigungen erteilt werden. Eine Möglichkeit, dies zu tun, besteht darin, Folgendes zu tun: Quantifizieren Sie die Risiken jeder Änderung durch den Einsatz von ML/KI-Modellierung. Mithilfe historischer Daten und eines Datenmodells, das vergangene Ausfälle/Vorfälle mit bestimmten Risikofaktoren verknüpft, können IT-Leiter auf einem Dashboard auf einen Blick erkennen, welche Änderungen am wahrscheinlichsten fehlschlagen und warum.

Digital.ai Change Risk Prediction geht sogar so weit, Risiko-/Fehlerwahrscheinlichkeitswerte für alle geplanten Änderungen zuzuweisen. Diese Kontextinformationen ermöglichen es Change-Teams, auf neu auftretende Risiken zu reagieren und ihren Fokus auch von risikoarmen Änderungen abzulenken, die ihre Aufmerksamkeit nicht erfordern.

Sobald dieses verbesserte System zur Ermöglichung von Veränderungen etabliert ist, DevOps Führungskräfte können die Veränderungsgeschwindigkeit weiter beschleunigen, indem sie eine „Überholspur“ für Veränderungsteams schaffen, die kontinuierlich Qualitätsmaßstäbe erfüllen oder übertreffen. KI-gesteuerte Analysen können Benchmark-KPIs verwenden, die eine Kombination von Faktoren wie entgangenen Fehlern verwenden, um einzelne Änderungsteams hinsichtlich ihres relativen Risikos zu bewerten und so ein System der beschleunigten Genehmigung für Teams zu ermöglichen, die sich kontinuierlich beweisen.

Schaffen Sie Ihren leistungsstarken Change-Teams eine Überholspur

Digital.ai Change Risk Prediction ist in der Lage, die Leistung einzelner Change-Teams als Gesamtrisikofaktor für Change-Misserfolge zu berücksichtigen.

Teams kann ein „Risiko-Kredit-Score ändern” basierend auf ihrer Leistung für bestimmte Metriken. Beispiele für Faktoren, die in die Bewertung einfließen, können sein:

• % der fehlgeschlagenen Änderungen
• CI-Warnungen in den letzten 7 Tagen
• Durch Testautomatisierung erkannte Vorproduktionsfehler
• Teamübergreifende Abhängigkeiten

Teams mit einem insgesamt niedrigen Kreditrisiko-Score können automatisierte Genehmigungen erhalten, sofern sie weiterhin bestimmte Leistungsziele erreichen. Die Automatisierung des Risikomanagements kann die Erstellung oder Entfernung von Gates basierend auf Schwellenwerten wie fehlerfreien Rauchtests und dem Bestehen automatisierter Compliance-Prüfungen ermöglichen.

Im Wesentlichen treiben Change Leader Prozesse automatisch voran, die auf Risikovorhersagen und vergangenen Fähigkeiten basieren. Kurz gesagt, die Automatisierung von Änderungen durch sofortige Genehmigungen oder Low-Level-Gating schafft eine Überholspur für Teams, die in der Lage sind, konsistent stabile Änderungen bereitzustellen, die keine Zwischenfälle oder Ausfälle verursachen. Dieser Automatisierungsgrad führt auch zu schnelleren und weniger strengen Prozessen rund um Aktivitäten zur Änderungsaktivierung.

Beim Change Management sollte es darum gehen, Erwartungen zu setzen und die Fähigkeit der Change-Teams zu messen, diese Erwartungen zu erfüllen oder zu übertreffen. sagt Greg Sanker, Autor von IT Change Management: A Practitioner's Guide.

„Solange es erreicht wird (die Änderungsergebniserwartung), kann das Änderungsmanagement durch die Prüfung einzelner Änderungen keinen Mehrwert für den Wertstrom schaffen. Es handelt sich um eine Ergebniserwartung, die buchstäblich in den Wertstrom selbst integriert ist.“

Die schnelle Umsetzung bestimmter Änderungen spart nicht nur Zeit, sondern vermeidet auch die Kosten für die Einberufung eines Change Advisory Board (CAB). Darüber hinaus kontrolliert die Modellierung und das Verständnis von Änderungsrisiken die Kosten von Vorfällen und Ausfällen, die Gartner für große Unternehmen und ihre Kunden auf 6,000 US-Dollar pro Minute schätzt – bei größeren Serviceunterbrechungen auf über 10 Mio. US-Dollar pro Tag.

Dies alles ist Teil einer Strategie, bei den Change-Enablement-Prozessen stärker datengesteuert vorzugehen und Prozesse auf bestimmte Ergebnisse und einen höheren ROI auszurichten.

Es gibt auch den Gamification-Aspekt, der damit einhergeht, Teams zu bewerten und sie für konstant positive Fähigkeiten zu belohnen. In den Worten von Digital.ai Lösungsberater Neal DeBuhr: „Teams werden ihre Kreditwürdigkeit auf ganz natürliche Weise verbessern wollen, wenn sie diese Faktoren erkennen und über die Informationen verfügen, um dies sehr effektiv und sehr präzise zu tun.“

Die von den KI/ML-Modellen ans Licht gebrachten Daten ermöglichen ein tiefes, umfassendes und ganzheitliches Verständnis und helfen Change-Enablement-Teams dank der bereitgestellten Informationen, effizienter und effektiver zu arbeiten. DevOps Teams können diese Informationen auf effiziente Weise nutzen, um Prozesse voranzutreiben, sodass die Dinge schneller laufen und gleichzeitig die Wahrscheinlichkeit geringer ist, dass sie kaputt gehen. Dank der freigewordenen Ressourcen können sich die Teams dann auf die Veröffentlichung marktführender Innovationen konzentrieren, und zwar mit größerer Effizienz und geringeren Kosten für die Durchführung des Prozesses, was zu einem geringeren Gesamtrisiko unerwarteter Änderungsfehler führt.

Dies ist die Leistungsfähigkeit und das Potenzial der Automatisierung im Risikomanagement, die Ihnen zur Verfügung steht.

Erfahren Sie mehr darüber, wie Sie die Leistungsfähigkeit datengesteuerter Analysen nutzen können, in unserem Video aus der Meetup-Reihe des vergangenen Sommers: "Erhalten Sie durchgängige Transparenz und umsetzbare Erkenntnisse, die Sie für datengesteuerte Entscheidungen benötigen Digital.ai Intelligence Lösungen"