不少CIO們比較困惑， 在IT投入上， 已經上線了應用性能監控APM，是否還有必要經過AIOps來提成IT運維效率，創造更大價值。本文經過詳盡分析給出了答案。算法
應用性能監控能夠幫助診斷應用程序問題，但一般沒法深刻了解如何使用該信息來使業務受益。CIO們應將AIOps應用於APM和其餘數據源，以得到改善業務成果的看法。數據庫
主要問題瀏覽器
- 當前大多數的APM工具提供有限的業務環境建議，使CIO們沒法將APM輸出與業務成果相關聯，例如提升收入，控制風險和成本。
- 許多監測工具過去都側重於爲事故提供診斷，但沒有提供足夠的幫助來預測未來會影響的事件。
- CIO們在沒有數據科學和業務分析專業知識的狀況下，難以發現監控數據中的異常、趨勢和模式的業務相關性。
建議網絡
專一於IT運營轉型，並負責提升應用性能的CIO們應當：架構
- 經過與業務負責人協做肯定要監測的內容並使用AIOps來檢測未預期的依賴關係，將應用性能監控指標映射到業務目標。
- 經過使用AIOps預測將來的高几率問題，支持擴展的預測能力。
- 經過將AIOps機器學習算法應用於客戶和交易數據，改善業務成果，從而提升收入、控制成本和風險。
戰略規劃假設運維
到2020年，大約50％的企業將積極地將AIOps技術與APM結合使用，以提供對業務執行和IT運營的深刻了解，目前這一比例不到10％。機器學習
概述工具
基礎架構和運營領導者使用應用性能監控（APM）來提供對關鍵業務應用程序的實時監控。雖然它能夠有效地檢測常見的、衆所周知的IT問題，但APM在業務流程環境中檢測到的業務相關性的能力有限。性能
所以，業務利益相關者沒法有效利用APM提供的信息來獲取洞察力，以指導業務決策，從而幫助提升收入，縮短產品上市時間，下降信譽風險和成本。這是在浪費用於幫助發展業務的資源 - 這是一項沒法實現的努力。學習
CIO們如何爲業務領導者提供他們所需的洞察力，以便作出可以產生最大業務影響的更好決策？本文描述了用於事件關聯的IT操做（AIOps）的人工智能的典型使用的替代方案。它還解釋了AIOps如何經過APM提供實現業務成果所需的可操做洞察力，例如改善收入，控制成本和風險（參見圖1）。
圖1. 將AIOps添加到APM以完成業務目標
分析
將應用性能指標映射到業務目標
幫助企業實現目標是CIO們必須關注的相當重要的結果。CIO們應該專一於提供價值，並根據對業務及其客戶的利益來衡量IT運營，例如增長訂單，提升客戶滿意度或增長部件產生的數量。
使用AIOps將包括有效負載在內的IT數據與業務目標指標相關聯。有效負載數據使用相當重要，由於它包含IT活動的業務環境，例如客戶，訂單和產品信息。從APM事務，日誌和網絡數據包捕獲有效負載數據（參見表2）。
表2 ：將這些來源的數據導入AIOps系統以擴展業務環境
AIOps將檢測人工不可能發現的模式，包括揭示因果關係的模式。從這種因果關係的肯定，應該建立模型，以幫助決定哪些IT指標應該映射到哪一個業務目標。隨着時間的推移觀察這些以優化每一個模型; 確保它是最新的，而且它所作的任何假設都是準確的。經過使用機器學習算法，AIOps專門提供了一種數學方法，能夠找到數據中隱藏的鏈接、緣由和機會，使這一過程成爲可能。
例如，使用無監督算法，例如K-means聚類，最初設計用於信號處理，而且一般由市場營銷用於客戶細分，以找到數據中的隱藏模式。該算法能夠自動建立人類沒法找到的分組或聚類。使用此算法和其餘算法可幫助構建和組織將APM源數據與優先業務目標相關聯的模型。
包括其餘數據源，將擴展APM數據的業務相關性和價值。利用AIOps推斷未知關係，幫助推進IT，非IT和優先目標之間的準確映射。
例如，使用模式檢測算法經過將IT數據中的指標映射到業務數據中的指標來改進客戶關係流程。該算法將感知與用戶導航相關的模式：
- 數字體驗數據
- 從業務事務中的有效負載中提取的訂單數據
- 來自Twitter，服務檯請求和狀態的情緒數據
- 來自CRM系統的賬戶活動
利用這種方法在他們使用的全部應用程序中構建客戶的複合模型，甚至在單個應用程序的多個模式中構建不一樣的行爲，例如當他們使用Web瀏覽器而不是移動設備時。其結果將是來自映射到其餘數據源中的每一個數據源的一組度量，而且這些度量將與指望的業務結果相關聯。
下一步：
經過執行如下操做，使IT目標與業務目標保持一致：
- 經過與業務部門協做，收集業務相對於應用程序的關鍵任務優先級列表。經過論壇進行協做，在這些論壇中，企業能夠討論目標，相對優先級和依賴關係背後的「故事」，以確保相互理解目標。經過在線團隊協做工具（如Slack，Hipchat，Microsoft Teams或其餘許多可用工具），能夠實現對不斷變化的優先級的共享意識。
- 經過捕獲實例化訂單，註冊和續訂等業務交易的IT活動流，獲取支持所選業務目標度量的數據。檢查其有效負載，其中包含訂單詳細信息，價格，客戶信息和其餘特定於業務的指標等項目。
- 使用AIOps算法檢測組合的業務和IT數據中的模式或集羣，推斷關係並肯定因果關係。
- 建立一個模型，該模型將算法肯定的關係以及具備優先級業務目標的人工指定的關係相關聯。
- 將相關數據存儲在日誌或鍵值數據庫中，以便於訪問和進一步分析。
擴展支持預測的能力
AIOps利用其推斷接下來可能發生的事情的能力，提供對將來事件的洞察力。它的機器學習算法能夠提供基於機率的即將到來的意識。這使CIO們可以採起行動以防止影響。隨着時間的推移驗證這些算法的結果，以測試其預測的可靠性。
利用機器學習算法能夠提供價值的多種方式：預測趨勢，檢測異常，肯定因果關係和分類數據。例如，使用諸如Holt-Winters之類的算法來預測時間序列數據中的多個將來值，例如特定季節或一天中的時間段內的負載。雖然使用NaïveBayes等分類算法來分析流數據並執行實時分類，但IT操做可使用此類算法來分析流數據並預測用戶情緒。
下一步：
- 使用AIOps算法預測時間序列數據的將來值，例如最終用戶響應時間。
- 參與預測問題的根本緣由分析以肯定真正的錯誤。
- 採起預防措施，以防止預測問題的影響。
改善業務成果，從而增長收入，下降成本和風險
具備模式識別、高級分析和機器學習功能的AIOps解決方案能夠擴展APM對應用程序可用性和性能的歷史洞察力，從而在如今和未來提供業務影響（參見圖1）。增長結構化數據APM捕獲非結構化非IT數據和APM事務有效負載中包含的業務數據。將此數據提取到AIOps解決方案中，經過使用執行羣集的機器學習算法查找IT，社交和業務數據之間的相關性，從而提供加強的情境洞察力。
例如，將客戶情緒數據和來自服務檯的相關數據添加到用戶體驗測量中能夠提供比僅APM的解決方案更準確的客戶滿意度估計，其將響應時間或頁面加載時間數據饋送到Apdex算法中。僅經過APM方法，CIO們可能會得出錯誤的結論，即客戶會因快速頁面加載時間而感到高興。然而，經過從社交媒體中攝取數據並使用AIOps來分析頁面加載和情緒，他們可能會了解頁面，在加載速度快，信息無效或價格高昂的狀況下，客戶並不高興......事實上，偏偏相反。
經過使用訂單管理和客戶服務應用程序中的其餘數據擴充上述兩個數據流，進一步豐富了此示例。這可用於有效衡量IT指標與業務目標的完成之間的關係，例如增長收入和提升客戶滿意度。
CIO們將從與APM解決方案結合使用的AIOps功能中獲益匪淺。具體而言，IT將經過使用機器學習功能受益，包括異常檢測，分類，聚類和外推。使用這些機器學習技術來分析行爲，例如在訂單處理期間檢查用戶的操做，並將該行爲與影響底層IT基礎架構的事件相關聯。
聚類可用於根據用戶的行爲模式自動細分用戶，並與分類和推斷一塊兒預測他們將來的購買活動。CIO們能夠在自助服務儀表板上提供此分析，供業務使用。
下一步：
- 經過優先業務成果的鏡頭觀察數據，從而繞過「分析癱瘓」反模式。
- 經過使用AIOps提供的異常算法，在組合數據中發現異常的意外值。
- 經過使用AIOps中包含的聚類和外推算法，檢測數據中的意外模式或分組並預測將來結果。
- 經過使用AIOps將IT問題與業務指標的變化相關聯，分析IT狀況如何影響業務目標的實現，例如處理的訂單，執行的交易或表明業務流程的活動流程中產生的小部件。
- 經過使用AIOps將APM的結構化時間序列數據與來自Twitter或服務檯等來源的非結構化數據相關聯，肯定應用程序性能和可用性的變化如何影響客戶情緒和公司聲譽。
- 調查IT交互序列之間的關係，例如那些模擬業務流程（例如，客戶旅程）和業務成果的關係。
- 繼續根據觀察和評估其準確性來改進模型。