APM數據越多越好嗎？

鑒于用戶體驗對于數字化成功的重要性，Gartner對企業監測的業務應用數量將會有所增加的預測也就不無道理。Gartner預測，企業會在未來6年內將所監測的業務應用數量從2017年的5%提升至2023年的20%。然而，這個速度夠快嗎？而且，只監測少量交易真能做出不一樣的判斷嗎？

在企業認為它的每一次與消費者互動都十分重要的環境中，我們已多次看到越來越多的人不能忍受過長等待時間和系統崩潰的情況，用戶體驗不佳可能會永遠毀掉客戶對企業的好印象。

很多大型企業已經實施了數字轉型舉措，為企業開辟新的收入來源，改善客戶服務并提高員工生產效率。這些舉措的實施間接取決于這批相同的客戶、員工和合作伙伴，對自己依賴的業務關鍵型應用能否擁有積極的使用體驗。APM在這里扮演著關鍵角色，但企業要怎樣確保他們能在一個可能已是負擔沉重的網絡中部署最有效率且高效能的APM解決方案呢？首選當然是更加智能的APM解決方案—它基于人工智能、分析技術以及最重要的大數據能力。

長期以來，一直有一種觀點認為APM大數據方法是一個不可能完成的技術挑戰。因為一旦考慮到數據量及數據的多樣性，就會給被測量的應用帶來壓力，進而出現許多問題。鑒于這個原因，許多供應商會把精力集中在算法上，但我們相信，更多的數據一定會比更多的算法更有意義。

通過專注于對算法進行微調，一種APM方案正在試圖尋找其中某些拼圖塊。而另一方面，通過采用大數據優先的方法則開辟了一種“全數據”的可能性，包括原始數據和未經過濾的數據均被考慮在內。它不會被過濾或匯聚，因此不會出現盲點。這也意味著您可以不受固有采樣或選擇偏差的影響來觀察整個拼圖塊。而且，一旦大數據與人工智能結合，你就找到了一個神奇的公式，瞬間即可完成您的拼圖，解決所有難題。

幾年前，斯坦福大學數據挖掘專業的學生參加了一場比賽，并戰勝了Netflix電影推薦算法。勝出的團隊因訪問了更多元數據而提出了更好的建議，他們比那些嚴重依賴算法的人表現得更好。如果從APM的角度來看這一問題，你會發現大數據方法將產生更高質量的人工智能建議，因為它是以豐富，深入且無偏見的數據源為基礎的。

通過構建以大數據為核心的智能解決方案，APM技術正在以一種全新的方式發展。它幫助企業高管更好地理解應用性能對每位用戶數字體驗所帶來的業務影響，并提供對當今數字業務至關重要的深度了解和更高質量。N