В ИТ слишком много внимания уделяется важности измеряемого в ущерб измерению важного, пишет независимый аналитик Роб Бемфорс на портале ComputerWeekly.

Наведение порядка не означает, что вещи, от которых вы избавляетесь, совершенно бесполезны или приносят лишь небольшую пользу. Порой они могут пригодиться, и именно поэтому от них так трудно отказаться. И если у вас достаточно места для хранения, вы можете беречь их на всякий случай. Мало ли что...

Мысль может показаться разумной, но это не так. Главная причина для наведения порядка — наличие более важных вещей, которым не уделяется того внимания, которого они требуют или заслуживают. Почему они более важны? Потому что от них в большей мере зависят желаемые результаты.

Трудно измерять прогресс по реальным итогам. Поэтому так много процессов (реальных и виртуальных) оценивается по критериям, которые легче измерить, — по объему, по количеству итераций. Но вот измерение произведено, а результат не достигнут. Потому что надо ответить на принципиальный вопрос: что является конечным результатом для бизнеса, клиента или пациента?

Может показаться, что в области ИТ это не представляет проблемы. В конце концов, объем и плотность хранения стремительно растут, цены снижаются, а облака обладают неисчерпаемым потенциалом. Кроме того, такие интеллектуальные процессы, как машинное обучение, получают массу данных, т. е. могут собирать, хранить и обрабатывать все, что потенциально может оказаться полезным.

Неправильно

Хранить все потенциально полезное не значит хранить все подряд. Большинство систем собирают данные, которые легче получить, а не те, которые являются самыми важными или действительно полезными. Это можно наблюдать во многих ручных процессах, когда системы наполняются данными, которые становятся важными, потому что они измерены, а не измеряются потому, что они важны. В цифровых системах это не обязательно приводит к улучшению результатов. Чаще процессы просто автоматизируются и ускоряются.

Если собирать еще больше данных, это не всегда обеспечит их достоверность и точность. Без проверки (в идеальном варианте — на каждом этапе) могут быстро и легко распространяться ошибки. Это тот подход, в котором многие работающие по технологии DevOps или DevSecOps узнают применяемый ими способ обеспечения качества и безопасности в быстро развивающихся системах. Правдоподобная, но не совсем точная информация (фейковые новости в социальных сетях, фейковые данные Интернета вещей) вызывает пустую трату времени и сил. Хуже того, ложные сведения могут начать восприниматься как подлинные.

Требуется более научный подход к оценке данных. Но специалистов по данным трудно обучать и еще труднее найти. Здесь открывается поле деятельности для искусственного интеллекта. Давно выражаются надежды, что он поможет справиться с проблемой данных. Но результаты работы даже такой мощной системы, как IBM Watson, показывают, что надежды не всегда оправданы. Некоторые ее рекомендации по поводу лечения рака были названы небезопасными и некорректными. Возможно, машина была введена в заблуждение использованием гипотетических случаев заболевания вместо реальных. Тем не менее, представляется, что эта технология недостаточно совершенна.

Правильно

Чистой науки о данных недостаточно. Она должна применяться с учетом интересов бизнес-пользователей и быть направлена на достижение желаемых результатов. Опять же использующим DevOps это уже известно.

Оптимизация может быть различной. Преимущества автоматизации и цифровизации процессов также зависят от конкретных условий. Необходим целостный подход. Например, требование стереть 50% результатов работы, на которую потребовалось два часа, будет иметь гораздо меньший реальный эффект, чем уничтожение 10% работы, выполнявшейся пять дней.

Решить, с чего начать, чтобы добиться наибольшего эффекта, может показаться непосильной задачей. Однако можно подойти к ней как к любой другой, казалось бы, невообразимо большой и неизвестной проблеме. Разделите информацию в пропорции 10:80:10. 10% безусловно заслуживает наивысшего приоритета, 10% не стоит хранить. К оставшимся 80% следует применить ту же процедуру, и таким образом добиваться постоянного совершенствования.

Несмотря на широкие возможности автоматизации, значение наведения порядка, редактирования и приоритезации даже возрастает. Воспользуйтесь подходом к проблемам, применяемым в рамках DevOps, или даже книгой Э. М. Голдратта и Дж. Кокса об оптимизации производственных процессов (Eliyahu M. Goldratt, Jeff Cox. The Goal).

Ищите действительно узкие места, применяйте непрерывную оптимизацию, измеряйте то, что действительно важно для бизнеса, и наводите порядок, заменяя «мы могли бы» на «мы должны».