Potenziale für MSPs

Machine Learning verändert IT-Services

04.04.2016
Von 
Als Geschäftsführer von LogicNow (ehemals GFI MAX)  Ist Alistair Forbes für die auf IT-Supportunternehmen und Managed-Services-Anbieter zugeschnittenen Lösungen zuständig. Seit der Übernahme von HoundDog Technology, das Forbes 2004 mit gegründet hat, ist er bei LogicNow tätig. Der Experte verfügt über langjährige Erfahrung im Technologiebereich und war bereits an der Entwicklung und Umsetzung hochtechnologischer Lösungen auf verschiedenen vertikalen Märkten beteiligt. 
Analyse-Lösungen und Machine Learning-Technologien helfen MSPs Situationen und Entwicklungen vorherzusehen und optimale Handlungsempfehlungen zu geben.

Die Entwicklung zum anerkannten Managed Service Provider (MSP) war für IT-Dienstleister in der Vergangenheit recht mühsam. Zunächst mussten sie den Wechsel vom Break/Fix-Modell hin zu einer vorausschauenden Überwachung der IT sowie einer auf die individuellen Kundenwünsche und -anforderungen abgestimmten Beratung bewältigen. Im nächsten Schritt galt es für die MSPs, die Herausforderungen, denen sich Unternehmen angesichts zunehmender Mobilitätsbestrebungen und Cloud-Infrastruktur ausgesetzt sahen, anzunehmen und die IT-Abteilungen der Unternehmen entsprechend zu unterstützen - vor allem bei der Bewältigung neuer Unternehmensrisiken, wie beispielsweise der Schatten-IT. Doch wie geht es für die MSPs nun weiter, was ist der nächste Schritt?

Das Geschäftspotenzial im Bereich Machine Learning ist phänomenal.
Das Geschäftspotenzial im Bereich Machine Learning ist phänomenal.
Foto: Sarah Holmlund - shutterstock.com

Kollektive Intelligenz

Ambitionierte Managed-Services-Anbieter suchen ständig nach neuen Wegen, ihren Einfluss auf die IT-Strategie ihrer Kunden zu vergrößern und damit letztlich zur Verbesserung der Geschäftsergebnisse beizutragen. Denn ein solches Vorgehen gilt allgemein als der Königsweg zum Verkauf höherwertiger IT-Dienstleistungen und zum Aufbau einer langandauernden Kundenbeziehung. Doch diese neuen Verkaufschancen sind von einer Sache abhängig: der Fähigkeit, Wissen aufzudecken und nutzbar zu machen, das dem Kunden bisher nicht zugänglich war - und Daten spielen hierbei die wichtigste Rolle.

Ein Großteil der Diskussion, wie die Geschäftswelt von Machine Learning profitieren kann, kommt aus den Bereichen eCommerce, Einzelhandel, Telekommunikation und Tourismus - also Branchen mit einer großen Kundenbasis und entsprechend großen Datenmengen, die man analysieren, als Entscheidungsrundlage heranziehen und aus denen man vor allem lernen kann. Auch wenn viele es gar nicht realisieren, so befinden sich MSPs doch in einer ganz ähnlichen Position wie die zuvor genannten Branchen. Genauso wie die erwähnten Branchen haben sie Zugriff auf riesige Datenmengen. So haben MSPs Zugang zu Milliarden von Datenpunkten über Millionen von Geräten hinweg, die sie auswerten und nutzen können, um aus diesen Daten mehr darüber zu erfahren, wie sie die Unternehmen ihrer Kunden besser betreuen, beschützen und unterstützen können.

Diese Daten stammen aus den IT-Strukturen, die sie betreuen, der Kundenbasis der Technologieanbieter und weiteren Quellen. Sie können Informationen über Sicherheitsrisiken, Softwarepatches, Geräteausfälle oder sogar umfangreichere Erkenntnisse über die IT-Infrastrukturen, wie beispielsweise über ISP-Bandbreite oder Datenzentrumskapazitäten, beinhalten. All diese Daten lassen sich miteinander kombinieren, um eine Übersicht oder granulare Brancheninformationen aufzuzeigen. Dadurch können MSPs auf einmal Ereignisse wie Hardwaredefizite, Bedarf an Softwareupdates oder Schwachstellen in der IT-Sicherheit aktiv vorhersagen, statt lediglich auf sie zu reagieren. Diese Zentralisierung des vorhandenen Wissens wird gerne unter dem Ausdruck "Kollektive Intelligenz" zusammengefasst und bietet MSPs enorme zusätzliche Möglichkeiten.

Prescreptive Analytics

Entscheidend für die Entwicklungs- und Umsatzschancen von MSPs ist nicht das reine Sammeln der großen Datenmengen, sondern vor allem, wie diese Daten genutzt werden. Am einfachsten wäre es, zu berichten, was passiert ist - die sogenannte beschreibende Analyse oder "Descriptive Analytics". Doch dabei wird das Potenzial für eine proaktive Handlungsweise übersehen. Sogar die sogenannten "Predictive Analytics", bei denen Daten genutzt werden, um Trends festzustellen und aus ihnen mögliche zukünftige Vorgänge abzuleiten, haben nur eine begrenzte Reichweite.

Dank der Nutzung von Analyse-Lösungen und Machine-Learning-Technologien ist es möglich, noch einen Schritt weiter zu gehen, nämlich die verfügbaren Daten zu erfassen sowie auszuwerten. Damit lassen sich nicht nur zukünftige Entwicklungen vorhersagen, sondern auf Grundlage der bekannten Parameter die optimale Lösung oder die beste Vorgehensweise unter verschiedenen zur Auswahl stehenden Möglichkeiten ermitteln. Und das ist noch nicht alles: Die Machine-Learning-Funktionen, die dieser Methode zugrunde liegen, können sicherstellen, dass das System aus den Abfrageergebnissen lernt und somit seine Handlungsempfehlungen ständig verfeinert. An dieser Stelle kommen "Prescriptive Analytics" ins Spiel.

Hindernisse für eine breite Verfügbarkeit

Das Geschäftspotenzial im Bereich Machine Learning ist phänomenal, doch müssen MSPs zwei wichtige Herausforderungen meistern, wenn sich zu einem solch revolutionären Schritt entschließen. Da sind zunächst die damit verbundenen Kosten. Denn die MSPs werden neue, spezielle Fachkenntnisse, eine erhebliche Rechenleistung und natürlich die Algorithmus-basierte Technologie benötigen, von der das Leistungsvermögen abhängt. Alleine deshalb geht man wohl allgemein davon aus, dass Machine Learning nur sehr großen Unternehmen vorbehalten sei. Die zweite Herausforderung sind die Daten. Denn damit die "Machines" sinnvolle, präzise Trends erkennen und konstant dazulernen können, sind große Datenmengen erforderlich - sehr viel größere Datensätze, als die meisten einzelnen IT-Anbieter haben.

Aus diesem Grund ist die "Kollektive Intelligenz" ein so wichtiger Teilbereich, und die Lösung beruht nicht nur auf der Nutzung von Machine Learning allein. Der Schlüssel zum erfolgreichen Einsatz des maschinellen Lernens ist eine große, aktive Gemeinschaft von MSPs, die allen Mitgliedern mittels einer einzigen Plattform einen aggregierten Datenbestand zugänglich macht. Alle Nutzer derselben cloud-basierten RMM-Plattform können ihre Daten sowie die ihrer Anbieter zum Datenpool beisteuern, während die Plattform selbst angepasst werden kann, damit sie auch Arbeitsabläufe mit einbezieht, die durch die aus den Daten gewonnenen Schlussfolgerungen ausgelöst werden.

MSPs sollten Machine Learning nutzen, um nicht "abgehängt" zu werden.
MSPs sollten Machine Learning nutzen, um nicht "abgehängt" zu werden.
Foto: MyImages - Micha - www.shutterstock.com

Vorbauen für die Zukunft

MSPs befinden sich in einer erstklassigen Position, Nutzen aus dem Machine Learning zu ziehen. Tatsächlich gibt es bereits einige Anbieter, die von ihrer Vorreiterrolle profitieren und dadurch neue, lukrative Dienste anbieten können. Während Machine Learning dafür sorgt, dass die Grundfunktionen für die Netzwerke ihrer Kunden abgedeckt sind, können MSPs ihren Kunden in einer mehr beratenden Position zur Seite zu stehen und so ihr Angebot ausbauen.

MSPs, die die Vorteile von Machine Learning gar nicht in Betracht ziehen, könnten in Zukunft schnell ins Hintertreffen geraten und Einnahmen verlieren, während ihre Kunden zu IT-Dienstleistern wechseln, die Machine Learning genutzt haben, um so über mehr Zeit und Ressourcen verfügen und dadurch strategischere und wertvollere Dienstleistungen anbieten zu können. (sh)