あらゆる変更は、ある意味でリスクを伴います。これは、数百万（時には数十億）もの顧客が依存するデジタル製品やサービスへの段階的な変更も含まれます。綿密な変更管理とは、リスクを定量化し、リスクを回避する成果を追求することを意味します。しかも、変更の展開速度を必要以上に阻害することなく、常にリスクを回避していく必要があります。

かつては、すべての変更はデプロイメント前に精査され、サービス中断、インシデント、その他の問題のリスクが軽減されると期待されていました。しかし、このプロトコルの多くは、リリースの品質向上には必ずしもつながらず、デプロイメント速度を低下させる効果しか及ぼしませんでした。

今では、パイプラインにおけるあらゆる変更を手動で確認する必要がなくなるよう、データに基づく情報とテクノロジーが揃っています。AI/MLモデリングと分析ダッシュボード、そしてプロセス自動化を組み合わせることで、 DevOps チームは「変更管理」から「変更の有効化「変更チームと開発エンジニアに、定期的なペースで変更をコミットするために必要な条件が与えられます。」

Digital.ai 変更リスク予測は以下と組み合わせて機能します Digital.ai Release この野望を実現するために、データモデルとAIを活用した分析によって DevOps リーダーは、どの変更カテゴリーとどの変更チームの成功率が高いかを把握できます。そして、この情報を活用して、これらの変更タイプの承認を自動化し、リリース速度を低下させる煩雑なレビュープロセスの多くを回避できます。

これは本質的に、変更の実現の理想です。つまり、変更が自由に行われ、チームがより頻繁に顧客に新しい価値を提供できる状況を作り出すことです。

豊富で文脈化されたデータが変革の実現を促進

変更リリースを妨げ、変更チームの遅延を引き起こす主な問題は、未知の要素です。チームはどの変更が失敗するか全く予想できないかもしれません。さらに心配なのは、 現在も将来も、 特定の変更が失敗する場合があります。このような状況では、未知のリスクを管理する最も一般的な方法は、ゲートキーピングを実施することです。これは多くの場合、手動によるレビュープロセスの形で行われます。

ITILは、正式な変更レビュープロセスを提案した最初のITフレームワークの1つです。 1989年から始まった2019年にITIL v4ガイドラインがリリースされ、ITベストプラクティスマニュアルでは、チームが過度に熱心な「変更管理」の観点ではなく「変更の実現」の観点に移行することが推奨されています。

この意味の変化が、より大きな意識の変化をどのように示しているのか、もう少し深く掘り下げてみましょう。「管理」とは、すべての変更を特定のプロセスを通して処理する必要があることを意味します。実際には、多くの変更は最小限のレビューと最小限のリスクで展開できます。すべての変更を人間の作業員が個別に「管理」することを期待することは、必要でもなく、実際には不可能なレベルの管理を意味します。手動による変更レビューを強制することは、各リリースの遅延を招くだけでなく、変更レビュー担当者に各変更に対して同等の注意と事前の検討を求めることになります。実際には、多くの変更承認は適切に付与されますが、一部の変更承認は必然的に欠陥の回避につながることになります。

個々の変更を手作業で管理するのではなく、どの変更の種類と変更要因がリスクを高める傾向があるかを判断する方法が必要です。これらのリスク要因は、データ分析とAI/MLモデリングを組み合わせることで、表面化し、理解することができます。自動化されたプロセスを用いて関連データを精査することで、変更チームは変更レビューの範囲を広げるだけでなく、どのリスク要因に焦点を当てるべきか、そしてどのリスクが最小限の変更であれば完全なレビュープロセスを省略すべきかを把握できます。この違いは、変更を自由に進めながら、最も変更を必要とする変更の種類とチームに優先順位を付けるという真の転換を表しています。

ITIL専門家のジョン・スティーブンス氏とITSMコンサルタントのジョセフ・マセンゲ氏の言葉「変更支援の実践の目的は、リスクが適切に評価されていることを確認することで、IT変更の成功率を最大化することです。」

つまり、リスクの高い変更にのみ焦点を当て、リスクの低い、あるいはリスクのない変更には自動承認を与えることで、変更のスピードを高めるという考え方です。そのための1つの方法は、 それぞれの変更のリスクを定量化する ML/AIモデリングを活用します。過去の障害/インシデントを特定のリスク要因と関連付ける履歴データとデータモデルを活用することで、ITリーダーはダッシュボード上で、どの変更が失敗する可能性が高く、その理由も一目で把握できます。

Digital.ai 変更リスク予測 計画されているすべての変更に対して、リスク/失敗確率スコアを割り当てることまで行われます。このコンテキスト情報により、変更チームは新たなリスクに対応できるだけでなく、注意を払う必要のない低リスクの変更から焦点を逸らすことも可能です。

この改善された変化を可能にするシステムが確立されると、 DevOps リーダーは、品質ベンチマークを継続的に達成または上回る変革チームのための「ファストレーン」を設けることで、変革のスピードをさらに加速させることができます。AI主導の分析は、ベンチマークKPIと回避された欠陥などの要素を組み合わせて、個々の変革チームの相対的なリスクを評価します。これにより、継続的に実力を発揮するチームを迅速に承認するシステムを構築できます。

優れたパフォーマンスを発揮する変革チームのための高速レーンを整備

Digital.ai 変更リスク予測は、個々の変更チームのパフォーマンスを変更失敗の全体的なリスク要因として考慮することができます。

チームには「リスク信用スコアの変更特定の指標におけるパフォーマンスに基づいて「」が付けられます。スコアに反映される要素の例としては、以下のようなものがあります。

• 失敗した変更の割合
• 過去7日間のCIアラート
• テスト自動化によって検出された製造前の欠陥
• チーム間の依存関係

全体的にリスクの低い信用スコアを持つチームは、一定のパフォーマンス成果を継続的に達成することを条件に、自動承認を受けることができます。リスク管理の自動化により、スモークテストの不合格や自動コンプライアンスチェックの合格といったしきい値に基づいてゲートを作成または削除することが可能になります。

本質的に、チェンジリーダーはリスク予測と過去の実績に基づいてプロセスを自動的に推進します。つまり、即時承認や低レベルゲーティングによる変更自動化は、インシデントやシステム停止を引き起こさずに安定した変更を継続的に提供できるチームのための高速レーンを構築します。このレベルの自動化は、変更実現活動に関するより迅速で、より緩やかなプロセスを構築します。

変更管理は、期待値を設定し、変更チームがその期待値を満たすか上回る能力を測定することに重点を置くべきです。 グレッグ・サンカーは言う『IT 変更管理: 実践者向けガイド』の著者。

「（変更による成果の期待値が）達成されている限り、変更管理は個々の変更を検査することでバリューストリームに何の価値も付加することはできません。これは文字通りバリューストリーム自体に組み込まれた成果の期待値なのです。」

特定の変更を迅速に進めることは、時間の節約になるだけでなく、変更諮問委員会（CAB）の招集にかかるコストも回避できます。さらに、変更リスクをモデル化して理解することで、インシデントやサービス停止に伴うコストを抑えることができます。ガートナーの推定によると、大企業とその顧客にとって、インシデントやサービス停止のコストは1分あたり6,000ドル、大規模なサービス停止の場合は1日あたり1,000万ドルを超えます。

これらはすべて、変更有効化プロセスにおいてよりデータ主導型になり、プロセスを特定の結果とより高い ROI に向けて推進するという戦略の一部です。

チームにスコアを付け、継続的な好成績に対して報酬を与えるというゲーミフィケーションの側面もあります。 Digital.ai ソリューションコンサルタントのニール・デブール氏：「チームは、これらの要素を理解し、それを効果的かつ正確に行うための情報を得ることができれば、自然に信用スコアを改善したいと思うようになるでしょう。」

AI/ML モデルによって明らかになるデータは、深く豊かで総合的な理解を可能にし、提供される情報によって変更対応チームがより効率的かつ効果的に作業するのに役立ちます。 DevOps チームはこの情報を活用してプロセスを効率的に推進し、業務のスピードアップと故障リスクの低減を実現できます。解放されたリソースのおかげで、チームは市場をリードするイノベーションのリリースに集中でき、プロセスの実行効率とコスト削減を実現し、予期せぬ変更による失敗のリスクを全体的に低減できます。

これが、リスク管理における自動化がもたらすパワーと可能性であり、すべてあなたの指先で実現します。

データ駆動型分析の力を活用する方法の詳細については、この夏のミートアップ シリーズのビデオをご覧ください。 「データに基づいた意思決定に必要なエンドツーエンドの可視性と実用的な洞察を獲得 Digital.ai Intelligence ソリューション「