Kemampuan untuk memprediksi kegagalan hardware dengan tingkat akurasi tertentu menawarkan potensi penghematan yang luar biasa bagi penyedia layanan dengan investasi modal besar dalam teknologi informasi (IT). Bagi pelanggan enterprise yang mengoperasikan platform high-performance computing (HPC) dan artificial intelligence (AI) yang mahal dalam skala besar, ketersediaan penawaran layanan mereka adalah segalanya: Sistem yang down mengunci pelanggan dan menjebak sumber daya, membuatnya tidak berguna dengan biaya yang sangat besar. Pemadaman seperti ini dapat menyebabkan kehilangan pendapatan, berdampak pada produktivitas karyawan secara keseluruhan, dan merusak brand perusahaan. Tergantung pada industri, studi menunjukkan bahwa biaya rata-rata satu jam downtime yang tidak direncanakan dapat berkisar dari $100,000 per jam hingga lebih dari $500,000 per jam.[1] [2]
Mengenal Predictive Failure Analysis (PFA)
Dengan mengevaluasi sejumlah besar data historis, predictive failure analysis (PFA) dapat menawarkan wawasan berharga tentang kemungkinan terjadinya pemadaman. Chipset, circuit board, hard drive, dan koneksi solder semuanya memiliki masa pakai yang terbatas. Tren dalam data kegagalan historis dapat menunjukkan horizon waktu untuk kegagalan di masa depan.
Bagi produsen peralatan besar atau otomotif (dan pelanggan mereka), PFA berpotensi menawarkan peningkatan ekspektasi masa pakai aset yang mengarah pada pengurangan pengeluaran masa depan hingga 5%. PFA juga dapat digunakan untuk menjadwalkan pemeliharaan ketika operator dan teknisi lebih tersedia dan lebih murah, menciptakan efisiensi dan penghematan hingga 20%.[3]
Berbagai faktor dapat mempengaruhi kinerja PFA. Tergantung pada beban kerja rata-rata sistem yang dimaksud, ruang lingkup data historis yang digunakan, dan algoritma machine learning (ML) atau deep learning (DL) yang terlibat, akurasi PFA mungkin dipertanyakan.
Regresi linear dan polinomial sering digunakan untuk menentukan remaining useful life (RUI), sedangkan algoritma Long Short-Term Memory (LSTM) dan random forest dapat digunakan untuk memperhalus prediksi kegagalan dengan tingkat keberhasilan yang bervariasi. [4] [5] [6]
Meskipun jelas bahwa ada manfaat nyata dengan PFA, ini bukan solusi yang sempurna. Untuk memberikan tingkat ketersediaan layanan yang sama dan melindungi nilai investasi modal, bijaksana untuk mempertimbangkan penambahan program dukungan menggunakan PFA dengan kontrak remote hands.
Remote Hands sebagai Polis Asuransi
Menggunakan remote hands bersamaan dengan PFA menawarkan manfaat untuk pemadaman yang direncanakan maupun tidak direncanakan.
Pemadaman yang direncanakan dapat dijadwalkan jauh sebelumnya, sehingga memungkinkan sumber daya dialokasikan ketika mereka tersedia dan paling terjangkau. Penyedia remote hands juga menikmati skala ekonomi: Dengan sumber daya yang berlimpah untuk diterapkan, penghematan yang signifikan dapat diperoleh dibandingkan mempekerjakan, melatih, dan mengelola teknisi sendiri. (Satu insinyur dengan beban penuh dapat dengan mudah menghabiskan biaya enam digit atau lebih per tahun tergantung pada keahlian yang diperlukan).
Dengan setiap pemadaman yang tidak direncanakan, pemulihan layanan adalah perhatian utama. Pemadaman yang tidak direncanakan tanpa kontrak remote hands akan membutuhkan waktu lebih lama untuk diselesaikan. Sumber daya yang diterapkan untuk troubleshoot dan memecahkan masalah di lokasi perlu diverifikasi, diasuransikan, dan di-onboard terlebih dahulu sebelum diterapkan. Penyedia remote hands, dengan sumber daya dalam skala besar, akan sudah melakukan vetting dan menugaskan sumber daya yang menghasilkan waktu respons yang lebih cepat.
Investasi Teknologi Strategis
Tergantung pada sifat layanan, pemadaman berkelanjutan untuk lingkungan besar dapat dengan mudah menghabiskan biaya jutaan dollar. Kontrak remote hands sendiri atau beroperasi sebagai bagian dari rencana disaster recovery yang lebih luas yang mencakup PFA, dapat diperlakukan sebagai item baris pengeluaran, atau bahkan berpotensi dikapitalisasi sebagai bagian dari langganan software atau layanan yang lebih besar.
Sedikit peningkatan biaya operasional bisa jadi melindungi Anda dari kerugian jutaan dollar yang terkait dengan pemadaman layanan yang berkepanjangan.
Pendekatan apa yang harus Anda gunakan untuk membenarkan investasi dalam dukungan remote hands? Metrik keuangan perusahaan bervariasi dari perusahaan ke perusahaan, tetapi beberapa ilustrasi dapat dibuat.
Studi Kasus
Anda sedang mengevaluasi kontrak remote hands seharga $250,000 untuk mencakup tiga lingkungan di data center di Amerika Utara selama satu tahun. Estimasi biaya downtime Anda adalah $100,000 per jam secara keseluruhan (termasuk sumber daya yang terdampar atau menganggur, kehilangan pendapatan, dampak brand, dll.). Terakhir kali Anda mengalami pemadaman karena kegagalan hardware, aplikasi Anda down selama enam jam. Dampak bersih terhadap perusahaan adalah $600,000.
Corporate finance tidak akan menyetujui pengeluaran IT kecuali investasi melewati hurdle rate (kadang dikenal sebagai minimum acceptable rate of return atau MAAR) sebesar 10%.
Manfaat yang diantisipasi dari kontrak remote hands adalah mengurangi mean-time-to-recovery (MTTR) untuk pemadaman yang tidak direncanakan. Estimasi menunjukkan bahwa MTTR dapat dikurangi secara signifikan. Pengurangan MTTR sebesar 50% untuk pemadaman sebelumnya akan menghemat $300,000 dengan memulihkan layanan tiga jam lebih cepat.
Haruskah corporate finance mengotorisasi pembelian kontrak remote hands ini sebagai polis asuransi untuk membantu mengurangi downtime yang tidak direncanakan di masa depan?
Kami akan menggunakan formula sederhana untuk ROI:
ROI = (Net Profit / Cost of Investment) * 100
Dalam hal ini, net profit akan menjadi penghematan $300,000 dikurangi biaya kontrak $250,000, atau $50,000.
ROI = ($300,000-$250,000)/$250,000 * 100
$50,000 dibagi dengan $250,000 adalah 20%, atau dua kali lipat MARR yang disyaratkan oleh finance.
(Perlu diingat, return ini diukur terhadap hanya satu pemadaman. Dengan beberapa pemadaman yang tidak direncanakan dalam satu tahun, penghematannya akan jauh lebih tinggi.)
Corporate finance harus menyetujui investasi dalam kontrak remote hands.
Ringkasan
Artificial intelligence telah membuat kemajuan besar dalam bidang predictive failure analysis, dan efektivitas PFA hanya akan meningkat dalam bulan dan tahun mendatang.
Sementara itu, kebutuhan untuk perlindungan investasi tetap ada. Investasi strategis dalam kontrak remote hands dapat membantu memitigasi dampak finansial dari pemadaman yang tidak direncanakan, sambil membantu Anda memanfaatkan fleksibilitas jendela downtime yang direncanakan.
Catatan
[](#_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
Topik: Remote hands, machine learning (ML), artificial intelligence (AI), deep learning (DL), produktivitas, data center, cloud, predictive failure analysis (PFA), recurrent neural network (RNN), high-performance computing (HPC), corporate finance, investasi strategis, regresi linear, Long Short-Term Memory (LSTM), random forests, teori portofolio.
