Big Data > Analytics

Quer aumentar a resiliência da rede e a confiança dos clientes? Vá de analytics

Os recursos de advanced software analytics terão um papel central ao permitir às teles uma atuação eficiente em quase todos os aspectos de suas operações comerciais

16 de Outubro de 2017 - 14h19

As redes de telecomunicações são essenciais para o ambiente de negócios de hoje. Para garantir sua competitividade global, é importante que elas estejam sempre disponíveis. Elas precisam responder às demandas dos clientes, conduzir negócios e transferir informações instantaneamente. Portanto, a rede que possibilita essas conexões deve ser continuamente atualizada com as últimas tecnologias, como NFV (Network Function Virtualization) e SDN (Software-Defined Networking). Aos poucos, essas tecnologias vêm ganhando força na América Latina, especialmente em casos que apresentam resultados palpáveis em pouco tempo. Podemos citar como exemplo quadros de automação baseada em analytics que fornece uma visão profunda da rede e tem a capacidade de transformar processos operacionais, incluindo a infraestrutura física existente do operador.

Prevendo a saúde da rede

O termo advanced analytics refere-se a técnicas sofisticadas e modernas que revelam padrões de dados ou conteúdo significativos e que ajudam as organizações a tomar decisões inteligentes para atender metas específicas de negócios ou operações. A principal fonte dessas informações valiosas é a própria rede, com um tráfego constante de inúmeros bytes. Nesse caso, os dados podem vir de várias fontes, incluindo telemetria, elementos físicos e virtuais de rede, OSS (sistemas de suporte a operações, incluindo informações de clientes e acompanhamento de chamados), aplicativos de gerenciamento de domínio e várias outras.

Por conta dos grandes volumes de dados a serem tratados, a efetividade de uma solução de analytics está em sua habilidade de processar esses dados na velocidade necessária, além de assimilá-los e classificá-los de forma significativa. O reconhecimento de padrões e a classificação e agrupamento de dados são feitos por meio de machine learning, uma técnica implantada como algoritimo. Em comparação com o processo tradicional, que envolve a coleta manual de dados — geralmente armazenados em planilhas — e a análise que exige uma quantidade considerável de tempo e esforço humano, as técnicas de machine learning têm como base a energia computacional, já bastante acessível e que pode ser implantada em larga escala.

Basicamente, os métodos de big data analytics podem ser classificados em três categorias:

Descritiva: interpreta dados históricos a fim de determinar "o que aconteceu";

. Previsível: encontra resultados que preveem "o que pode acontecer" no futuro com base em padrões históricos, às vezes combinados a dados externos;

. Prescritivo: prevê diferentes resultados para um cenário com base nas ações tomadas. A ideia é mostrar como um conjunto diferente de ações irá afetar a situação e indicar ao usuário a melhor opção possível.

Para o operador de rede, uma solução eficiente de analytics deve incluir algoritmos e técnicas avançadas e aplicar machine learning permitindo que aplicativos de analytics abordem uma ampla gama de iniciativas comerciais e operacionais. Alguns exemplos da aplicação de analytics incluem garantia de rede ou de serviço, segurança de rede, além de gestão de tráfego e planejamento de capacidade.

Planejamento de capacidade

Outro caso de uso cada vez mais importante e atraente na América Latina é a aplicação de big data analytics para entender a utilização atual da capacidade de uma rede e prever gargalos potenciais com base em padrões e tendências de tráfego, permitindo que os operadores façam um planejamento melhor e mais proativo dos upgrades de capacidade. Além disso, em caso de erro, esse tipo de aplicação pode ajudá-los a entender em tempo real quais são os pontos mais fracos e sensíveis de suas redes.

No mais, a combinação de hardware programável com aplicações de software avançadas permite aos operadores medir seus sistemas óticos e de fibras em tempo real a fim de antecipar e tomar decisões inteligentes para superar limitações físicas como, por exemplo, em casos de fibra degradada.

Em conjunto, esses casos nos mostram como os operadores podem garantir a saúde de suas redes por meio da análise preditiva e machine learning, assegurando o melhor desempenho e tornando-as mais capazes de atender o acordo de nível de serviço — ANS/SLA.

À medida que as redes se tornam mais complexas e dinâmicas, as operadoras não devem apenas preparar seus sistemas para o crescimento, mas ajustá-los em tempo real para atender a demandas de tráfego repentinas e muitas vezes imprevisíveis. O tempo em que a análise de redes ópticas era feita por meio de planilhas — uma abordagem para gerenciar recursos e serviços de rede estática, que demanda muita mão de obra e propensa a erros — já ficou para trás e modelos cada vez mais analíticos e automatizados, capazes de identificar tendências e abordar problemas potenciais antes que ocorram são uma nova realidade. Os recursos de advanced software analytics terão um papel central ao permitir às operadoras uma atuação eficiente em quase todos os aspectos de suas operações comerciais, ao mesmo tempo em que aperfeiçoam as experiências e o engajamento dos clientes.

*Hector Silva é diretor de tecnologia da Ciena para a América Latina.