Eliminar las barreras a la disponibilidad de datos y simplificar el análisis

In DevOpsLa "disponibilidad de datos" suele referirse a un estado en el que la aplicación o plataforma puede acceder a los datos necesarios en el entorno operativo. Pero no son solo los productos operativos los que requieren disponibilidad de datos. Conjuntos de herramientas internas para DevOps Los equipos de seguridad informática también necesitan datos disponibles de planificación, desarrollo, pruebas, seguridad, etc. Los responsables de la toma de decisiones de TI (ITDM) necesitan acceder a estos datos para aplicar análisis, responder preguntas, identificar oportunidades de mejora y determinar nuevas iniciativas estratégicas.

Los datos generados en entornos corporativos suelen estar fuertemente aislados. Incluso con datos aislados, es fácil responder preguntas que se pueden resolver dentro de ese silo, como por ejemplo: ¿cuál es el coste mensual de la nómina? Sin embargo, es mucho más difícil responder preguntas complejas sobre la generación de valor y la optimización, que pueden involucrar factores de toda la organización. Por ejemplo, Airbnb utiliza una combinación de métricas que se basan en la información de toda la organización, no solo de determinados equipos.

Recopilar manualmente datos de distintos departamentos para generar un informe específico puede convertirse en un proyecto de meses, retrasando o incluso impidiendo la obtención de resultados empresariales positivos. Las organizaciones necesitan una forma de superar las barreras entre departamentos y acceder rápidamente a los datos para generar informes y supervisar el rendimiento actual. 

Un sistema para agregar datos puede mejorar la disponibilidad de datos para la elaboración de informes analíticos, pero también existen otros criterios que deben cumplirse. Mejorar la disponibilidad de datos también puede facilitar la seguridad, el cumplimiento y la gobernanza (SCaG), ya que el flujo de datos puede supervisarse y controlarse. 

Las siguientes cinco acciones le ayudarán a establecer objetivos para mejorar la disponibilidad de datos.

Agregado: datos de origen de todos los sistemas clave de registro.

El paso más importante para mejorar la disponibilidad de datos para el análisis es agregarlos todos, creando un portal único de acceso a la información. Si bien las herramientas individuales pueden ofrecer funciones de generación de informes, esto no equivale a aplicar el análisis de forma integral a todos los datos. Cada herramienta tiene una visión limitada y no podrá agregar todos los datos para ampliarla. Las diferencias en el origen de los datos y el cálculo de las métricas también pueden generar sesgos e imprecisiones en los informes.

En cambio, cada sistema de registro individual requiere su propio adaptador de datos. Todos estos datos se pueden importar a un único repositorio, lo que facilita el análisis. Las fuentes de datos pueden incluir herramientas de planificación, herramientas de desarrollo y entornos de monitorización de aplicaciones. Incluso se pueden usar herramientas internas como Office 365, Slack o Salesforce para obtener datos. 

Una vez combinados, los sistemas de análisis pueden consultar datos con contexto, lo que proporciona a los responsables de la toma de decisiones una visión de 360° de las actividades de la empresa y el estado de los productos. Por ejemplo, un indicador clave de rendimiento (KPIEsto se revela al comparar dos conjuntos de datos, como el tiempo de entrega promedio por DevOps pasos comparados con defectos que escaparon posteriormente.

Automatiza: convierte la importación de datos en un proceso automático y sin esfuerzo.

La importación y sincronización manual de datos aumenta la carga de trabajo. DevOps Además, reduce las probabilidades de que se complete la importación de datos. En su lugar, automatice la importación de datos y configúrela para que se realice periódicamente. Las actividades de importación de datos deben auditarse cada pocas semanas para detectar posibles problemas o deficiencias en los adaptadores de datos. La automatización es la única forma de mejorar la disponibilidad de datos sin recurrir a tareas manuales que consumen mucho tiempo.

Asimilar: adaptar los datos a un formato estándar utilizando un modelo de datos canónico.

Al diseñar un pipeline de datos, el responsable de la toma de decisiones de TI (ITDM) debe tener en cuenta las diferencias en la representación de los datos. Por ejemplo, una herramienta puede calcular los resultados de las pruebas según los fallos detectados, mientras que otra podría calcular un porcentaje general de integridad. Los datos procedentes de ambas métricas se pueden combinar y comparar, pero solo si se ajustan a un formato estándar: un modelo de datos canónico (CDM). Un CDM puede ser propietario y desarrollarse según las necesidades de cada organización. Una vez implementado, el CDM permite la estandarización rápida y automatizada de los datos importados.

Investigar: convertir los datos en información útil y fácil de consultar.

Una solución de análisis de datos debe contar con un panel de control personalizable y la opción de generar informes ad hoc. La representación visual de los datos permite contar una historia e impulsar la acción de maneras que los datos sin formato no pueden. El aprendizaje automático y la inteligencia artificial (ML/IA) pueden modelar los datos de una forma aún más práctica.

Un ejemplo de esto es establecer un riesgo de cambio en la puntuación crediticia — una métrica objetiva que permite evaluar el riesgo de que ciertos cambios fallen tras su implementación, basándose en factores modelados. Cuando un proveedor líder de servicios sanitarios descubrió que la mayoría de sus problemas con los cambios se debían a factores humanos, comenzó a asignar una puntuación a los responsables de la gestión del cambio. Esto les brindó la oportunidad de visualizar y mejorar sus puntuaciones, lo que a su vez permitió resolver más problemas pendientes, prolongar el tiempo entre interrupciones y reducir el tiempo, el dinero y el esfuerzo que los responsables de TI dedicaban a abordar los problemas relacionados con los cambios. Entre los factores se incluyen la magnitud del cambio, el número de cambios de configuración, los equipos involucrados e incluso el día del mes. Estos datos permiten analizar en detalle las fuentes de riesgo del cambio, que pueden atribuirse a prácticas, equipos o desarrolladores específicos. 

La recopilación de datos es solo una parte de este paso. Representar los datos visualmente permite al responsable de la toma de decisiones de TI formular preguntas difíciles, supervisar de cerca el rendimiento interno e incluso incorporar los comentarios de los consumidores, cerrando así el ciclo.

Integrar: incorporar seguridad, cumplimiento y gobernanza para supervisar los datos y la cadena de custodia.

Mejorar la disponibilidad de datos para el análisis brinda la oportunidad de auditar los flujos de datos y las prácticas actuales, no solo de monitorear el rendimiento. DevOps Los equipos deben procurar mantener un flujo de datos cerrado, tanto internamente como en el entorno operativo. Un flujo de datos cerrado funciona de forma similar a un entorno estéril en un laboratorio. Al ser cerrado, reduce las posibilidades de contaminación, fugas o intrusiones. 

Este canal también puede revelar métricas de SCaG mediante análisis. Un método puede consistir en representar el cumplimiento de pasos específicos, como por ejemplo: «marque esta casilla para confirmar que realizó una prueba de integridad». Otra opción para revelar el rendimiento de SCaG es analizar los datos para obtener métricas que evalúen su estado. Algunos ejemplos de métricas útiles para el seguimiento incluyen defectos no detectados, volumen de incidentes y citaciones evitadas gracias al cumplimiento. Representar las iniciativas de SCaG mediante análisis permite priorizar desde el inicio, integrando la comprensión de las tres iniciativas para mejorar las prácticas y la integridad del producto.

Las respuestas deberían llegar rápidamente, no después de meses.

Cuando los datos y los informes analíticos están fácilmente disponibles, se permite más DevOps Se espera que los miembros del equipo sean proactivos a la hora de abordar los problemas comunes. El análisis de datos de autoservicio permite a cualquier persona investigar problemas o identificar los factores que influyen en el éxito o el fracaso. 

Una comprensión clara mejora la transparencia y la rendición de cuentas, lo que facilita la mejora de las prácticas y los resultados. Cuando la elaboración de informes es manual y engorrosa, la respuesta a la pregunta original puede resultar irrelevante debido al tiempo transcurrido. Las empresas deberían aspirar a un estándar de baja latencia y mínimo esfuerzo para resolver problemas comunes.

Al aprovechar la analítica, las organizaciones también pueden personalizar el panel de control para que se ajuste mejor a sus necesidades, adaptando el propósito a la cultura. Un ejemplo es cómo Rogers Communications utiliza una herramienta de inicio de sesión único que muestra vistas personalizadas Adaptado a los roles laborales, permite a los usuarios empresariales visualizar su entorno una vez que inician sesión. El resultado es una mayor transparencia, una mayor alineación y un mayor enfoque en la mejora de la entrega de valor, tanto interna como externamente.

Una mayor disponibilidad de datos conduce a mejores decisiones y resultados empresariales positivos. Aprenda a integrar el proceso de desarrollo y sus datos subyacentes con los procesos estratégicos y operativos en nuestro seminario web: La clave para obtener resultados empresariales extraordinarios son los datos..