智能运维是什么？
得益于IT外包服务的发达，现在的运维已经不包括搬机器上架、接网线、安装操作系统等基础工作，运维人员一般会从一台已安装好指定版本的操作系统、分配好IP地址和账号的服务器入手，工作范围大致包括：服务器管理（操作系统层面，比如重启、下线）、软件包管理、代码上下线、日志管理和分析、监控（区分系统、业务）和告警、流量管理（分发、转移、降级、限流等），以及一些日常的优化、故障排查等。随着业务的发展、服务器规模的扩大，才及云化（公有云和混合云）、虚拟化的逐步落实，运维工作就扩展到了容量管理、弹性（自动化）扩缩容、安全管理，以及（引入各种容器、开源框架带来的复杂度提高而导致的）故障分析和定位等范围。听上去每一类工作都不简单。不过，好在这些领域都有成熟的解决方案、开源软件和系统，运维工作的重点就是如何应用好这些工具来解决问题。传统的运维工作经过不断发展（服务器规模的不断扩大），大致经历了人工、工具和自动化、平台化和智能运维（AIOps）几个阶段。这里的AIOps不是指Artificial Intelligence for IT Operations，而是指Algorithmic IT Operations（基于Gartner的定义标准）。基于算法的IT运维，能利用数据和算法提高运维的自动化程度和效率，比如将其用于告警收敛和合并、Root分析、关联分析、容量评估、自动扩缩容等运维工作中。在Monitoring（监控）、Service Desk（服务台）、Automation（自动化）之上，利用大数据和机器学习持续优化，用机器智能扩展人类的能力极限，这就是智能运维的实质含义。智能运维具体的落地方式，各团队也都在摸索中，较早见效的是在异常检测、故障分析和定位（有赖于业务系统标准化的推进）等方面的应用。智能运维平台逻辑架构如图所示。智能运维平台逻辑架构图智能运维决不是一个跳跃发展的过程，而是一个长期演进的系统，其根基还是运维自动化、监控、数据收集、分析和处理等具体的工程。人们很容易忽略智能运维在工程上的投入，认为只要有算法就可以了，其实工程能力和算法能力在这里同样重要。智能运维需要解决的问题有：海量数据存储、分析、处理，多维度，多数据源，信息过载，复杂业务模型下的故障定位。这些难题是否会随着智能运维的深入应用而得到一定程度的解决呢？我们会在下一篇文章中逐步展开这些问题，并提供一些解决方案。本文选自《智能运维：从0搭建大规模分布式AIOps系统》，作者彭冬、朱伟、刘俊等，电子工业出版社2018年7月出版。本书结合大企业的智能运维实践，全面完整地介绍智能运维的技术体系，让读者更加了解运维技术的现状和发展。同时，帮助运维工程师在一定程度上了解机器学习的常见算法模型，以及如何将它们应用到运维工作中。
什么是IT智能运维？
IT智能运维必须以大数据为基础，所以企业必须具有采集IT全层级数据的能力，并能实现数据融合，结合机器学习、智能算法，对IT运维实现洞察，获得预见性。
现在推IT智能运维的服务商国内有几家，我比较认可博睿数据提出的数据为本的理念，没有数据就是无水之源，所以企业别被概念忽悠，先踏实做数据采集和融合，智能运维是水到渠成的事
自动化运维是什么？
提到自动化运维，很多人可能会想到数据中心自动化(DCA)、开发运营一体化(DevOps)，但这些定义始终不是一个统一的答案，其实自动化运维可以理解成是：
通过运维工具或平台，实现IT基础设施及业务应用日常任务处理和运维流程的自动化，从而提高效率和降低风险，促进运维组织的成熟和各种能力的升级。
日常任务处理包括：设备发现、作业调度、补丁分析和分发、配置变更、操作系统安装、脚本执行、配置检查等;
运维流程包括：应用发布流程、应用部署流程、变更流程、资源交付流程、灾备切换流程、故障处理流程等;
能力升级包括：事件应对能力、业务运营能力、风险应对能力、变化适应能力、合规遵从能力等;
自动化运维并不是孤立建设和运行的，自动化、配置管理、监控是运维管理最重要的三点，三者间相互独立也相互关联，最好的做法是共同建设、共同迭代。
什么是自动化运维和智能运维？
说到底，自动化运维也就是把一些手工的重复性操作用各种手段替代了。现在很多大型的IT公司基本上都有或多或少的自动化运维工具。其实随着人工智能的发展，运维已经进入的新时代，早在2016年Gartner就提出了AIOps概念，而经过近几年的发展，国内也出现了很多AIOps厂商，其中就包括听云，听云是北京基调网络股份有限公司旗下APM品牌，拥有听云APP、听云Network、听云Server、听云Browser、听云Sys等产品，提供真实用户体验视角下移动客户端、服务端与网络的性能监控与管理。
什么是IT运维？
所谓 IT运维管理,是指单位 IT 部门采用相关的方法、手段、技术、制度、流程和文档 等,对IT 如硬运行环境(软件环境、网络环境等)、IT 业务系统和 IT 运维人员进行的综合管理。
IT 运维管理是时下 IT 界最热门的话题之一.随着 IT 建设的不断深入和完善,计算机硬软件系 统的运行维护已经成为了各行各业各单位领导和信息服务部门普遍关注和不堪重负的问题.由于这是一个随 着计算机信息技术的深入应用而产生的新课题,因此如何进行有效的 IT 运维管理,这方面的知识积累和应 用技术还刚刚起步.对这一领域的研究和探索,将具有广阔的发展前景和巨大的现实意义
企业将IT部门的职能全部或部分外包给专业的第三方IT外包公司管理，集中精力发展企业的核心业务。简单的说就是企业在内部专职IT运维人员不足或没有的情况下，将企业的IT外包服务流程，包括全部办公硬件、网络及外设的维护工作转交给专业从事IT运维的公司来进行全方位的维护。
什么是业务运维，企业如何实现业务与IT的融合
业务运维并不是一个新概念，针对传统信息架构提出的业务服务管理就是把以业务为核心的IT系统与IT基础设施性能进行整合运维的解决方案。
然而随着互联网+转型的不断推进，基础设施的智能化和广泛云化成为IT发展的“新常态”，只关注IT基础设施、系统与应用软件的稳定性与性能状况的传统运维手段，越来越难以满足企业业务高速发展的需求。
如何实现业务与IT的融合
在传统企业转型过程中，企业IT与业务如何恰到好处的融合一直都是很大的难题。现如今企业IT与业务的关系越来越紧密，脱离业务，单独落实IT，并不能产生价值;只有重视IT才能提高企业核心竞争力，创造新的产品，为业务带来更好的效率和效益，体现IT的价值，更多的参与到新业务建设当中，从而形成良性循环。
大多数业务部门对IT部门的感情是复杂而矛盾的，一方面感觉到IT越来越重要，业务的发展离不开IT部门的支持；但另一方面却是对IT部门不是很了解，因为大多数时候业务部门对IT存在的价值还心存疑虑。目前存在问题，当业务上不去时，业务部门会把问题推诿到IT部门，认为是IT部门没有为业务部门提供支持；而当业务部门风光无限时，IT部门的人员却因为前台没有自己的位置而感到失落。
想要解决以上问题，实现业务与IT的融合首先要求企业转变传统运维模式，在对基础架构和系统的运行质量进行主动式运维监控的同时，从真实用户体验的视角出发对业务系统的实际支撑环节进行关联和透视，并以此为基础构建起企业业务运维支撑平台。业务运维支撑平台的构建要从业务系统、业务管理和IT支撑三个维度入手，对所有IT系统进行有效梳理，可以从五个方面进行入手。
(1)确立IT以业务驱动为核心的理念
首先在企业内要建立IT应该是以业务驱动为核心的理念，只有这样才能在全企业范围内建立“IT技术服务于业务发展”的意识和文化，这也是实现IT与业务融合的根本驱动力。也就是说，应该要从业务角度对IT需求的重要性和紧迫性进行分析。
(2)IT规划应该要和业务规划相匹配
针对许多企业IT规划和业务规划的不匹配的问题，企业需要从一开始就建立IT规划和业务规划相匹配的共同基调，其过程通常会涉及定义、确认和创建IT规划和业务规划应当满足的具体指标。在建立IT规划和业务规划相匹配的过程中，要切记两个主要的目标：可行性高和持续改善。
(3)IT部门自身要培养复合人才
目前，许多企业的IT现状是企业的业务发展战略明确了以后才告诉IT人员，这样其实为时已晚。因为良性的业务发展是企业在讨论业务决策时，就应该要有IT高级人员参与到整个决策中来，并对业务发展中如何借助IT手段提出自己的建议。
因此，从IT管理层面来看，IT人员不能只成为技术人员，而应该要成为一个集管理与IT技术于一体的复合型人才，是一个能够理解企业管理、能够和企业各个层面人员进行沟通的IT人才。
(4)IT工作透明化，促进IT部门与业务部门达成共识
IT工作透明化，避免相互责怪是促进IT部门与业务部门达成共识的关键一环。其实，大家只要认真想一想就会发现，出现问题后互相责怪也是造成IT与业务难以融合的关键因素之一。IT工作透明化一方面有利于IT与业务部门之间的沟通，因为透明化的工作可以让大家在沟通上有一种共同的语言；另一方面，透明化的工作也可让业务部门和企业高层领导清楚IT部门的工作，明白IT部门每项工作对业务的支撑作用。
(5)运用BSM融合管理工具
在IT和业务融合过程中，我们还可以使用一些管理工具来提高效率。例如，BSM(Business Service Management：业务服务管理)就是推动IT与业务融合，实现和改善公司IT管理和治理的最佳实践之一。传统的IT工具和流程一般是集中在技术上，而不是业务目标上；而BSM能使IT专注于业务的需求上，通过转变企业的IT环境使业务部门和IT部门领导者能够拥有统一的语言，通过统一的界面使IT和业务融合在一起。BSM主要强调应用业务的观点来运营和维护企业的IT系统，从而最大化的发挥IT对企业业务的推动作用。
相比传统运维工具，AIOps的优势在哪里？
作为一种将算法集成到工具里的新型运维方式，AIOps 可以帮助企业最大程度地简化运维工作，把 IT 从耗时又容易出错的流程中解放出来。有了 AIOps，当 IT 出现故障隐患，运维人员不需要再等待系统发出故障告警，通过内置的机器学习算法以及大数据技术，就能自动发现系统的各类异常，从而实现从异常入手判断故障发生的可能性、严重性和影响，依赖机器对数据的分析结果，判断最佳的应对方案。由此可以看出，基于 AIOps 的管理方法对监控式运维的底层技术实现了颠覆。传统 IT 运维管理工具更为关注突发事件（即告警）、配置和性能，而 AIOps 则更加关注问题、分析和预测，二者可谓互相补充相得益彰。对 IT 运维人员而言，当一条告警被确认的时候，不但意味着你第一时间发现了业务故障，更意味着在故障发生的这一刻，业务已经受到了影响。而随着 AIOps 的出现，IT 部门可以通过机器学习和算法技术，事先发现 IT 系统的运行异常，提前进行故障的防范甚至规避措施，确保业务故障不出现或者少出现，这些对于 IT 和业务部门来说意义重大。
AIOps对比传统运维工具的优势？
当前，随着企业数字业务的快速发展和业务量的攀升，企业信息系统架构的升级变迁，以及企业多套业务系统的在线运营，各类监控组件和应用系统间的关系错综复杂，系统运维的难度也急剧增加，且面临着巨大挑战。在传统运维方式下，数据规模大且离散，数据治理和全面分析能力薄弱且依赖于经验和规则，运维十分被动，解决问题效率非常低下，运维的实用性大打折扣，难以满足当前主动运营的要求。具体来说有以下几点：发现问题难：企业在经年累月中布局了诸多监控工具，但是监控手段阈值的设定单一，且一般都是静态阈值，而指标和告警的异常却是多样化的，这样就会造成大量的误报漏报现象。此外，目前绝大多数的监控工具，缺乏趋势预测能力，使得运维局面非常被动，导致发现问题十分困难。根因定位难：发现问题时一般都是对问题进行定性分析，可能了解到某一告警对应的指标波动是值得关注的，但是并不能因此确定造成这种现象具体根因。而且目前的监控工具，大多缺乏综合根因定界及定位分析的手段，即便对监控进行了集中管理，也难以通过单纯的几种指标进行根因定位。数据治理难：当数字化建设进行到一定程度的时候，被管理对象的数据量相应的也是水涨船高，数据数量大、类别多且非常分散，很难通过某一指标体系来衡量系统的健康度，也没有一个统一的视角去判断数据质量的好坏优劣。运营分析难：现有的大多数基础监控工具，多数都是从自己的管理阈例如系统管理、网络管理出发看待问题，缺乏端到端的分析能力，没办法以业务视角从综合运营分析的角度，去看待多样化指标对系统的影响。而智能运维是一种全新的数字化运维能力，也将是数字化转型的必备能力。智能运维相对于传统运维模式而言，能够在运维数据治理、业务数字化风险、运维人力成本和业务侧影响力四个方面有本质的效能提升。智能运维相对于传统运维模式而言，能够在四个方面有本质的效能提升：运维数据治理。通过高性能实时处理的数据平台广泛采集、处理和分析数字化业务运行过程中的多样化运维数据，包括告警、指标、日志、配置以及运维工单等类别，不仅提升了运维大数据的治理能力，优化了数据质量，而且为进一步激活运维数据的价值打下了良好基础；业务数字化风险。使运维人员不仅提升了历史运维数据的分析能力并且能够对实时数据进行异常检测和问题预判，有效降低数字化业务的运行风险，提升可用性、稳定性；运维人力成本。使真正意义上的跨域根因定位成为可能，降低对专业运维人员经验技能的依赖，迅速缩短故障排查时间并有效降低人力成本；业务侧影响力。以业务视角利用多元化数据提高运营分析和决策能力，比如端到端的分析业务交易状态，提供给业务、客服部门及时反馈和决策支持依据，充分增强业务影响力；智能运维发展正如火如荼，Gartner预见其为下一代运维，认为到2022年将有近50%的企业用户部署智能运维。虽然目前不少企业已经在积极投入建设，也还有一些企业处在迷茫阶段，对这种趋势不太清晰，借用著名作家威廉吉布森的话，“未来已来，只是分布不均。”
如何建设信息系统运维呼叫中心服务体系？
您可以建一个呼叫中心系统，可以寻找自建型的供应商，深圳的华天动力公司的呼叫中心系统不错，我们公司就是用的这个公司的呼叫系统，我们公司的服务部门有30来个，也就是有30来个座席，听他们反馈说用起来很方便，
这个公司在服务方面也不错，我们公司有好几次不是他们的呼叫系统的问题，我们想请他们技术人员来帮忙查下问题，结果二话不说他们公司的技术人员就上门帮我们解决了。 希望我的回答对你有帮助，呵呵
