Filosofi DevOps, nalika pangembangan digabungake karo pangopènan piranti lunak, ora kaget sapa waé. Tren anyar entuk momentum - DevOps 2.0 utawa BizDevOps. Wis nggabungake telung komponen dadi siji: bisnis, pangembangan lan dhukungan. Lan kaya ing DevOps, praktik teknik dadi dhasar sambungan antarane pangembangan lan dhukungan, mula ing devops bisnis, analytics njupuk peran "lem" sing nggabungake pembangunan karo bisnis.
Aku pengin langsung ngakoni: yen kita entuk bizdevops nyata, kita sinau mung saiki, sawise maca buku pinter. Iku piye wae dikembangaké dhewe thanks kanggo inisiatif karyawan lan passion irrepressible kanggo dandan. Dina iki, analytics minangka bagean saka proses produksi pangembangan, nyuda puteran umpan balik lan menehi wawasan kanthi rutin. Aku bakal pitutur marang kowe rinci carane kabeh wis diatur karo kita.
Kekurangan DevOps klasik
Nalika produk klien anyar disusun, bisnis nggawe model prilaku pelanggan sing becik lan ngarepake konversi sing apik, kanthi dhasar nggawe tujuan lan asil bisnis. Tim pangembang, kanggo bagean kasebut, ngupayakake nggawe kode sing apik banget lan berkualitas tinggi. Dhukungan, ing sisih liya, ngarep-arep kanggo otomatisasi proses lengkap, supaya gampang lan gampang njaga produk anyar.
Kasunyatan sing paling kerep berkembang kanthi cara sing klien nampa proses sing rada rumit, bisnis gumantung ing konversi sing kurang, tim pangembangan ngeculake fix sawise ndandani, lan ndhukung drowns ing stream panjalukan saka pelanggan. Menowo?
Oyod saka piala ing kene dumunung ing daur ulang umpan balik sing dawa lan ora apik sing dipasang ing proses kasebut. Bisnis lan pangembang, nalika ngumpulake syarat lan nampa umpan balik sajrone sprint, komunikasi karo sawetara pelanggan sing winates, sing nduwe pengaruh banget marang nasib produk. Asring apa sing penting kanggo siji wong ora kabeh karakteristik saka kabeh target pamirsa.
Ngerteni manawa pangembangan produk ing arah sing bener dilengkapi karo laporan keuangan lan asil riset pasar sasi sawise diluncurake. Lan dheweke, amarga ukuran sampel sing winates, ora menehi kesempatan kanggo nguji hipotesis babagan jumlah klien sing akeh. Umumé, dadi dawa, ora akurat lan ora efisien.
alat piala
Kita nemokake cara sing apik kanggo nyingkiri iki. Alat sing digunakake mung kanggo para pemasar, kita entuk tangan bisnis lan pangembang. Kita wiwit aktif nggunakake analytics web supaya bisa ndeleng proses kasebut kanthi nyata, kanggo ngerti apa sing kedadeyan ing kene lan saiki. Adhedhasar iki, rencana produk kasebut dhewe, diluncurake menyang akeh pelanggan.
Yen sawetara jinis dandan produk direncanakake, sampeyan bisa langsung ndeleng metrik apa sing digandhengake, lan kepiye metrik kasebut mengaruhi penjualan, karakteristik sing penting kanggo bisnis. Supaya sampeyan bisa langsung ngilangi hipotesis kanthi efek sing kurang. Utawa, contone, gulungake fitur anyar menyang jumlah pangguna sing signifikan sacara statistik lan ngawasi metrik kasebut kanthi nyata, kanggo ngerti apa kabeh bisa digunakake kaya sing dikarepake. Aja ngenteni umpan balik ing wangun panjalukan utawa laporan, nanging langsung ngawasi lan langsung mbenerake proses nggawe produk. Kita bisa ngluncurake fitur anyar, ngumpulake data sing bener kanthi statistik sajrone telung dina, nggawe owah-owahan sajrone telung dina liyane - lan saiki produk anyar sing apik wis siyap sajrone seminggu.
Sampeyan bisa nglacak kabeh corong, kabeh pelanggan sing teka menyang kontak karo produk anyar, golek titik ngendi corong narrowed banget, lan ngerti alasan. Pangembang lan bisnis saiki nonton iki, iki minangka bagean saka karya saben dinane. Dheweke ndeleng perjalanan pelanggan sing padha, lan bebarengan bisa ngasilake ide lan hipotesis kanggo perbaikan.
Integrasi bisnis lan pangembangan iki, bebarengan karo analytics, ndadekake bisa nggawe produk terus-terusan, terus-terusan ngoptimalake, goleki lan ndeleng bottlenecks, kabeh proses.
Iku kabeh babagan kerumitan
Nalika kita nggawe produk anyar, kita ora miwiti saka ngeruk, nanging kita mbangun menyang intricacies wis ana layanan. Nyoba ing produk anyar, klien paling kerep teka menyang kontak karo sawetara departemen. Dheweke bisa komunikasi karo karyawan pusat kontak, karo manajer ing kantor, bisa ngubungi dhukungan, nggunakake obrolan online. Kanthi bantuan metrik, kita bisa ndeleng, contone, apa beban ing pusat kontak, cara paling apik kanggo ngolah panjaluk sing mlebu. Kita bisa ngerti carane akeh wong teka ing kantor lan menehi saran carane luwih menehi saran klien.
Iku padha karo sistem informasi. Bank kita wis ana luwih saka 20 taun, ing wektu iki lapisan gedhe sistem heterogen wis digawe lan isih bisa digunakake. Interaksi antarane sistem backend kadhangkala ora bisa ditebak. Contone, ing sawetara sistem kuna, ana watesan ing nomer karakter kanggo lapangan tartamtu, lan kadhangkala iki tubrukan layanan anyar. Nelusuri bug nggunakake cara standar cukup angel, nanging nggunakake analytics web iku dhasar.
Kita wis tekan titik ing ngendi kita wiwit njupuk lan nganalisa teks kesalahan saka kabeh sistem melu sing dituduhake menyang klien. Iku nguripake metu sing akeh sing wis outdated, lan kita ora bisa mbayangno sing padha piye wae melu ing proses kita.
Nggarap analytics
Kita duwe analytics web lan tim pangembangan SCRUM ing kamar sing padha. Dheweke terus sesambungan karo saben liyane. Yen perlu, spesialis mbantu nyiyapake metrik utawa ngunggah data, nanging ing dasare anggota tim dhewe nggarap layanan analytics, ora ana sing rumit.
Bantuan dibutuhake yen, contone, sawetara dependensi dibutuhake, saringan tambahan kanggo jinis winates saka klien utawa sumber. Nanging ing arsitektur saiki, kita arang nemoni iki.
Apike, introduksi analytics ora mbutuhake instalasi sistem IT anyar. Kita nggunakake piranti lunak sing padha karo sing wis digarap para pemasar. Sampeyan mung perlu kanggo koordinasi panggunaan lan implementasine ing bisnis lan pangembangan. Mesthi, kita ora bisa mung njupuk apa marketing wis, kita kudu reconfigure kabeh anew lan menehi akses marketing kanggo lingkungan anyar supaya padha karo kita ing lapangan informasi padha.
Ing mangsa ngarep, kita arep tuku versi sing luwih apik saka piranti lunak analytics web sing bakal bisa ngatasi volume sesi sing diproses.
Kita uga aktif nggabungake analytics web lan database internal saka CRM lan sistem akuntansi. Kanthi nggabungake data, kita entuk gambaran lengkap babagan klien ing kabeh bagean sing dibutuhake: miturut sumber, jinis klien, produk. Layanan BI sing mbantu nggambarake data bakal kasedhiya kanggo kabeh departemen.
Apa kita mungkasi? Nyatane, kita nggawe analytics lan nggawe keputusan minangka bagean saka proses produksi, sing menehi efek sing katon.
Analytics: ora langkah ing rake
Lan pungkasane, aku pengin nuduhake tips sing bakal mbantu sampeyan ngindhari bumps ing proses mbangun bizdevops.
- Yen analytics ora bisa ditindakake kanthi cepet, mula sampeyan nindakake analytics sing salah. Sampeyan kudu ngetutake dalan sing prasaja saka siji produk, banjur skala.
- Sampeyan kudu duwe tim utawa wong sing ngerti arsitektur analytics mangsa ngarep. Sampeyan isih kudu mutusake babagan carane sampeyan bakal ngukur analytics, nggabungake menyang sistem liyane, lan nggunakake maneh data.
- Aja nggawe data ekstra. Statistik web, saliyane kanggo informasi sing migunani, uga minangka mbucal sampah gedhe kanthi data sing kurang kualitas lan keluwihan. Lan sampah iki bakal ngganggu nggawe keputusan lan evaluasi yen ora ana tujuan sing jelas.
- Aja nindakake analytics kanggo kepentingan analytics. Pisanan, gol, pilihan alat, lan mung banjur - analytics mung ing ngendi bakal menehi efek.
Materi kasebut disiapake bebarengan karo Olga Chebotar ().
Source: www.habr.com