De nuevo, APM recopila los datos del rendimiento de las aplicaciones de software, los analiza para detectar posibles problemas de rendimiento y proporciona información o interviene para acelerar la resolución de estos problemas. La principal diferencia en cómo recopilan y analizan los datos es la diferencia entre la supervisión y la observabilidad del rendimiento de las aplicaciones.

Supervisión del rendimiento de las aplicaciones

En la supervisión del rendimiento de las aplicaciones, los agentes se despliegan en todo el entorno de las aplicaciones y la infraestructura de soporte para "supervisar" el rendimiento cogiendo muestras de métricas de rendimiento y relacionadas con el rendimiento (a veces llamado telemetría), generalmente con una frecuencia de una vez cada minuto. Los tipos de supervisión que realizan estos agentes incluyen:

• La supervisión de la experiencia digital recopila métricas de rendimiento, como tiempo de carga, tiempo de respuesta, tiempo de actividad o tiempo de inactividad, desde la interfaz del usuario en el dispositivo del usuario final (esto solía llamarse supervisión de la experiencia del usuario final, pero se amplió para reconocer entidades no humanas, como robots u otros componentes de software, que también interactúan con la aplicación y tienen sus propias expectativas de rendimiento). La supervisión de la experiencia digital suele integrar la supervisión del usuario real, que monitoriza la experiencia de un usuario real en el sistema, y la supervisión sintética, para pruebas de rendimiento en entornos de producción y no producción.
  
  
• La supervisión de aplicaciones incluye la supervisión de toda la pila de aplicaciones o marco de aplicaciones (por ejemplo, Java o .NET), sistema operativo, base de datos, API, middleware, servidor de aplicaciones web e interfaz de usuario, así como la supervisión de la infraestructura de TI,  que toma muestras de factores como la utilización de CPU, el espacio del disco y el rendimiento de la red. La supervisión de la pila normalmente incluye rastreo a nivel de código, que puede ayudar a detectar porciones de código que podrían estar causando un cuello de botella de rendimiento.
  
  
• La supervisión de base de datos toma muestras del rendimiento de procedimientos o consultas SQL, además de la supervisión de base de datos proporcionada por los agentes de supervisión de aplicaciones.
  
  
• La supervisión de la disponibilidad monitorea la disponibilidad real de componentes de hardware y aplicaciones (porque las aplicaciones pueden generar datos de rendimiento incluso cuando no son accesibles para el usuario final).

Además de recopilar datos de rendimiento, estos agentes crean perfiles de transacciones definidos por el usuario, realizan el seguimiento de cada transacción desde la interfaz de usuario o dispositivo del usuario final a través de cada componente de la aplicación o recurso involucrado en la transacción. Esta información se utiliza para determinar las dependencias de la aplicación y para crear un mapa de topología, que es una visualización de las dependencias entre la aplicación y los componentes de la infraestructura, idealmente en entornos en local, de nube privada, nube pública (incluido cualquier software como servicio o soluciones SaaS) y/o nube híbrida. 

Las soluciones de APM generalmente proporcionan un controlador y un panel de control centralizado, donde las métricas de rendimiento recopiladas se agregan, analizan y comparan con las líneas base establecidas. El panel de control alerta a los administradores del sistema sobre desviaciones de las líneas base que indican problemas de rendimiento reales o potenciales; también proporciona información contextual y conocimientos prácticos que los administradores pueden utilizar para resolver problemas.

Observabilidad

El muestreo periódico es lo suficientemente efectivo para la supervisión y la resolución de problemas de aplicaciones monolíticas o aplicaciones distribuidas tradicionales, donde se publica nuevo código periódicamente y los flujos de trabajo y las dependencias entre los componentes de las aplicaciones, los servidores y los recursos relacionados son conocidos o de fácil seguimiento.

Pero ahora, las organizaciones están adoptando prácticas de desarrollo modernas y tecnologías nativas en la nube (metodologías Agile y DevOps, microservicios, contenedores Docker, Kubernetes y funciones sin servidor), lo que implica el despliegue de nuevos componentes de aplicaciones con tanta frecuencia, en tantos lugares, en tantos lenguajes y durante períodos de tiempo tan variados que el muestreo de datos de una vez por minuto de las soluciones de supervisión tradicionales no puede seguir el ritmo.

La observabilidad cambia los agentes de supervisión tradicionales por una instrumentación que recopila rendimiento y datos contextuales sin parar, y utiliza técnicas de machine learning para correlacionar y analizar los datos en tiempo real. Con una solución de observabilidad, los equipos de desarrollo, operaciones de TI e ingeniería de fiabilidad de sitios (SRE) pueden:

• Descubrir y abordar "desconocidos desconocidos". La supervisión tradicional solo busca desviaciones conocidas de las líneas base conocidas. La funcionalidad de machine learning de una plataforma de observabilidad puede detectar patrones en la telemetría de rendimiento para identificar nuevas desviaciones que se correlacionan con problemas de rendimiento.
  
  
• Detectar y resolver problemas al principio del desarrollo. La observabilidad permite a los equipos de DevOps incluir la supervisión en las primeras fases del proceso de desarrollo de software, para que puedan probar, identificar y arreglar problemas en un nuevo código antes de que afecten a la experiencia del cliente o a los acuerdos de nivel de servicio (SLA).
  
  
• Escalar la observabilidad automáticamente. Por ejemplo, los desarrolladores pueden especificar la instrumentación de observabilidad como parte de una configuración de clústeres Kubernetes, de modo que cualquier nuevo clúster comience a recopilar telemetría desde el momento en que se despliega hasta que se desconecta.

La observabilidad no sustituye a la supervisión, sino que habilita una mejor supervisión y una mejor APM.

Hoy en día, las herramientas APM utilizan observabilidad e IA en distintos grados. Algunas combinan la supervisión tradicional del rendimiento de las aplicaciones con IA para automatizar el descubrimiento de rutas de transacciones cambiantes y dependencias de aplicaciones. Otras combinan la observabilidad con la IA para determinar automáticamente líneas de base de rendimiento y filtrar señales o información procesable del "ruido" de los datos de gestión de operaciones de TI (ITOM). El analista del sector Gartner considera que las organizaciones pueden lograr una "reducción del ruido del 60 % en ITOM mediante el uso de herramientas aumentadas por IA".

El objetivo final, y el futuro de APM y las operaciones de TI, es combinar la observabilidad con la inteligencia artificial para las operaciones de TI, o AIOps, para crear infraestructuras capaces de repararse y optimizarse a sí mismas. Juntos, el flujo constante de la telemetría de observabilidad en tiempo real y el aprendizaje automático y la automatización de AIOps pueden predecir los problemas de rendimiento de las aplicaciones en función de los resultados del sistema, resolverlos antes de que afecten a la experiencia del usuario o a las operaciones e incluso tomar medidas para optimizar el rendimiento de las aplicaciones, todo ello sin intervención de la dirección.