エグゼクティブアーキテクトのFinOpsへのアプローチ：AIと自動化がデータ管理を効率化する方法

「エグゼクティブアーキテクトのFinOpsへの効果的なアプローチ：データ管理を高効率化するAIと自動化の方法」

FinOpsをアプローチする際には、それをマインドセットとクラウドソリューションの能力のセットとして捉えることを学びました。はい、FinOpsは企業がクラウドから一貫してかつ継続的に価値を引き出すことを可能にします（最近のマッキンゼーの記事によると、年間20〜30％の節約）。しかし、それはまた成長とイノベーションももたらします。コストの節約と変革的な利益を実現するために、あなたのFinOpsの取り組みを重要なビジネスの優先事項として扱う準備をしてください。

過去2年間、そして20回以上のコンサルティングの経験を持つなり、私たちはFinOpsの成功を阻害する一連の課題を要約することができます。

ビジネスの重要な役員たちは、FinOpsの原則に非常に遅くコミットし、将来のクラウドの節約を推進する戦略的な能力よりも、オペレーションと戦術的な能力に注力しすぎてしまいます。チームはFinOpsのコアな原則とクラウドデータ管理の原則を結び付けず、その成功を確保しません。次に、重要なコアスキルが開発されず、スキップされることがあり、FinOpsの能力のギャップが硬化し、FinOpsの経済的な利点が実現されません。

これらの落とし穴を避けるために、この記事では4つのFinOpsのディシプリンを導入します：

クラウドの使用とコストの理解
データ分析とショーバック
異常の管理
ワークロードの管理と自動化

強調するポイント―データ管理におけるAIと自動化は、正しい、信頼できる、完全で衛生的なデータをあなたのFinOpsのライフサイクルに駆動させるために必要です。私たちはツールキットベースのアプローチでこれを追求し、あなたの企業がFinOpsのソリューションに戦訓のあるクラウドデータ管理のマインドセットを持つために必要な能力を備えていることを確保します。

FinOpsのパブリックドメインにおいて前向きな存在として、この記事はFinOps 4.0の利用条件に従います。

FinOpsとは何ですか？

FinOpsは進化し続けるクラウドファイナンシャルマネジメントの学問であり、組織がエンジニアリング、財務、技術、およびビジネスチームがデータに基づく支出の意思決定を協力して行うことで最大のビジネス価値を得るのに役立ちます。 FinOpsがデータに基づく意思決定に基づいているならば、クラウドデータ管理は常にFinOpsにとって重要です。

FinOpsはまた、チームがクラウドコストを効果的に管理し、コアの実践についての合意形成を行い、ビジネス部門が中央のベストプラクティスグループのサポートを受けながらクラウドの使用権を向上させるためのモデルです。エンジニアリング、財務、CRM、および製品の専門分野の多機能チームは、互いを支援しながらより速い提供と同時により多くの財務的な制御と予測可能性を獲得することができます。

FinOpsフレームワークの描写。

FinOpsのフェーズをクラウドデータ管理の目標とプラクティスに整合させる前に、それについてのコアコンセプトを共有することが合理的です：

FinOpsフレームワークは、以下の要素を説明しています：

FinOpsの公共ドメインと実践を支える原則。
ステークホルダーのサポートが必要なFinOpsのペルソナ。
これを達成するためのベストプラクティスとプロセスモデル。
成功したFinOpsの実践に一貫して対応する必要がある活動のドメイン。

FinOpsは「ループする」ライフサイクルであるフライホイールを活用しており、次のことを目指しています：

チーム、ステークホルダー、および事業部（BU）全体に情報提供する。
最適化の対象を識別し、測定する。
変更とコアの能力を実証化するとともに、FinOpsの目標とメトリクスを進化させる。

このフライホイールのアプローチは、組織にとってクラウドデータ管理がもたらす課題を解決するために、「はい、ぶっちゃけ、実行する」という成熟度のあるアプローチを採用しています。このフレームワークは、また、FinOps能力モデルまたはFinOps機能モデルとも呼ばれています。

FinOpsは、単純で非常に強力なライフサイクルを提供し、結果を反復的に提供および改善します：情報提供、最適化、および操作です。情報提供フェーズは、可視性と割り当て、およびベンチマーキング、予算編成、および予測を確立します。

最適化フェーズでは、明確に述べた測定可能な目標に到達するためのガイドとなるでしょう。少なくとも次の2つのディシプリンから始めることを考えてください：クラウドの料金最適化とクラウドの使用最適化。

クラウドの最適化にあたっては、一つのシンプルな原則を念頭に置くべきです- あなたの会社はクラウドインフラを借りているだけであり、クラウドハイパースケーラーがそれを所有しているということです。したがって、柔軟な単位コストで料金モデルの目標に合致するクラウドインフラが勝ち残ります。契約に基づく割引と歴史的な季節変動に対する認識の組み合わせが、その料金モデルを推進するはずです。FinOpsプラットフォームを使用する全てのLOBを対象に、中核となるサービスのワンドルネジュールと、特殊な（価格設定がプレミアムの）サービスをリストアップするべきです。

クラウドの使用の最適化に焦点を当てると、変動する使用モデルを回避する方法はありません（たとえば、四半期末の財務集計レポートの実行と四半期初めの限られた使用）。したがって、作業負荷をオートスケーリング分析とアイドル状態のリソースのシャットダウンに基づいて最適化された計算スタックに正確にマッピングすることが重要になります。幸いなことに、弾力性のあるクラウドコンピューティングクラスタは、まさにその目的のために設計されています。クラウドのコストを制御し、タイムリーなビジネス価値を提供することはバランスの取れた行為です。そのため、ITオペレーションとビジネスパートナーからのフィードバックを早期かつ頻繁に求めることが成功の鍵です。FinOpsは柔軟なフレームワークであり、エグゼクティブスポンサーは常にチームの主要な成果をガイドおよび優先する必要があります。

運用フェーズは単位経済の予測性を実現することに関連しています。これは、異常の管理に注力することだけでなく、FinOpsのための作業負荷の管理と自動化も含まれます。

単純に言えば、異常の管理とは、予期しないクラウドコストのイベントをタイムリーに検出、特定、アラートし、管理する能力です。この能力には、予期せぬ支出の識別のためのツールやレポートの使用、異常のアラートの配布、およびこれらの異常の調査と解決が通常含まれます。したがって、以下の事を考慮するのが適切な時期です：

これらの異常をタイムリーかつ一貫して発見するために自動化、アラート、AIを提供するツールは何ですか？
FinOpsの構造において、これらのツールを適用する責任を誰が持つべきですか？
信頼性のあるデータ分析とフィードバックのために、どのようなツール駆動のプロセスが結果をダッシュボード表示しますか？
ある期間（2週間、6ヶ月）を超えるチーム全体のサンプルセットは、周期的な予測変動と実際の異常を区別するために必要ですか？時間の短いサンプルやチームの少ない結果に基づいて権威のある意思決定をすることは避けるべきです- これが非常に重要です！以下の図は、フォーチュン1000企業におけるメタデータスキャンの増加は予測可能な変動であり、異常の管理対象ではないことを示しています：

増加したメタデータクラウドプラットフォームの描写。

作業負荷の管理と自動化は、実用的なアプローチとメトリクス駆動の繰り返し可能な結果の両方が求められます。

これは、必要な場合にのみデータタスクを実行し、任意の時点で実行しているコンピューティングリソースを自動的に調整するメカニズムを作成することに焦点を当てています。主な目標は、FinOpsチームが季節の需要や需要の一時的な変動にうまく対応できるようにすることであり、また作業負荷の需要とプロビジョニング容量の動的な計測を通じてクラウドの使用法を最適化することです。この望ましい状態に到達するためのいくつかのコア要件を明らかにすることは合理的です：

ジョブの実行中に信頼性がサポートされているか- クラウドアーキテクチャ上での作業負荷のフォールトトレラント性を確保しますか？
同じソリューションは、UI駆動型およびAPI駆動型のスケジューリングをサポートしていますか？つまり、運用フェーズは完全に人の力に頼るべきではありませんか？
自己サービスクラスタとフルマネージドクラスタ（例：Azure Kubernetes Services [AKS]）の両方で、高度に多様な作業負荷に対して弾力的な処理がサポートされていますか？
クラウドサーバーレスコンピューティングでの大規模な処理はサポートされていますか？つまり、作業負荷の管理、インフラストラクチャの管理、作業負荷の自動化を1つのプロバイダーが単一の費用で請求できますか？
同じプラットフォームは、データ分析とフィードバックをサポートするためのリアルタイムのメタデータを提供できますか？そして、クラウドの料金最適化とクラウドの使用最適化に到達するために定期的な分析を行うことができますか？

上記からもわかるように、複雑な疑問が非常に速く集約されます。では、ITオペレーション、ビジネス継続担当者、エンタープライズアーキテクトに対して「これに対する1つの解決策をどのように計画・設計するのか？」と尋ねることを想像してみてください。以下の図は、作業負荷の自動化と管理の課題に対応するためのいくつかのコア機能を示しています。

作業負荷の自動化と管理に対応する主な機能。

効果的なFinOpsの導入のメリット

以下のリストは、弊社の2022-23年のFinOpsベネフィットに関するコンサルティング経験と、Harvard Business Reviewの貴重な記事を組み合わせたものです：

意思決定は、主観的なITの結果ではなく、計測可能なビジネス価値によって促されます。
クラウドの単位経済は、FinOpsによってすべての参加者に実現されます。
- クラウドの単位経済に到達するためには、チームがクラウドコストの最適化を必要に応じて構築、計測、再設計する必要があります。
FinOpsに対しては、明確なゴールを持つエグゼクティブスポンサーシップが与えられました。FinOpsは計測可能なビジネスゴールを達成するために存在しています。

ビジネスオーナーは、定義されたプラクティスに従って「オプトイン」を行うことが求められます。すべての関係者の組織は、クラウド投資から最も価値のある領域を適切な指標で把握することで、ビジネスクラウド投資を推進するための信頼を得ます。

クラウドの利用パターンが効率的になり、収益の創出、デジタルトランスフォーメーション、または他のビジネス目標に関連づけられます。
非技術チームは、実施するプロジェクトを提出する前に、コスト、ガバナンス、専門知識の制約に関して十分な能力を備えることができます。

この記事では、FinOps全体の景色を取り上げていませんので、注意してください。この目標は、FinOpsを可能にする自動化とAI駆動のデータ管理ツールキットを構築することです。次の論理的なステップは、FinOpsの問題をデータ管理の観点から明確化することです。

FinOpsの課題

FinOpsでの一般的な障害と課題の議論

以下に示す頑固な課題のリストは、FinOpsの成功を妨げる既知の課題です。これらの課題は、クラウドデータ管理プラクティスがFinOpsをサポートするために整備されていない場合に発生します。

企業全体にわたる測定可能なクラウドコストコントロールとガバナンスを強制することができません。
重要なデータ管理上の懸念を提起するステークホルダーに対して、適切なタイミングでの報告メカニズムが欠如しています。
データ、クラウドコスト、クラウド利用、および報告の異常を管理することができません。
コスト削減と計測可能なビジネス成果を提供する投票権を持つ一貫性のないクラウドポリシーとガバナンス。
データの所在地のルールが確立されていないため、1つの地域ではデータを移動、変換、アクセスできますが、別の地域ではできません。
ステークホルダーが適切なデータに適切なタイミングでアクセスできないためのクラウドデータアクセス管理（DAM）の問題。
上記リストによると、クラウドプラットフォームの採用プロセスとプロジェクト成果物が欠如しているため、エグゼクティブスポンサーがFinOpsの取り組みから離脱します。

したがって、目標は、FinOps実践の「行動と原則」を示す「北極星」を追求することですが、それと同じくらい重要なのは、原則に基づくプラクティスと能力を確立することです。これによって、Firmで次のステップに進むことができます。今、上記の懸念とFinOpsの原則を組み合わせて、決定マトリックスを作成しましょう。

注: チームの協力が必要な場合、障害や課題をFinOps自体で解決することはありません。FinOpsとAI駆動のデータ管理は、「チームが協力する必要がある」ことに対して単独では対処できません。

前述のように、次のOptimizeフェーズのために以下の項目を考慮してください。どのようにワークロードを計画し、オンデマンドではなくコスト削減の方向に変更できるでしょうか？Sparkのサーバーレスコンピューティングは、煩雑なパフォーマンスの調整を軽減できますが、ランタイムの目標を達成することができますか？最後に、どのソリューションリーダーが、メタデータ駆動のワークロード分析を使用した包括的なAI駆動のクラウドワークロードとインフラの最適化を提供していますか？

FinOpsの課題克服方法

上記のFinOpsのニーズに取り組むためには、チームはFinOpsが提供する細分化された課題を繰り返し解決できる包括的なプラットフォームを探す必要があります。

以下の図は、上記のFinOpsの課題マトリックスに完全な解答ではありませんが、単一のプラットフォームアプローチでFinOpsの課題に取り組む方法についての考え方を調整する出発点となります。

クラウドデータ管理におけるFinOpsの論理的なプラットフォームニーズを示した図。

あなたの企業は、クラウドの使用状況とコスト、データ分析と課金、異常の管理、およびワークロードの自動化を理解するために、自動化とAI駆動のデータ管理をサポートするプラットフォームを提案する必要があります。予測性、予測、共有コストの管理、単位コストの成果測定は、それらをサポートするために構築されたプラットフォームからのみ実現できます。さて、FinOpsのクラウドデータ管理上の懸念に取り組むことができます。

FinOpsを可能にする自動化とAI駆動のデータ管理の役割

データ管理におけるAI

データ管理（データ品質を含む）が適切な状態でない限り、FinOpsのOptimizeおよびOperateフェーズに進むことはできません。

クラウドコストを最適化し、運用効率を向上させるために、FinOps志向の組織が求めるAI駆動のソリューション（ Large Language Models [LLMs]など）は、持続可能なデータ管理において重要な役割を果たします。高度なアルゴリズムと機械学習（ML）技術を活用することで、AIシステムは膨大な量のデータを分析し、パターン、異常、不一致を特定し、データの正確さ、完全性、一貫性を確保します。ただし、データは高い品質である必要があり、正確なデータの表示と分析、またはより深いクラウド利用コスト分析と異常管理の基盤となるためです。

このシナリオを考えてみましょう：FinOps企業には2つのチームがあります。1つは衛生的なデータを提供するためにインフラストラクチャコストとして100万ドルを負担し、もう1つは異常で配信できないデータに対して100万ドルのインフラストラクチャコストを負担しています（ただし、ETLは完了しています）。FinOpsのデータ分析では、少なくとも2つの懸念領域で誤った意思決定を行うことになります：

スパリアスなデータに対して実行されるクラウドコンピューティングは、「再実行する必要がある」のためにビジネス目標を満たす必要があります。
半数のジョブが非衛生的で配信できないデータ上で実行された場合、FinOpsのアナリストは無効な単位コストを負担します。

それはそれほど単純です。

AIは、欠陥のあるまたは不完全なデータに基づいて構築されている場合、FinOpsの意思決定に否定的な影響を与え、データの表示や分析、そして基本的にはすべてのデータ駆動型の意思決定にも悪影響を及ぼします。

私たちは、Forbesの主張に同意します。GenAIは、そのトレーニングに使用されるデータセットに依存しています。トレーニングの入力データセットに欠陥がある場合（不十分なボリュームや範囲のデータを使用したり、時間枠に厳しい制約がある場合など）、不正確なトレーニングモデルや日常のAIの運用結果として現れるでしょう。したがって、FinOpsのタスクは、これらの問題が適切に対処され、できるだけ低減されるように、クラウドネイティブのデータ品質ソリューションを定義し、位置づけ、統合することです。そうでなければ、誤ったデータに基づく誤った意思決定が、導入で議論された組織の主要なFinOpsの成果を妨げます。

AI結果を駆動するためにLLMsを使用することは、生成されるデータに幻覚のリスクを引き起こします。GenAIのデータに幻覚をブロックし、発見するためにこの論理プロセスに頼ることができます：

データソースがGenAIのコアの期待に合致しているかどうかを臨床的に検査および分析します（データプロファイリングを使用しました）。
次に、スコアカード上のデータ品質の次元で、プロファイル化されたソースをチェックおよび評価します。
スコアカードのトレーニングデータについて、ステークホルダーからの入力を繰り返し要求し（および吸収します）。
FinOpsに自らのデータ品質プロセスに参加するように求めます – GenAIのトレーニング入力および全体的なビジネスデータの両方。
GenAIの入力データがFinOpsの使用に適していない場合は、必要な措置を取ります。

組織全体のデータの品質と衛生状態を検査、分析、および対策をするAIによるホリスティックダッシュボード。

設計上、GenAIのデータ使用とFinOpsチームの成果に先行して受け入れ基準を設けることで、追加の利点があります。同じプロセスを再利用して、異常なビジネス生成データがFinOpsパイプラインに入るのをブロックします。

データ品質を向上させるために自動化を最初に利用する

バイアス、幻覚、および誤ったデータの内容の削除に関しては、このアイテムが明確に最上位になります。企業は、ロバストなアルゴリズムライブラリからの自動的な処方ルール（およびデータ品質の提案）が必要です。これらのルールは、データ製品オーナーやデータスチュワードの介入なしで更新されます。

データの品質の低下とAIのバイアスは、特にコスト配分、予測、および異常管理の能力において、FinOpsの運用および意思決定の負担を著しく増大させます。バイアスのあるデータはリソースの割り当てを歪め、均一でない財務評価と正確な予算編成を引き起こす可能性があります。この問題は予測時に悪化し、欠陥のあるデータによって駆動されるバイアスのあるアルゴリズムが不正確な予測を生成し、予算を効果的に計画する能力を妨げます。さらに、バイアスのあるモデルは、真の異常を誤解する可能性があり、誤った警告を発生させたり、実際の異常を見落としたりすることで、データ、プロセス、および財務の相違を正確に特定する能力を妨げます。簡単に言えば、FinOpsの内部データにおけるデータ品質とAIのバイアスの問題により、FinOpsの能力の効率と正確性が損なわれます。

以下の例では、自動化とルール提案アルゴリズムを利用して、企業全体のデータ品質を補強するプラクティカルな戦術が短く概説されています。

データスチュワードとデータSMEがガイドとなり、データの標準化と修正を支援するための推奨されるデータ品質ルールの描写。

データの標準化と修正を実行するために自動生成された受け入れられたデータ品質ルールの描写。

上記は、データ品質とAIのバイアスに対する保護を提供する自動化とAIをデータ品質に効果的に活用するツールセットの1つの例を示しています。FinOpsチームが繰り返し可能で安定し、成功することを保証するために。

効果的なエンタープライズデータに依存するため、測定可能なデータ品質の次元がツールセットから改善されない場合、FinOpsは恩恵を受けませんので、別のツールセットに移行してください。ファームワイドのFinOpsの異常管理能力は、データスチュワードが適切なクレンジングルールを選択し、操作化しない限り成熟しません。AIは、ガイド付きルール自動化によって既知のヒジェンな異常（ケース、空白、綴り）を解決するための時間と専門知識の負担を排除する上で影響力を持ちます。また、ファームワイドのワークロード管理と自動化は、データ消費者がデータ製品として拒否する異常データで実現できません。FinOpsの用語を使用すると、これらの2つの分野は、データ品質に正常化が行われるまで「クロール」のままです。

AIによるデータ分類の自動化

2023年には、大規模な範囲で、MLによって補完されたデータカタログが企業による一般的なデータキュレーションプロセスを合理化し、自動化することが可能になります。これには、データのタグ付け、分類、およびビジネス用語と技術データ資産の関連付けプロセスが含まれます。Parquet、AVRO、XMLなどの構造的複雑さや直接的な系統の欠如が、これらの重要な問題に対するビジネスのスポンサーやデータアナリストの回答を妨げる可能性があるため、高コストまたはエラーの生じる人間の介入を避けることが重要です：

お客様、口座、世帯といった主要なビジネスエンティティに十分な信頼性のある正確なデータが収集（および充実）されているでしょうか？
弱いAIソリューションでは認識できないような複雑なエンティティ（例：居住者の顧客対企業の顧客）が存在するでしょうか？

経験は尊敬される教師です。フォーチュン1000のビジネスユニットがデータとその内容についてますます学ぶにつれて、「スキャンおよび分類する必要があるもの」に関する厳しい要求が浮かび上がるでしょう。これには、

1万のTeradataインスタンス
500億の金融リスクポジション
600の銀行システム

自然言語処理（NLP）とJaccard距離を使用することができます：

様々な入力モデルを標準メタデータモデルに正確に整列させる。
よく利用される複雑なエンティティに対してデータの類似性を迅速に提示および分類する。
非常に異なるデータ型およびデータ構造における信頼性のある類似スコアを提供する。
スキャン後のシンプルなテキスト検索をサポートし、FinOpsユーザーベースがコーディングなしで必要な関連データを見つけることができるようにする。

データの類似性は、比較可能なデータセットに一致スコアを割り当てることを指し、それによってFinOpsのユーザー（およびステュワード、ビジネスの専門家）が目的に応じた最も関連性のあるデータを選択およびキュレーションするよう促します。より強力でタイムリーなメタデータとデータの分類は、BU（ビジネスユニット）の消費者、エグゼクティブステークホルダー、クラウドデータエンジニアリングチームに対して、最適化および運用フェーズに備えて準備が整っていることを確信させます。

AIとアクティブメタデータタグ

ステークホルダーがFinOpsデータ資産を検査し、評価し、それらの資産について協力し、意思決定を行う前に、これらの標準機能または回答を提供するAI駆動のクラウドデータ管理スタックが必要です：

ルールとポリシータームをデータ属性に自動的に関連付けて、一貫性のあるFinOpsのポリシーアウトカムを実現します。
繰り返し可能なメタデータプロセスにおける関係者の標準的な役割。
データ資産とプロセスに対する所有権、投票権、およびポリシー変更権を持つ者は誰ですか？
関係者が割り当てられた役割を受け入れた場所（更新された円グラフ/棒グラフで）はどこですか？
どのダウンストリームのユーザーと役割がデータを利用しているでしょうか？
データを変換するプロセス（ETL、データ統合、データ取り込みウィザード）はどれですか？
要求に基づいて新しいまたは変更されたデータ資産が到着したことを通知します。

上記のことは、データスチュワード、メタデータオーナー、および技術の専門家によって常時手動でメンテナンスすることはできません。FinOpsの動作には、安定した結果を得るために、堅牢なAI機能（定期的なマイクロサービスの更新を含む）が必要です。FinOpsライフサイクルへの寄与する資産量、データ量、データの異常、および変更の速度により、手動または単一のベンダーに依存するアプローチは不可能です。

関係者が所有権を持つドメイン指向のデータ階層の描写。

忘れないでください、FinOpsの関係者は、価値のある、信頼性のある、タイムリーなデータが価値を付加したプロセスを経て共有、利用、理解されたことを確認できる場合にのみチャージバックを支払うでしょう。クラウドデータ管理における自動化とAIは、これを実現するための重要な基盤です。

最適化と運用フェーズに焦点を当て、FinOpsチームは今、次のことができる準備が整いました：

コンピューティング、ストレージ、メタデータの初期のチャージバックを割り当てる。
FinOpsから除外するために休眠または関係のないデータ資産を識別できるようにする。
FinOpsの下流での使用には準備ができていない、異常または不完全なデータをフィルタリングできるようにする。
上記のAI駆動のプラクティスからのFinOps向けのデータ分析とショーバックを検討する。

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

AICloudData (computing)Data managementLanguage model

Was this article helpful?

93 out of 132 found this helpful