主动修复系统性能问题
Achmea 使用 Elastic 可观测性来分析其技术基础设施，并主动为 12,000,000 名客户和 16,000 名员工解决问题。
最大化数字投资回报
随着 Achmea 在创新云和数字解决方案上的投资，Elastic 可观测性被用于维持最佳性能，并帮助支持这些工具的投资回报率。
利用机器学习
Achmea 使用 Elastic 机器学习功能来检测来自应用程序的系统消息中的异常，包括摄取时的数据处理、内置算法和数据可视化器，以实现更快的异常检测，并识别支持机器学习的数据字段。使用 Elastic 机器学习作为早期预警系统，可以减少 Achmea 的平均修复时间 (MTTR)。
保险巨头 Achmea 通过 Elastic 可观测性加速数字化转型
Achmea 是荷兰最大的金融服务供应商之一，成立于 1811 年，最初是一家保险公司，旨在保护农民免受洪水和作物歉收等不幸事件的影响。如今，该公司提供广泛的服务，包括汽车、结构和健康保险。Achmea 在全球拥有 16,000 名员工，为大约 12,000,000 名客户提供服务。
Achmea 近年来大部分增长都来自收购，该公司目前拥有 9 个荷兰品牌和 5 个国际品牌。扩张导致了高度复杂的 IT 环境，其中多个业务系统会生成大量数据，并存储在多个位置。
这些系统之间的平稳集成对于日常业务运营和更好地服务客户至关重要。例如，当客户登录其帐户时，客户关系管理 (CRM) 和策略系统必须彼此良好通信。如果客户无法访问其信息，或者系统速度缓慢，可能会导致客户不满和业务损失。
支持业务的数字化转型
为了识别和解决这些类型的问题，Achmea 之前部署了一系列自定义开发的可观测性系统，用于聚合和检查遥测数据。但是，随着时间的推移，这些工具难以跟上不断增长的数据量，如今的数据量每秒产生 3,000 条系统消息，每天存储 2 TB。随着更多技术的部署以及 COVID-19 大流行期间远程工作导致的工作量增加，可观测性挑战也随之增加。诸如 Web、移动和聊天等多个面向客户的渠道的增长进一步增加了复杂性。
Achmea 的 IIB 和 API 网关集成项目协调员 Marc Rekers 总结了这种情况：“我们之前的可观测性解决方案不足以管理我们不断增长和变化的环境。我们想要更精简的东西，它也能够扩展以满足消息和数据量。”
快速解决问题的详细数据洞察
Rekers 邀请 Achmea 的长期 IT 服务提供商 Atos 合作开发解决方案。在分析了 Achmea 的需求后，Atos 推荐了 Elastic Cloud Enterprise SaaS 实施方案。这包括 Elastic Search Platform 和 Logstash 数据事件管道。Achmea 还使用 Kibana 进行数据可视化，包括 Lens、仪表板和 Discover 应用程序，以实现快速、详细的数据洞察。
我们向 Achmea 推荐 Elastic，因为它通过 Kibana 提供直观的数据可视化和导航，包括专门构建的界面，让用户能够以灵活的方式与数据交互。这些工具还允许 Achmea 筛选特定日期特定应用程序的日志。这一切都意味着更好的可观测性，并最终为员工和客户带来更好的系统性能。
借助 Elastic，Achmea 可以快速准确地在整个数据库中搜索特定信息，例如客户关系编号或保单号。它还在这些类型的系统消息中添加了几个元数据字段。这包括与消息相关的集成、服务器和平台，以及用于精细可观测性的性能时间。团队开发的每个新服务和集成都将使用 Elastic 进行跟踪。
现在，如果某个接口或集成出现问题，团队可以快速调查、分析和监控性能。我们可以计算流动的消息数量和类型，并解决影响性能的瓶颈。
例如，如果客户无法在网站上创建保险方案并联系呼叫中心，呼叫中心将创建一份事件报告以调查前端和后端系统。在集成层，Achmea 使用 Elastic 详细检查系统，并找到可以传递回呼叫中心和客户的解决方案。
应用机器学习
未来，Achmea 预计将使用 Elastic 机器学习功能。Elastic Stack 在摄取时处理数据，确保 Achmea 拥有最快识别根本原因或为任何事件添加上下文所需的元数据。Elastic 还包括大规模工作的算法和内置工具，如数据可视化工具，有助于查找数据中与机器学习良好配对的字段。
最重要的是，Elastic 支持 Achmea 的业务成功目标，因为它在通过最新平台提供创新产品和客户服务的同时，应对持续的技术增长和发展。
我们可以比以前更快地检测和解决问题。Elastic 为我们提供了集成系统的清晰视图，这意味着我们可以始终为员工和客户提供最佳性能。
