Zeiss verknüpft DORA-Metriken und FinOps über Backstage und Argo CD

Die Herausforderung: Datenqualität in komplexen Cloud-Umgebungen

Moderne Cloud-Plattformen erzeugen kontinuierlich enorme Mengen an Telemetriedaten, Logs und Kosteninformationen. Für Unternehmen wie Zeiss besteht die Schwierigkeit darin, diese Rohdaten sinnvoll zu strukturieren. Ohne eine präzise Zuordnung zu spezifischen Teams, Systemen und Kostenstellen verlieren sowohl die Bewertung der Software-Delivery-Performance (DORA-Metriken) als auch die finanzielle Steuerung (FinOps) an Aussagekraft. Wie Cloud-Architekt Alexander Troppmann erläuterte, ist die Lösung eine durchgängige Metadaten-Strategie, die als verbindendes Element zwischen verschiedenen IT-Ebenen fungiert.

Der Ansatz: Backstage als zentrale Quelle der Wahrheit

Um den sogenannten „Drift“ zwischen verschiedenen Systemwelten zu vermeiden, setzt Zeiss auf eine klare Hierarchie. Dabei dient das Developer-Portal Backstage als zentrale „Single Source of Truth“ für alle organisatorischen Metadaten. Hier werden Informationen zu Verantwortlichkeiten (Owner), Systemen, Domains, Umgebungen (Entwicklung, Staging, Produktion) sowie Kostenstellen gepflegt.

Die technische Umsetzung erfolgt über eine Kette, die den Zustand in Backstage mit der tatsächlichen Laufzeitumgebung in Kubernetes und Argo CD synchronisiert. Um die Git-Historie nicht durch manuelle Anpassungen zu überladen, nutzt das Unternehmen ein selbst entwickeltes Tooling: Den „Argo CD Annotator“. Dieser führt folgende Schritte aus:

* Klonen der GitOps-Repositories.

* Identifikation der Argo-CD-Application-Manifeste.

* Abgleich der Metadaten aus Backstage.

* Injektion der Daten via Kustomize-Komponenten und JSON-Patches.

Präzise Definitionen für DORA und FinOps

Die Verknüpfung dieser Daten ermöglicht eine deutlich schärfere Analyse. Ein Beispiel hierfür ist die Definition eines erfolgreichen Deployments. Bei Zeiss gilt ein Rollout erst dann als abgeschlossen, wenn die Anwendung gleichzeitig die Zustände „succeeded“, „synced“ und „healthy“ erreicht. Dies verhindert, dass fehlerhafte Deployments, die lediglich den Sync-Status erreicht haben, die Statistik verfälschen.

Auch bei der Fehleranalyse (Mean Time to Recovery) setzt das Unternehmen auf hohe Präzision. Transiente Störungen, die sich durch automatische Heilungsprozesse innerhalb von 60 Sekunden selbst beheben, fließen nicht in die Change Failure Rate ein. Die Auswertung erfolgt zudem über Histogramme mit Perzentilen, um aussagekräftige Einblicke in die tatsächliche Performance zu erhalten, statt diese durch Durchschnittswerte zu verschleiern.

Im Bereich FinOps werden dieselben Metadaten genutzt, um Kubernetes-Namespaces zu annotieren. Dies erlaubt eine präzise Zuordnung von Cloud-Kosten auf Tenant-Ebene. Da dieser Prozess deterministisch abläuft und Änderungen versioniert dokumentiert werden, sinkt das Risiko für Inkonsistenzen zwischen den Finanzberichten und der technischen Realität.

Governance und Ausblick

Die Erfahrung bei Zeiss zeigt, dass technisches Tooling allein nicht ausreicht. Datenqualität bleibt eine Governance-Aufgabe. Die Verantwortlichen müssen sicherstellen, dass Einträge im Servicekatalog aktuell und korrekt gepflegt werden. Zudem setzt das Unternehmen auf eine strikte Trennung: Während KI-Werkzeuge wie GitHub Copilot bei der Entwicklung unterstützen, bleibt die Laufzeitumgebung frei von KI-Abhängigkeiten. Dieser „Spec-driven“-Ansatz, der auf dokumentierten Architekturentscheidungen basiert, stellt sicher, dass Prozesse nachvollziehbar und revisionssicher bleiben.

Für die Zukunft plant das Unternehmen, die Metadaten-Basis weiter auszubauen. Geplant ist die Integration von SRE-Owner-Informationen, Angaben zur Kritikalität von Systemen sowie Skalierungsprofilen. Damit unterstreicht Zeiss den Anspruch, dass eine belastbare Transparenz über Performance und Kosten nur durch die konsequente Verknüpfung von organisatorischem Kontext und technischem Zustand erreicht werden kann.