Zuerst erschienen im englischen Original am 19 März

Als ich gestern auf Twitter über den Unterschied zwischen Cloud-Kostenoptimierung (Beobachtbarkeit) und Kostensenkung (Buchhaltung) schrieb, erwähnte ich die Bedeutung der Kennzeichnung als Schlüsselelement einer Strategie zur Beobachtbarkeit der Ausgaben. Lassen Sie uns dies anhand eines realen Beispiels vertiefen.

Angry Chocolates International (ACI) [echtes Unternehmen, Name unkenntlich gemacht] hat stark in Azure Databricks Analytics investiert – anekdotisch betrachtet (basierend auf meiner Erfahrung) eines der beliebtesten Angebote von Azure. ACI nutzt Databricks, um statistisch zu ermitteln, wie ihre Verbraucherprodukte abschneiden und wohin sie ihre Investitionen lenken sollen.

 

Die monatlichen Laufzeitkosten der Databricks-Produktionsumgebung beliefen sich auf 500.000 und stiegen weiter an. Dieser nach Norden gerichtete Kostentrend ließ das Finanzteam aufhorchen, doch abgesehen von dieser einfachen Kennzahl fehlte eine wichtige Information: Wie ist das Verhältnis zwischen diesen Ausgaben und den Umsatz-/Budgetzielen der Geschäftsbereiche, die Databricks einsetzen?

Der Weg zu diesem Einblick – der eine Organisation in den Bereich der Stückkostenökonomie führt (zumindest näher) – führt über das Tagging. Die folgende Visualisierung zeigt, wie ich dieses Projekt aus der Sicht der Geschäftseinsicht angegangen bin:

Aus Gewohnheit wandte die IT-Abteilung technische Tags auf die Databricks-Umgebung an (PROD, DEV usw.) – dies lieferte der Finanzabteilung keine Informationen über den Wert der Investition im Verhältnis zu den Unternehmenszielen. Ich habe mit diesem Workflow eine geschäftsorientierte Tagging-Strategie eingeführt:

 

 

Der Tagging-Status bestehender und neuer Ressourcen wurde mithilfe von Azure Policies festgelegt (was auch die Anwendung geeigneter Tags über Azure DevOps-Pipelines ermöglicht).

Der Unterschied zwischen den Arten von Datenvisualisierungen, die mit technischen und geschäftlichen Tags möglich sind, ist in dieser Grafik dargestellt (eine modifizierte Version dessen):

Eines der faszinierendsten Ergebnisse dieser Arbeit war die Integration von Azure-Assets mit Daten aus der Business-Performance-Management-Plattform von Angry Chocolate – normalerweise recht separate Datenpools, die über gemeinsame Tags gedreht werden können: