数据可观察性ROI：构建引人注目的商业案例的五个关键领域

译者 | 晶颜

审校 | 重楼

数据可观察性是一种变革性的解决方案，它使组织能够通过实时识别、故障排除和解决数据问题来充分利用其数据的潜力。然而，量化这种新技术的投资回报率（ROI）可能极具挑战性。

然而，以下五个关键领域可以将数据可观察性的投资回报率集成到一个引人注目的业务案例中，使您能够衡量切实的收益并做出令人信服的投资案例。

1. 降低本土解决方案的成本

数据工程团队经常投入大量时间开发、维护和验证数据质量规则。数据管道的复杂性以及对来自多个源的验证需求使该过程进一步复杂化，特别是在数据结构不一致的情况下。本土解决方案（Homegrown solutions）缺乏机器学习能力，难以进行异常检测。

衡量影响：要计算ROI，请考虑以下成本驱动因素：

• 负责开发和维护的工程师人数。
• 每名工程师每年的全职等量（FTE）成本。

必须认识到，构建数据可观察性系统，就像操作任何软件一样，需要工程（在本例中是数据工程）资源、用于建模和构建异常检测的数据科学专业知识、专门的质量保证团队和负责部署解决方案并确保其无缝运行的DevOps工程师。

尽管这些专业角色的工资范围可能会有所不同，但为了简化，我们可以计算所有团队成员的平均值。

公式：ROI =（负责开发的工程师总数+负责维护的工程师总数）* FTE ($)

2. 减少间接基础设施成本

通过查询验证数据库或数据仓库中的数据（这是许多团队的常见做法）可能会显著增加成本，特别是当这些系统根据使用情况收费时。这包括与查询数量增加、历史数据质量指标存储以及云管理和托管相关的成本。由于这些成本考虑，许多组织选择只验证和监视样本，导致数据质量改进有限，结果不完整。

特定的数据可观察性解决方案会将综合的数据质量分析、存储和托管功能集成在一个平台中。这种方法消除了将这些服务卸载到被监视系统的需要，有效地减少了相关的费用。此外，这种方法还提供了可扩展性，能够在整个数据中检测数据质量问题，而不是仅仅依赖于样本。

衡量影响：将这些成本分解为：

• 与验证查询相关的数据库超额费用%。
• 用于保留历史数据质量指标的额外存储成本%。
• 用于支持大规模数据质量的超额云托管费用%。

公式：ROI =（年度数据仓库成本*与数据验证查询相关的超额成本%）+（年度存储成本*存储历史数据质量指标的超额成本%）+（年度云基础设施成本*用于大规模托管数据质量的超额成本%）。

在许多组织中，基础设施成本通常与提供全面服务（包括数据仓库、存储和云托管）的单一供应商合并。在这种情况下，计算ROI需要将总基础设施成本*一定百分比（通常在10%到20%之间），以显示数据质量监控增加的影响。例如，如果一个组织每年的云数据仓库费用为100万美元，那么实施数据质量和可观察性可能会产生10%的间接影响，相当于每年10万美元。

3.减少事件管理案例

事件管理通常是对数据质量问题的被动性响应。通过数据可观察性转向主动预防是理想的方案，但却并非总是可行的。当数据质量问题导致下游系统不准确，影响业务应用程序甚至波及到客户时，业务团队通常会参与识别、调查和解决问题。这会影响到更广泛的组织，应该在数据可观察性解决方案的ROI分析中考虑到这一点。

衡量影响：数据团队通常根据严重程度对事件管理进行分类。例如，一家公司将其数据事件分类如下：

小型事件：

• 数量：每sprint（开发周期） 0-1个；
• 解决时间：2-3天；
• 参与人数：1人；

中型事件:

• 数量：3-4个/季度；
• 解决时间：3-4天；
• 参与人数：2人；

关键事件：

• 数量：1-2个/年；
• 解决时间：5-10天；
• 参与人数：10人；

为了简化，您可以将事件分组并计算所有成本驱动因素的平均值。

• 每年平均事故数。
• 解决事件的平均时间（以小时为单位）。
• 正确检测和修复这些问题的平均每小时成本。

公式：ROI =（每年平均事件数量）*（发现和解决事件的平均时间，以小时为单位）*（平均每小时成本）

4. 为更好的决策创建可信数据

虽然上述三个ROI收益主要集中在成本节约上，但后两个则深入研究了实现数据可观察性所带来的潜在收入增长。

确定数据可观察性带来多少直接收益可能很复杂。例如，如果数据可观察性提高了客户数据质量并提高了留存率，这并不仅仅是因为可观察性；其他因素，如员工的能力或最近的产品改进也可能起作用。

为了计算ROI，需要定义问题范围并衡量数据可观察性对改进的潜在影响。

测量影响：定义问题陈述、问题的基线值，以及可归因于数据可观察性的改进部分。举个例子：

问题陈述：“不准确的数据阻碍了我们的业务目标，例如客户保留率。”

基线值：“不准确的数据导致组织的年成本高达X美元。”

目标范围：“考虑到由于数据质量以外的因素，一些收入损失是我们业务固有的，我们预计将改进Y%。”

来自数据可观察性的预期改进：“我们预期Z%的改进可以归功于数据可观察性解决方案。”

公式：ROI =基线值（X美元）*目标范围（Y%） *预期改进（Z%）

值得注意的是，虽然数据可观察性有助于这种改进，但它只是影响数据质量的几个因素中的一个。其他因素还包括提高团队技能、精简流程、进行彻底的研究，以及在数据可观察性之外集成补充工具。

5. 加快数据产品实现价值的时间

数据产品越来越受欢迎，但它们的成功依赖于高质量的数据。数据可观察性保证了一种及时发现和识别数据问题的系统方法。这种方法不仅加快了数据产品的上市时间，而且还建立了实时分析和补救流程，以确保消费者访问这些产品时的可靠性。

衡量影响：为了计算对数据产品的影响，评估由数据质量和一致性问题导致的上市时间延迟是必不可少的。一些数据可观察性工具提供低代码、无代码的接口，促进业务用户和技术用户之间的协作。这加快了数据质量的开发和测试，帮助您更快地实现收入目标。这些工具使用机器学习（ML）来评估数据质量，识别异常值和异常情况，简化了耗时且依赖猜测的流程。

此外，这些可观察性平台利用历史数据趋势实时检测意外数据问题。这种实时监控功能使产品和工程团队能够确保数据产品的持续健康和可靠性，从而促进收入增长。

公式：ROI =数据产品每年的年收入*因数据不良导致的延迟上市时间

结语

以上仅仅是数据可观察性能够带来巨大业务利益的五个领域。虽然并非所有情况都适用于每个组织，但每种情况在实现数据可观察性的潜在价值方面都起着至关重要的作用。在开发业务案例时，请与执行团队一起审查此框架，并考虑所有成本驱动因素和产生收入的机会。将总投资回报率记录和分解为一个明确的实施时间表。数据可观察性不仅仅是一项支出，更是一项投资。它减少了用于故障排除和纠正数据问题的时间和资源，降低了基础设施成本，加速了数据产品的生产，并最终帮助组织增加收益。

原文标题：Data Observability ROI: 5 Key Areas to Construct a Compelling Business Case，作者：Farnaz Erfan