비싸고 복잡한 라이선스, 목적과 예산에 맞게 사용하기! (3편)

알테어 SAO (Software Asset Optimization) 으로 소프트웨어 라이선스를
저렴한 비용으로 최적화 시키는 방법에 대한 시리즈입니다.

비싸고 복잡한 라이선스, 목적과 예산에 맞게 사용하기! (1편)
비싸고 복잡한 라이선스, 목적과 예산에 맞게 사용하기! (2편)

DenialProbabilityScreenshots-1024x768

What-If 시뮬레이션 결과로 알아보는 예측과 계획

  지난 포스팅에서는 라이센스 수를 변경할 경우와, 시간 제한 값과 같은 추가 제약 조건을 설정할 경우, 그리고 사용자에 대해 특정 수의 동시 세션 만 허용 한 경우에 발생하는 결과로 다양한 메트릭스 성능 예측을 보여주는 What-If 분석 결과에 대해 논의했습니다.

  이번 포스팅에서는 What-If 시뮬레이션을 통해 예측과 계획을 하는 방법에 대해 알아볼 것입니다. 대체로 관리자는 특정 소프트웨어에 대한 사용자 수를 늘리거나 줄인 시뮬레이션을 실행할 수 있습니다. 더 많은 사용자가 소프트웨어를 사용할 것으로 예상되는 경우에는 더 많은 라이선스가 필요하며, 적은 사용자가 소프트웨어를 사용할 경우 더 적은 라이선스가 필요한 것은 분명합니다. 이제 What-If 시뮬레이션을 사용한다면 여러 시나리오를 탐색할 수 있고, 다른 회사들이 선호하는 다양한 기준들을 사용해 자신의 고유한 환경에 가장 적합한 라이선스 수를 선택할 수 있습니다.

단순한 접근

  관리자가 활동 기록을 예측하고 계획할 수 있는 전략을 탐색하는 도구가 없을 경우, 관리자는 라이선스 / 사용자와 같은 간단한 메트릭스를 사용하거나, 라이선스 수를 늘리거나 줄여서 해결합니다. 예를들어 현재 3명의 사용자가 라이선스를 공유하고 있고 내년에 추가로 30명의 사용자가 있을 것으로 예상되는 경우, 관리자는 해당요소를 사용해 단순하게 조달 또는 삭제해야 할 라이선스 수를 계산할 수 있습니다. 이 경우 관리자는 10개의 라이선스 또는 30*1/3 중 하나를 선택해 간단히 추가할 수 있습니다. 이 방법은 매우 쉽습니다. 하지만 이 방법은 최선의 선택이 아닐뿐더러 몇 안되는 소수의 시나리오에서나 되는 방법입니다.

  실제로 이 방법은 값싼 소프트웨어와 사용 패턴이 상당히 일정하게 유지된다는 가정하에 수용 할 수 있습니다. 라이센스 당 비용이 잠재적으로 천만원 이상으로 올라갈 수 있는 비싼 소프트웨어의 경우 예상 성능에 더 근접한 예상치를 확보하면 많은 비용을 절약 할 수 있습니다. 이 외에도 관리자는 새로운 사용자의 예상되는 사용 패턴에 대해 조금 더 알고 있습니다. 이 새로운 사용자 중 일부는 비정기적 사용자일 수 있으나, 일부 사용자는 항상 소프트웨어를 사용합니다. 이런 사용 패턴 분포는 간단한 산술 접근법을 사용하여 잘 조정할 수 없습니다.

객체 What-If 분석을 이용한 예측과 계획

  이 시뮬레이션은 다음 연도에 대한 예측 및 계획을 위해 아래의 유스 케이스를 지원합니다:

  1. 증가 / 감소 된 사용자에 대한 제한 시간 및 최대 동시 세션 제한 조건을 사용하여 라이센스 수에 대한 메트릭스 성능을 예측하십시오.
    • 임계값을 사용하여 LOW, MEDIUM , HIGH 사용자 그룹을 생성하는 평균 세션 길이와 총 사용량 이 두 가지 메트릭스를 기반으로 사용자 그룹을 정의합니다. 시뮬레이터는 또한 이 사용자 그룹 목록을 내보냅니다.
    • – LOW, MEDIUM, HIGH 사용 그룹의 증가 / 감소된 사용자의 프로필 분포를 사용합니다.

sao-image1

  What-If 분석의 기준 데이터 세트와 비교한 4 가지 예측 분석의 메트릭스 성능이 아래에 나와 있습니다. 제한 시간 또는 최대 동시 세션 수 제한이 설정되지 않았습니다. 모든 차트에서 가장 낮은 줄은 현재 사용자 집합의 성능 메트릭을 반영합니다.

  아래는 What-If 분석의 기준 데이터세트와 4가지 예측 분석의 메트릭스 성능을 비교한 표입니다. 제한시간 또는 최대 동시 세션 수 제한은 설정되있지 않고, 모든 차트에서 가장 낮은 줄은 현재 사용자 집합의 메트릭스 성능을 반영한 것입니다.

sao-image2


가장 적합한 라이선스 수 선택

  기존 라이센스 수 및 기존 사용자 수에 대한 4 가지 메트릭스 성능을 살펴 보겠습니다. 현재 993 명의 사용자가 사용하는 357 개의 라이센스가 있습니다. 성능 측정 항목은 다음과 같습니다.

sao-image3

  만약 관리자가 이 메트릭스 성능에 만족한다면 위 테이블은 시작하기 매우 좋은 것입니다. 207 명의 사용자를 현재 세트에 추가 한 후 대상으로 설정할 수 있는 4가지 메트릭스 성능 값이 있습니다. 이 메트릭스 중 하나를 선택해 곡선에서 가장 가까운 값을 조회하고 해당 라이센스 수를 선택할 수 있습니다.

  추가 207 명의 사용자에 대해 4가지 프로필 분포가 사용되었습니다. 모든 초기 분포부터 시작하겠습니다. 이는 새로운 207 명의 사용자가 현재 사용자 그룹과 동일한 사용 패턴을 가짐을 의미합니다. 이제 이 세트에 대해 AllOrig0H0S 시뮬레이션에서 4개의 메트릭스를 검사하고 해당 라이센스 수를 찾아보세요. 그럼 아래와 같이 얻을 수 있습니다 :

sao-image4

  이것은 총 431건에 대해 357건의 라이센스에 74건의 라이센스를 추가해야 한다고 나왔던 간단한 접근 방식과 비교하면 다른 메트릭스 성능에 따라 규정 된 라이센스 수에 상당한 차이가 있음을 알 수 있습니다. 이를 통해 관리자는 회사의 상황에 맞는 적절한 라이센스 수를 선택할 수 있습니다.

  이 시뮬레이션은 어떤 종류의 사용자가 팀에 합류하게 될지에 따라 선택해야할 라이선스의 수에 대한 통찰력을 제공합니다. 예를들어 207명의 사용자 중 180명이 디자이너인 모델링 소프트웨어가 있을때, 모든 사용자들은 높은 범주에 빠질 것입니다. 그리고 나머지는 LOW로 분류될 것입니다. 관리자는 적합한 프로필 분포를 통해 시뮬레이션을 실행할 수 있습니다. 다음 표는 207 명의 사용자가 모두 HIGH 사용자로 분류 된 경우 규정 된 라이센스 수를 보여주고, AllHigh0H0S 시뮬레이션 출력에서 해당 라이센스 수를 조회합니다.

sao-image5

  모든 신규 사용자가 높음 사용자 범주에 속하는 경우, 훨씬 낮은 라이센스 수에 대해 Capacity Utilization % 목표를 쉽게 충족시킬 수 있습니다. HIGH 사용자의 고용량 활용을 기대하는 것이 합리적입니다. 용량 활용도는 목표로 설정하는 데 가장 유용한 직관적인 방법이 아닙니다.

  단순한 접근 방식을 사용해서는 프로필 분포가 다른 추가된 사용자의 라이센스 수를 예측할 수 없습니다. 위의 경우, 모든 HIGH 사용 그룹에 속한 207 명의 사용자에 대해 74 개의 라이센스를 추가하면 다음 해에는 성능이 매우 저하됩니다.


[자세히 보기]

This entry was tagged , , , , , , .

Comments are closed.