Die Fähigkeit, Hardware-Ausfälle mit einem gewissen Grad an Genauigkeit vorherzusagen, bietet das Potenzial für enorme Einsparungen für Serviceanbieter mit großen Kapitalinvestitionen in Informationstechnologie (IT). Für Unternehmenskunden, die kostspielige High-Performance Computing (HPC) und Artificial Intelligence (AI) Plattformen im großen Maßstab betreiben, ist die Verfügbarkeit ihres Serviceangebots alles: Ein ausgefallenes System sperrt Kunden aus und blockiert Ressourcen, wodurch diese zu hohen Kosten nutzlos werden. Ein Ausfall dieser Art kann zu Umsatzverlusten führen, die Gesamtproduktivität der Mitarbeiter beeinträchtigen und der Marke eines Unternehmens schaden. Je nach Branche haben Studien gezeigt, dass die durchschnittlichen Kosten einer Stunde ungeplanter Ausfallzeit zwischen $100.000 pro Stunde und weit über $500.000 pro Stunde liegen können.[1] [2]
Predictive Failure Analysis (PFA) kommt ins Spiel
Durch die Auswertung großer Mengen historischer Daten kann die Predictive Failure Analysis (PFA) wertvolle Einblicke in die Wahrscheinlichkeit eines Ausfalls bieten. Chipsets, Platinen, Festplatten und Lötverbindungen haben alle eine begrenzte Nutzungsdauer. Trends in historischen Ausfalldaten können auf einen Zeithorizont für zukünftige Ausfälle hinweisen.
Für große Ausrüstungs- oder Automobilhersteller (und ihre Kunden) kann PFA potenziell Verbesserungen der Anlagenlebensdauer bieten, die zu einer Reduzierung zukünftiger Ausgaben um bis zu 5% führen. PFA kann auch verwendet werden, um Wartungsarbeiten zu planen, wenn Bediener und Techniker freier verfügbar und günstiger sind, wodurch Effizienzgewinne und Einsparungen von bis zu 20% erzielt werden.[3]
Zahlreiche Faktoren können die Leistung von PFA beeinflussen. Je nach durchschnittlicher Arbeitsbelastung des betreffenden Systems, dem Umfang der verwendeten historischen Daten und den beteiligten Machine Learning (ML) oder Deep Learning (DL) Algorithmen kann die Genauigkeit von PFA in Frage gestellt werden.
Lineare und polynomiale Regressionen werden oft verwendet, um die verbleibende Nutzungsdauer (RUI) zu bestimmen, während Long Short-Term Memory (LSTM) und Random Forest Algorithmen zur Verfeinerung von Ausfallvorhersagen mit unterschiedlichen Erfolgsgrades eingesetzt werden können. [4] [5] [6]
Obwohl es klar ist, dass es greifbare Vorteile mit PFA gibt, ist sie nicht narrensicher. Um das gleiche Niveau der Serviceverfügbarkeit zu bieten und den Wert von Kapitalinvestitionen zu schützen, ist es ratsam, jedes Support-Programm mit PFA durch einen Remote Hands Vertrag zu ergänzen.
Remote Hands als Versicherungspolice
Der Einsatz von Remote Hands in Verbindung mit PFA bietet Vorteile sowohl bei geplanten als auch bei ungeplanten Ausfällen.
Ein geplanter Ausfall kann weit im Voraus geplant werden, wodurch Ressourcen zugeteilt werden können, wenn sie frei verfügbar und am günstigsten sind. Remote Hands Anbieter profitieren auch von Skaleneffekten: Mit reichlich Ressourcen zum Einsatz können erhebliche Einsparungen gegenüber der Einstellung, Schulung und Verwaltung eigener Techniker erzielt werden. (Ein voll belasteter Ingenieur kann je nach erforderlichen Fähigkeiten leicht sechsstellige Beträge oder mehr jährlich kosten).
Bei jedem ungeplanten Ausfall ist die Wiederherstellung des Services das primäre Anliegen. Ein ungeplanter Ausfall ohne Remote Hands Vertrag dauert länger zu lösen. Die Ressourcen, die zur Fehlerbehebung und Problemlösung vor Ort eingesetzt werden, müssten zunächst verifiziert, versichert und eingebunden werden, bevor sie eingesetzt werden können. Der Remote Hands Anbieter mit Ressourcen im großen Maßstab wird bereits geprüfte und zugewiesene Ressourcen haben, was zu einer schnelleren Reaktionszeit führt.
Strategische Technologieinvestition
Je nach Art des Services könnte ein anhaltender Ausfall für eine große Umgebung leicht Millionen von Dollar kosten. Ein Remote Hands Vertrag allein oder als Teil eines umfassenderen Disaster Recovery Plans, der PFA einschließt, kann als Ausgabenposition behandelt oder möglicherweise sogar als Teil eines größeren Software- oder Service-Abonnements kapitalisiert werden.
Eine geringfügige Erhöhung der Betriebskosten könnte Sie sehr wohl vor den Millionen von Dollar an Verlusten schützen, die mit einem längeren Serviceausfall verbunden sind.
Welchen Ansatz sollten Sie verwenden, um eine Investition in Remote Hands Support zu rechtfertigen? Unternehmensfinanzierungskennzahlen variieren von Unternehmen zu Unternehmen, aber einige Beispiele können aufgezeigt werden.
Fallstudie
Sie evaluieren einen Remote Hands Vertrag für $250.000 zur Abdeckung von drei Umgebungen in Rechenzentren in Nordamerika für ein Jahr. Ihre geschätzten Kosten für Ausfallzeiten betragen $100.000 pro Stunde insgesamt (einschließlich gestrandeter oder ungenutzter Ressourcen, entgangener Einnahmen, Markenauswirkungen usw.). Als Sie das letzte Mal einen Ausfall aufgrund ausgefallener Hardware erlebten, war Ihre Anwendung sechs Stunden lang nicht verfügbar. Die Nettowirkung auf das Unternehmen betrug $600.000.
Die Unternehmensfinanzierung genehmigt keine IT-Ausgaben, es sei denn, eine Investition überschreitet eine Hurdle Rate (manchmal auch als minimale akzeptable Rendite oder MAAR bekannt) von 10%.
Ein erwarteter Vorteil eines Remote Hands Vertrags ist die Reduzierung der Mean-Time-To-Recovery (MTTR) für einen ungeplanten Ausfall. Schätzungen deuten darauf hin, dass die MTTR erheblich reduziert werden kann. Eine Reduzierung der MTTR um 50% für den vorherigen Ausfall hätte $300.000 gespart, indem der Service drei Stunden schneller wiederhergestellt worden wäre.
Sollte die Unternehmensfinanzierung den Kauf dieses Remote Hands Vertrags als Versicherungspolice zur Reduzierung zukünftiger ungeplanter Ausfallzeiten genehmigen?
Wir verwenden eine einfache Formel für ROI:
ROI = (Nettogewinn / Investitionskosten) * 100
In diesem Fall wäre der Nettogewinn die $300.000 Einsparung minus die Kosten des $250.000 Vertrags oder $50.000.
ROI = ($300.000-$250.000)/$250.000 * 100
$50.000 geteilt durch $250.000 sind 20%, oder das Doppelte der von der Finanzabteilung geforderten MARR.
(Bedenken Sie, dass diese Rendite nur gegen einen Ausfall gemessen wird. Bei mehreren ungeplanten Ausfällen in einem Jahr wären die Einsparungen erheblich höher.)
Die Unternehmensfinanzierung sollte die Investition in den Remote Hands Vertrag genehmigen.
Zusammenfassung
Artificial Intelligence hat große Fortschritte im Bereich der Predictive Failure Analysis gemacht, und die Wirksamkeit von PFA wird in den kommenden Monaten und Jahren nur zunehmen.
In der Zwischenzeit bleibt der Bedarf an Investitionsschutz bestehen. Eine strategische Investition in einen Remote Hands Vertrag kann helfen, die finanziellen Auswirkungen ungeplanter Ausfälle zu mindern und Ihnen dabei helfen, von der Flexibilität geplanter Ausfallzeitfenster zu profitieren.
Anmerkungen
[](#_ftnref1)1[] https://medium.com/@brijesh_soni/why-random-forests-outperform-decision-trees-a-powerful-tool-for-complex-data-analysis-47f96d9062e7
[2] Yadav, D. K., Kaushik, A., & Yadav, N. (n.d.). Predicting machine failures using machine learning and deep learning algorithms. ScienceDirect. https://www.elsevier.com/locate/smse
[3] https://www.bakerhughes.com/bently-nevada/blog/unplanned-downtime-key-disruptor-industry
[4] https://medium.com/@jatin2707/machine-failure-prediction-a-comprehensive-guide-524726c3b1fd
[5] https://www.atlassian.com/incident-management/kpis/cost-of-downtime
[6] From "Predictive Maintenance: Deloitte's Approach" https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-predictive-maintenance.pdf
Themen: Remote Hands, Machine Learning (ML), Artificial Intelligence (AI), Deep Learning (DL), Produktivität, Rechenzentren, Cloud, Predictive Failure Analysis (PFA), Recurrent Neural Network (RNN), High-Performance Computing (HPC), Unternehmensfinanzierung, strategische Investitionen, lineare Regression, Long Short-Term Memory (LSTM), Random Forests, Portfoliotheorie.
