Cómo puede la alta dirección aprovechar las ventajas de la autorreparación para mejorar la experiencia del cliente
Hoy en día, las empresas de todos los sectores buscan formas innovadoras de implementar la inteligencia artificial (IA) y revolucionar su forma de trabajar. Pero para que la tecnología se aproveche al máximo, se deben realizar acciones significativas que proporcionen beneficios tangibles.
UNO DE los casos de uso que más preocupa a los equipos de TI y a los directivos es la automatización, que IBM define como «el uso de la tecnología para realizar tareas en las que la intervención humana es mínima».
La automatización acelera la prestación de servicios informáticos mediante la ejecución automática de procesos manuales que antes requerían la intervención humana. Permite a las empresas controlar su infraestructura, aplicaciones y dispositivos para procesar y gestionar mejor los contenidos, agilizar los flujos de trabajo, tomar decisiones basadas en datos, optimizar costes, mejorar el rendimiento de la red y, lo que suele ser más importante, gestionar los incidentes de forma proactiva o autorreparable.
A medida que los responsables de TI asumen un papel más prominente en la sala de juntas y se enfrentan a cuestionamientos más frecuentes en torno a los esfuerzos de transformación digital –que afectan profundamente a cómo se crea y entrega el valor empresarial–, la autorreparación aporta innumerables ventajas. En primer lugar, puede reducir las interrupciones no planificadas y eliminar los problemas de rendimiento de los trayectos de los usuarios, elevando la experiencia del cliente. También puede ayudar a las empresas a superar los problemas de previsión, optimizando los recursos para reducir el exceso de capacidad de software e infraestructura. Por último, puede impulsar el desarrollo de aplicaciones de mayor calidad, reduciendo la cantidad de pruebas para que las empresas puedan lanzar sus productos al mercado con mayor rapidez.
Sin embargo, el camino hacia la autorreparación no es tan sencillo como instalar una solución de automatización y ordenarle que se ejecute, como presumen muchos, que luego se decepcionan del proceso cuando no funciona como se esperaba. Para alcanzar un nivel óptimo de madurez y lograr sus objetivos, las organizaciones deben asegurarse de que se comprenden y aseguran varios componentes clave del proceso de automatización.
La importancia de unos datos sólidos
La automatización no es sólo el resultado de la IA, sino también su motor. Cualquier tecnología inteligente es tan inteligente como los datos que recibe y, para maximizar su potencial, estos datos deben ser claros, íntegros y fiables. Además, deben extraerse completamente de todos los dominios –desde la infraestructura y las redes de una empresa hasta sus aplicaciones y registros– para construir una imagen completa y un modelo de aprendizaje automático preciso. En última instancia, la correlación basada en datos incorrectos o fragmentados no es más que una coincidencia.
Por ejemplo, pensemos en las aplicaciones de gestión financiera, cada vez más populares. Se conectan a las cuentas bancarias móviles de un usuario y ofrecen información sobre sus gastos. Si este usuario tiene una combinación de tipos de cuenta –por ejemplo, una cuenta corriente, una cuenta de ahorros y tarjetas de débito y crédito–, es fundamental que la aplicación extraiga datos de cada una de ellas para ofrecer la realidad completa de sus gastos y su estilo de vida.
Sin embargo, muchas organizaciones tienen sistemas heredados desconectados y datos dispares almacenados en silos. Irónicamente, el resultado final de la automatización –la observabilidad– tiene que estar presente desde el principio para unificar estos datos fragmentados y permitir que las tecnologías obsoletas se comuniquen entre sí. Existen soluciones en el mercado de observabilidad unificada que pueden agilizar este proceso al tiempo que desbloquean todas las ventajas de la automatización.
Establecer una línea de base para abordar las anomalías
Una vez que una empresa ha recopilado datos de calidad, es imperativo que establezca una línea de base, es decir, que comprenda y registre lo que es habitual en todos los sistemas y dispositivos para poder identificar y abordar las anomalías. Esto es similar a hacerse un análisis de sangre: sin mantener registros médicos precisos y puntuales, lo único que un médico podría decirle es si ha encontrado algo importante en esa muestra concreta, independientemente de lo bien o mal que se encuentre. Examinando su historial y tomando muestras a lo largo del tiempo, los profesionales sanitarios pueden detectar desviaciones en los puntos de datos y ver qué es lo que va mal en función de su «normalidad» personal, detectar problemas puntuales o recurrentes y recetarle medicación para que recupere la plena salud.
Se puede establecer una línea de base basada en fórmulas matemáticas de aprendizaje automático. Sin embargo, los datos de las aplicaciones, los datos de la red, los datos de los usuarios finales y los datos de la infraestructura son todos diferentes, y deben tratarse y rastrearse de esa manera. Por eso, a la hora de elegir un proveedor de soluciones de observabilidad unificada, es imprescindible que haya llevado a cabo un análisis que ofrezca la flexibilidad necesaria para utilizar las fórmulas y la ciencia de datos adecuadas en los lugares correctos, impulsando las correlaciones de incidentes que requieren las organizaciones.
La autocuración comienza con la autodetección
Una vez establecida una línea de base eficaz, puede comenzar la automatización. Para automatizar el proceso de curación, las empresas deben automatizar primero el proceso de detección, introduciendo scripts que alerten de los incidentes y de su procedencia. Esto ayuda a evitar falsos positivos y errores humanos, al tiempo que permite la correlación de problemas individuales, identificando problemas mayores y sus raíces para acelerar el tiempo medio hasta la detección (MTTD) o el tiempo medio hasta el conocimiento (MTTK).
Sólo en este punto puede comenzar el proceso de autorreparación. Las secuencias de comandos de automatización pueden utilizarse para acelerar el tiempo medio de reparación (MTTF) o el tiempo medio de resolución (MTTR), resolver situaciones antes de que los usuarios se quejen e impulsar optimizaciones continuas.
En resumen, para obtener resultados de la máxima calidad de cualquier sistema de automatización, es imprescindible que las organizaciones dispongan de datos sólidos y de un mecanismo eficaz de aprendizaje automático. Además, los responsables deben cambiar su enfoque y pasar de la resolución de incidencias individuales a la gestión global de problemas, y las correcciones deben verificarse e introducirse en el sistema para el aprendizaje futuro. Esto creará una imagen del antes y el después que permitirá una mejora continua y unos resultados cada vez más potentes.
Charbel Khneisser,
vicepresidente de Ingeniería de Soluciones para EMEA de Riverbed Technology
«La automatización no es sólo el resultado de la IA, sino también su motor. Cualquier tecnología inteligente es tan inteligente como los datos que recibe y, para maximizar su potencial, estos datos deben ser claros, íntegros y fiables» (Charbel Khneisser, Riverbed)