Bayer: van reactief naar voorspellend capaciteitsbeheer in Azure
Een centraal dataplatform met machine learning dat capaciteit voorspelt, zodat resources efficiënter worden ingezet en downtime wordt voorkomen.
Uitgevoerd door Frank van Graafeiland, eigenaar van Fibronic, in een eerdere functie als Solutions Architect (2022).
Reactief → voorspellend
capaciteitsbeheer
ML-voorspelling
op historische data
Lagere kosten
door efficiënt schalen
De uitdaging
Bayer beheerde capaciteit reactief: pas als er problemen ontstonden werd er bijgeschaald. Dat leidde tot inefficient resourcegebruik, hogere kosten en vermijdbare downtime. De organisatie wilde naar een proactieve aanpak, waarbij capaciteit vooruit wordt voorspeld op basis van data.
De aanpak
- Centraal dataplatform: een architectuur ontworpen die diagnostische, metrische en capaciteitslogs van alle VM’s verzamelt in een Azure Data Lake.
- Uniforme dataverwerking: de ruwe logs via een ETL-proces uniform geformatteerd, zodat ze betrouwbaar te analyseren zijn.
- Voorspellingen met machine learning: een ML-service ingezet die op basis van historische data en relevante factoren capaciteit vooruit voorspelt.
- Klaar voor implementatie: de high-level designs uitgewerkt tot low-level designs, inclusief netwerk, back-up en disaster recovery.
Het resultaat
- Proactief bijschalen op basis van voorspellingen, waardoor downtime door capaciteitstekorten wordt voorkomen.
- Efficiënter resourcegebruik en daardoor lagere kosten.
- Een herbruikbaar dataplatform als fundament voor verdere data-gedreven optimalisatie.
Ingezette technologie
Zelfde aanpak voor jouw Azure?
Begin met een gratis Azure-nulmeting
Herken je iets uit deze case in je eigen omgeving? In een korte, kosteloze doorlichting laten we zien waar bij jou de grootste winst zit op kosten, security en beheer.