Mengatasi Kekacauan Data dan Mendapatkan Wawasan Berkelanjutan Tentang Operasional IT Anda

Panduan Dasar AIOps

Daftar Isi

Apa itu AIOps? ..............................................................................................3

AIOps Saat ini ...............................................................................................4

Kasus Utama Penggunaan AIOps ...........................................................5

AIOps dan Pergeseran Menuju IT yang Proaktif ................................8

Bagaimana Cara Memulai AIOps.............................................................9

Mengapa Splunk for AIOps Berbeda ..................................................11

Intinya: Sekarang Saatnya Menggunakan AIOps ............................ 13

Apa itu AIOps?AIOps adalah praktik penerapan analitik dan pembelajaran mesin

bagi big data untuk mengotomatiskan dan meningkatkan operasional

IT. Pembelajaran sistem baru ini bisa menganalisa sejumlah

besar jaringan dan data mesin untuk menemukan pola yang tidak

selalu bisa diidentifikasi oleh operator manusia. Pola-pola ini bisa

mengidentifikasi penyebab masalah yang ada dan memprediksi

dampaknya di masa depan. Tujuan utama AIOps adalah untuk

mengotomatiskan kegiatan rutin agar bisa meningkatkan akurasi dan

kecepatan mengidentifikasi masalah, memungkinkan staf IT untuk

memenuhi kebutuhan yang meningkat secara lebih efektif.

Sejarah dan PermulaannyaIstilah AIOps dicetuskan oleh Gartner di tahun 2016. Dalam Market

Guide for AIOps Platforms, Gartner mendeskripsikan platform

AIOps sebagai “sistem perangkat lunak yang mengombinasikan

big data dan kecerdasan buatan/Artificial Intelligence (AI) atau

fungsi pembelajaran mesin untuk meningkatkan dan menggantikan

sebagian besar proses dan tugas operasional IT, termasuk

ketersediaan dan kinerja pengawasan, korelasi dan analisa peristiwa,

layanan pengelolaan dan otomatisasi IT.”

3

AIOps Saat iniTim Ops diminta untuk melakukan lebih daripada sebelumnya.

Meskipun banyak dari organisasi masih menggunakan sistem

lama yang tidak lagi mumpuni untuk menangani beban proyek dan

teknologi yang dihadapi sekarang. Hal ini menimbulkan tekanan,

terutama dengan staf yang terus berkurang. Ditambah lagi,

meningkatnya perubahan frekuensi dan hasil yang lebih tinggi dalam

sistem seringkali berarti data yang dihasilkan alat pengawasan ini

hampir tidak mungkin dicerna.

Untuk mengatasi tantangan ini, AIOps:• Mengumpulkan data dari berbagai sumber: metode, perangkat

dan solusi operasional IT konvensional mengumpulkan dan

membuat rata-rata data dengan cara sederhana yang mengganggu

ketepatan data (sebagai contoh, cobalah pertimbangkan teknik

pengumpulan yang dikenal dengan “averages of averages” atau

rata-rata dari rata-rata). Sistem operasional IT yang lama tidak

didesain untuk volume, jenis, dan kecepatan data yang dihasilkan

oleh lingkungan IT yang kompleks dan terkoneksi saat ini. Seorang

analis harus selalu bisa menelusuri sumber data yang memberikan

gabungan kesimpulan, hal itu sejalan dengan prinsip mendasar dari

platform AIOps, yaitu kemampuannya untuk menangkap data besar

dari jenis apapun sekaligus mempertahankan keakuratan data

sepenuhnya untuk analisa yang komprehensif.

• Menyederhanakan analisa data: salah satu pembeda bagi

platform AIOps adalah kemampuannya untuk mengkorelasikan

data yang besar dan berbeda. Analisa terbaik hanya mungkin

dilakukan dengan data terbaik. Platform yang ada kemudian

melaksanakan analisa otomatis terhadap data tersebut untuk

mengidentifikasi penyebab kendala yang ada dan memprediksi

kendala di masa depan dengan memeriksa persimpangan antara

aliran data yang tampaknya berbeda dari berbagai sumber.

• Respon otomatis: mengidentifikasi dan memprediksi masalah

memanglah penting, tapi platform AIOps memiliki dampak paling

besar ketika platform ini memberitahukan masalah kepada

anggota tim yang tepat, pulih dari kendala secara otomatis

setelah teridentifikasi atau, idealnya, menjalankan perintah untuk

mencegah kendala sama sekali. Pemulihan yang umum seperti

menyalakan kembali komponen atau membersihkan disk yang

penuh bisa dilakukan secara otomatis, sehingga staf hanya terlibat

saat solusi biasa tidak bisa menyelesaikannya.

Keuntungan Bisnis Utama AIOpsDengan mengotomatiskan fungsi operasional IT untuk meningkatkan

dan memperbaiki kinerja sistem, AIOps menyediakan keuntungan

bisnis signifikan untuk organsasi. Di antaranya:

• Menghindari downtime sehingga bisa meningkatkan kepuasan dan

rasa percaya diri pelanggan dan karyawan.

• Menyatukan sumber data yang terisolasi sehingga memungkinkan

analisis dan wawasan yang lebih lengkap.

• Percepatan analisa akar penyebab dan remediasi bisa menghemat

waktu, biaya, dan sumber daya.

• Meningkatkan kecepatan dan konsistensi respon insiden untuk

meningkatkan pengantaran layanan.

• Menemukan dan memperbaiki masalah yang rumit dengan lebih

cepat sehingga meningkatkan kapasitas IT untuk mendukung

pertumbuhan.

• Respon proaktif meningkatkan prediksi pertumbuhan sistem dan

aplikasi untuk memenuhi kebutuhan di masa depan

• Menambahkan “kelonggaran” ke sistem yang kewalahan dengan

menangani pekerjaan sehari-hari, memungkinkan para pekerja

untuk fokus pada permasalahan yang lebih tinggi, menghasilkan

produktivitas dan memiliki semangat yang lebih baik.

4

Data Sangatlah Penting Untuk AIOpsData adalah landasan bagi solusi otomatis yang sukses. Anda

membutuhkan data secara historis dan real-time untuk memahami

apa yang terjadi sebelumnya dan memprediksi apa yang akan terjadi

di masa depan. Untuk meraih gambaran besar dari setiap peristiwa,

organisasi harus mengakses sejumlah tipe data historis dan streaming

dari data yang dihasilkan manusia maupun mesin.

Data yang lebih baik dari lebih banyak sumber akan menghasilkan

algoritme analitik yang lebih baik untuk menemukan korelasi yang

terlalu sulit diisolasi oleh manusia, memungkinkan hasil tugas

otomatisasi terkurasi dengan lebih baik. Sebagai contoh hal ini

tidaklah sulit dalam sistem pengawasan semi-modern untuk

mengotomatiskan semacam respon. Namun, bila waktu respon

memperlambat aplikasi, AIOps akan memastikan respon otomatis

yang tepat dan bukan sekadar reaksi kosong spontan yang

terhubung secara statis. Menambahkan kapasitas layanan mungkin

membuat perlambatan lebih buruk lagi bila penyumbatannya tidak

berhubungan dengan kapasitas. Tentunya hal ini bisa menghasilkan

pengeluaran yang tidak diinginkan dan tidak diperlukan di lingkungan

cloud. Karena itulah, memiliki data yang tepat untuk membuat

keputusan yang lebih lengkap membuahkan hasil yang lebih baik.

Untuk visibilitas total, pengaksesan data di satu tempat di seluruh

silo IT Anda menjadi keharusan. Penting untuk memahami data

pokok yang mendukung layanan dan aplikasi Anda – mendefinisikan

KPI yang menentukan status kesehatan dan kinerja bisnis. Ketika

Anda bergerak melampaui pengumpulan data, pencarian dan

visualisasi menuju pengawasan dan penyelesaian masalah IT Anda,

pembelajaran mesin menjadi kunci untuk meraih analisis prediktif dan

otomatisasi.

.

Kasus Utama Penggunaan AIOpsMenurut Gartner, ada lima kasus utama penggunaan AIOps:

1. Analisis kinerja

2. Deteksi anomali

3. Korelasi dan analisa peristiwa

4. Pengelolaan layanan IT

5. Otomatisasi

5

1. Analisis Kinerja: Keadaan menjadi semakin

sulit bagi professional IT untuk menganalisa

data mereka menggunakan metode IT

tradisional, bahkan saat metode tersebut telah

mengintegrasikan teknologi pembelajaran mesin. Volume dan jenis

data yang ada saat ini menjadi terlalu besar untuk ditangani. AIOps

membantu menyelesaikan masalah meningkatnya volume dan

kompleksitas data dengan mengunakan teknik yang canggih untuk

menganalisa data besar agar bisa mengidentifikasi tingkatan

layanan yang akurat, hal ini seringkali mencegah kendala kinerja

sebelum terjadi.

2. Deteksi anomali: Pembelajaran mesin sangatlah

efisien dalam mengidentifikasi data yang terpisah

– yaitu, peristiwa dan aktivitas dalam kelompok

data yang menonjol dari data historis sehingga bisa menimbulkan

potensi masalah. Data yang terpisah ini disebut dengan peristiwa

anomali. Deteksi anomali bisa mengidentifikasi masalah meskipun

belum pernah terlihat sebelumnya, dan tanpa konfigurasi

peringatan eksplisit untuk setiap kondisi.

Deteksi anomali mengandalkan algoritme. Sebuah tren algoritme

melakukan pengawasan sebuah indikator kinerja utama/Key

Performace Indicator (KPI) dengan membandingkan perilaku

saat ini dengan perilaku di masa lalu. Bila nilainya tumbuh secara

anomali, algoritme akan memunculkan peringatan. Sebuah

algoritme kohesif melihat sekelompok KPI berperilaku serupa dan

akan mengirimkan peringatan bila terjadi perubahan satu atau

beberapa perilaku. Pendekatan ini menyediakan lebih banyak

wawasan daripada sekadar mengawasi metrik mentah dan bisa

membuat organisasi bertindak sebagai kompas bagi komponen

kesehatan dan layanan.

AIOps membuat deteksi anomali lebih cepat dan efektif. Bila

sebuah perilaku telah diidentifikasi, AIOps dapat memantau

dan mendeteksi penyimpangan yang signifikan antara nilai

sesungguhnya dari KPI yang diinginkan dibandingkan dengan apa

yang diprediksi oleh model pembelajaran mesin.

Deteksi anomali merupakan hal yang penting dalam sistem

yang kompleks karena kegagalan sistem seringkali hadir dengan

gambaran yang tidak terlalu jelas di mata para profesional IT yang

mendukung sistem tersebut.

3. Korelasi dan analisa peristiwa: kemampuan

untuk melihat melalui “badai peristiwa”

dari bebagai peringatan yang terkait untuk

mengidentifikasi penyebab yang mendasari

sebuah peristiwa. Kenyataan dari sistem yang paling kompleks

adalah bahwa ada sesuatu yang selalu berada di zona “merah”

atau selalu dalam peringatan. Hal itu tidak bisa dihindari. Masalah

yang ada pada perangkat IT tradisional adalah kurangnya

wawasan untuk menyelesaikan masalah, tapi terus memberikan

peringatan. Hal ini menciptakan sebuah fenomena yang dikenal

dengan “kelelahan akibat peringatan”; tim terlalu sering melihat

peringatan dari masalah yang sepele hingga mereka mengabaikan

peringatan bahkan pada saat-saat penting.

AIOps secara otomatis mengelompokkan kejadian berdasarkan

kesamaannya. Bayangkan hal ini seperti menggambar lingkaran

di sekitar peristiwa yang berasal dari kelompok yang sama,

terlepas dari sumber atau formatnya. Pengelompokan peristiwa

serupa ini mengurangi beban tim IT dan mengurangi lalu lintas

dan kebisingan yang tidak perlu. AIOps memfokuskan kelompok

peristiwa utama dan melakukan tindakan berdasarkan peraturan

dan melakukan tindakan berbasis aturan seperti menggabungkan

peristiwa duplikat, menekan peringatan, atau menutup peristiwa

penting. Hal ini memungkinkan tim untuk membandingkan

informasi dengan lebih efektif untuk mengidentifikasi penyebab

masalah yang ada.

6

4. IT service management (ITSM): Sebuah

istilah umum untuk segala yang berhubungan

dengan mendesain, membangun,

mengantarkan, mendukung, dan mengelola

layanan IT dalam sebuah organisasi. ITSM meliputi kebijakan,

proses, dan prosedur untuk mengantarkan layanan IT ke pengguna

dalam sebuah organisasi. AIOps menyediakan keuntungan

untuk ITSM dengan memungkinkan profesional IT mengelola

layanan mereka secara keseluruhan, bukan hanya mengelolanya

dalam bentuk komponen individual. Mereka bisa menggunakan

keseluruhan unit untuk mendefinisikan ambang batas sistem dan

mengotomatiskan responnya agar sejajar dengan rangka kerja

ITSM, hal ini membantu departemen IT berjalan dengan lebih

efisien.

AIOps untuk ITSM bisa membantu departemen IT untuk

mengelola keseluruhan layanan dari perspektif bisnis alih-alih

mengelola komponennya secara individual. Sebagai contoh, jika

satu server di antara tiga mesin menemukan masalah di saat

beban kerja normal, risiko terhadap layanan bisa dianggap rendah,

dan server bisa dikeluaran dari jaringan tanpa ada dampak yang

memengaruhi pengguna. Sebaliknya, jika hal yang sama terjadi

saat beban kerja berat, keputusan otomatis dapat diambil untuk

menambah kapasitas sebelum sistem dengan kinerja buruk

dikeluarkan dari jaringan.

Sebagai tambahan, AIOps untuk ITSM bisa membantu:• Mengelola kinerja infrastruktur dalam lingkungan cloud dengan

lebih konsisten.

• Membuat prediksi yang lebih akurat untuk perencanaan kapasitas.

• Memaksimalkan sumber daya penyimpanan dengan menyesuaikan kapasitas berdasarkan kebutuhan prediksi dengan otomatis.

• Meningkatkan penggunaan sumber daya berdasarkan data historis dan prediksinya.

• Mengelola perangkat terkoneksi di seluruh jaringan yang

kompleks.

5. Otomasi: perangkat lama seringkali membutuhkan

pengumpulan informasi dari berbagai sumber

sebelum bisa memahami, memecahkan masalah,

dan menyelesaikan insiden. AIOps memberikan

manfaat yang signifikan – mengumpulkan dan mengkorelasi

data dari berbagai sumber menjadi layanan secara otomatis,

meningkatkan kecepatan dan akurasi dari pengidentifikasian

hubungan yang dibutuhkan. Sekalinya organisasi bisa

mengkorelasi dan menganalisa arus data dengan baik, langkah

berikutnya adalah melakukan respon otomatis terhadap keadaan

yang tidak biasa.

Pendekatan AIOps mengotomatiskan fungsi ini di seluruh

operasional IT organisasi, melakukan tindakan sederhana

yang memaksa responder-nya untuk memperbaikinya sendiri.

Contohnya, server biasanya selalu kehabisan ruang setiap

beberapa minggu selama periode bervolume tinggi karena

masalah logging umum. Biasanya, responder ditugaskan untuk

masuk dan mengecek perilaku normal, membersihkan log yang

terlampau banyak, membebaskan ruang disk dan mengkonfimasi

kinerja nominal telah kembali bekerja. Langkah-langkah ini bisa

diotomatiskan sehingga responder hanya akan diberitahu bila

respon otomatis sudah dilakukan tapi belum juga memperbaiki

situasi. Otomatisasi ini berkisar dari tindakan sederhana seperti

menyalakan ulang server atau menonaktifkan server dari

kumpulan load-balancer, hingga sesuatu yang lebih canggih

seperti mencadangkan perubahan yang terjadi baru-baru ini atau

membangun ulang server (container atau sebaliknya).

7

Pengotomatisan AIOps juga bisa dilakukan pada:

• Server, OS, dan jaringan: Mengoleksi seluruh metrik log,

konfigurasi dan pesan untuk dicari, korelasi, peringatan dan

laporan di beberapa server.

• Container: Mengoleksi, mencari dan mengkorelasi data container

dengan infrastruktur data lain untuk mendapatkan konteks

layanan, pengawasan dan pelaporan yang lebih baik.

• Pengawasan cloud: Mengawasi kinerja, penggunaan dan

ketersedian infrastruktur cloud.

• Pengawasan virtualisasi: Mendapatkan visibilitas di seluruh

virtual stack, membuat korelasi peristiwa lebih cepat, dan

mencari transaksi di seluruh komponen virtual dan fisik.

• Pengawasan penyimpanan: Memahami sistem penyimpanan

dalam konteksnya dengan kinerja aplikasi, waktu respon server

dan virtualization overhead yang sesuai.

AIOps dan Pergeseran Menuju IT yang ProaktifSalah satu manfaat utama dari AIOps adalah kemampuannya untuk membantu departemen IT memprediksi dan mencegah insiden sebelum terjadi, daripada menunggu untuk memperbaikinya setelah insiden terjadi. AIOps, dirancang untuk membantu Anda melakukan perubahan saat ini juga, terutama aplikasi pembelajaran mesin ke semua data yang diawasi oleh organisasi IT.

Dengan mengurangi tugas manual yang diasosiasikan dengan pendeteksian, penyelesaian masalah, dan pemulihan dari insiden, tim Anda bukan hanya menghemat waktu tapi juga menambahkan “kelonggaran” penting bagi sistem. Kelonggaran ini memungkinkan Anda untuk menggunakan waktu pada tugas bernilai tinggi yang terfokus pada peningkatan kualitas layanan untuk pelanggan. Pengalaman pelanggan Anda dikelola dan ditingkatkan dengan mengelola uptime secara konsisten.

AIOps dapat memiliki dampak signifikan dalam meningkatkan KPI utama IT, termasuk:

• Meningkatkan Mean Time Between Failures (MTBF)• Menurunkan Mean Time to Detect (MTTD)• Menurunkan Mean Time to Investigate (MTTI)• Menurunkan Mean Time to Resolution (MTTR)

Organisasi IT yang telah mengimplementasikan pendekatan pengawasan proaktif dengan AIOps telah mendapatkan peningkatan

signifikan dalam berbagai metrik IT, termasuk:

15 - 45%Insiden Berprioritas

Tinggi

70 - 90%

Waktu Investigasi Insiden

10 - 15%

Waktu untuk Memasarkan Aplikasi

Baru

8

Bagaimana Cara Memulai AIOpsSeperti kebanyakan inisiatif teknologi baru, perencanaan adalah

kuncinya. Cara terbaik untuk memulai dengan AIOps adalah dengan

melakukan pendekatan tambahan. Berikut adalah beberapa

pertimbangan untuk memulainya.

Pilihlah Contoh yang Menginspirasi AndaBila Anda mengevaluasi solusi AIOps, platform dan vendornya untuk

organisasi Anda, tugas besar menanti di hadapan Anda. Hal yang

paling menantang mungkin bukanlah proses evaluasi itu sendiri,

tapi mendapatkan dukungan dan perhatian para eksekutif yang

Anda butuhkan untuk melakukan evaluasi. Bila Anda memilih contoh

menginspirasi dari organisasi lain tapi serupa dengan organisasi Anda

dan telah mendapatkan manfaat AIOps lengkap dengan metrik untuk

membuktikannya, Anda akan lebih mudah untuk mendapatkan izin.

Mitra yang baik dapat membantu Anda melakukannya (Lihat ‘Pilih

Mitra yang Tepat’ di bawah).

Pertimbangkan Manusia dan ProsesSudah sangat jelas bahwa teknologi memerankan peranan penting

dalam AIOps, tapi membuat rencana untuk manusia dan proses

tidak kalah pentingnya. Sebagai contoh, jika solusi AIOps mendeteksi

masalah yang akan terjadi dan memberitahu tenaga bantuan untuk

melakukan intervensi, seorang responder mungkin mengabaikan

peringatan karena belum terjadi apa-apa. Hal ini bisa menurunkan

rasa percaya terhadap solusi AIOps sebelum solusi ini membuktikan

manfaatnya dalam sistem operasional.

Sangat penting pula untuk memberikan waktu bagi tim IT untuk

membangun, mengelola, dan meningkatkan sistem. Pekerjaan penting

ini tidak bisa diperlakukan sebagai proyek sampingan atau sebagai

pekerjaan tingkat pemula bila Anda menginginkan perubahan yang

berarti. Tempatkan orang terbaik Anda. Jadikan sistem prioritas

tertinggi sehingga tidak ada pekerjaan lain yang bisa melanggarnya.

Praktik AIOps adalah pekerjaan berulang dan harus terus dipoles

sepanjang waktu; hal ini hanya bisa dilakukan dengan fokus akan

peningkatan yang matang.

Anda juga perlu memeriksa kembali dan menyesuaikan proses

manual sebelumnya yang memiliki beberapa tingkat persetujuan dari

manajer, misalnya menyalakan ulang server. Hal ini membutuhkan

rasa percaya baik di sisi teknologi dan praktik tim. Membangun rasa

percaya memerlukan waktu. Mulailah dengan langkah sederhana

untuk membangun penerimaan budaya atas otomatisasi. Sebagai

contoh, bersiaplah untuk membangun laporan historis yang

menunjukkan insiden sebelumnya telah ditangani dengan benar

oleh akitivitas sederhana dan konsisten (seperti menyalakan ulang

atau pembersihan disk) dan tawarkan untuk melakukan otomatisasi

untuk masalah-masalah serupa di masa depan. Pilihlah solusi yang

memungkinkan “kompromi otomatisasi” dengan gerbang persetujuan

untuk aktivitas tertentu. Seiring berjalannya waktu, gerbang tersebut

harus dipindahkan untuk meningkatkan kecepatan saat analitik

membuktikan nilainya dalam memilih tugas otomatisasi yang benar.

Akhirnya, ikutsertakan kampanye untuk meyakinkan staf dalam

rencana Anda bahwa AIOps tidaklah bertujuan untuk menggantikan

tenaga kerja manusia dengan robot. Tunjukkan pada mereka

bagaimana AIOps dapat membebaskan sumber daya penting untuk

mengerjakan aktivitas bernilai tinggi – membatasi pekerjaan tak

terduga yang harus dihadapi oleh tim Anda tiap hari.

.

9

Bebaskan Data AndaAIOps membutuhkan akses untuk segala tipe data: data mesin yang

tidak terstruktur dan metrik yang terstruktur, begitu juga data terkait

untuk pengayaan. Mempertimbangkan data bukan hanya

berdasarkan jenisnya tapi juga posisinya di dalam “tumpukan”. Anda

membutuhkan data di setiap lapisan, dimulai dengan infrastruktur

dan dilanjutkan ke aplikasi, dan terakhir aplikasi bisnis.

Tipe data yang berbeda ini memungkinkan Anda untuk membangun

perspektif holistic di semua silo dan mengambil tindakan penting

untuk situasi dan jenis datanya. Tujuan Anda adalah untuk

mengidentifikasi sumber data di setiap lapisan layanan, mulai dari

infrastruktur (cloud atau tradisional) dan lanjut ke kinerja aplikasi,

hingga akhirnya menghubungkan hasil bisnis yang dapat diidentifikasi

(seperti kepuasan pelanggan, penghasilan, jumlah pemesanan, waktu

tunggu dan lainnya). Pilihlah sejumlah kecil sumber (satu atau dua) di

setiap tingkatan dan mulailah mengkorelasikannya.

Mencerna dan menganalisa kesemua data secara efektif dan cepat

bisa menjadi tugas yang menakutkan. Maka dari itu, mulailah dengan

mengakses dan menganalisa data mentah dari mesin historis dan

Bisnis

Aplikasi

Infrastruktur

Penga

was

an

Berni

lai B

isni

s

Penga

was

an IT

Ops

Trad

isio

nal

Exec MBO’s Pendapatan CSat

Omnichannel Funnel Efisiensi Bisnis

NPS Call Center Retensi Pelaggan

APM Mobile Synthetics

Web API App Logs

Jaringan Cloud Penyimpanan

Middleware Perangkat Keras

Syslogs VM

DB OS (Win/Linux)

metriknya untuk menetapkan pemahaman dasar, lalu gunakan

algoritme pengelompokan dan analitik untuk mengidentifikasi tren

dan polanya. Data mentah adalah data terbaik untuk mendeteksi

secara real-time. Anda bisa mulai menganalisa data streaming untuk

melihat bagaimana data tersebut sesuai dengan pola yang ditetapkan,

juga mengaplikasikan kecerdasan buatan yang diberdayakan oleh

pembelajaran mesin untuk memperkenalkan otomatisasi, dan pada

akhirnya melakukan analitik prediktif.

Data historis sangat berharga saat Anda mulai menggunakan AIOps.

Bila Anda mulai dengan menganalisa dan memahami kondisi masa

lalu sistem, Anda akan bisa mengkorelasikan apa yang Anda pelajari

dengan keadaan saat ini, sehingga Anda dapat mengembangkan

ambang batas mutu layanan.

Untuk meraihnya, organisasi harus mencerna dan menyediakan akses

luas ke berbagai tipe data, baik data historis maupun streaming.

Tipe data yang Anda pilih – bisa apa saja mulai dari log, metrik dan

text to wire dan media sosial – tergantung dari masalah yang Anda

hadapi. Sebagai contoh, Anda bisa menggunakan data metrik dari

infrastruktur untuk melakukan pengawasan pada kapastias, atau log

aplikasi untuk memastikan Anda menyediakan pengalaman luar biasa

untuk pelanggan Anda.

Banyak platform AIOps yang fokus pada satu sumber data.

Pembatasan pada satu jenis data inilah yang membatasi wawasan

Anda pada perilaku sistem - terlepas dari apakah wawasan tersebut

berasal dari admin IT atau algoritme. Karena itulah, perusahaan harus

memilih platform yang mampu mencerna dan menganalisa data dari

berbagai sumber.

10

Memilih Mitra yang TepatMeningkatnya perhatian terhadap AIOps membuat beberapa

vendor memberikan paket perangkat tradisional operasional

IT, menambahkan fitur AI sederhana dan menyebutnya dengan

“platform” AIOps. Platform AIOps yang sesungguhnya bukan hanya

sekadar kumpulan perangkat. Hal ini penting dipahami saat Anda

memutuskan untuk memulai, karena platform yang Anda pilih akan

menentukan kesuksesan Anda. Gartner merekomendasikan bahwa

perusahaan sebaiknya “memprioritaskan vendor yang memungkinkan

pengembangan dalam pencernaan, penyimpanan, dan akses data

yang independent dari komponen AIOps lainnya.” Anda membutuhkan

platform yang bisa mengumpulkan data yang diperlukan dengan

ketepatan penuh, bukan hanya yang bisa mengumpulkan atau

melakukan rangkuman data. Anda membutuhkan platform yang bisa

memperkaya, menganalisa dan melakukan persiapan proses otomatis

data atau informasi yang besar menjadi kesimpulan dan wawasan

yang berharga (dan tanpa membutuhkan pekerjaan tambahan khusus

yang sulit untuk dikonfigurasi atau dikelola). Anda juga membutuhkan

platform yang mengintegrasikan otomatisasi yang sesuai agar Anda

bisa mengambil tindakan yang benar di waktu yang tepat di ekosistem

yang ketat.

Cari tahu fitur set, ulasan studi kasus pelanggan dan kasus

penggunaan AIOps. Cara termudah untuk mengetahui apakah

platform AIOps bisa memenuhi kebutuhan Anda adalah dengan

studi kasus yang menunjukkan bagaimana perusahaan yang serupa

dengan Anda menangani tantangan bisnisnya dengan AIOps.

Carilah vendor yang menunjukkan pelanggannya secara daring dan

mintalah referensi pelanggan. Bila perangkat atau platform AIOps

membuahkan hasil yang memuaskan tapi perusahaan tidak bisa

menunjukkan bukti, maka itu adalah pertanda bahwa Anda harus

mencari vendor lain.

.

Mengapa Splunk untuk AIOps Berbeda Splunk memudahkan organisasi untuk mencerna berbagai jenis

data dari sumber yang berbeda, secara real-time ataupun secara

historis, dan kemudian menerapkan analitik lanjutan seperti analitik

prediktif, prediksi dan ramalan, pengelolaan dan analitik peristiwa,

pengelompokan, ambang batas adaptif dan statistik, deteksi anomali,

menentukan akar penyebab kendala dan lainnya. Pendekatan unik ini,

membantu meningkatkan berbagai operasional dan tugas IT sekaligus

memungkinkan perusahaan memperoleh nilai yang tidak mungkin

dilakukan hanya dengan analisis yang dilakukan oleh manusia.

11

Sebuah Pendekatan Berbeda Untuk Data, yaitu Data-to-EverythingPlatform AIOps milik Splunk adalah satu-satunya platform yang dibangun dengan teknologi Splunk. Platform Data-to-Everything memberdayakan pelanggan untuk menggunakan ledakan data sebagai peluang untuk mendorong efektivitas, produktivitas, wawasan dan otomatisasi untuk mengubah data menjadi tindakan, di manapun dalam organisasi.

Bahkan dengan kemampuan pembelajaran mesin terbaik akan menjadi sia-sia tanpa data yang tepat untuk mendukungnya. Meningkatnya kompleksitas, yang disebabkan oleh pertumbuhan cepat dalam volume data yang dihasilkan oleh infrastruktur dan aplikasi IT, meningkatnya variasi jenis data, dan kecepatan data yang dihasilkan, bertemu dengan kekuatan dari sisi berlawanan, yaitu pengurangan biaya – menjadikannya tantangan bagi operasional IT untuk menyelesaikan pekerjaan mereka secara memadai, apalagi memanfaatkan analitik terbaik untuk melakukan transformasi.

Pendekatan berbeda terhadap data bisa membuat perbedaan antara mencoba-coba fitur dan meraih kesuksesan serta transformasi sesungguhnya. Platform Data-to-Everything milik Splunk, baik yang diaplikasikan secara on-prem atau di cloud, bisa mencerna hampir semua data, seperti log, metrik, teks, wire, API, hingga data yang diperoleh dari media sosial, dari perangkat dan sistem apapun. Splunk bisa mencerna data tersebut sebagai data yang terstruktur, semi-terstruktur atau tidak terstruktur, dan melakukan semuanya baik secara historis maupun real-time.

Bayangkan sebuah platform yang menyatukan keseluruhan data yang terpencar di seluruh silo yang Anda miliki – kemudian, bayangkan apa yang kecerdasan buatan dan pembelajaran mesin bisa lakukan. Cobalah untuk membayangkan tim Anda tidak lagi dibebani dengan terlalu banyak peringatan, peralatan yang kompleks, atau pandangan terisolasi sehingga mereka mampu menyelesaikan masalah sebelum terjadi.

Penawaran AIOps lain yang ditawarkan hanya bisa memberikan solusi sebagian saja. Platform Data-to-Everything memberikan Anda kemampuan untuk memasok platform AIOps Anda dengan keseluruhan data yang dibutuhkan untuk menyelesaikan berbagai

tantangan IT yang besar.

Pembeda

• Solusi yang fleksibel dan terukur dengan kecerdasan buatan dan

pembelajaran mesin di pusatnya.

• Hasilnya: memprediksi penurunan layanan hingga 30 menit dari

sebelumnya.

• Menyederhanakan pengelolaan dan respon insiden dengan

kemampuan AIOps seperti ambang batas yang dinamis dan deteksi

anomali.

• Hasilnya: mengurangi kebisingan peristiwa hingga 95%.

• Mengawasi dan memberikan wawasan di seluruh infrastruktur,

aplikasi dan layanan.

• Hasilnya: pengawasan dan pandangan mengenai kesehatan

kinerja layanan untuk IT dan layanan bisnis.

Kemampuan Utama

• Pengelolaan dan Analisa Peristiwa

• Mengelompokkan dan mengorelasikan peristiwa secara instan

untuk mengurangi kebisingan.

• Ambang Batas

• Memperhitungkan dan menyesuaikan dengan pola reguler dalam

aktivitas bisnis dan data.

• Penentu Akar Penyebab

• Meniru lingkungan IT dan bisnis untuk investigasi lebih cepat dan

mengidentifikasi KPI yang paling berkontribusi.

• Deteksi Anomali

• Menunjukkan penurunan dari perilaku di masa lalu untuk

mengidentifikasi peristiwa yang tidak biasa.

• Analitik Prediktif

• Memprediksi nilai kesehatan data dan meramalkan tren untuk

mencegah insiden.

12

Manfaat Splunk

• Mengurangi kebisingan dan kompleksitas.

• Menyederhanakan deteksi insiden dengan peringatan otomatis

dan mobilisasi

• Mengaplikasikan kecerdasan buatan dan kemampuan

pembelajaran mesin di seluruh fungsi ITOps, untuk solusi fleksibel

dan terukur yang bisa tumbuh bersama organisasi Anda

• Memprediksi pemadaman sebelum berdampak pada pelanggan

• Menggunakan analisis sebab pada data di seluruh layanan,

aplikasi, dan infrastruktur

• Memprediksi penurunan layanan 30-40 menit sebelumnya

melalui ambang batas yang adaptif, deteksi anomali, dan

algoritme prediksi kesehatan layanan

• Visibilitas 360°

• Visibilitas kesehatan lengkap di seluruh aplikasi, sistem dan

infrastruktur

• Mengumpulkan berbagai jenis data dan metrik kinerja ke dalam

satu tempat yang bisa digunakan

Intinya: Sekarang Saatnya Menggunakan AIOpBila Anda profesional IT dan jaringan, Anda pasti telah berulang

kali mendengar bahwa data perusahaan adalah aset terpenting,

dan big data akan mentransformasi dunia Anda selamanya.

Pembelajaran mesin dan kecerdasan buatan akan menjadi sesuatu

yang transformatif dan AIOps menyediakan cara konkret untuk

memanfaatkan potensinya untuk IT. Dari meningkatkan daya tanggap,

merampingkan operasional yang kompleks, hingga meningkatkan

produktivitas seluruh tim IT Anda, AIOps adalah cara yang praktis

dan tersedia untuk membantu operasional IT Anda tumbuh dan

berkembang sehingga bisa menghadapi tantangan masa depan,

dan yang terpenting, AIOps bisa memperkuat peranan IT sebagai

pendukung strategis pertumbuhan bisnis.

13

Splunk, Splunk>, Data-to-Everything, D2E and Turn Data Into Doing are trademarks and registered trademarks of Splunk Inc. in the United States and other countries. All other brand names, product names or trademarks belong to their respective owners. © 2020 Splunk Inc. All rights reserved.

REV200918-Splunk-AIOps-Essential Guide to AIOps-117-EB-web-INA

Cari tahu Selengkapnya.Untuk informasi lebih lanjut tentang AIOps:

• Artificial Intelligence for IT Operations (AIOps)

• Panduan Pasar untuk Platform AIOps