不少CIO们比较困惑， 在IT投入上， 已经上线了应用性能监控APM，是否还有必要经过AIOps来提成IT运维效率，创造更大价值。本文经过详尽分析给出了答案。算法
应用性能监控能够帮助诊断应用程序问题，但一般没法深刻了解如何使用该信息来使业务受益。CIO们应将AIOps应用于APM和其余数据源，以得到改善业务成果的看法。数据库
主要问题浏览器
- 当前大多数的APM工具提供有限的业务环境建议，使CIO们没法将APM输出与业务成果相关联，例如提升收入，控制风险和成本。
- 许多监测工具过去都侧重于为事故提供诊断，但没有提供足够的帮助来预测未来会影响的事件。
- CIO们在没有数据科学和业务分析专业知识的状况下，难以发现监控数据中的异常、趋势和模式的业务相关性。
建议网络
专一于IT运营转型，并负责提升应用性能的CIO们应当：架构
- 经过与业务负责人协做肯定要监测的内容并使用AIOps来检测未预期的依赖关系，将应用性能监控指标映射到业务目标。
- 经过使用AIOps预测将来的高几率问题，支持扩展的预测能力。
- 经过将AIOps机器学习算法应用于客户和交易数据，改善业务成果，从而提升收入、控制成本和风险。
战略规划假设运维
到2020年，大约50％的企业将积极地将AIOps技术与APM结合使用，以提供对业务执行和IT运营的深刻了解，目前这一比例不到10％。机器学习
概述工具
基础架构和运营领导者使用应用性能监控（APM）来提供对关键业务应用程序的实时监控。虽然它能够有效地检测常见的、众所周知的IT问题，但APM在业务流程环境中检测到的业务相关性的能力有限。性能
所以，业务利益相关者没法有效利用APM提供的信息来获取洞察力，以指导业务决策，从而帮助提升收入，缩短产品上市时间，下降信誉风险和成本。这是在浪费用于帮助发展业务的资源 - 这是一项没法实现的努力。学习
CIO们如何为业务领导者提供他们所需的洞察力，以便作出可以产生最大业务影响的更好决策？本文描述了用于事件关联的IT操做（AIOps）的人工智能的典型使用的替代方案。它还解释了AIOps如何经过APM提供实现业务成果所需的可操做洞察力，例如改善收入，控制成本和风险（参见图1）。
图1. 将AIOps添加到APM以完成业务目标
分析
将应用性能指标映射到业务目标
帮助企业实现目标是CIO们必须关注的相当重要的结果。CIO们应该专一于提供价值，并根据对业务及其客户的利益来衡量IT运营，例如增长订单，提升客户满意度或增长部件产生的数量。
使用AIOps将包括有效负载在内的IT数据与业务目标指标相关联。有效负载数据使用相当重要，由于它包含IT活动的业务环境，例如客户，订单和产品信息。从APM事务，日志和网络数据包捕获有效负载数据（参见表2）。
表2 ：将这些来源的数据导入AIOps系统以扩展业务环境
AIOps将检测人工不可能发现的模式，包括揭示因果关系的模式。从这种因果关系的肯定，应该建立模型，以帮助决定哪些IT指标应该映射到哪一个业务目标。随着时间的推移观察这些以优化每一个模型; 确保它是最新的，而且它所作的任何假设都是准确的。经过使用机器学习算法，AIOps专门提供了一种数学方法，能够找到数据中隐藏的链接、缘由和机会，使这一过程成为可能。
例如，使用无监督算法，例如K-means聚类，最初设计用于信号处理，而且一般由市场营销用于客户细分，以找到数据中的隐藏模式。该算法能够自动建立人类没法找到的分组或聚类。使用此算法和其余算法可帮助构建和组织将APM源数据与优先业务目标相关联的模型。
包括其余数据源，将扩展APM数据的业务相关性和价值。利用AIOps推断未知关系，帮助推进IT，非IT和优先目标之间的准确映射。
例如，使用模式检测算法经过将IT数据中的指标映射到业务数据中的指标来改进客户关系流程。该算法将感知与用户导航相关的模式：
- 数字体验数据
- 从业务事务中的有效负载中提取的订单数据
- 来自Twitter，服务台请求和状态的情绪数据
- 来自CRM系统的账户活动
利用这种方法在他们使用的全部应用程序中构建客户的复合模型，甚至在单个应用程序的多个模式中构建不一样的行为，例如当他们使用Web浏览器而不是移动设备时。其结果将是来自映射到其余数据源中的每一个数据源的一组度量，而且这些度量将与指望的业务结果相关联。
下一步：
经过执行如下操做，使IT目标与业务目标保持一致：
- 经过与业务部门协做，收集业务相对于应用程序的关键任务优先级列表。经过论坛进行协做，在这些论坛中，企业能够讨论目标，相对优先级和依赖关系背后的“故事”，以确保相互理解目标。经过在线团队协做工具（如Slack，Hipchat，Microsoft Teams或其余许多可用工具），能够实现对不断变化的优先级的共享意识。
- 经过捕获实例化订单，注册和续订等业务交易的IT活动流，获取支持所选业务目标度量的数据。检查其有效负载，其中包含订单详细信息，价格，客户信息和其余特定于业务的指标等项目。
- 使用AIOps算法检测组合的业务和IT数据中的模式或集群，推断关系并肯定因果关系。
- 建立一个模型，该模型将算法肯定的关系以及具备优先级业务目标的人工指定的关系相关联。
- 将相关数据存储在日志或键值数据库中，以便于访问和进一步分析。
扩展支持预测的能力
AIOps利用其推断接下来可能发生的事情的能力，提供对将来事件的洞察力。它的机器学习算法能够提供基于几率的即将到来的意识。这使CIO们可以采起行动以防止影响。随着时间的推移验证这些算法的结果，以测试其预测的可靠性。
利用机器学习算法能够提供价值的多种方式：预测趋势，检测异常，肯定因果关系和分类数据。例如，使用诸如Holt-Winters之类的算法来预测时间序列数据中的多个将来值，例如特定季节或一天中的时间段内的负载。虽然使用NaïveBayes等分类算法来分析流数据并执行实时分类，但IT操做可使用此类算法来分析流数据并预测用户情绪。
下一步：
- 使用AIOps算法预测时间序列数据的将来值，例如最终用户响应时间。
- 参与预测问题的根本缘由分析以肯定真正的错误。
- 采起预防措施，以防止预测问题的影响。
改善业务成果，从而增长收入，下降成本和风险
具备模式识别、高级分析和机器学习功能的AIOps解决方案能够扩展APM对应用程序可用性和性能的历史洞察力，从而在如今和未来提供业务影响（参见图1）。增长结构化数据APM捕获非结构化非IT数据和APM事务有效负载中包含的业务数据。将此数据提取到AIOps解决方案中，经过使用执行群集的机器学习算法查找IT，社交和业务数据之间的相关性，从而提供加强的情境洞察力。
例如，将客户情绪数据和来自服务台的相关数据添加到用户体验测量中能够提供比仅APM的解决方案更准确的客户满意度估计，其将响应时间或页面加载时间数据馈送到Apdex算法中。仅经过APM方法，CIO们可能会得出错误的结论，即客户会因快速页面加载时间而感到高兴。然而，经过从社交媒体中摄取数据并使用AIOps来分析页面加载和情绪，他们可能会了解页面，在加载速度快，信息无效或价格高昂的状况下，客户并不高兴......事实上，偏偏相反。
经过使用订单管理和客户服务应用程序中的其余数据扩充上述两个数据流，进一步丰富了此示例。这可用于有效衡量IT指标与业务目标的完成之间的关系，例如增长收入和提升客户满意度。
CIO们将从与APM解决方案结合使用的AIOps功能中获益匪浅。具体而言，IT将经过使用机器学习功能受益，包括异常检测，分类，聚类和外推。使用这些机器学习技术来分析行为，例如在订单处理期间检查用户的操做，并将该行为与影响底层IT基础架构的事件相关联。
聚类可用于根据用户的行为模式自动细分用户，并与分类和推断一块儿预测他们将来的购买活动。CIO们能够在自助服务仪表板上提供此分析，供业务使用。
下一步：
- 经过优先业务成果的镜头观察数据，从而绕过“分析瘫痪”反模式。
- 经过使用AIOps提供的异常算法，在组合数据中发现异常的意外值。
- 经过使用AIOps中包含的聚类和外推算法，检测数据中的意外模式或分组并预测将来结果。
- 经过使用AIOps将IT问题与业务指标的变化相关联，分析IT状况如何影响业务目标的实现，例如处理的订单，执行的交易或表明业务流程的活动流程中产生的小部件。
- 经过使用AIOps将APM的结构化时间序列数据与来自Twitter或服务台等来源的非结构化数据相关联，肯定应用程序性能和可用性的变化如何影响客户情绪和公司声誉。
- 调查IT交互序列之间的关系，例如那些模拟业务流程（例如，客户旅程）和业务成果的关系。
- 继续根据观察和评估其准确性来改进模型。