Störungen erkennen bevor sie eintreten

Big Data kann nicht nur riesige Datenmengen analysieren, sondern es lassen sich damit auch Zukunfts-Prognosen treffen, die dabei helfen, mögliche Störungen erheblich zu reduzieren und damit die Qualität bei
T-Systems weiter zu erhöhen.

Reges aber koordiniertes Treiben im Service Center. Die Verbindungsleitung eines Kunden von München nach New York unterbricht immer wieder und droht ganz auszufallen. Noch hat der Kunde es nicht bemerkt, dies wird aber nicht mehr lange dauern. Eine Baugruppe im Vermittlungsknoten München ist fehlerhaft. Dabei wurde erst gestern das neue Release aufgespielt. Alles lief bis dahin perfekt.
Im Gespräch mit Gerhard Keller, dem Leiter Production Support Systems und Projektleiter Big Data im Quality-Bereich, erfahre ich, dass dies durchaus vorkommen kann: Neue Releases werden aufgespielt, alles läuft stabil, doch gibt es nach einiger Zeit eine Störung.

Störungssuche in der Rückschau

Im Gespräch erfahre ich auch, dass bereits heute auf Basis von historischen Daten statistische Analysen durchgeführt und Korrelationen ermittelt werden. Diese Daten liefern mit einer gewissen statistischen Genauigkeit Aussagen für die Zukunft. So werden bei T-Systems große Störungen bei Kunden, so genannte Critical und High Incidents, intensiv auf ihre Störungsschwerpunkte hin analysiert. Beispielsweise wird untersucht, ob diese Störungen aufgrund vorheriger Änderungen aufgetreten sind. Dazu können aktuell aber nur Teile der vorhanden Daten isoliert ausgewertet werden.

Big Data denkt voraus

Neu ist nun, dass mit Hilfe von Big Data, die Servicekräfte in die Zukunft blicken können: So werden unterschiedliche Datenquellen zusammengefasst und in Echtzeit einer integrierten Analyse unterzogen – also beispielsweise Störungen oder Symptome, im Fachjargon Incidents und Events genannt, analysiert. Bei T-Systems werden dazu alle Störungen und Symptome der vergangenen zwei Jahre auswertet und fließen als unstrukturierte Daten in eine Struktur. Mit den entsprechenden Analyse-Werkzeugen können diese Daten dann erstmalig verknüpft werden. Damit ist es unter anderem auf Mausklick möglich, die Störungen nach Alter der Hardware, Hersteller, Betriebssystem, Tageszeiten, Urlaubszeiten oder Rechenzentrum-Standort auszuwerten.

Ergebnisse werden die Qualität erhöhen

Noch 2014 soll dieser Big-Data-Ansatz in der Delivery etabliert werden und in einen Produktionsstatus überführt werden. In nächsten Schritt werden dann auch Daten aus dem Order Management und unstrukturierte Informationen aus Logfiles in die Analyse aufgenommen.

Frühwarnsystem Big Data

Mit diesem Verfahren lassen sich bisher versteckte räumliche, zeitliche oder auch logische Muster zwischen Störungen und Symptomen ermitteln, die zu einem Frühwarnsystem für Störungen ausgebaut werden können. So können zum Beispiel Korrelationen zwischen Störungen und dem Alter der Hardware oder Herstellern ermittelt werden. Dies kann in Zukunft auch als Grundlage für Investitionsentscheidungen dienen, wann eine Hardware ersetzt werden muss oder welcher Hersteller die stabilste Kombination aus Hardware und Betriebssystem liefert.
Im Fall der Verbindungsleitung von München nach New York hätte dies bedeutet, dass es vor dem Releasewechsel Hinweise darauf gegeben hätte, dass es unter den gegebenen Umständen zu Schwankungen in der Leitung kommt. Im Ergebnis sind Maßnahmen im Vorfeld möglich, die den Fehler ausschließen, ehe er eintritt.

Let’s big communicate
Günther Niederreiter

Vielen Dank für die Unterstützung an Gerhard Keller, Leiter Production Support Systems und Projektleiter Big Data im Quality-Bereich

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Mit dem Absenden des Kommentars akzeptieren Sie unsere Kommentar-Policy.

a) Leser sind herzlich zum Kommentieren eingeladen.

b) Kommentare sollten den Wert des Weblogs erhöhen.

c) Bitte haben Sie Verständnis dafür, dass wir Kommentare erst nach Prüfung frei schalten.

d) Kommentare, die nichts mit dem Thema des Beitrags zu tun haben, offensichtlich Urheberrechte verletzen, beleidigenden Inhalt oder persönliche Angriffe enthalten, werden gelöscht.

e) Links können gerne eingebunden werden, sollten aber zum Thema des jeweiligen Blog-Postings gehören. Links zu anderen Webseiten oder Blogs, die nichts mit dem jeweiligen Blog-Posting zu tun haben, werden als Spam angesehen und gelöscht.

 
 

Twitter

tsystemsde @tsystemsde
T-Systems DE  @tsystemsde
Assisted Reality@5G mit der Hololens von #Microsoft zeigt #TSystems auf #HM17. Besuchen Sie uns in Halle 7! https://t.co/O2fh8DFKpJ 
T-Systems DE  @tsystemsde
Zutritt nur für autorisiertes Personal! Die #Smartwatch als Türöffner zeigt #TSystems auf der #HM17 https://t.co/cLvuvoxyWJ 
T-Systems DE  @tsystemsde
#Honeysens – die Hackerfalle: #TSystems zeigt auf der @conhIT, wie Honeypots die IT-Sicherheit in Krankenhäusern er… https://t.co/LIPIICQCHA 
T-Systems DE  @tsystemsde
RT @Telekom_group:What will we mean when we talk about #digitization in 10 years? Anette Bronder, Head of Digital Division, shares he… https://t.co/s1XDQlGxC9 
T-Systems DE  @tsystemsde
RT @Telekom_group:When #robots whisper softly: Smart factories need quick and secure data exchange https://t.co/JBR1VgYQCC #hm17 https://t.co/K3rbxSN67B 
T-Systems DE  @tsystemsde
RT @Telekom_group:It's half time at #hm17. So far, we've had a fabulous time and many great moments: https://t.co/sZv7sZqbmW ^ph… https://t.co/WiDJmt8P83 
T-Systems DE  @tsystemsde
Bernd König @kingburnie #TSystems bei seinem Vortrag zum Drohnenschutzschild der #Telekom auf der @conhIT #security https://t.co/xb5sHqWjVF