发现的类型

你无法管理你看不到的东西，而 SaaS 很难可视化。这就是SaaS 发现如此重要的原因，也是SaaS 库存管理的关键第一步。有五种主要的发现方法：

• 人工智能匹配模型：依靠模式行为，使用机器学习来识别已知和未知的 SaaS 应用程序。这种方法在识别新应用程序方面提供了更大的灵活性和适应性，使其成为 SaaS 发现的可靠选择。
• 基于规则的匹配：依赖于逻辑和已知信息，例如费用或支出类型、供应商/供应商名称以及预定义规则，以对费用是否与 SaaS 相关进行分类。
• 云访问安全代理 (CASB) ：利用和监控公司网络来跟踪应用程序使用情况和安全详细信息。在混合和远程工作情况下，使用 CASB 进行发现可能具有挑战性。这是因为该技术基于以下假设：所有员工都在公司网络上或通过其身份提供商访问和登录工具。
• 浏览器扩展：与 CASB 类似，这些扩展依赖于员工使用公司设备和/或网络并通过浏览器监控数据使用情况。浏览器扩展就像老大哥一样监视着你的员工，并可能导致安全问题。这种方法还会产生很多噪音，无法发现员工正在使用什么软件以及访问或互动的网站。
• 单点登录 (SSO) ：将员工访问权限统一到单点登录凭证。此凭证链接到可以收集和可视化数据的应用程序。

为什么基于规则的匹配不起作用

目前，许多 SaaS 管理平台都采用基于规则的方法。尽管这种匹配模型很简单，但它存在固有的局限性：

• 依赖已知信息：这些模型需要事先了解供电报数据应商或应用程序，因此不适合识别新的或不熟悉的 SaaS 工具。此外，如果您使用的是支出类型或其他分类，则基于规则的匹配效果取决于输入的数据。如果您输入的是垃圾数据，那么您得到的就是垃圾数据。
• 手动工作和不一致：您可能可以自己在电子表格中执行此匹配，尽管是手动的。但是，由于费用分类和供应商命名约定不一致，因此这项工作非常耗费人力。您可能会让您的 IT 部门不断更正数据并调查不一致之处。
• 缺乏可扩展性：基于规则的匹配提有保障的预算将使这些长期目标更接供了时间点视图，因为它依赖于特定点的数据输入（而不是自动输入和自我更新），这使得跟上不断发展的 SaaS 应用程序格局变得具有挑战性。

基于规则的匹配还存在其他问题（也有一些好处），但基于规则的匹配和人工智能匹配之间存在明显差异。基于规则的匹配可能比较简单，但人工智能匹配可以让你做好一切准备。