Enfoque de un Arquitecto Ejecutivo de FinOps Cómo la Inteligencia Artificial y la Automatización Simplifican la Gestión de Datos

El Enfoque de un Arquitecto Ejecutivo de FinOps Cómo la Inteligencia Artificial y la Automatización Simplifican la Gestión de Datos

Hemos aprendido a abordar FinOps tanto como una mentalidad como un conjunto de capacidades de solución en la nube. Sí, FinOps permite a las empresas aprovechar el valor de la nube de manera constante y continua (ahorro del 20 al 30% cada año según un artículo reciente de McKinsey), pero también produce crecimiento e innovación. Para obtener ahorros de costos y beneficios transformacionales, prepárese para tratar su esfuerzo de FinOps como una prioridad comercial crítica.

En los últimos dos años, y después de más de veinte experiencias de consultoría, podemos resumir un grupo de problemas que obstaculizan el éxito de FinOps.

Los ejecutivos comerciales se comprometen muy tarde con los principios de FinOps, permitiendo que se dirija demasiado enfoque, personal experto y presupuesto hacia las capacidades operativas y tácticas en lugar de las competencias estratégicas que impulsan los ahorros futuros en la nube. Los equipos no logran alinear los principios fundamentales de FinOps con los principios de gestión de datos en la nube, asegurando su éxito. A continuación, no se desarrollan o se omiten habilidades fundamentales cruciales, lo que lleva a brechas en las capacidades de FinOps que se vuelven calcificadas, por lo que no se logran las ventajas económicas de FinOps.

Para evitar estos problemas, este artículo establecerá cuatro disciplinas de FinOps:

• ¿Qué están diciendo los despidos tecnológicos sobre la industria de la Inteligencia Artificial?
• Peter Wang, CEO y cofundador de Anaconda – Serie de entrevistas
• Data Visuals Gone Bad Evitando los Comunes Errores de Inicio en GPT-4

1. Comprensión del uso y costo de la nube
2. Análisis de datos y Showback
3. Gestión de anomalías
4. Gestión de carga de trabajo y automatización

Punto de énfasis: la inteligencia artificial y la automatización en la gestión de datos permiten que los datos adecuados, confiables, completos y higiénicos impulsen su ciclo de vida de FinOps. Abordaremos esto con un enfoque basado en herramientas para que su empresa tenga las competencias necesarias para impulsar su solución de FinOps con una mentalidad de gestión de datos en la nube probada en batalla.

Como un actor positivo en el ámbito público de FinOps, este artículo cumple con los términos y condiciones de uso de FinOps 4.0.

¿Qué es FinOps?

FinOps es una disciplina de gestión financiera en la nube en constante evolución y una práctica cultural que permite a las organizaciones obtener el máximo valor empresarial ayudando a los equipos de ingeniería, finanzas, tecnología y negocios a colaborar en decisiones de gasto basadas en datos. Si FinOps se basa en decisiones basadas en datos, la gestión de datos en la nube siempre será fundamental para FinOps.

FinOps también es un mandato estratégico en el que los equipos gestionan los costos en la nube de manera efectiva y establecen un consenso sobre las prácticas fundamentales, lo que permite que las líneas de negocio (LOB) mejoren la propiedad de su uso de la nube, respaldada por un grupo central de mejores prácticas. Los equipos interfuncionales en áreas de ingeniería, finanzas, CRM y disciplinas de productos se empoderan mutuamente para permitir una entrega más rápida al tiempo que obtienen un mayor control y previsibilidad financiera.

Antes de desglosar las fases de FinOps para alinearse con los objetivos y prácticas de gestión de datos en la nube, tiene sentido compartir los conceptos principales que lo impulsan:

El marco de FinOps describe:

• Principios que impulsan nuestro dominio público y práctica de FinOps.
• Personas a las que se requiere que FinOps apoye para los interesados.
• Mejores prácticas y modelos de procesos que permiten a FinOps lograr esto.
• Áreas de actividad en las que se debe actuar de manera constante para una práctica de FinOps exitosa.

FinOps se basa en un ciclo de retroalimentación en forma de volante que busca:

1. Informar a través de equipos, interesados ​​y unidades comerciales.
2. Identificar y medir objetivos de optimización.
3. Operacionalizar cambios y capacidades fundamentales a medida que los objetivos y métricas de FinOps evolucionan.

Este enfoque de volante promueve un enfoque de madurez “Gatear, Caminar, Correr” para resolver los desafíos que la gestión de datos en la nube presentará a una organización. Este marco también se denomina Modelo de Capacidades de FinOps o modelo de función de FinOps.

FinOps brinda un ciclo de vida simple pero muy poderoso para entregar e mejorar resultados de manera iterativa: Informar, Optimizar y Operar. La fase de Informar establece la visibilidad y asignación junto con la creación de benchmarks, presupuestos y pronósticos.

La fase de Optimizar debe guiar a su empresa a alcanzar objetivos claramente establecidos y medibles. Considere comenzar con al menos estas dos disciplinas: optimización de costos en la nube y optimización del uso de la nube.

Para la optimización de la tarifa en la nube, un principio simple debe guiar el enfoque: su empresa alquila infraestructura en la nube, y los hipescaladores de la nube son los propietarios. Por lo tanto, la infraestructura en la nube que cumpla con sus objetivos de modelo de precios a un costo unitario flexible será la ganadora. Un modelo de precios que combine descuentos basados en compromisos y la consideración de las variaciones estacionales históricas debería impulsar ese modelo de precios. Un conjunto básico de servicios en comparación con servicios especializados (lo que significa un precio premium) debería estar listado en un horario para todos los LOBs que utilizan la plataforma FinOps.

Centrándonos en la optimización del uso de la nube, simplemente no hay forma de evitar los modelos de uso variable (por ejemplo, la ejecución de informes financieros de resumen al final del trimestre en comparación con el uso limitado al comienzo del trimestre). Por lo tanto, la pregunta se reduce al mapeo preciso de las cargas de trabajo a los conjuntos de cómputo optimizados basados en el análisis de escalado automático y el cierre de los recursos inactivos. Afortunadamente, los grupos de cómputo escalables de la nube están diseñados específicamente para este propósito. Controlar los costos en la nube y proporcionar un valor comercial oportuno es un acto de equilibrio. Por lo tanto, solicite comentarios de sus operaciones de TI y socios comerciales temprano y con frecuencia para asegurar el éxito. FinOps es un marco flexible donde los patrocinadores ejecutivos deben guiar y priorizar consistentemente los resultados clave para sus equipos.

La fase de operación consiste en alcanzar la predictibilidad en las unidades económicas. Esto se reduce al manejo de anomalías, así como a la gestión de cargas de trabajo y automatización para FinOps.

Simplificando, la gestión de anomalías es la capacidad de detectar, especificar, alertar y gestionar los eventos inesperados de costos en la nube de manera oportuna para reducir el impacto perjudicial en el negocio, tanto en costos como en otros aspectos. Gestionar las anomalías generalmente implica el uso de herramientas o informes para identificar gastos inesperados, la distribución de alertas de anomalía y la investigación y resolución de estas anomalías. Ahora es el momento adecuado para considerar:

• ¿Qué herramientas brindan automatización, alertas y IA para mostrar estas anomalías a tiempo y de manera consistente?
• ¿Quién en mi estructura de FinOps debe ser responsable de aplicar esas herramientas para obtener un resultado medible?
• ¿Qué proceso impulsado por herramientas mostrará los resultados para un análisis de datos confiable?
• ¿Cuántos conjuntos de muestras en los equipos (dos semanas, seis meses) se requieren para diferenciar entre las desviaciones periódicas predecibles y las anomalías reales? Evite caer en la trampa de tomar decisiones autoritarias basadas en una muestra de tiempo demasiado pequeña o en muy pocos de sus equipos. Esto es muy importante. Ahora, según la siguiente figura, un aumento en el escaneo de metadatos para una empresa de Fortune 1000 es una variación predecible en el plan, no un caso atípico para la gestión de anomalías:

Representación del aumento del uso de la plataforma de nube de metadatos.

Gestión de cargas de trabajo y automatización demanda un enfoque práctico y resultados repetibles basados en métricas.

Se centra en ejecutar tareas de datos solo cuando sea necesario y crear mecanismos que ajusten automáticamente los recursos informáticos que se ejecutan en cualquier momento dado. Un objetivo clave es proporcionar a los equipos de FinOps la capacidad de adaptarse a la demanda estacional o a fluctuaciones de demanda ad hoc de la manera más eficiente posible, pero también optimizar el uso de la nube a través de la medición dinámica de la demanda de carga de trabajo y la capacidad de aprovisionamiento. Tiene sentido plantear algunos requisitos fundamentales para alcanzar este estado deseado:

• ¿Cómo se respalda la capacidad de recuperación durante la ejecución de trabajos para hacer que las cargas de trabajo sean tolerantes a fallos en las arquitecturas en la nube?
• ¿Esa misma solución admite la programación impulsada por la interfaz de usuario y la API para que la fase de Operación no dependa exclusivamente de las personas?
• ¿Se admite el procesamiento elástico para cargas de trabajo altamente variadas en clústeres de autoservicio y clústeres totalmente administrados (por ejemplo, Azure Kubernetes Services [AKS])?
• ¿Se admite el procesamiento masivo en la informática sin servidor de la nube, lo que permite que la gestión de cargas de trabajo, la gestión de la infraestructura y la automatización de la carga de trabajo sean propiedad de un único proveedor que factura un solo costo?
• ¿Esa misma plataforma puede proporcionar metadatos en el momento adecuado para respaldar el análisis de datos y la presentación de informes, así como análisis periódicos para lograr la optimización de la tarifa en la nube y la optimización del uso de la nube?

A partir de lo anterior, se puede ver cómo las preguntas complejas se acumulan muy rápidamente. Ahora, imagina preguntar a los responsables de las operaciones de TI, los oficiales de continuidad empresarial y los arquitectos empresariales: “¿Cómo planificamos y diseñamos una solución para esto?” El esquema a continuación muestra algunas capacidades fundamentales para abordar los desafíos de la automatización y gestión de cargas de trabajo.

Capacidades clave para abordar la automatización y gestión de cargas de trabajo para FinOps.

Beneficios de la Implementación Efectiva de FinOps

La siguiente lista combina nuestras experiencias de consultoría en FinOps para 2022-23, junto con un valioso artículo de la Harvard Business Review sobre el mismo tema:

• Las decisiones se basan en el valor empresarial medible financiado, no en resultados subjetivos de TI.
• La economía unitaria en la nube se realiza a través de FinOps para todos los participantes.
  • Requiere que los equipos construyan, midan y reorganicen la optimización de costos en la nube según sea necesario para alcanzar la economía unitaria en la nube.
• Se otorgó un patrocinio ejecutivo con metas declaradas a FinOps; existe para alcanzar esas metas empresariales medibles.

Los propietarios de negocios deben “optar” para obtener resultados de FinOps siguiendo prácticas definidas. Todas las organizaciones involucradas obtienen confianza para impulsar la inversión en la nube empresarial con métricas oportunas que muestran dónde una empresa obtiene el mayor valor de sus inversiones en la nube.

• Los patrones de consumo de la nube se vuelven más eficientes, lo que resulta en una mayor generación de ingresos, transformación digital u otros objetivos empresariales.
• Los equipos no técnicos adquieren mayor competencia en costos conocidos, gobernanza y restricciones de experiencia antes de presentar proyectos para operar.

Recuerda que este artículo no abarcará todo el panorama de FinOps. El objetivo es construir un conjunto de herramientas de gestión de datos automatizado y basado en IA para habilitar FinOps. El siguiente paso lógico es describir los desafíos de FinOps a través del prisma de la gestión de datos.

Desafíos en FinOps

Discusión de Obstáculos Comunes y Problemas en FinOps

Lee esta breve lista de desafíos obstinados que se sabe que dificultan el éxito de FinOps, extraída de experiencias en más de veinte (20) empresas Fortune 1000, cuando no se implementan prácticas de gestión de datos en la nube para respaldar FinOps:

• No se pueden aplicar controles de costo medibles y gobernanza empresarial para la nube en toda la organización.
• Falta de mecanismo de generación de informes en tiempo real para las partes interesadas que detectan preocupaciones críticas sobre la gestión de datos.
• No se pueden gestionar anomalías en los datos, los costos de la nube, el uso de la nube y los informes.
• Poca coherencia en las políticas y gobernanza de la nube con derechos de voto para proporcionar ahorros de costos y resultados comerciales medibles.
• La falta de reglas de residencia de datos sólidas significa que una región puede mover, transformar y acceder a datos, pero otra no puede.
• Una gestión deficiente del acceso a los datos en la nube (DAM) impide que las partes interesadas accedan a los datos adecuados en el momento adecuado.
• Según la lista anterior, la falta de procesos y entregables adoptados por la plataforma de la nube provoca la desvinculación de los patrocinadores ejecutivos de los esfuerzos de FinOps.

Entonces, si tu objetivo son los “principios rectores” que guían la conducta y los principios de una práctica de FinOps, es necesario establecer disciplinas más modestas, como prácticas y capacidades basadas en esos principios, en tu empresa. Ahora destilaremos las preocupaciones anteriores y los principios de FinOps en una matriz de decisiones:

Nota: Si la necesidad, obstáculo o problema que enfrentas no puede abordarse en FinOps con los principios de gestión de datos en sí, no se aborda en este artículo. FinOps y la gestión de datos basada en IA no resolverán el problema de “equipos que necesitan colaborar” por sí mismos.

Como se mencionó anteriormente, aquí hay algunos aspectos a considerar para la fase de Optimización: ¿Cómo se pueden planificar las cargas de trabajo para pivotar hacia una computación de menor costo en lugar de a pedido? ¿Dónde puede la computación sin servidor de Spark reducir la ajuste de rendimiento pesado pero aún cumplir con los objetivos de tiempo de ejecución? Finalmente, ¿qué líderes de soluciones brindan una optimización integral de la carga de trabajo y la infraestructura basada en la nube, impulsada por IA y utilizando análisis de carga de trabajo impulsados por metadatos para cuantificar las optimizaciones?

Cómo Superar los Desafíos de FinOps

Para comenzar a abordar las necesidades de FinOps anteriores, tu equipo deberá buscar una plataforma integral que pueda abordar repetidamente los desafíos dentro de las disciplinas que FinOps brinda.

La ilustración a continuación no es una respuesta final al desafío de la matriz de FinOps mencionada anteriormente, pero comienza a calibrar tu pensamiento sobre cómo responder a los desafíos de FinOps mediante un enfoque de plataforma única.

Ilustración que representa las necesidades lógicas de la plataforma en la gestión de datos en la nube para FinOps.

Tu empresa deberá proponer una plataforma de FinOps a futuro (con automatización y gestión de datos basada en IA) para comprender el uso y los costos de la nube, el análisis de datos y el cálculo de costos, la gestión de anomalías y la automatización de las cargas de trabajo. La previsibilidad, la planificación, la gestión de costos compartidos y la medición de los resultados de costos unitarios solo pueden provenir de una plataforma diseñada para respaldarlos. Ahora podemos pasar a resolver las preocupaciones de gestión de datos en la nube para FinOps.

Papel de la Automatización y la Gestión de Datos Basada en IA para Habilitar FinOps

IA en la Gestión de Datos

Debes tener en cuenta que tu empresa no puede avanzar a las fases de Optimización y Operación de FinOps cuando la gestión de datos (comenzando por la calidad de los datos) no está en un estado aceptable.

Para las organizaciones impulsadas por FinOps que buscan optimizar los costos de la nube y mejorar la eficiencia operativa, las soluciones impulsadas por IA (como los Modelos de Lenguaje Grande [LLMs]) desempeñan un papel fundamental en la gestión sostenible de datos. Al aprovechar algoritmos avanzados y técnicas de aprendizaje automático (ML), los sistemas de IA pueden analizar vastos volúmenes de datos para identificar patrones, anomalías y discrepancias, garantizando la precisión, integridad y completitud de los datos. Sin embargo, estos datos deben ser de alta calidad para sentar las bases para una muestra precisa de datos y análisis, o para un análisis más profundo de los costos de uso de la nube y la gestión de anomalías.

Considera este escenario: una empresa de FinOps tiene dos equipos: uno incurre en $1MM en costos de infraestructura con datos higiénicos entregables, y el otro incurre en $1MM en costos de infraestructura con datos anómalos no entregables (pero su ETL se completa). Tomarás decisiones erróneas a partir de tu análisis de datos para FinOps en al menos dos áreas de preocupación:

1. La computación en la nube que se ejecuta con estos datos espurios “deberá ejecutarse de nuevo” para cumplir los objetivos comerciales.
2. Los analistas de FinOps incurrirán en costos unitarios inválidos si la mitad de los trabajos se ejecutan con datos no higiénicos y no entregables.

Es así de simple.

La IA generará sesgos si se construye sobre datos defectuosos o incompletos, causando consecuencias negativas en tus decisiones en FinOps, en la recuperación y análisis de datos, y básicamente en cualquier decisión basada en datos.

Estamos de acuerdo con la afirmación de Forbes que GenAI se basa en los conjuntos de datos en los que se entrena. Las fallas en los conjuntos de datos de entrenamiento, ya sea por falta de volumen o alcance de datos o por limitaciones severas en el marco temporal, eventualmente se manifestarán a través de modelos de entrenamiento inexactos y resultados operativos para la IA en el uso diario. Por lo tanto, la tarea de FinOps es definir, posicionar e integrar una solución de calidad de datos nativa de la nube para abordar y reducir estos problemas, en la medida de lo posible. De lo contrario, los datos defectuosos que conducen a decisiones erróneas bloquearán los resultados clave de FinOps discutidos en la introducción.

El uso de LLMs para obtener resultados de IA aumenta el riesgo de alucinaciones en los datos generados. Confía en este proceso lógico para bloquear y descubrir alucinaciones en GenAI:

• Inspecciona y analiza clínicamente (usamos análisis de datos) que las fuentes de datos para GenAI cumplen con las expectativas fundamentales.
• Luego, verifica y mide esas fuentes perfiladas en dimensiones de calidad de datos en un cuadro de mando.
• Requiere de manera repetida (y absorbe) la opinión de los interesados sobre estos datos de entrenamiento a partir del cuadro de mando.
• Desafía a FinOps a participar en su propio proceso de calidad de datos, tanto en los datos de entrenamiento de GenAI como en los datos empresariales en general.
• Si los datos de entrada de GenAI no son aptos para su uso en FinOps, toma las medidas necesarias para corregir esto.

Creador de un panel holístico utilizando IA para la inspección, análisis y acción del equipo en la calidad y higiene de los datos deficientes.

Por diseño, existen beneficios adicionales al establecer una barrera de aceptación antes de utilizar los datos de GenAI y los resultados para los equipos de FinOps. Reutiliza el mismo proceso exacto para bloquear los datos empresariales anómalos que ingresan al flujo de FinOps.

Usa la automatización primero para fortalecer tu calidad de datos

En cuanto a la eliminación de sesgos, alucinaciones y contenido de datos defectuosos, este punto ocupa claramente el primer lugar en la lista. Las empresas necesitan reglas prescriptivas automatizadas (y sugerencias de calidad de datos) basadas en una biblioteca robusta de docenas de algoritmos actualizados sin intervención del propietario del producto de datos o del administrador de datos.

La baja calidad de datos y los sesgos de IA aumentan significativamente las cargas operativas y de toma de decisiones para FinOps, especialmente en la asignación de costos, la previsión y la gestión de capacidades anómalas. Los datos sesgados pueden distorsionar la atribución de recursos, lo que lleva a evaluaciones financieras desiguales y a una planificación presupuestaria inexacta. Este problema se agrava durante la previsión, donde los algoritmos sesgados, impulsados por datos defectuosos, generan predicciones inexactas y obstaculizan la capacidad de planificar presupuestos de manera efectiva. Además, los modelos sesgados presentan un verdadero riesgo, ya que pueden interpretar mal las anomalías genuinas, creando alertas falsas o pasando por alto irregularidades reales, lo que dificulta la identificación precisa de datos, procesos y discrepancias financieras de tu empresa. En pocas palabras, los desafíos operativos y de toma de decisiones dentro de FinOps se magnifican debido a la baja calidad de datos y los sesgos de IA, lo que obstaculiza la eficiencia y precisión de las capacidades de FinOps que dependen de datos empresariales precisos.

Los ejemplos a continuación examinan brevemente un enfoque práctico probado en batalla para utilizar la automatización con algoritmos de sugerencia de reglas para fortalecer la calidad de datos en toda la empresa, brindando cierta protección contra los sesgos impulsados por la IA.

Representación de las reglas de calidad de datos recomendadas que guían a los responsables de datos y expertos en datos a asistir en la estandarización y corrección de los datos.

Representación de las reglas de calidad de datos aceptadas auto-generadas para ejecutar la estandarización y corrección de datos.

Lo anterior apunta a un ejemplo de un conjunto de herramientas que aprovechan la automatización y la IA de manera eficiente en la calidad de datos para beneficiar a FinOps, con la seguridad de que tus equipos pueden repetir, ser estables y tener éxito en la fase de Operar.

Es útil pensar en este formato basado en la aceptación, examinando la calidad de datos asistida, automatizada y basada en IA. Si las dimensiones medibles de la calidad de datos no mejoran con el conjunto de herramientas, FinOps no se beneficiará, por lo que debes pasar a otro conjunto de herramientas. La capacidad de FinOps para gestionar anomalías en toda la empresa no madurará a menos que los responsables de datos seleccionen y pongan en funcionamiento las reglas adecuadas de limpieza. La IA tiene un valor impactante al eliminar la carga de tiempo y experiencia en resolver anomalías de higiene conocidas (espacios en blanco, errores ortográficos) a través de la automatización de reglas guiadas. Además, la gestión y automatización de carga de trabajo en toda la empresa no se puede realizar con datos anómalos que los consumidores de datos rechazan como producto de datos. Usando términos de FinOps, estas dos disciplinas se mantendrán en “crawl” hasta que el orden de calidad de datos esté establecido.

IA en la automatización de la clasificación de datos

En 2023, a gran escala, los catálogos de datos con inteligencia artificial permitirán a las empresas agilizar y automatizar los procesos comunes de curación de datos. Estos incluyen la etiquetado, clasificación y el proceso de asociar términos del glosario empresarial a activos de datos técnicos. Es esencial evitar intervenciones humanas costosas o propensas a errores donde la complejidad estructural (Parquet, AVRO, XML) y la falta de línea directa o inferida pueden bloquear a los patrocinadores empresariales o analistas de datos para responder a estas importantes preguntas:

• ¿Se recopilan (y enriquecen) suficientes datos confiables y precisos sobre entidades empresariales clave como clientes, cuentas y hogares?
• ¿Existen entidades complejas (por ejemplo, un cliente residencial vs. un cliente corporativo) que una solución de IA más débil no puede reconocer?

La experiencia es una maestra valiosa. A medida que las Unidades de Negocio Fortune 1000 aprenden más sobre sus datos y lo que contienen, surgirán demandas desafiantes sobre “lo que debemos escanear y clasificar”, incluyendo:

1. Diez mil instancias de Teradata;
2. Cincuenta mil millones de posiciones de riesgo financiero; y
3. Seiscientos sistemas bancarios.

El procesamiento del lenguaje natural (PLN) y la distancia de Jaccard se pueden utilizar para:

• Alinear con precisión diferentes modelos de entrada a modelos de metadatos estándar para el escaneo.
• Surgir rápidamente, clasificar y ofrecer similitud de datos en entidades complejas que sus FinOps utilizarán con frecuencia.
• Proporcionar puntuaciones de similitud confiables en tipos de datos y estructuras de datos muy diferentes.
• Admitir búsquedas de texto simple después de esos escaneos para que la base de usuarios de FinOps pueda encontrar los datos relevantes deseados sin necesidad de programación.

La similitud de datos se refiere a asignar puntuaciones coincidentes a conjuntos de datos comparables, lo que impulsa a los usuarios de FinOps (y administradores y expertos comerciales) a curar y seleccionar los datos más relevantes para su propósito. Tener metadatos y clasificación de datos más sólidos y oportunos infunde confianza en los consumidores de las Unidades de Negocio, los interesados ejecutivos y los equipos de ingeniería de datos en la nube de que están preparados para las fases de Optimización y Operación.

IA y etiquetas de metadatos activos

Antes de que los interesados puedan inspeccionar y evaluar los activos de datos de FinOps, colaborar en esos activos y tomar decisiones sobre ellos, se requiere una pila de gestión de datos en la nube impulsada por IA con metadatos activos que ofrezcan estas capacidades o respuestas estándar:

• Asociación automatizada de reglas y términos de políticas a los atributos de sus datos para obtener resultados de políticas de FinOps más consistentes.
• Roles estándar para los interesados en los procesos de metadatos repetibles.
• ¿Quién tiene derechos de propiedad, derechos de voto y derechos de cambio de políticas sobre los activos de datos y los procesos?
• ¿Dónde han aceptado los interesados su rol asignado (en un gráfico circular/gráfico de barras actualizado)?
• ¿Qué usuarios y roles posteriores consumen los datos?
• ¿Qué procesos (ETL, integración de datos, asistentes de ingestión de datos) transforman los datos?
• Notificación de que han llegado nuevos activos de datos o cambios en respuesta a su solicitud.

Todo lo anterior no puede mantenerse manualmente por custodios de datos, propietarios de metadatos y expertos técnicos de forma continua. La operación de FinOps exige capacidades de IA robustas (con actualizaciones periódicas de microservicios) para obtener resultados estables. El volumen de activos, volumen de datos, anomalías de datos y velocidad de cambio que alimentan el ciclo de vida de FinOps impiden un enfoque de bloqueo manual o de un solo proveedor.

Representación jerárquica de datos impulsada por dominio que muestra la propiedad posterior por parte de los interesados.

Recuerde, los interesados de FinOps solo pagarán los cobros si están seguros de que sus datos valiosos, confiables y oportunos han completado un proceso de valor agregado mediante el cual pueden compartir, consumir y comprender sus datos, tomando decisiones precisas relevantes para las necesidades de entrega de su negocio. La automatización y la IA en la gestión de datos en la nube son bloques de construcción críticos para lograr esto.

Centrándose en las fases de Optimización y Operación, su equipo de FinOps ahora debería estar listo para:

• Asignar cobros iniciales por computación, almacenamiento y metadatos.
• Poder identificar los activos de datos inactivos o irrelevantes para excluir de FinOps.
• Poder filtrar datos anómalos o incompletos que no estén listos para su uso posterior en FinOps.
• Considerar análisis de datos y presentación de informes para FinOps basados en las prácticas impulsadas por IA mencionadas anteriormente.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!