You can more - Fotolia

Planungs-Tools für Disaster Recovery: Predictive Analytics

Predictive Analytics verbreitet sich in den IT-Abteilungen und verbessert auch die Planung und Automatisierung für Disaster Recovery.

Einst eine Praxis, die zum großen Teil für Wahrsager und Hellseher reserviert war, ist die Vorhersage der Zukunft bereits zu einem wertvollen Tool für die Planung von Disaster Recovery geworden.

Da die Technologien für Predictive Analytics reifer werden und ihren Wert beweisen bei Sales, Healthcare und anderen Geschäftsbereichen, beginnt eine wachsende Anzahl von Unternehmen zu verstehen, dass diese Technologie auch dafür genutzt werden kann, Pläne für Disaster Recovery (DR) sinnvoller und präziser zu machen. Predictive Analytics und Artificial Intelligence (AI) sind mächtige Planungs-Tools für Disaster Recovery und tragen so zur weiteren Entwicklung der IT bei.

Oussama El-Hilali, Vice President of Products beim Backup-Spezialisten Arcserve, erläutert: „Bis vor kurzem konzentrierte sich die Automatisierung von IT noch hauptsächlich auf die Standardisierung bestimmter sich wiederholender Aufgaben oder Berechnungen und automatisierte sie, was Menschen nicht so leicht fällt. Mit der Kombination aus AI, Machine Learning und Predictive Analytics sind diese Systeme nicht nur fähig, wie Menschen zu denken und zu handeln, sondern verfügen auch über die Fähigkeit, Ereignisse in der Zukunft vorherzusehen und mit einem gewissen Genauigkeitsgrad zu bestimmen.“

Nach Ansicht von I-Sah Hsieh, Program Manager bei SAS, kann Predictive Analytics DR-Planungsteams dabei unterstūtzen, Desaster-Ereignisse, Kosten, Recovery, Auswirkungen und andere wesentliche Elemente der Strategie zu skizzieren, um tiefere Erkenntnisse zu erlangen anstatt nur herumzuraten oder sich auf seine Intuition zu verlassen. Und er erklärt: „Durch die Kombination historischer Daten aus früheren Notfällen mit Daten von Sensoren, Anwendungen, Experten, Statistiken und mehr können heutige Notfallmanager bessere Modelle entwerfen, um Risiken zu entschärfen, Kosten zu reduzieren, die Belastbarkeit der Systeme zu verbessern, besondere Gefahrenzonen besser zu identifizieren und um Leben zu retten.“

Gewöhnliche Ausfallszenarien können laut Jason Cutrer, Grūnder und CEO von Six Nines IT, einer Consulting-Firma für Cloud Services, durch die Nutzung von Modellen für Maschinensprachen und das Studium von Daten verbessert werden, die von Sensoren, Maschinen oder Systemen gesammelt werden, die für das Laufen der IT-Infrastruktur verantwortlich sind: „Vielfältige Erkenntnisse können gesammelt und analysiert werden, um den früheren manuellen Prozess zu einem automatisierten und sehr zuverlässigen System weiterzuentwickeln.“

Die ersten Schritte

Der erste Schritt, Predictive Analytics zu den bisher üblichen Planungs-Tools für Disaster Recovery hinzuzufügen, besteht darin, die wesentlichen Probleme herauszufinden, auf die diese Technologie Antworten geben kann. Wenn diese Fragestellungen ermittelt worden sind, sollte man jene Daten ermitteln, die am besten zu den gewünschten Resultaten führen können. Hsieh merkt an: „Daten sind der Treibstoff, der die ganzen Analyseanstrengungen nach vorne bringen kann.“

Ernsthaft und früh loszulegen, ist ein wichtiger Aspekt davon, diese Planungs-Tools von Disaster Recovery in die Recovery-Strategie des Unternehmens einzugliedern.

Anfangen sollte man natürlich mit den Daten, die man schon hat. Hsieh sagt hierzu: „Predictive Analytics kann einem dabei helfen, den größten Wert aus dem bestehenden Datensatz herauszuziehen oder einige neue Fragen zu beantworten, die man vorher niemals gestellt hatte. Manchmal reicht es schon aus, einfach verschiedene Datensets von unterschiedlichen Systemen zu kombinieren, die vorher nie miteinander in Berührung kamen, um eine Menge neuer Einsichten zu bekommen.“

Die Resultate von Predictive Analytics in Notfallbenachrichtigungen, Energie-Backups, Vernetzung, sekundäre Lokationen und andere Planungs-Tools von Disaster Recovery zu integrieren, wird für den Erfolg dieser Anstrengungen wesentlich sein. Ansonsten würde man nur die bestehende Strategie mit mehr Komplexität befrachten. Mike Orosz, Senior Director of Threat Services and Technology Transformation bei Citrix Systems ergänzt: „Verstehen, was wo los ist, wer und was betroffen ist, gibt einem die Möglichkeit, vorwärts zu gehen oder schneller auf eine Situation zu antworten.”

Ernsthaft und früh loszulegen, ist ein wichtiger Aspekt davon, diese Planungs-Tools von Disaster Recovery in die Recovery-Strategie des Unternehmens einzugliedern. Orosz bemerkt hierzu: „Die Einsichten, die wir von Machine Learning und Analytics erhalten, ermöglichen uns, schneller voranzuschreiten und uns mit nicht erwarteten Situationen zu befassen. Je schneller man etwas erkennt, desto schneller kann man auch eventuelle Lücken im Plan wahrnehmen, um so den Fortgang des Geschäfts und die Sicherheit seiner Mitarbeiter zu garantieren.”

Weil sie womöglich noch immer als ungewöhnliche Technologie betrachtet wird, bietet gerade Predictive Analytics Vorteile, die sie in der nahen Zukunft zu einem der populäreren Planungs-Tools für Disaster Recovery machen könnten. „Predictive Analytics anzuwenden, bevor eine Katastrophe eintritt“, sagt Hsieh, „könnte zu einem Kernbestandteil jeden Plans für Disaster Recovery werden, da man wichtige Informationen erhält, bevor an manchen Orten die Krise ausbricht.“

Nächste Schritte

Predictive Analytics: Mehr Cloud-basierte Lösungen am Markt

Disaster-Recovery-Test: Mit diesen Tipps richtig planen

Die passende Replikation für Ihre DR-Anforderungen finden

Artikel wurde zuletzt im Februar 2019 aktualisiert

Erfahren Sie mehr über Disaster Recovery

- GOOGLE-ANZEIGEN

ComputerWeekly.de

Close