|
|
France-Français | |
|
|
 |
|
HP Capacity Advisor version 4.0 - Guide d'utilisation > Chapitre 3 Concepts clés relatifs à Capacity Advisor
Tendances et prévisions |
|
|
Comprendre les tendances des données d'utilisation recueillies peut aider à déterminer les éventuelles exigences futures. Ces dernières peuvent être utilisées pour générer des prévisions à des fins de planification. HP Capacity Advisor fournit des outils d'analyse des données d'utilisation afin de calculer des tendances à partir de ces données et de combiner des données d'utilisation existantes avec des tendances projetées en vue de générer des prévisions.
La détermination de tendances à partir des données d'utilisation recueillies peut être une tâche délicate. Une analyse des tendances précise requiert des données historiques suffisantes et une compréhension de la nature cyclique des données analysées et des événements spéciaux qui peuvent figurer dans les données historiques.
Toute analyse algorithmique doit être capable de gérer ces facteurs. HP Capacity Advisor combine l'aggrégation de points basés sur les cycles professionnels connus pour gérer les modèles cycliques avec l'exclusion de points pour gérer les événements spéciaux, en vue de générer des données pour une régression linéaire. Afin de réduire l'impact des modifications cycliques dans les données historiques, une période professionnelle définie par l'utilisateur est utilisée afin de répartir les données dans des "tranches" basées sur des intervalles, et chaque tranche est ensuite représentée par un seul point. Le point peut être une moyenne, la pointe ou le 90ème percentile des données (90 % des points sont inférieurs à la valeur). Une tranche n'est utilisée que si le pourcentage des points valides compris dans cette tranche dépasse le seuil que vous avez spécifié.
Il est essentiel de disposer d'une quantité suffisamment importante de données à analyser. Le fait de choisir un intervalle professionnel approprié avec une période de collecte de données assez longue vous permet de vous assurer que vous disposez d'une quantité de données suffisamment élevée pour que l'analyse soit utile. Par exemple, une période professionnelle d'une semaine et une période de collecte de données d'un mois ne procurent que quatre points de données agrégées. C'est insuffisant pour donner des résultats significatifs. Pour améliorer les résultats (pour cet exemple), vous devez utiliser un intervalle professionnel d'une journée avec une période de collecte de données d'un mois afin de générer 30 points de données, ou utiliser un intervalle professionnel d'une semaine avec une période de collecte de données de six mois afin de générer 26 points de données. La modification de l'intervalle professionnel et/ou de la période de collecte de données procure davantage de flexibilité et facilite l'obtention d'une quantité de données suffisante pour l'analyse. Vous pouvez définir la période du rapport de façon à exclure un événement spécial ou marquer la période comme non valide afin d'exclure d'une analyse de tendance les points recueillis durant cette période. Durant toute période de collecte de données, il peut se produire des événements qui affectent la qualité des données disponibles pendant cette période. Capacity Advisor identifie les points de données qui pourraient affecter de manière négative la qualité et la validité des résultats. Voici quelques exemples d'événements que Capacity Advisor peut reconnaître (et ignorer) comme sources potentielles de points non valides :
Définition d'un seuil de validité Le seuil de validité que vous définissez doit refléter votre tolérance quant à l'obtention d'une quantité de données valides suffisante durant la période de collecte que vous désignez. Si les rapports que vous exécutez montrent que le seuil de validité donné n'est pas réalisable pour la période désignée, cela peut indiquer qu'une grande partie des points de données de la période de collecte désignée sont non valides. Dans ce cas, vous pouvez choisir un seuil de validité plus bas, en sachant que les résultats du rapport constitueront peut-être un indicateur moins fiable de l'utilisation probable des ressources, ou vous pouvez sélectionner une période de collecte de données différente ou plus longue afin d'augmenter la probabilité d'obtenir un pourcentage de points valides suffisant pour obtenir un bon rapport. La régression linéaire est basée sur un ajustement par les moindres carrés qui minimise la somme des carrés des décalages verticaux entre chacun des points agrégés et la ligne qui les décrit. Vous pouvez choisir d'inclure l'analyse des erreurs dans le rapport. La valeur d'erreur suivante est disponible : r au carré: r2 est le carré du coefficient de corrélation (r) ; on l'utilise dans l'analyse de "précision de l'ajustement" des estimations de tendances. r est une valeur comprise entre 0 et +/- 1, où les valeurs proches de +/- 1 indiquent la validité croissante de la représentation des données. Les prévisions HP Capacity Advisor vous permettent de combiner une plage de données historiques (la plage de données de prévision) avec une tendance prévue (le taux de croissance prévue annuel) afin de générer un modèle de prévision. Le modèle de prévision peut être utilisé pour fournir une estimation de l'utilisation future. Le modèle de prévision peut être spécifié à quatre niveaux différents dans Capacity Advisor, les modèles de prévision les plus spécifiques outrepassant les modèles plus généraux, comme indiqué dans le tableau ci-dessous : Tableau 3-5 Modèles de prévision
La plage de données de prévision définit les données historiques qui sont combinées avec le taux de croissance prévue annuel pour générer le modèle de prévision. Elle peut être spécifiée comme : Le taux de croissance prévue annuel est spécifié sous la forme d'un pourcentage et peut être positif pour une augmentation d'utilisation, négatif pour une diminution de l'utilisation, ou nul pour un statu quo. La valeur par défaut est le statu quo. Il est possible de spécifier des taux distincts pour la croissance en mémoire et en processeurs. La prévision est appliquée point par point aux données historiques comprises dans la plage que vous avez spécifiée. Elle est appliquée de manière linéaire, de sorte qu'un point situé une année après le point de départ d'une prévision est le résultat de l'application du taux de croissance complet aux données. Les données comprises dans la plage que vous avez fournie sont utilisées pour « prévoir » l'avenir en appliquant à chaque point dans la plage de données une partie du taux de croissance appropriée à chaque point et en répétant l'ensemble de données jusqu'à ce que le point souhaité soit atteint. |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
 Version imprimable |
|
|
|
|
|
|||||||||||||||
|
|||||||||||||||
