Najważniejsze wnioski
- Rosnące koszty związane z chmurą to często problem związany z modelem operacyjnym danych, a nie tylko z infrastrukturą.
W wielu organizacjach największe marnotrawstwo nie wynika wyłącznie z nadmiernie rozbudowanej infrastruktury, ale ze sposobu, w jaki dane są przechowywane, przetwarzane, powielane, rejestrowane i wykorzystywane w ramach platformy. - Nieprzewidywalne wydatki są bardziej niebezpieczne niż po prostu wysokie wydatki.
Zmienność utrudnia prognozowanie, osłabia zaufanie do planowania, komplikuje rozmowy z działem finansowym i kierownictwem oraz uniemożliwia firmom podejmowanie mądrzejszych decyzji dotyczących zobowiązań i zakupów w chmurze. - Prawdziwa wartość FinDataOps wykracza poza same oszczędności.
Dojrzałe podejście FinDataOps zapewnia kadrze kierowniczej większą przejrzystość w zakresie odpowiedzialności za obciążenia, lepszy podział kosztów według zespołów lub produktów, dokładniejsze prognozy oraz większą pewność co do skalowania platformy bez utraty kontroli finansowej.
Dlaczego rosnące koszty usług w chmurze są często problemem związanym z danymi, a nie tylko problemem infrastrukturalnym?
Wiele firm reaguje na nadmierne wydatki związane z chmurą, stosując klasyczne działania infrastrukturalne: dostosowywanie mocy obliczeniowej, wyłączanie nieaktywnych zasobów lub renegocjowanie cen za rezerwacje. Są to przydatne działania, ale nie oddają one pełnego obrazu sytuacji w nowoczesnych środowiskach danych.
Wytyczne FinOps Foundation dotyczące chmury danych wyraźnie odróżniają te środowiska od tradycyjnej chmury publicznej, ponieważ koszty są zazwyczaj uzależnione od aktywności obciążeń, współdzielonych zasobów obliczeniowych, cyklu życia pamięci masowej, przepływu danych oraz jednostek zużycia specyficznych dla danej platformy.
Innymi słowy, wysokość rachunku często zależy nie tyle od tego, „jaka infrastruktura istnieje”, ile od tego, „jakie zadania ma wykonać platforma danych”.
To rozróżnienie ma znaczenie, ponieważ wgląd na poziomie infrastruktury może wskazać, że wydatki wzrosły, ale nie wyjaśnia, dlaczego. Wytyczne dotyczące platform chmury danych wskazują, że widoki na poziomie hurtowni danych lub klastra rzadko same w sobie wyjaśniają wartość, dlatego zespoły dążą do rozszerzenia wglądu na poziom zapytań i zadań, wykorzystując metadane środowiska uruchomieniowego oraz dane telemetryczne, aby zrozumieć, które działania spowodowały wydatki i czy ich wykonanie było uzasadnione.
Gdy koszty powstają w środowiskach współdzielonych, odpowiedzialność musi być powiązana z samą pracą (a nie tylko z otaczającą ją powłoką zasobów).
Dowiedz się, co wpływa na koszty związane z danymi i sztuczną inteligencją oraz od czego warto zacząć wprowadzanie zmian.
Uzyskaj jasny, poparty danymi obraz możliwości optymalizacji w całej platformie.
Sygnał ostrzegawczy na poziomie 30%: kiedy wydatki na dane zaczynają ograniczać innowacyjność
Próg 30% niekoniecznie oznacza marnotrawstwo, ale zmusza kierownictwo do zwrócenia uwagi na tę kwestię.
Gdy znaczna część budżetu przeznaczonego na chmurę zostanie pochłonięta przez obciążenia związane z danymi, dyskusja powinna wyjść poza kwestie oszczędności taktycznych i skupić się na wartości biznesowej. Sam FinOps jest postrzegany jako dyscyplina służąca do dokonywania kompromisów między szybkością, kosztami i jakością oraz umożliwiająca podejmowanie bardziej świadomych decyzji na szczeblu kierowniczym.
Znacznie wysokie koszty związane z danymi zasługują na takie samo strategiczne podejście, ponieważ mają bezpośredni wpływ na to, ile pozostaje miejsca na realizację planu działania, eksperymenty i rozwój.
To właśnie w tym momencie wydatki na dane zaczynają wypierać innowacje. Każdy dolar/euro zainwestowany w mało wartościowe skanowanie, niekontrolowane przechowywanie danych, powielanie przetwarzania lub nieprzejrzystą współdzieloną moc obliczeniową to dolar/euro, którego nie można przeznaczyć na prace nad nowymi produktami, badania w zakresie sztucznej inteligencji, funkcje dla klientów czy przyspieszenie dostaw.
Wiele organizacji już teraz znajduje się pod presją, by samodzielnie finansować nowe inwestycje poprzez wzrost wydajności, co sprawia, że niekontrolowane wydatki na technologie stają się strategicznym ograniczeniem, a nie rutynowym problemem operacyjnym.
Dlaczego koszty korzystania z chmury mogą gwałtownie wzrosnąć, nawet jeśli infrastruktura pozostała bez zmian?
Jedna z najbardziej frustrujących sytuacji dla kierownictwa wyższego szczebla: architektura wydaje się stabilna, a mimo to koszty wciąż rosną. W przypadku platform danych może to wynikać z całkowicie zrozumiałych przyczyn.
Koszty mogą wzrosnąć, ponieważ pobieranych jest więcej danych, te same dane są skanowane częściej, wzrosła współbieżność, wprowadzono pętlę uzupełniania lub odświeżania, zmieniło się zachowanie ponownych prób lub wiele zespołów korzysta teraz wspólnie z tej samej puli mocy obliczeniowej.
FinDataOps wyraźnie wskazuje na zmienność zużycia, wzorce koordynacji, ponowne próby, zachowanie harmonogramowania oraz anomalie obciążenia jako istotne czynniki generujące koszty. Dlatego stwierdzenie „nic się nie zmieniło w infrastrukturze” nie jest równoznaczne z „nic się nie zmieniło pod względem ekonomicznym”.
Często to właśnie zachowanie użytkowników jest głównym czynnikiem wpływającym na koszty: nieefektywne zapytanie, nadmiernie rozbudowane połączenie tabel, skanowanie całej tabeli, pętla koordynacyjna lub lawina odświeżeń pulpitu nawigacyjnego mogą generować znacznie wyższe wydatki, nawet jeśli wydaje się, że obciążenie platformy pozostaje niezmienione. Jeśli skupisz się wyłącznie na przeanalizowaniu przydzielonych zasobów, możesz przeoczyć wzorce działania, które faktycznie generują koszty.
Dowiedz się więcej o FinDataOps:
Ukryte czynniki wpływające na wydatki związane z danymi: poziomy przechowywania, rejestrowanie, duplikowanie i zakłócenia w potokach danych
Niektóre z najkosztowniejszych problemów wydają się na pierwszy rzut oka zupełnie zwyczajne. Doskonałym przykładem jest cykl życia danych w pamięci masowej. Największe platformy oferują znacznie różniące się między sobą poziomy pamięci masowej dostosowane do różnych wzorców dostępu.
Na przykład Google Cloud pozycjonuje Nearline, Coldline i Archive jako tańsze opcje dla rzadziej wykorzystywanych danych, podczas gdy BigQuery wskazuje, że przechowywanie długoterminowe może być o około 50% tańsze niż przechowywanie aktywne po upływie 90 dni bez modyfikacji.
Jeśli rzadko używane dane pozostają w warstwach premium lub są wielokrotnie przepisywane, przez co nigdy nie kwalifikują się do tańszego traktowania, organizacja płaci więcej, nie tworząc przy tym żadnej dodatkowej wartości.
Kolejnym częstym „martwym punktem” jest rejestrowanie danych. Google Cloud rozlicza usługę Cloud Logging na podstawie ilości pobranych danych i nalicza dodatkowe opłaty za przechowywanie wykraczające poza domyślne okresy, podczas gdy Microsoft stwierdza, że największe opłaty w ramach Azure Monitor wynikają zazwyczaj z pobierania i przechowywania danych.
Jeśli dodamy do tego powielane operacje przenoszenia danych, transfery między regionami, replikowane zbiory danych lub potoki, które wielokrotnie przetwarzają znacznie więcej danych niż faktycznie potrzebuje firma, koszty zaczynają rosnąć w sposób strukturalny. Czynniki, które również mogą mieć znaczący wpływ na całkowite wydatki, obejmują: transfer danych, replikację, dostęp między regionami, przypisywanie zasobów współdzielonych oraz niepotrzebne skanowanie.
Raport rynkowy dotyczący liderów branży technologicznej
72% organizacji nadal przekracza swoje budżety przeznaczone na chmurę, a przyczyna tego zjawiska ma charakter strukturalny. Niniejszy materiał zapewnia kadrze kierowniczej wspólny język oraz plan działania oparty na 7 zasadach, który należy wdrożyć w ciągu 90 dni.
Dlaczego nieprzewidywalne wydatki są bardziej niebezpieczne niż po prostu drogie wydatki?
Wysokie wydatki nie są idealnym rozwiązaniem, ale wahania w wydatkach są często jeszcze gorsze. Stały, wysoki poziom wydatków można przynajmniej zrozumieć, poddać analizie i prognozować. Natomiast wydatki, które ulegają nieprzewidywalnym wahaniom, trudniej jest uzasadnić podczas rozmów z działem finansowym, trudniej uwzględnić w budżecie i trudniej dostosować do planów inwestycyjnych.
Wytyczne FinDataOps wskazują, że lepsza kontrola finansowa i przewidywalność wspierają skuteczniejsze podejmowanie decyzji przez kadrę kierowniczą, a struktura chmury danych rozszerza tę logikę na zarządzanie anomaliami, monitorowanie zmienności oraz dokładność prognoz w zakresie wspólnych obciążeń.
Nieprzewidywalność ogranicza również możliwość inteligentnego korzystania z komercyjnych modeli chmury. Plany oszczędnościowe AWS oraz zniżki za gwarantowane wykorzystanie w Google Cloud oferują niższe ceny w zamian za roczne lub trzyletnie zobowiązania powiązane ze stabilniejszymi wzorcami użytkowania.
Jeśli wydatki na dane są nieuporządkowane, źle przypisane lub zniekształcone przez niewyjaśnione skoki, albo podejmujesz zbyt ostrożne zobowiązania i przepłacasz za ceny na żądanie, albo podejmujesz zbyt agresywne zobowiązania i narażasz się na ryzyko związane z wykorzystaniem zasobów.
Przewidywalność nie jest zatem administracyjnym luksusem, ale raczej warunkiem koniecznym do podejmowania rozsądnych finansowo decyzji dotyczących zobowiązań.
Co kadra kierownicza zyskuje oprócz oszczędności: poczucie odpowiedzialności, przypisywanie kosztów oraz lepsze zobowiązania dotyczące chmury
Pierwszą korzyścią dla kadry kierowniczej wynikającą z FinDataOps jest poczucie odpowiedzialności.
W środowiskach opartych na współdzielonych danych mechanizmy showback i chargeback stają się wiarygodne tylko wtedy, gdy wydatki można powiązać z zespołami, produktami, środowiskami i obciążeniami, które faktycznie je wygenerowały. Metadane dotyczące czasu działania oraz telemetria na poziomie wykonania są obecnie uznawane za niezbędne w środowiskach chmury danych właśnie dlatego, że przypisanie odpowiedzialności na poziomie magazynu danych jest często zbyt ogólne, by zapewnić rzeczywistą rozliczalność.
Jeśli kierownictwo nie jest w stanie odpowiedzieć, który produkt, rodzina zapytań, potok danych lub biznesowy przypadek użycia spowodował te wydatki, nie może nimi zarządzać z pewnością.
Drugą korzyścią jest wzmocnienie płaszczyzny kontroli finansowej.
Typowe profile użytkowników w chmurze danych obejmują działy finansów, zaopatrzenia, produktów oraz kierownictwo – wszystkie te jednostki wykorzystują informacje o kosztach na poziomie obciążeń roboczych do celów budżetowania, prognozowania, analizy odchyleń, ekonomiki jednostkowej, podejmowania decyzji dotyczących zobowiązań oraz ustalania priorytetów w portfelu.
W praktyce oznacza to, że dział finansowy zyskuje większą przewidywalność, dział zaopatrzenia otrzymuje solidniejszą podstawę do podejmowania decyzji dotyczących zobowiązań i odnowień, liderzy produktów uzyskują wgląd w stosunek kosztów do wartości, a kadra kierownicza zyskuje wystarczającą przejrzystość, by zdecydować, co należy skalować, dostosować, skonsolidować lub wycofać. Jest to znacznie szerszy efekt niż zwykłe „obniżenie rachunku”.
Trzecią korzyścią jest dojrzałość operacyjna.
Dojrzałe praktyki w coraz większym stopniu skupiają się na zarządzaniu, spójności organizacyjnej oraz rozszerzaniu działalności na nowe kategorie technologiczne, odnotowując jednocześnie malejące korzyści z oczywistych, „kluczowych” optymalizacji realizowanych w ramach wcześniejszych programów chmurowych. Właśnie dlatego projekt dotyczący danych o istotnym znaczeniu często wymaga czegoś bardziej przemyślanego niż jedynie podstawowe działania w zakresie FinOps.
Przy określonej skali optymalizacja wymaga bogatszej telemetrii, jaśniejszych zasad dotyczących cyklu życia, analizy międzyfunkcjonalnej oraz modelu operacyjnego, który traktuje koszty danych jako część ekonomiki produktu, a nie jako czynność porządkową związaną z rozliczeniami na koniec miesiąca.
Dobry model FinDataOps nie wymaga od liderów wyboru między kontrolą a innowacją, lecz dostarcza im danych pozwalających na bardziej przemyślane finansowanie obu tych obszarów.
Gdy wydatki są przypisane do konkretnych celów, zrozumiałe i możliwe do prognozowania, liderzy mogą z większą pewnością angażować się w realizację celów, pociągać zespoły do odpowiedzialności bez konieczności zgadywania oraz przekierowywać oszczędności na działania o większej wartości.
Gdy tak nie jest, nawet platforma danych, która odniosła sukces techniczny, może stać się obciążeniem finansowym i strategicznie niestabilna.
Dowiedz się, co wpływa na koszty związane z danymi i sztuczną inteligencją oraz od czego warto zacząć wprowadzanie zmian.
Uzyskaj jasny, poparty danymi obraz możliwości optymalizacji w całej platformie.
