数据可观察性是一种变革性的解决方案，通过实时识别、排除故障和解决数据问题，使企业能够充分发挥数据的潜力。然而，量化这一新技术的投资回报(ROI)可能具有挑战性。
然而，数据可观察性的投资回报率可以在五个关键领域整合成一个令人信服的业务案例，让您能够衡量切实的效益，并提出令人信服的投资理由。
1. 降低自制解决方案的成本
数据工程团队通常需要投入大量时间来开发、维护和验证数据质量规则。数据管道的复杂性和从多个来源进行验证的需求使这一过程更加复杂，尤其是在数据结构不整齐的情况下。当下解决方案缺乏机器学习功能，在异常检测方面也很吃力。
衡量影响： 要计算投资回报率，请考虑以下成本驱动因素：
开发和维护工程师人数。
每名工程师每年的全职当量(FTE)成本。
必须认识到，构建数据可观察性系统与任何操作软件一样，需要工程(这里指数据工程)资源、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以及负责部署解决方案并确保其无缝运行的 DevOps 工程师。
虽然这些专业角色的薪资范围可能各不相同，但为了简化起见，我们可以计算出所有团队成员的平均薪资。
计算公式：投资回报率ROI =(建设工程师总数 + 维护工程师总数)* FTE(美元)
2. 降低间接基础设施成本
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，会大幅增加成本，尤其是当这些系统根据使用情况计费时。这包括与查询次数增加、存储历史数据质量指标以及云管理和托管相关的成本。出于这些成本考虑，许多企业选择只对样本进行验证和监控，结果导致数据质量改进有限，结果也不完整。
特定的数据可观察性解决方案在设计时将全面的数据质量分析、存储和托管功能集成到平台中。这种方法无需将这些服务卸载到监控系统上，从而有效降低了相关费用。此外，这种方法还具有可扩展性，能够检测整个数据的数据质量问题，而不是仅仅依赖样本。
衡量影响：将这些成本细分为
与验证查询相关的数据库超时费用百分比。
保留历史数据质量指标的额外存储成本的百分比。
为支持大规模数据质量而增加的云托管费用的百分比。
计算公式：投资回报率ROI=(年度数据仓库成本 * 与数据验证查询相关的超时费用百分比)+ (年度存储成本 * 存储历史数据质量指标的超时费用百分比)+ (年度云基础设施成本 * 大规模托管数据质量的超时费用百分比)。
在许多企业中，基础设施成本通常由一家提供全面服务(包括数据仓库、存储和云托管)的供应商承担。在这种情况下，计算投资回报率时需要将基础设施总成本乘以一个百分比(通常在 10% 到 20% 之间)，以表示数据质量监控所增加的影响。例如，如果企业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反应。通过数据可观察性转向主动预防是理想的，但并非总是可行。当数据质量问题导致下游系统不准确，影响业务应用，甚至影响客户时，业务团队通常会参与问题的识别、调查和解决。这会对更广泛的组织产生影响，因此在分析数据可观察性解决方案的投资回报率时应将此因素考虑在内。
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，一家公司将数据事件分类如下：
小问题：
数量： 每次迭代 0-1 个
解决时间： 2-3 天
参与人数： 1
中型事件：
数量： 每季度 3-4 起
解决时间： 3-4 天
解决人数： 2
危急事件：
数量： 每年 1-2 起
解决时间： 5-10 天
解决人数： 10 人
为简化起见，您可以将事件分组，然后计算所有成本驱动因素的平均值。
每年平均事件数量。
解决事件的平均时间(小时)。
正确检测和修复这些问题的平均小时成本。
计算公式 ROI =(每年平均事件数量)*(检测和解决事件的平均时间小时)* (平均每小时成本)
4. 为更好地决策创建可信数据
前三项投资回报收益主要集中在成本节约方面，而后两项则深入探讨了实施数据可观察性可能带来的收入增长。
要确定数据可观察性能直接带来多少收入增长可能比较复杂。例如，如果数据可观察性提高了客户数据质量并导致客户保留率的提高，这并不完全是可观察性的功劳;其他因素，如员工的能力或最近的产品改进，可能也会发挥作用。
要计算投资回报率，应确定问题范围，并衡量数据可观察性对改进的潜在影响。
衡量影响： 定义问题陈述、问题的基准值以及可归因于数据可观察性的改进部分。让我们举例说明。
问题陈述：“不准确的数据阻碍了我们的[业务目标，如客户保留率]”。
基准值：“不准确的数据导致企业每年花费 X 美元”。
可解决范围：“我们预计将这一问题改善 Y%，同时认识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。”
数据可观察性的预期改进：“我们预计 Z% 的改进可归功于数据可观察性解决方案。”
计算公式：投资回报率ROI = 基准值(X 美元)*可解决范围(Y%)*预期改进(Z%)。
值得注意的是，虽然数据可观察性有助于提高数据质量，但它只是影响数据质量的几个因素中的一个。其他因素包括提高团队技能、完善流程、开展深入研究以及在数据可观察性的基础上整合补充工具。
5. 加快数据产品实现价值的时间
数据产品越来越受欢迎，但其成功有赖于高质量的数据。数据可观察性是一种及时发现和识别数据问题的系统方法。这种方法不仅能加快数据产品的上市时间，还能建立实时分析和补救流程，确保消费者访问这些产品时的可靠性。
衡量影响：要计算对数据产品的影响，评估数据质量和一致性问题导致的上市时间延迟至关重要。一些数据可观察性工具提供低代码、无代码界面，可促进业务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)来评估数据质量并识别异常值和异常现象，从而简化了原本耗时且依赖猜测的流程。
此外，这些可观察性平台还能利用历史数据趋势实时检测意外数据问题。这种实时监控能力使产品和工程团队有能力确保数据产品的持续健康和可靠性，从而促进收入增长。
计算公式：投资回报率ROI = 数据产品每年的年收入 * 因不良数据导致的上市时间延迟
结束语
以上只是数据可观察性产生巨大商业利益的五个方面。虽然并非适用于每个组织，但每种情况都对实现数据可观察性的潜在价值起着至关重要的作用。在制定业务案例时，请与您的执行团队一起回顾这一框架，并考虑所有成本驱动因素和创收机会。将总投资回报率记录并分解为明确的实施时间表。数据可观察性不仅仅是一项支出，更是一项投资。它可以减少用于排除故障和纠正数据问题的时间和资源，降低基础设施成本，加速数据产品，并最终帮助您增加收入。
作者 Farnaz Erfan 是可观测性工具提供商 Telmai 的创始发展主管。
