準備遷移到雲端
我們現在處於雲採用的第二個十年。 多達 92% 的企業在某種程度上使用雲計算。 大流行已成為組織採用雲技術的最新驅動力。 成功地將額外的數據、項目和應用程序遷移到雲端取決於準備、計劃和問題預測。
- 準備 是關於數據以及數據和支持基礎設施的人工管理。
- 規劃 是必不可少的。 該計劃需要包含特定的關鍵要素。
- 問題管理 是預見潛在問題區域的能力以及在遇到問題時導航的能力。
企業在雲中取得成功必須做的四件事，加上 7 個陷阱
您的業務將遷移到雲端。 好吧，讓我換個說法，如果您的業務要成功，它將轉移到 
雲——這是，如果它還沒有的話。 如果你已經在那裡，你可能不會讀到這篇文章。 貴公司具有前瞻性思維，並打算利用我們在另一篇文章中討論的所有云優勢。 截至 2020 年，92% 的企業在一定程度上使用了雲，50% 的企業數據已經在雲中。
COVID 雲上的一線希望：大流行迫使企業更密切地關注云功能，以支持遠程勞動力的新範式。 雲既指大數據 存儲和處理該數據的應用程序。 遷移到雲的主要原因之一是通過靈活並從大量數據中獲得新見解來獲得競爭優勢。
分析公司 Gartner公司 定期發布一份報告，討論“有望在未來 10 到 XNUMX 年內提供高度競爭優勢的技術和趨勢”。 十年前， Gartner 2012 年炒作週期 對於雲計算而言，雲計算和公共雲存儲處於“幻滅的低谷”，剛好超出了“過高預期的峰值”。 此外，大數據剛剛進入“高估的高峰期”。 這三個預期在 3 到 5 年內達到穩定水平。 Gartner 將軟件即服務 (SaaS) 置於“啟蒙斜率”階段，預計穩定期為 2 到 5 年。
2018年後的2年，“雲計算”和“公共雲存儲”處於“啟蒙斜坡”階段，預計平台期不到XNUMX年。 “軟件即服務”已經到了高原期。 關鍵是在此期間公共雲得到了大量採用。
今天，也就是 2022 年，雲計算已進入第二個十年，現在是新應用程序的默認技術。 
As Gartner公司 說，“如果它不是雲，它就是遺產。” Gartner 繼續說，雲計算對組織的影響是變革性的。 那麼組織應該如何處理這種轉變呢？
此圖表更詳細地描述了技術處於特定階段的含義。
組織應如何進行組織轉型？
在採用雲的過程中，組織必須做出決策、制定新政策、創建新程序並應對特定挑戰。 以下是您需要解決的特定區域列表，以確保您的房子井井有條：
- 培訓、再培訓或新角色。 在採用公共雲進行數據存儲或利用應用程序時，您已經外包了基礎架構的支持和維護。 您仍然需要內部專業知識來管理供應商和訪問數據。 此外，您需要知道如何利用可用於認知分析和數據科學的新工具。
- 數據。 一切都與數據有關。 數據是新的貨幣。 我們談論的是大數據——至少滿足一些 V的定義. 在遷移到雲端時，至少您的一些數據將在雲端。 如果您“全力以赴”，您的數據將存儲在雲端並在雲端進行處理。
A. 數據可用性. 您現有的本地應用程序能否訪問云中的數據？ 您的數據是否在需要處理的地方？ 您是否需要在雲遷移項目中預算時間來將數據遷移到雲端？ 多久才能做到？ 您是否需要開發新流程以將交易數據傳輸到雲端？ 如果您打算執行 AI 或機器學習，則必須有足夠的訓練數據來滿足所需的準確度和精度水平。
B. 數據的可用性. 您的數據格式是否可供訪問數據的人員和工具使用？ 您可以對您的數據倉庫執行“提升和轉移”嗎？ 或者，是否可以針對性能進行優化？
C. 數據質量. 您的決策所依賴的數據質量會影響您的決策質量。 治理、數據管理者、數據管理，也許是數據管理者，可能在雲中採用認知分析方面發揮重要作用。 在將數據遷移到雲之前花點時間評估數據的質量。 沒有什麼比發現您遷移了不需要的數據更令人沮喪的了。
D. 大數據的可變性和不確定性. 數據可能不一致或不完整。 在評估您的數據以及您打算如何使用它時，是否存在差距？ 現在是解決與企業級數據標準相關的已知問題的時候了。 跨報告中心標準化時間維度、地理層次結構等簡單事物。 確定唯一的事實來源。
E. 大數據本身固有的局限性. 大量潛在結果可能需要領域專家評估結果的重要性。 換句話說，如果您的查詢返回了很多記錄，您將如何作為人工處理呢？ 要想進一步過濾，減少記錄，讓普通的非超人消費，就需要了解數據背後的業務。
3.支持IT的基礎/基礎設施. 考慮所有活動部件。 可能並非您的所有數據都在雲中。 有些可能在雲端。 一些現場。 還有其他數據可能在 另一個 供應商的雲。 有數據流圖嗎？ 您準備好從管理物理硬件轉向管理管理物理硬件的供應商了嗎？ 您了解雲環境的局限性嗎？ 您是否考慮了支持非結構化數據以及關鍵平台支持技術的能力。 您是否仍然能夠使用您在本地使用的相同 SDK、API 和數據實用程序？ 它們可能需要重寫。 從事務系統加載數據倉庫的現有 ETL 怎麼樣？ ETL 腳本將需要重寫。
4. 細化角色. 用戶可能需要重新培訓新應用程序以及如何訪問云中的數據。 通常，桌面或網絡應用程序可能與專用於雲的應用程序具有相同或相似的名稱。 但是，它的功能可能不同，甚至具有不同的功能集。
如果您的組織認真考慮遷移到雲並充分利用分析，那麼遷移可以提供重要的業務和經濟價值是毫無爭議的。 實際上，要從這裡到達那裡，您需要：
- 制定章程.
A. 您是否定義了項目的範圍？
B. 你有高管贊助嗎？
C. 誰——什麼角色——應該包括在項目中？ 誰是首席架構師？ 您需要依靠雲供應商獲得哪些專業知識？
D. 最終目標是什麼？ 順便說一句，目標不是“遷移到雲端”。 你試圖解決什麼問題？
E. 定義你的成功標準。 你怎麼知道你成功了？
2. 發現。 從頭開始。 盤點。 找出你有什麼。 回答問題:
A. 我們有什麼數據？
B. 數據在哪裡？
C. 需要支持哪些業務流程？ 這些流程需要什麼數據？
D. 我們目前使用哪些工具和應用程序來處理數據？
E. 數據的大小和復雜性是多少？
F. 我們將擁有什麼？ 我們的供應商在雲中提供了哪些應用程序？
G. 我們將如何連接數據？ 雲中需要打開哪些端口？
H. 是否有規定隱私或安全要求的法規或要求？ 是否有需要維護的客戶 SLA？
一、你知道云使用成本是如何計算的嗎？
3. 評估和評估.
A. 我們打算移動哪些數據？
B. 評估成本。 既然您知道數據的範圍和數量，您就可以更好地定義預算。
C. 定義你目前擁有的東西和你期望擁有的東西之間存在的差距。 我們缺少什麼？
D. 包括一個測試遷移，以揭示您在理論上遺漏的內容。
E. 在這個階段和最後階段包括用戶驗收測試。
F. 您可以預見到哪些挑戰，以便在下一階段建立應急措施？
G. 已識別出哪些風險？
4。 計劃. 建立一個 road 地圖。
A. 優先事項是什麼？ 什麼是第一位的？ 順序是什麼？
B. 你能排除什麼？ 如何縮小範圍？
C. 會有時間進行並行處理嗎？
D. 方法是什麼？ 部分/分階段的方法？
E. 您是否定義了安全方法？
F. 您是否制定了數據備份和災難恢復計劃？
G. 什麼是溝通計劃——項目內部、利益相關者、最終用戶？
5. 建造。 遷移。 測試。 發射.
A. 制定計劃。 根據新信息動態修改。
B. 建立您的歷史優勢並在您的傳統 IT 基礎上取得成功，並開始利用大數據和認知分析的優勢。
6. 迭代和細化.
A. 你什麼時候可以讓現在閒置的服務器退役？
B. 您發現需要進行哪些重構？
C. 可以對雲中的數據進行哪些優化？
D. 您現在可以在雲中使用哪些新的數據應用程序？
E. 下一個級別是什麼？ 人工智能、機器學習、高級分析？
陷阱
有一些 來源 說多達 70% 的技術項目完全或部分失敗。 顯然，這取決於您的定義 
失敗。 其他 資源 發現 75% 的人認為他們的項目從一開始就注定失敗。 這可能意味著有 5% 的人成功了，儘管機率不大。 我的經驗告訴我，有很大一部分技術項目要么從未啟動，要么未能完全實現所承諾的期望。 這些項目有一些共同的主題。 當您開始計劃遷移到雲時，這裡有一些需要注意的問題。 如果你不這樣做，他們就像是壞業力，或者是一個糟糕的信用評分——遲早，他們會咬你的屁股。：
- 所有權. 從管理的角度來看，一個人必須擁有該項目。 同時，所有參與者都必須作為利益相關者感到投入。
- 價格. 是否已分配預算？ 您知道未來 12 個月的數量級以及對持續成本的估計嗎？ 是否有任何潛在的隱性成本？ 你有沒有丟棄任何多餘的漂浮物和噴氣機以準備搬家。 您不想遷移不會使用或不受信任的數據。
- 領導才能. 項目是否完全由管理層贊助？ 期望和成功的定義是否現實？ 目標是否與公司願景和戰略一致？
- 項目管理. 時間表、範圍和預算是否現實？ 是否存在要求縮短交付期限、擴大範圍和/或降低成本或減少人員的“力量”？ 是否對要求有把握？ 它們是否現實且定義明確？
- 人力資源. 技術是容易的部分。 人的問題可能是一個挑戰。 遷移到雲端將帶來變化。 人們不喜歡變化。 你需要適當地設定期望。 是否有足夠和適當的工作人員致力於該倡議？ 或者，您是否嘗試過從已經忙於日常工作的人身上騰出時間？ 你能維持一個穩定的團隊嗎？ 許多項目因關鍵人員的流失而失敗。
- 風險. 是否已成功識別和管理風險？
- 偶然性. 您是否能夠識別出您無法控制但可能會影響交付的事情？ 考慮領導層變動的影響。 全球大流行將如何影響您按時完成任務並獲得資源的能力？
2022 年的雲計算炒作週期
那麼，在今天 Gartner 的新興技術炒作週期中，雲計算、公共雲存儲和軟件即服務在哪裡？ 他們不是。 它們不再是新興技術。 他們不再出現在地平線上。 它們是主流，等待被採用。 關注以下增長 新興技術：AI 增強設計、生成式 AI、基於物理的 AI 和不可替代代幣。
本文中的想法最初是作為文章“認知分析：建立在您的傳統 IT 基礎上”的結論提出的 TDWI 商業智能期刊，第 22 卷，第 4 期。
