Predictive Analytics für DevOps

DevOps – die Zusammenführung von Development und Operations in integrierten Teams – verbessert die Zusammenarbeit, verschlankt die Prozesse und und ermöglicht es, neue Features wesentlich schneller auszuliefern. Möglich wird das durch zwei grundlegende DevOps Prinzipien: automatisieren und messen, wo immer es möglich und sinnvoll ist.

Es gibt gute Metriken, um das Tempo der Bereitstellung zu messen. Die deployment frequency zeigt an, wie schnell ein Team neue Software ausliefern kann. Lead time gibt wertvolle Hinweise, wie schnell ein Team in der Lage ist, die Anforderungen der User in Code zu übersetzen. Doch der Blick auf den Tacho alleine reicht nicht. Denn es ist zwar einfach, etwas schnell zu machen, aber viel schwerer, etwas schnell und gleichzeitig gut zu machen. Deshalb müssen DevOps Teams von Anfang an auch an der Qualität arbeiten. Am besten, indem sie Integration, Testen und Bereitstellung automatisieren. Nur so erhalten sie fortlaufendes Feedback über die funktionale und technische Qualität.

Predictive Analytics für DevOps nutzt Daten aus verschiedensten Quellen und erlaubt es, ein systemisches Abbild der gesamte Software-Entwicklung zu modellieren. Diese Daten in Kombination mit künstlicher Intelligenz identifizieren die einflussreichsten Indikatoren für Software Qualität und machen Vorhersagen über deren Qualität zuverlässiger.

Download product desciption

1

How does it work?

2

What sources of data can be utilized?

3

How to utilize results?

DevOps erhöht die Geschwindigkeit der Wertschöpfung, indem die Teams neue Software-Releases schneller und ohne Qualitätsverluste an die Kunden ausliefern können. “Messen, was messbar ist” als ein grundlegendes DevOps-Prinzip macht es aber erforderlich, dass die Metriken praktikabel und handlungsorientiert sind. Das Wertschöpfungsmodell liefert einen Einblick in die Kausalzusammenhänge zwischen den einzelnen Metriken und es verknüpft diese als Früh-Indikatoren mit den DevOps-Zielen. Die Metriken können in Baum-Strukturen so organisiert werden, dass daraus Indizes entstehen, die den Gesamtstatus der wichtigsten Bereiche auf einen Blick ersichtlich machen. Das DevOps Wertschöpfungsmodell lässt sich hin zu Predictive Analytics weiterentwickeln.

Der hier präsentierte Ansatz, Quality Intelligence® für DevOps, ermöglicht DevOps-Teams datenbasierte Entscheidungen und die Identifikation der richtigen Hebel, um durch bessere Software mehr und schnellere Wertschöpfung zu erzielen.

Qentinel Pace bietet die Möglichkeit, Daten aus unterschiedlichen Quellen zu verarbeiten:

  • sämtliche Testdaten aus der Testautomation
  • Tools zur Messung der Code-Qualität
  • ALM-Tools (Application Life-Cycle Management) wie Jira und Azure DevOps
  • Git
  • Help Desk Tools wie ZenDesk
  • sowie grundsätzlich jedes Tool, das eine Schnittstelle für die benötigten Messdaten liefert. Zusätzlich können Datenquellen füpr maunellen Dateninput definiert werden.

Predictive Analytics für DevOps beantwortet die wichtigsten operativen Fragen nach Qualität und Geschwindigkeit der SW-Entwicklung:

  • Release-to-Production: Ist der nächste Release von gleicher Qualität wie der aktuelle Release?
  • Priorisierung von Aktionen um Service-Engpässe zu vermeiden
  • Auswahl der wichtigsten Verbesserungen für eine gute User Experience
  • Proaktives Handeln, um Probleme bei der Funktionalität oder Performance digitaler Services zu vermeiden
  • Identifikation der vielversprechendsten Ansatzpunkte zur Verbesserung der Produktivität
  • Einschätzung der Produktivität Ihres Software-Dienstleisters

AI nutzt gesammelte Daten zur Vorhersage der Qualität

AI Architekt Henri Terho erklärt unseren Ansatz der Predictive Analytics für DevOps

Video ansehen
Jetzt ausprobieren
Kontakt