Data-alustojen mahdollisuudet tukea organisaation FinOps toteutusta, osa 1 / 3: Omat konesalit

Jani Savolainen

Finops organisaation johtamiskäytäntönä sopii aivan yhtä hyvin omien konesalien kuin julkipilvien kustannusten johtamiseen. Tällöin kuitenkin käytettävät metodologiat eriävät jonkin verran toisistaan, paikoin paljonkin. Onkin hyvä tunnistaa nämä lainalaisuudet, jotta voidaan kunnolla arvioida privaattipilven, julkipilven sekä mahdollisten hybridiratkaisuiden  investointi- ja elinkaarikustannuksia. Blogisarjassani käsittelen aihetta liiketoiminnan näkökulmasta kolmikantaisesti:

• Kipupiste
• Ratkaisu
• Tulos

FinOpsin soveltaminen omissa konesaleissa (private cloud, privaattipilvi)

FinOpsin johtamisen periaatteita voidaan hyödyntää omissa konesaleissa, vaikka lähestymistapa ja työkalut eroavatkin jonkin verran julkipilvestä. Vaikka FinOps on perinteisesti liitetty pilvialustoihin, sen kolmea perusperiaatetta voidaan soveltaa  organisaation omiin konesaleihin:

• Eri osapuolten taloudellinen vastuu
• Kustannusten optimointi
• Arvon tuottaminen

Käytön ja kustannusten näkyvyys

Kipupiste: Omien konesalien operatiivisten kulujen jyvittäminen palveluita käyttäville yksiköille ei ole välttämättä kovin tarkkaa ja oikeudenmukaista.

Ratkaisu: Konesalien data-alustojen älykäs ja reaaliaikainen käytönseuranta käyttäjittäin sekä huomioiden kaikki muuttuvat kulut (muun muassa prosessorin, muistin, verkkojen ja tallennuskapasiteetin käytön) antaa hyvän lähtökohdan kustannusten todelliselle kohdentamiselle.

Tulos: Organisaatio pystyy kohdentamaan data-alustojen konesalikulut oikeille käyttäjille ja liiketoiminnoille.

Kustannusten allokointi

Kipupiste: Konesaleissa monet käyttäjittäin ja liiketoiminnoittain jyvitettävissä olevat kulut allokoidaan kuitenkin kiinteillä jakosuhteilla. Tämä voi johtaa vääristyneisiin kannattavuus- ja kilpailukykylaskelmiin ja aiheuttaa merkittäviä haittoja esimerkiksi vertailtaessa vaihtoehtoisia tapoja tuottaa tarvittavia palveluita tai edelleen liiketoimintoja myytäessä johtaa tuotantokustannusten vääriin analyyseihin.

Ratkaisu: Chargeback-ja showback-toimintamallilla organisaatio pystyy allokoimaan kaikki data-alustoihin liittyvät kulut oikeudenmukaisesti ja läpinäkyvästi oikeille käyttäjille ja liiketoiminnoille.  Chargeback -toiminnallisuus kohdentaa kulut oikeille tahoille ja laskuttaa niiden mukaisesti, kun taas showback -toiminnallisuus jyvittää kulut mutta ei laskuta niitä. Organisaation sisäiset käytännöt ohjaavat sopivan käytännön käyttämiseen.

Tulos: Data-alustojen kulut kohdentuvat oikein niitä käyttävien tahojen suhteen ja organisaation eri tahot saavat todenmukaisen jyvityksen käyttämistään palveluista. Tämä on hyvä tapa kannustaa eri tiimejä optimoimaan resurssien käyttöä. Organisaatioden kilpailukyvyn ja kustannustehokkuuden kannalta on olennaista, että kaikki kustannukset on jyvitetty totuudenmukaisesti, koska se on tehokkain keino löytää tehostamiskohteita. Jos kustannukset jaetaan kiinteällä jakosuhteella, tehottomat ja kalliit yksityiskohdat piiloutuvat tasapaksuun harmaaseen.

Resurssien käytön optimointi ja kapasiteettisuunnittelu

Kipupiste: Yksi merkittävä ero omien konesalien ja julkipilvien välillä on resurssien joustavuus. Omat konesalit ovat tyypillisesti paljon pienempiä ja suunniteltu ennakoitavien työkuormien, kasvun ja riskimarginaalin mukaan. Konesalien elinkaari on tyypillisesti plus miinus viisi vuotta ja sen syklin sisällä tehtävät merkittävät muutokset ovat tyypillisesti kalliita ja niitä halutaan välttää.

Konesalit vaativat etukäteisinvestointeja, mikä tekee skaalautuvuudesta merkittävän huolenaiheen. Omat konesalit usein yliallokoidaan  ja hankittuja resursseja jää hyödyntämättä staattisen etukäteen tehtävän kapasiteettisuunnittelun vuoksi. Resessiivistä yliallokointia syntyy helposti jopa 50% epätarkasti määritelttyjen turvamarginaalien johdosta, aliallokointia paljon harvemmin.

Monet konesalien resursseihin liittyvät investoinnit ovat merkittävästi edullisemmin toteutettavissa elinkaaren alussa kuin kesken sitä. Tämä on yksi merkittävä syy yliallokoinnille.

Vaikka suunnittelu olisi tehty oikein nykyisen toiminnan kannalta, saattaa liiketoiminnassa tapahtua muutoksia, jotka johtavat yli- tai aliallokointeihin. Yritys- ja liiketoimintakaupat, erilaiset yhdistymiset ja viimeisimpänä tekoälyn mukana tuomat teknologiset ja kapasiteettivaatimukset ovat hyvä esimerkkejä.

Ratkaisu: Tulevaisuuden ennustaminen on vaikeaa, mutta sen luotettavuutta voi parantaa ymmärtämällä historiaa ja nykytilaa sekä teknologian ja liiketoiminnan kehitystä. Kun nämä elementit ovat samassa yhtälössä, optimaalinen kapasiteettisuunnittelu ja resurssien hyödyntäminen ovat saavutettavissa.

Mitoituksessa ja suunnittelussa on syytä käyttää sellaisia työkaluja ja käytäntöjä,  jotka huomioivat  data-alustojen kausiluonteisuudet, trendit, käyttökatkot, palveluajat, sekä liiketoimintojen vaatimukset, kuten skaalautuvuustarpeet, tietokantojen kriittisyysasteet ja vaaditut palvelutasot.

Tulos: Organisaation kannalta kriittisintä on varmistaa liiketoiminnan jatkuvuus. Yhtä tärkeää kuin varmistaa data-alustojen mitoitus alussa, on pitää ne optimaalisena koko elinkaaren ajan. Tällä varmistetaan paras mahdollinen kustannustehokkuus kriittisten palveluiden osalta.

Organisaation data-alustojen työkuormat ovat jatkuvassa käymistilassa, ja sen takia niitä on syytä pitää silmällä ei pelkästään palvelun laadun, vaan myös kustannustehokkuuden takia. Työkuormien oikeinmitoituksen, virtualisoinnin, kontituksen ja konsolidoinnin avulla varmistetaan optimaalinen kustannustehokkuus. Kun organisaatio on kyvykäs seuraamaan ja ennustamaan data-alustojen käytön kehittymistä, se pystyy myös optimoimaan tulevat hankinnat ja korvausinvestoinnit niin määrällisesti kuin aikataulullisesti.

Automaatio

Kipupiste: Data-alustoihin liittyvät konesalipalvelut ovat niinsanotusti resurssisyöppöjä. Data-alustat kuluttavat konesalien energiasta keskimäärin kolmanneksen ja datan määrän voimakkaasti kasvaessa, niihin tarvittava energia ja muut resurssit jatkavat kasvuaan. Tässä yhtälössä pienetkin kivet on hyvä kääntää, kun haetaan kokonaistaloudellisia ratkaisuja organisaatioiden palveluiden tuottamiselle.

Kustannustehokkuuden, laadun ja suorituskyvyn optimointi manuaalisesti on melkoinen, käytännössä mahdoton tehtävä. Henkilökustannukset nousevat tässä vaihtoehdossa liian suuriksi ja virheiden riski kasvaa.

Ratkaisu: Kun puhutaan data-alustojen analysoinnista ja optimoinnista, analysoitavia datapisteitä ja tekijöitä on niin paljon, että ainoa keino selvitä niistä on pitkälle viety automaatio. Automaatio itsessään ei tuota ratkaisua, vaan tarvitaan paljon tietoa palveluiden ja data-alustan käyttäytymisestä historiassa, nykyhetkessä ja haastavimpana kaikesta, kyvykkyyttä ennustaa tulevaisuutta. Kaiken tämän apuna toimii kokeneiden asiantuntijoiden henkilökohtainen osaaminen, teko- ja tukiäly sekä ennustavat analytiikkamallit, jotka analysoivat työmääriä ennakoivasti (pre-migration) sekä tarveperusteisesti (post-migration) .

Tulos: Automaation soveltaminen auttaa organisaatiota kääntämään jokaisen kiven kustannusoptimointihaasteessaan. Kapasiteetin suunnittelu oikean tiedon varassa automaation avulla auttaa organisaatiota minimoimaan investoinnit palvelun laadusta tinkimättä. Data-alusta elää ja muuttuu liiketoiminnan tarpeiden mukaan ja automaattinen resurssien allokointi kustannusoptimoidulla tavalla voi tuoda merkittäviä säästöjä. Vielä pidemmälle viedyt ratkaisut optimoivat myös organisaation työkuormien ajoitusta hyödyntämällä resurssien käytön syklisyyttä. Jokainen matala sykli on hukkaa ja korkea sykli on potentiaalinen palvelutasoriski – ja pahimmillaan uuden investoinnin sytyke.

Governance, yhteiset käytännöt ja yhteistyö

Kipupiste:  Omien konesalien data-alustojen liiketoiminnoille tuottamien palveluiden todelliset kustannukset, optimointimahdollisuudet ja säästö- sekä parannuspotentiaali jäävät usein tiedostamatta, koska niitä ei pystytä jyvittämään riittävän yksityiskohtaiselle tasolle.

Ratkaisu: Ollakseen kyvykäs maksimoimaan kustannustehokkuuttaan ja kilpailukykyään, organisaation on hyödyllistä laatia yhteiset käytännöt konesalien, eri palveluyksiköiden ja liiketoiminnan tiimien kesken. Käytäntöjen pitäisi sisältää ainakin tiedonvaihdon malleja eri tiimien välillä, tulevaisuuden ideoita ja tarpeita ja rohkaisua kompromissien hakemiseen, koska esimerkiksi niin kustannussäästöjen maksimoiminen kuin maksimaalinen nopeus vastata liiketoiminnan tarpeisiin voi johtaa kokonaiskuvassa ääripääratkaisuihin ja sitä kautta epäedullisiin lopputuloksiin. Kompromissi löytyy jostain noiden kahden ääripään väliltä.

Tulos: Organisaatio pystyy analysoimaan kaikkien data-alustoja hyödyntävien palveluiden oikeat kustannukset, optimointimahdollisuudet ja kustannussäästöpotentiaalit ja kohdentamaan kustannukset oikeille liiketoiminnoille, optimoimaan resurssit parhaan mahdollisen hyödyn saamiseksi ja toteuttamaan optimaaliset säästöt data-alustojen osalta.

Loppusanat

SQL Governor on markkinoiden ainoa työkalu, joka yhdistää niin omien konesalien kuin julkipilven kustannusjohtamisen (FinOps) yhdeksi hallituksi kokonaisuudeksi mahdollistaen suorituskyky-, kapasiteetti- ja laatuoptimoinnin samassa paketissa. Tekoälyä hyödyntävällä ohjelmistollamme on useita kansainvälisiä patentteja ennustavaan kapasiteettisuunnitteluun liittyen. Työkalun avulla voidaan automatisoida sekä tehostaa merkittävästi Microsoft-pohjaisten data-alustojen kustannusoptimointia. Tätä blogia kirjoittaessani olemme palvelleet lukuisten toimialojen keskisuuria sekä suuryrityksiä jo 12 maassa. Kiinnostuitko? Lue lisää täältä: www.sqlgovernor.com