将 MTTR 缩短 30%
百事可乐公司通过使用 Elastic Observability，将平均修复时间（MTTR）缩短了 30%，实现了在几分钟或几小时内解决问题，而不是几天。
将监控工具数量从 55 种削减到少于 20 种。
这种对工具的整合与简化使系统运行时间达到99.9%，并显著提升了我们数字运营的整体服务可靠性。
每年将硬件成本降低最多 25%。
借助 Elastic Cloud 上的 Elastic Observability，百事公司减少了数十万美元的硬件开支。
百事公司对 Elastic 进行了标准化，以实现全栈Observability，每年将事件解决时间缩短 30%，硬件成本最多可降低 25%。
使用 Elastic 实现全栈Observability
多年来，百事公司投资了一系列多样化的Observability工具，这些工具专门为支持各个应用程序而量身定制。虽然这种方法可以实现重点监控，但由于缺乏统一的Platform，限制了全面优化关键基础架构和应用程序的性能和可靠性的能力。
作为响应，该公司部署了 Elastic Observability 作为其全栈可观测性 (FSO) 平台的基础，将来自超过 38 个关键应用程序的 MELT（指标、事件、日志和跟踪）数据整合到标准化的 Grafana 仪表板中。该Platform为全公司数百名用户提供支持，其中包括在 One PepsiCo 运营中心、配备全栈可观测性仪表板的指挥中心，以及价值流监控团队的工作人员。
在介绍 Elastic 的优势时，One PepsiCo 运营中心的可观测性总监 Vinod Chilakalapudi 强调了来自终端用户（包括运营中心）的积极反馈。“Elastic 是百事可乐运营智能的支柱，支持主动异常检测、快速根因隔离以及近乎持续的正常运行时间。这带来了可量化的停机时间减少，并提升了我们数字化运营的服务可靠性。”他说。
自FSO Platform部署以来，百事公司已将其监控工具从 55 种精简至不足 20 种。这种方法有助于主动识别和解决问题，从而将平均解决时间（MTTR）缩短 30%。
新Platform还使百事公司能够整合其在Elastic上的投入，通过有利的许可协议，在降低净成本的同时支持更高数据量。“我们已将 Elastic 标准化为百事公司（PepsiCo）跨部门采集和分析 MELT 数据的核心引擎，并制定了实现 99% 覆盖率的路线图。这一基础正在加速推进基于遥测技术的自动化，实现情境化见解，并为企业级规模的智能运营提供支持，” Chilakalapudi 表示。
“我们向 Elastic Cloud 的迁移消除了传统基础设施的开销，实现了年度成本节省。更重要的是，它实现了动态可扩展性和实时可观测——加速了我们向云原生运营的转变。”
实现 99.9% 的正常运行时间
Elastic 的全栈Observability解决方案已将我们的运营中心转变为预测性控制塔——在问题升级前加以拦截，并增强了百事公司全球系统的韧性。快速识别和解决问题可使应用程序正常运行时间达到 99.9%。此外，百事公司在事件管理中实现了23%的自动化率，使IT团队能够专注于战略性举措，而非被动应对故障排查。
将多个工具整合到单个平台中，也提升了百事公司Observability Platform的整体效率。通过清晰地了解消费模式，团队可以更好地了解自身的数据需求，包括易于访问的数据的保留期限。Elastic 的分层方法（包括热层、冷层和冻结层）提供了大量优化存储成本的机会。
Elastic Observability还发挥着战略作用，为百事公司多个职能部门的更广泛的业务决策提供信息支持。每月摄入13.7TB的数据（其中1TB专用于FSO），公司各业务团队正充分利用这些数据驱动的见解累指导战略决策，并提升整体运营韧性。
基于成果的咨询服务
与 Elastic Consulting 的战略合作伙伴关系加速了架构优化——在数据管道、采集策略和ML用例方面共同创新，以同时提升成本效率和洞察速度。这包括使用管道将数据直接发送到 Elastic，有望再节省 20%。
此外，Elastic 支持也发挥了关键作用。“相比依赖多家供应商的专家，该团队主要依靠我们指定的 Elastic 支持工程师，这极大地简化了资源调配和维护工作，”Chilakalapudi 表示。指定支持工程师（DSE）在关键阶段发挥了至关重要的作用，尤其是在本地部署向云迁移期间。
人工智能的未来状态
展望未来，Chilakalapudi 和他的团队计划整合更多 MELT 数据，并利用 Elastic 的 AI 功能，包括其矢量化数据库，以及通过Retrieval-Augmented Generation（RAG）与大型语言模型（LLM）安全集成的能力。这将使生成主动警报成为可能，增加应用程序正常运行时间，并减少 MTTR 和平均检测时间 (MTTD)。
“我们的愿景是打造一个由 Agentic AI 和 LLM 集成遥测技术驱动的下一代Observability生态系统。”Chilakalapudi说道，“Elastic 在矢量搜索和 RAG 方面的进步与我们以见解为导向的自主运营路线图高度契合。”
Chilakalapudi 计划将 Elastic Observability 的使用范围扩大到涵盖其他关键业务职能。在追求进一步提升效率的过程中，他认为可以通过分析使用模式来识别节省措施，从而优化云成本。
