A felhő alapú megoldások alkalmazása és annak érettsége számos tényezőből tevődik össze. Áttekintve a korábbi érettségi modelleket és azok által vizsgált területeket, olyan indikátorokat választottam, amelyekkel jellemezni tudom a vállalatok által alkalmazott felhő alapú megoldásokat. Figyelembe vettem azokat a tapasztalatokat, amelyeket korábban a strukturált interjúk során szereztem.
Az adatokat a vizsgált mintán lefolytatott kérdőíves lekérdezés eredményekét gyűjtöttem be, mely kitért a privát, publikus megoldások értékelésére, az üzemeltetéshez kapcsolatos kulcskérdésekre, a szolgáltatási szintekre, továbbá vizsgálta az adatok szemszögéből is a felhő alapú megoldásokat. A kérdőívem ezen része 10 állítást tartalmaz, melyek értékelése egy 7 fokú Likert-skála segítségével történt meg. Az állításokat tartalmazó kérdőív az 1. mellékletben található.
A felhő alapú megoldások alkalmazásának érettségét a korábbi modellek alapján meghatározott érettségi szintekbe soroltam (9. ábra).
9. ábra: Felhő alapú megoldások alkalmazása érettségi piramis
A felhő alapú megoldások alkalmazására vonatkozó főkomponensek meghatározása
A felhő alapú megoldások vizsgálatakor szintén feladatom volt, hogy a változók számát redukáljam, erre faktorelemzést, azon belül főkomponens analízist (Principal Component Analysis) használtam.
Szükséges volt megvizsgálni, hogy a felhő alapú megoldásokhoz tartozó változók alapján kapott adatok megfelelnek-e a faktorelemzés feltételeinek.
Első lépésként a Pearson-féle lineáris korreláció vizsgálatára volt szükség. Az eredmények alapján kijelenthető, hogy a változók közötti kapcsolatok közepesen erősek (7. melléklet), ami azt jelenti, hogy megfelel a faktorelemzés követelményének.
Következő feltétel vizsgálatát az anti-image mátrix segítségével tettem meg, ahol elsődlegesen az átlóban található értékek elemzése szükséges, mivel ezek tartalmazzák az egyes változókra vonatkozó MSA-értékeket. Ha az MSA értéke 0,5 alatti, abban az esetben a változót nagy valószínűséggel ki kell venni az elemzésből, ha 1 az értéke, akkor a többi változó ezt a változót hiba nélkül becsli (Csallner, 2015). A kapott eredmények alapján a főátló értékei 0, 724 és 0, 836 közöttiek, a többi kapott eredmény pedig a megfelelő tartományban alacsony, így ez a feltétel is teljesül (8. melléklet).
Harmadik kritérium a Barlett-teszt nullhipotézis teljesülésének feltétele. A felhő alapú megoldásokkal kapcsolatos kérdéseket egy főkomponensbe rendeztem (12. táblázat). A szingifikancia szint kisebb, mint 0,05. Így kijelenthető, hogy a kiindulási változók között van korreláció, így alkalmasak az elemzésre.
Negyedik és egyben utolsó kritériumként Kaiser-Meyer-Olkin (KMO) vizsgálatát kellett elvégeznem.
Nem fogadható el értéke, ha 0,5 alatt van, azonban 0,8 felett nagyon jónak mondható. Vizsgálatom során KMO=0,762, mely szintén megfelel érték.
12. táblázat: Felhő alapú megoldások főkomponens Barlett-teszt és KMO eredménye
Kaiser-Meyer-Olkin érték 0,762
Barlett teszt Szabadsági fok 45
Szignifikancia 0,000
Következő lépésként a faktorok meghatározása következett és előszőr egyetlen faktor létrehozását végeztem el. A Kaiser-kritérium alapján, azokat a faktorokat vehetem figyelembe, melyek saját értéke legalább 1. A kapott eredmények alapján 2 faktor esetében kaptam nagyobb értéket, mint az elvárt szint (2.419 és 3.19). Azonban folytatni kell az elemzést, mivel 1faktorra történő átalakítás esetén csupán az eredeti információ tartalom 31,9%-a lenne megőrizve.
A Scree-teszt a teljes varianciát veszi figyelembe és segítséget nyújt a faktorok számának meghatározásában, ezért ennek eredményét is megvizsgáltam.
10. ábra: Felhő megoldások alkalmazása Scree-teszt eredménye
A Scree-plot (10. ábra) esetében a faktorok számát ott érdemes meghúzni, ahol a görbe meredeksége megváltozik (Barna & Székelyi, 2008). Az ábra alapján 2, viszonylag nagy információ tartalmú faktorra számíthatunk.
A Kaiser-kritérium és a Scree-plot eredményei alapján 2 faktor létrehozásával haladtam tovább és vizsgáltam a változók korrelációját az egyes faktorokkal. A faktorkiválasztás során kiemelten fontos a rotáció (faktorok elforgatása), melynek célja azon változók korrelációjának a felszámolása, amelyeknek egymáshoz nincs köze, így problémát okozva az elemzés későbbi szakaszában. A forgatás során Varimax rotációt használtam Principal component módszer mellett. A 3 iteráció után kialakult 2 faktor az eredeti információtartalom 60,70%-át őrizte meg (13. táblázat).
13. táblázat: Felhő alapú megoldások alkalmazás főkomponensek megőrzött varianciája
Főkomponens Eredeti saját érték Varimax rotáció utáni érték Megőrzött variancia % Kommulatív % Megőrzött variancia % Kommulatív %
1 35,374 35,374 30,488 30,488
2 25,296 60,670 30,183 60,670
A modell javításának módszere, ha megvizsgáljuk a kommunalitási értékeket, mely segít meghatározni, hogy van-e olyan változó, amelyet ki kell zárni, azaz értéke 0,25 alatt van. Az ilyen változóknak nincs elég magyarázó ereje (Barna & Székelyi, 2008). Ilyen volt a "Szolgáltatókkal szemben támasztott biztonsági elvárások definiáltak" változó, mivel értéke 0,235 mutatott.
Ezen túl szükséges, hogy egy változó csak egyetlen faktorhoz tartozzon. Ezért elvárás, hogy a faktorsúly jelentősen nagyobb, legalább kétszerese, vagy különbsége minimum 0,25 legyen, mint a többi faktor esetében. Ez teljesült vizsgálatom során.
Továbbá azokat a változókat is el kell hagynom, amelyeket nem lehet magyarázni, vagy egyáltalán nem illettek bele a létrejött modellbe, de erre nem volt példa a faktorelemzés során.
A válaszok, valamint a faktorelemzés alapján 2 egymástól független faktor jött létre, melyek magas mérési szintűek, így további elemzést tesznek lehetővé.
A felhő alapú megoldásokra jellemző dimenziók
A dimenziócsökkentés eredményeként megállapítható, hogy a felhő alapú megoldásokkal kapcsolatos változók 2 fő tényező köré csoportosíthatóak:
• Publikus felhő szolgáltatások
• Privát felhő szolgáltatások
14. táblázat: Felhő alapú megoldások alkalmazásának komponens mátrix
Változók Publikus felhő
szolgáltatások Privát felhő szolgáltatások
Privát felhő szolgáltatásokat használ 0,889
Publikus felhő szolgáltatásokat használ 0,824
Külső üzemeltetés felel a felhő alapú megoldásokért 0,796
Belső üzemeltetés felel a felhő alapú megoldásokért 0,838
Infrastruktúra szolgáltatást vesz igénybe/biztosít (IaaS) 0,787
Platform szolgáltatást vesz igénybe/biztosít (PaaS) 0,697 Szoftvert, mint szolgáltatás vesz igénybe/biztosít (SaaS) 0,649 Belső felhő megoldásokkal szemben támasztott biztonsági
elvárások definiáltak 0,608
Adatok kihelyezhetősége meghatározott, azaz mely adatok
helyzhetőek ki és melyek nem) 0,569
A publikus felhő szolgáltatások főkomponens magába foglalja a külső szolgáltatókat jellemző területeket. Így az első dimenzió maga a publikus felhő használata, mely meghatározza, hogy az adott szervezet milyen mértékben épít a külső erőforrásokra. Második dimenzió az üzemeltetés felelősége és feladata, mely ebben az esetben a külső szolgáltatóra hárul. Harmadik és negyedik dimenzió maga a szolgáltatás típusa. A publikus szolgáltatások esetében döntő részben a platform és szoftver szolgáltatások igénybevétele a jellemző. Ötödik és egyben kritikus témaköre a publikus felhő szolgáltatásoknak annak meghatározása és értékelése, hogy mely adatok azok, amelyek kihelyezhetőek külső szolgáltatóhoz.
A privát felhő szolgáltatások főkomponens tartalmazza a belső szolgáltatások területeit, így magát a privát felhő használatának mértékét, mely meg fogja mutatni, hogy a szervezeten belül mennyire elterjedt a felhő alapú megoldások alkalmazása. A privát felhő üzemeltetése esetében két megközelítés, valamint ezek ötvözése van jelen. Azaz külső, vagy belső, vagy ezek kombinációjával biztosítják a napi feladatok ellátását. A privát felhő szolgáltatások főkomponenshez belső üzemeltetési feladatok dimenziója került elemzésem alapján. A privát megoldás esetében döntő többség az infrastruktúra szolgáltatások jelennek meg és kiemelt figyelmet kapnak ezen szolgáltatásokkal szemben támasztott biztonsági elvárások is.
A felhő alapú megoldások alkalmazásának érettség meghatározása
Az érettség meghatározásához szükséges a megkapott főkomponens értékek felhasználása a következő folyamat mentén:
1. Kiszámoltam az egyes főkomponensek első, második, harmadik kvartilisét (=KVARTILIS(vizsgált tartomány;kvart) (14. melléklet)
2. Az így kapott értékek alapján meghatároztam, hogy az egyes főkomponensek esetében a vizsgált szervezet milyen érettségi szintbe tartozik (9. melléklet)
3. A meghatározott érettségi szintek segítségével kiszámoltam egy adott válaszadóhoz tartozó főkomponens érettségi értékek geometriai átlagát, mely így megadta a szervezet felhő alapú megoldások alkalmazásához kapcsolódó összesített érettségét (9. melléklet)
Az így meghatározott érettségi szintek összetételét a vizsgált mintára vetítve a 11. ábra tartalmazza.
11. ábra: Felhő alapú megoldások alkalmazásának érettségi szintek szerinti megoszlása Minimális vagy
nem létező; 38;
17%
A működésben megjelent; 103;
47%
Mindennapi működés részévé
vált; 63; 29%
Jövő a felhő megoldás; 15; 7%
A felhő alapú megoldások alkalmazásával kapcsolatos eredmények összefoglalása
A beérkezett adatok alapján elvégeztem a faktoranalízis alkalmazhatósági feltételeinek vizsgálatát, majd folytattam a változók főkomponensekbe történtő sorolásával. Az elemzés végeredményeként 2 főkomponens jött létre, melyeket a publikus és privát felhő szolgáltatások alkották.
Ismertettem annak módszerét, hogy miként képződik a főkomponensek értékéből az egyes érettségi szintek, melynek végeredményeként összefoglaltam az egyes érettségi szintek megoszlását a teljes mintán belül.