New Relic I/O, Ihr Hub für Instant Observability Jetzt Quickstart für Ihren Stack finden

Neue Möglichkeiten für Ihre Engineers mit einem datengestützten Ansatz

6 Minuten Lesedauer

Es sind Dinge, die Sie nicht sehen, die sich negativ auf Ihre Teams wie auch auf Ihr Unternehmen auswirken können. Genau deshalb sind Daten für die Unterstützung Ihrer Engineers und zur Messung Ihrer Resultate so wichtig. Idealerweise bieten diese Daten wertvolle Einblicke, wie Sie die Anwendungs-Performance optimieren, neue Features entwickeln und Problemen vorbeugen können, die ansonsten womöglich in Ausfällen, Bugs und Kundenverlusten resultieren. Hierfür benötigen Sie konstant lückenlose Telemetriedaten: Metrics, Events, Logs, Traces. Dann sind Sie auch in der Lage, Ihre Engineers adäquat informiert vor verschiedenste Aufgaben im gesamten Software-Lebenszyklus zu stellen; ob es nun darum geht, Website-Traffic zu analysieren und so die Performance Ihrer Seiten zu verbessern, anhand von Benchmarks eine effiziente Code-Ausführung zu gewährleisten oder mit Observability Anomalien zu identifizieren.

Es geht bei dieser Methodik also darum, über Engineering-Tools und -Plattformen gewonnene Telemetriedaten gewinnbringend für Ihre Teams, Kunden und geschäftlichen Resultate zu nutzen. 

Datengestütztes Engineering: Die Vorteile im Überblick

Zu den Vorteilen gehören etwa folgende Faktoren:

  • Eine datengestützte Methodik liefert klare, konkrete Einblicke aus allen Telemetriebereichen. Sie informiert somit geschäftliche Entscheidungen ganzheitlich, die ansonsten auf unvollständigen Daten oder subjektiven Annahmen beruhen müssten.
  • Mit mehr Entscheidungstransparenz werden auch Performance-Zusammenhänge im gesamten Software-Lebenszyklus klarer und besser optimierbar.
  • Die datengenaue Quantifizierung von Software und ihren Effekten in der Live-Umgebung für Ihre Kunden bringt auch mehr Klarheit in ihre Anforderungen und hilft Ihnen, diese zu adressieren.

Laut einem Bericht von Accenture „weisen datengestützte Unternehmen mit entsprechender Strategie eine jährliche Wachstumsrate von 30 % auf.“

Trotz seiner klaren Vorteile und der allgegenwärtigen Präsenz von Daten in modernen Unternehmen und Fachbereichen ist das Konzept von datengestütztem Engineering leider in vielen Fällen schwammig definiert. Ein Umstand, der einer Implementierung wenig zuträglich ist.

Best Practices zur Implementierung

Vor der Implementierung von datengestütztem Engineering sind folgende Fragen entscheidend:

  • Gehen Ihre Teams die richtigen Projekte an?
  • Arbeiten Ihre Teams an Projekten, die den gewünschten Effekt für Ihre Endbenutzer haben?
  • Sind die Ressourcen Ihrer Teams an den passenden Geschäftszielen ausgerichtet?

Setzen Sie bei der Beantwortung dieser Fragen Daten ein? Dann praktizieren Sie in gewisser Weise bereits datengestütztes Engineering und werden bei konsequenter Nutzung mit großer Wahrscheinlichkeit starke Erfolge erzielen. Und falls nicht? Nun, dann werden sich in Ihrem Stack unweigerlich blinde Flecken finden, die sich als Hemmschuh für das Potenzial Ihrer Engineers und Ihres Unternehmens erweisen.

Wie aber gelingt es Ihnen, einen Prozess aufzusetzen, der diese Fragen datengetrieben angeht? Beantworten Sie hierzu fünf ganz zentrale Fragen.

Diese Daten sind wichtig für Ihre Ziele

KPIs für Ihre Business-Performance nutzen Sie wahrscheinlich bereits. Doch wie ist es um KPIs für Ihr Software-Engineering bestellt? Am besten definieren Sie konkrete Ziele und erarbeiten dann Metrics, um diese zu quantifizieren. Diese können auch denen anderer Teams im Unternehmen ähneln. Mehr neue Nutzer zu gewinnen, das verfolgen unter Umständen auch Ihre Marketing- und Sales-Teams als KPI. Für Ihre Software-Engineers mag dies zunächst nicht wie ein absolut naheliegendes Ziel erscheinen. Doch warum nicht? Schließlich sind es Ihre Entwickler, die den Code für die Registrierungsseite und das Gesamterlebnis implementieren.

Neben generellen, unternehmensfokussierten Zielen lassen sich aber natürlich auch für die Software-Entwicklung spezifische festlegen; etwa solche für die allgemeine Stabilität und Uptime einzelner Seiten und die Interaktionsrate Ihrer Kunden mit bestimmten Seitenbereichen. Die Grafik im Folgenden bildet einige sinnvolle Telemetriedaten ab, die an jeder Stelle des Software-Lebenszyklus erfassbar sind.

Wie erfassen und messen Sie Daten?

Jira, GitHub, Slack...geschlossene Tickets, fertig gestellte Features – mit einer gewissen Wahrscheinlichkeit verwenden Sie bereits diverse Tools, um die Arbeit Ihrer Engineering-Teams zu quantifizieren. Müssen diese Teams aber komplett separiert ohne Zugriff auf die Daten anderer Unternehmensbereiche agieren, stehen ihnen auch wertvolle Informationen für ihre Arbeit nicht zur Verfügung.

Etwa die Seitenaufrufe und Bounce-Raten, die Ihre Marketing- und Web-Teams womöglich mit Google Analytics erfassen. Schlagen lässt sich die Brücke zwischen diesen in Silos betriebenen Anwendungen glücklicherweise dennoch. Falls Sie also keine Telemetriedaten zur Gesamt-Performance Ihrer Anwendungen und Services messen und analysieren, bietet sich zum Monitoring Ihres Stacks eine Observability-Lösung an.

Von zusammenhangslosen Datensätzen zum umsetzbaren Plan

Wenn Sie Daten aus zahlreichen unterschiedlichen Quellen erfassen, manche Teams auf einige von ihnen jedoch keinen Zugriff haben, bleibt schnell vieles verborgen. Das Resultat: blinde Flecken, schlecht allokierte Ressourcen.

Deshalb gilt es, zunächst noch unzusammenhängende Datensätze in einer zentralen Informationsquelle zusammenzuführen. Ein konkretes Beispiel: Während Ihr Marketing-Team eine schwindende Anzahl an Aufrufen für eine Registrierungsseite beobachtet, gehen bei Ihren Engineers vermehrt Tickets zu genau dieser Seite ein. Werden diese Datenpunkte nicht korreliert und gemeinsam betrachtet, kommt es gegebenenfalls bei beiden Teams infolge einer Fehldiagnose zu einer wenig adäquaten Ressourcenzuteilung – während es mit dem Kundenerlebnis erst recht weiter bergab geht. Umso wichtiger also, klare Zusammenhänge zwischen zunächst noch unzusammenhängenden Plattformen und Datensätzen zu schaffen, um Probleme nicht unnötig im Argen schwelen zu lassen.

Fundierte Frameworks für das Gesamtunternehmen

Datengestütztes Engineering sollte als Thema im Unternehmen über Entwicklungsleitung und C-Suite hinaus möglichst bereichsübergreifend verstanden und unterstützt werden. Um dies zu fördern, empfiehlt es sich, einen Prozess im Stile eines Build-Measure-Learn-Cycles zu implementieren, für Software-Engineers und Mitglieder anderer Teams gleichermaßen.

Dieses Vorgehen ist Teil der Lean-Methodik. Im Kern geht es nicht nur um die Entwicklung von Software per se. Vielmehr sollen dabei auch ihr Effekt in einer Live-Umgebung quantifiziert und aus diesen Ergebnissen Rückschlüsse zur Verbesserung künftiger Iterationen gezogen werden. Ohne Buy-in einer großen Gesamtheit ist dabei aber auch kein stichhaltiger Lernprozess umsetzbar.

Parameter bei der Auswahl einer Observability-Plattform für datengestütztes Engineering

Buy-in auf Team-Ebene lässt sich leichter erreichen, wenn sich auch das Preismodell der zukünftigen Observability-Plattform an den Anforderungen von Engineers orientiert. Denn viele Lösungen nutzen eine host- bzw. abonnementbasiertes Kostenstruktur, über die mehrere SKUs zusammengefasst werden. Angesichts kostenintensiver Lizenzen und unpassend eingestellter Preismodellierung limitiert dies Engineers nur allzu häufig in ihrem Handlungsspielraum im Hinblick auf Instrumentierung und Telemetriedaten-Erfassung. So müssen sie unter Umständen auf Daten-Sampling zurückgreifen, Agents zählen, Custom-Metrics erstellen und rein preisbasierte Infrastrukturentscheidungen treffen, sind dabei zudem auch nicht vor unerwarteten Gebühren gefeit.

Bei einem verbrauchsbasierten Preismodell richten sich die anfallenden Kosten 1:1 nach der individuellen Nutzung. Eine solche Kostenstruktur ist somit automatisch datengesteuert und genau auf die Anforderungen von Engineers abgestimmt, anstatt mit ungenauen Einheitsannahmen zu agieren. Es führt Engineers somit auch schneller von der Frage, was eigentlich passiert ist, zum Warum der jeweiligen Situation. Für Engineering-Teams empfiehlt sich ein derartiges Preismodell somit durch die Bank, rückt es doch den tatsächlichen Mehrwert einer Lösung in den Mittelpunkt – für alle Beteiligten.

Neue Möglichkeiten mit datengestütztem Engineering

Datengestütztes Engineering ist dabei nur ein Stück eines großen Ganzen, sicher aber doch ein essenzielles, wird doch das Gesamtbild schließlich erst mit ihm quantifizierbar. Und auch die Qualität von Anwendungen und Websites steht in direkter Relation zur Software, auf der sie basieren. Datengestütztes Engineering stellt für Ihre Teams eine Verbindung her zwischen ihrer Arbeit, wichtigen Erfolgsfaktoren für Ihr Unternehmen und seinem Gesamtergebnis.

Global Observability Forecast 2021
Observability Forecast 2021
Die branchenweit umfassendste Studie zu Observability

Bei einem ​​verbrauchsbasierten Preismodell​​ richten sich die anfallenden Kosten 1:1 nach der individuellen Nutzung. Eine solche Kostenstruktur ist somit automatisch datengesteuert und genau auf die Anforderungen von Engineers abgestimmt, anstatt mit ungenauen Einheitsannahmen zu agieren. Es führt Engineers somit auch schneller von der Frage, ​​was​ eigentlich passiert ist, zum ​Warum​​ der jeweiligen Situation. Für Engineering-Teams empfiehlt sich ein derartiges Preismodell somit durch die Bank, rückt es doch den tatsächlichen Mehrwert einer Lösung in den Mittelpunkt – ​​für alle Beteiligten​​.

Neue Möglichkeiten mit datengestütztem Engineering

Datengestütztes Engineering ist dabei nur ein Stück eines großen Ganzen, sicher aber doch ein essenzielles, wird doch das Gesamtbild schließlich erst mit ihm quantifizierbar. Und auch die Qualität von Anwendungen und Websites steht in direkter Relation zur Software, auf der sie basieren. Datengestütztes Engineering stellt für Ihre Teams eine Verbindung her zwischen ihrer Arbeit, wichtigen Erfolgsfaktoren für Ihr Unternehmen und seinem Gesamtergebnis.