Ser consultor de negocio de transformación tecnológica te permite tener contacto con responsables de departamentos IT muy variopintos. Conoces y clasificas sus puntos de vista dependiendo si es consumidor o suplidor de recursos IT, o si sus intereses son adscritos al dominio de los Data Centers, a la funcionalidad de los aplicativos o a la operación del negocio. Los directivos europeos piensan diferente a los americanos. Sus opiniones discrepan si su misión dentro de la empresa es cambiar para integrar y estandarizar o si, por el contrario, es mantener el estatus quo de la independencia organizativa. Todos los directivos defienden sus puntos de vista con argumentos inteligentes, bien pensados y en un marco lingüístico que deja a la audiencia con pocos recursos para debatir. Todos, a la hora de tomar decisiones económicas, se ven afectados por la irracionalidad humana, que la economía conductual intenta explicar.
El método matemático, por el contrario, no admite la posibilidad de interpretación. Si las variables de entrada de una ecuación, ingresadas por un humano son correctas (pueden ser erróneas por omisión, desconocimiento o con intención) el resultado debería ser sin apelación. Los números claros no toman partido.
Joe Weinman, líder del desarrollo estratégico de la cartera de servicios y tecnologías emergentes de AT&T propone un análisis matemático que ha titulado “Mathematical Proof of the Inevitability of Cloud Computing” para estudiar las condiciones donde las capacidades dedicadas (recursos propios), las capacidades bajo demanda (nube pública) o un híbrido de las dos opciones tiene más sentido desde un punto de vista de costes. En el modelo matemático solo se toma en cuenta los costes de mantener las soluciones activas o BAU (Business As Usual), demanda media, demanda máxima, y tiempos. El modelo matemático no toma en cuenta riesgos financieros, limitándolo pero a la vez simplificándolo para mejor entendimiento.
Los principios del análisis son:
Suposiciones: 1) solo se paga por lo que se usa, de las capacidades bajo demanda, y no se paga por lo no usado. Así, se igualan a cero cualquier costo de membresía, depósitos no reembolsables o reservaciones. 2) Los costos para la capacidad bajo demanda no dependen del tiempo de petición o de uso, siendo el mismo coste un lunes por la mañana o un viernes por la tarde; o el coste de una hora al día o de una hora al mes. 3) El coste unitario de las capacidades dedicadas, o bajo demanda, no depende de la cantidad de recursos solicitados, eliminando la posibilidad de descuentos por volumen adquirido o por baja utilización de recursos. 4) No hay más costes relevantes para el análisis. Esta suposición es la más difícil de cumplir porque la mayoría de soluciones actuales requieren una integración a las plataformas de la nube o costes de las infraestructuras como alquiler de anchos de banda, etc. 5) El tiempo de servir una demanda de recursos es igual a cero; o lo que es igual, el proveedor de recursos IT, dedicados o bajo demanda, debe ser capaz de servir todas las solicitudes sin poder diferirlas en el tiempo (suposición muy poco realista sobre todo en el modelo de capacidades dedicadas).
Como ya hemos dicho en Blogs anteriores, la demanda está en función del tiempo.
D(t), 0<=t<=T
La función de la demanda puede ser caracterizada por una media µ(D) y un pico máximo max(D). Weinman llama A a la media de la demanda y P al pico máximo de la misma (uso la misma terminología de Weinman para simplificar). También definimos el coste unitario de la capacidades dedicadas como C, y U como la prima sobre el coste de las capacidades bajo demanda. El coste de las capacidades bajo demanda es igual a C*U. La prima U existe solo cuando se usan las capacidades bajo demanda. Cuando no se usan los recursos bajo demanda contamos con un descuento del 100%.
Si U < 1 y como A <= P, entonces:
A * U * C * T <= P * U * C * T < P * 1 * C * T = P * C * T
Significa que la solución de capacidades bajo demanda cuesta menos que una solución de capacidades dedicadas diseñadas para una demanda máxima (P).
Si U = 1 y suponemos una demanda plana en el tiempo, A = P, entonces:
A * U * C * T = P * U * C * T = P * 1 * C * T = P * C * T
Indicando que la solución de capacidades bajo demanda cuesta igual a una solución de capacidades dedicadas diseñadas para una demanda máxima (P). Como sabemos este escenario es prácticamente imposible porque implicaría ser capaces de pronosticar sin error la demanda de recursos a corto, medio y largo plazo.
Si U=1 y A < P, entonces:
A * U * C * T < P * U * C * T =P * 1 * C * T = P * C * T
Se demuestra lo económico de la solución de capacidades bajo demanda sobre la solución de capacidades dedicadas diseñada para una demanda máxima (P).
Si 1 < U < ( P / A ), entonces:
A * U * C * T < A * (P / A) * C * T = P * C * T
Esto demuestra que mientras la demanda sea abrupta en el tiempo (con máximos muy altos y mínimos muy bajos) sigue siendo más económica la solución bajo demanda mientras que la prima de la solución bajo demanda se mantenga entre 1 y la relación entre el máximo y la media. La lógica es muy clara. Si necesitamos un coche durante todos los días de un año, lo lógico es comprar el coche digamos a 10 euros el días. Si lo necesitamos por solo unos días al año, lo lógico sería alquilarlo aunque sea a una tasa de 50 euros al día. Si lo necesitamos por unos minutos lo mejor es tomar un taxi aunque nos cobren miles de euros por día.
Por temas de tiempo, y porque pueden seguir leyendo las explicaciones en el Blog de Weinman, no vamos a demostrar matemáticamente la conveniencia económica, bajo ciertas condiciones, de las soluciones híbridas.
Podemos debatir si las suposiciones son válidas, si los escenarios son realistas o demasiado simplistas, pero tienen que estar de acuerdo de que los números y la lógica aritmética empleada nos hace pensar sobre la importancia de las soluciones basadas en la nube como parte de las plataformas actuales.
