Métricas de disponibilidad
La disponibilidad es la proporción del tiempo, o de las solicitudes de los usuarios, en que un servicio hizo lo que sus usuarios necesitaban, y solo dice la verdad cuando defines qué significa "activo" desde el lado del usuario, cuentas por separado las caídas planificadas y las no planificadas, y lees la aritmética de los nueves antes de prometer uno.
Resumen y motivación
La disponibilidad es el número más citado en la gestión de servicios y uno de los menos definidos con precisión. Un enunciado como "el servicio estuvo disponible el 99,9 por ciento el mes pasado" suena exacto, pero oculta al menos cuatro decisiones: qué contó como el servicio, qué contó como "disponible", qué horas estaban incluidas y qué caídas se excluyeron. Dos equipos pueden informar del mismo servicio en el mismo mes y publicar cifras que difieren en un orden de magnitud sin que ninguno cometa un error aritmético.
Este tema hace explícitas esas decisiones. Cubre el cálculo del tiempo de actividad y de inactividad, la disponibilidad ponderada por usuarios, la caída planificada frente a la no planificada y la aritmética de los nueves. Se apoya en los indicadores de nivel de servicio (SLI), los objetivos de nivel de servicio (SLO) y los presupuestos de errores (véase el tema 5.2, SLI, SLO y presupuestos de errores) y en la visión contractual de los niveles de servicio (véase el tema 5.1, Métricas de SLA, OLA y XLA). Esos temas dicen cómo elegir una meta. Este dice cómo calcular el número con el que se compara la meta.
Términos usados en este tema
- Disponibilidad es la capacidad de un servicio de hacer lo que los usuarios necesitan cuando lo necesitan, normalmente expresada como un porcentaje durante un periodo. El concepto general se describe en el artículo sobre la alta disponibilidad.
- Inactividad (downtime) es un periodo en que un servicio no está disponible. Este tema usa caída para un episodio continuo de inactividad y degradación para un periodo en que el servicio funciona pero por debajo de una calidad acordada.
- Tiempo de actividad (uptime) es el complemento de la inactividad dentro de la ventana de medición. La disponibilidad basada en el tiempo es el tiempo de actividad dividido entre el tiempo total incluido.
- Disponibilidad basada en solicitudes es la proporción de solicitudes válidas que tuvieron éxito, de modo que un fallo que afecta al 5 por ciento de las solicitudes durante una hora cuenta como el 5 por ciento del tráfico de una hora, no como una hora completa de inactividad.
- Disponibilidad ponderada por usuarios amplía la visión basada en solicitudes ponderando los fallos por el número o la importancia de los usuarios afectados, por ejemplo contando sesiones fallidas o recorridos fallidos en lugar de solicitudes en bruto.
- Un acuerdo de nivel de servicio (SLA) es un compromiso con un cliente, y un objetivo de nivel de servicio (SLO) es una meta interna de un indicador. Los artículos sobre el acuerdo de nivel de servicio y el objetivo de nivel de servicio dan definiciones generales.
- Inactividad planificada es una caída anunciada de antemano y aprobada mediante la habilitación de cambios. Inactividad no planificada es todo lo demás. La frontera entre ambas es una de las líneas más disputadas de los informes de disponibilidad.
- Tiempo medio entre fallos (MTBF) es el tiempo medio de funcionamiento entre caídas, y tiempo medio de reparación es el tiempo medio de restablecimiento. Ambos son promedios, por lo que este libro los lee como distribuciones (véase el tema 1.6, Alfabetización estadística para métricas de servicio).
- La monitorización sintética usa sondas con guion que se comportan como un usuario e informan de éxito o fallo. La monitorización de usuarios reales registra la experiencia de usuarios reales mientras usan el servicio.
- ITIL es el marco más conocido de gestión de servicios de TI. En ITIL 4, la práctica de gestión de la disponibilidad se ocupa de asegurar que los servicios entreguen los niveles de disponibilidad acordados, y trabaja estrechamente con la monitorización y gestión de eventos, la gestión de incidentes y la gestión de la continuidad del servicio.
Por qué un solo número nunca basta
Diez caídas de cuatro minutos cada una y una caída de cuarenta minutos producen el mismo total de inactividad, pero los usuarios las sienten de forma distinta y piden respuestas distintas. El primer patrón apunta a un servicio frágil. El segundo apunta a una detección o una recuperación lentas. Por eso las métricas aquí vienen como un pequeño conjunto, cada una con una barrera de protección, para que un equipo pueda discutir la disponibilidad con honestidad sin competir por tener más nueves.
En qué difieren las visiones de ITIL y ágil
En ITIL, la disponibilidad es un atributo gestionado de un servicio, acordado con el cliente e informado por la gestión de niveles de servicio frente a una meta declarada, con horarios de servicio claros y exclusiones como el mantenimiento planificado.
En la práctica ágil y de ingeniería de fiabilidad de sitios (SRE), la disponibilidad es un SLI entre varios, comparado con un SLO. El libro Site Reliability Engineering de Google dice que la disponibilidad basada en el tiempo conviene a un sistema único, mientras que la tasa de éxito de las solicitudes conviene a los servicios distribuidos que están parcialmente activos en todo momento. También dice que el 100 por ciento casi nunca es la meta correcta, porque el costo de cada nueve adicional sube abruptamente.
Usa la disciplina de ITIL de alcance, horario y exclusiones acordados para definir el denominador. Usa la disciplina de SRE de indicadores centrados en el usuario y presupuestos de errores para definir el numerador y para decidir qué hacer con el resultado.
Principios clave
- Define "disponible" desde el lado del usuario. Un servicio que responde a las comprobaciones de salud mientras los usuarios no pueden iniciar sesión está caído para las personas que importan.
- Escribe el denominador. Indica el límite del servicio, las horas incluidas, la zona horaria y la ventana de medición antes de calcular nada.
- Cuenta por separado las caídas planificadas y las no planificadas. Informa ambas, juntas, y no dejes nunca que una se esconda dentro de la otra.
- Prefiere medidas basadas en solicitudes y ponderadas por usuarios para los servicios distribuidos. Un fallo parcial no es ni tiempo de actividad completo ni inactividad completa.
- Convierte los nueves en minutos. Una meta solo se entiende cuando la gente puede decir cuántos minutos de fallo al mes permite.
- Elige el número de nueves que necesitan los usuarios. Más allá de ese punto, cada nueve adicional cuesta más de lo que devuelve.
- Describe servicios, nunca personas. La disponibilidad pertenece a un servicio y a los equipos que lo operan, y nunca es la puntuación de un individuo.
Definiciones de métricas
Cada fila indica sus relojes y límites. Se usa el tiempo natural salvo que una fila diga otra cosa. Donde una medida use una distribución, informa la mediana y el percentil 95, y nombra la ventana.
| Métrica | Definición | Fórmula | Unidad | Fuente de datos | Práctica de ITIL | Equivalente ágil | Cadencia |
|---|---|---|---|---|---|---|---|
| Disponibilidad basada en el tiempo | Proporción del tiempo incluido en que el servicio cumplió la definición escrita de "activo" | (minutos incluidos en la ventana menos minutos de inactividad no planificada) / minutos incluidos en la ventana. El reloj arranca en la primera sonda fallida que luego se confirma como impacto en el usuario, o en el inicio de impacto confirmado registrado en la revisión del incidente; se detiene cuando el servicio vuelve a cumplir la definición. La inactividad planificada dentro del horario de servicio acordado se muestra por separado, y el tiempo fuera del horario de servicio acordado se excluye del denominador | porcentaje | Resultados de monitorización sintética; registro de incidentes con marcas de inicio de impacto y de restablecimiento | Gestión de la disponibilidad; gestión de niveles de servicio | Un SLI basado en el tiempo para un sistema único (véase el tema 5.2, SLI, SLO y presupuestos de errores) | Mensual |
| Disponibilidad basada en solicitudes | Proporción de solicitudes válidas que tuvieron éxito | solicitudes válidas exitosas / total de solicitudes válidas en la ventana. Las solicitudes válidas excluyen las solicitudes mal formadas y los errores de cliente causados por quien llama; los fallos causados por el servicio, incluidos los tiempos de espera agotados, se cuentan como fallos. Informada por servicio y por recorrido de usuario | porcentaje | Registros y métricas del equilibrador de carga, de la pasarela o de la aplicación | Gestión de la disponibilidad; monitorización y gestión de eventos | SLI de tasa de éxito con un SLO y un presupuesto de errores (véase el tema 5.2, SLI, SLO y presupuestos de errores) | Tendencia diaria, informe mensual |
| Disponibilidad ponderada por usuarios | Disponibilidad ponderada por los usuarios o recorridos afectados, de modo que una caída en hora punta cuenta más que una nocturna | 1 menos (sesiones de usuario fallidas o recorridos fallidos / total de sesiones de usuario o recorridos) en la ventana. Una sesión cuenta como fallida si falló un paso crítico definido; el éxito parcial se informa como una proporción de degradación aparte, no se integra | porcentaje | Monitorización de usuarios reales; registros de sesiones de la aplicación; eventos de analítica | Gestión de la disponibilidad; gestión de niveles de servicio | SLI basado en recorridos y las medidas de experiencia del tema 6.2 (véase el tema 6.2, Acuerdos de nivel de experiencia) | Mensual |
| Inactividad no planificada | Minutos en que el servicio no estuvo disponible sin aviso aprobado previo | Suma de las duraciones de las caídas en la ventana, desde el inicio de impacto confirmado hasta el restablecimiento confirmado, para las caídas no anunciadas y aprobadas mediante la habilitación de cambios antes de empezar. Las caídas solapadas del mismo servicio se fusionan, no se suman. Informada como minutos totales, recuento de caídas, y la mediana y el percentil 95 de la duración de las caídas | minutos | Registro de incidentes con marcas de inicio de impacto y de restablecimiento | Gestión de incidentes; gestión de la disponibilidad | Tiempo de restablecimiento leído como una distribución (véase el tema 3.3, Tiempo de respuesta y resolución de incidentes) | Mensual |
| Proporción de inactividad planificada | Proporción de toda la inactividad que se anunció y aprobó de antemano | minutos de inactividad planificada / (minutos de inactividad planificada más no planificada) en la ventana. Una caída cuenta como planificada solo si se aprobó mediante un registro de cambios antes de empezar y sus horas de inicio y fin se comunicaron a los usuarios; un exceso más allá de la ventana aprobada se reclasifica como no planificado desde el momento en que terminó la ventana | porcentaje | Registro de cambios con la ventana aprobada; registro de incidentes; historial de la página de estado | Habilitación de cambios; gestión de la disponibilidad | Prácticas de versiones y de mantenimiento que favorecen el despliegue sin inactividad (véase el tema 4.3, Métricas de habilitación de cambios) | Mensual |
| Frecuencia y espaciamiento de las caídas | Con qué frecuencia empiezan las caídas y cuánto tiempo funciona el servicio entre ellas | Recuento de caídas que empiezan en la ventana; y para cada par de caídas consecutivas, los minutos de actividad entre el restablecimiento de la primera y el inicio de la segunda, resumidos como la mediana y el percentil 5. No se informa como una media única cuando existen menos de diez intervalos | recuento; minutos | Registro de incidentes; historial de monitorización | Gestión de incidentes; gestión de problemas | Señal de estabilidad junto a la tasa de fallos de cambio (véase el tema 4.4, Fallos de cambio y retrabajo) | Mensual |
| Proporción de degradación | Tiempo en que el servicio funcionó pero por debajo de una calidad acordada | Minutos en que el indicador de latencia, de errores o de corrección incumplió su umbral, excluidos los minutos ya contados como inactividad / minutos incluidos. Umbral indicado por servicio, por ejemplo en el SLO | porcentaje | Monitorización y mediciones de SLI | Gestión de la disponibilidad; gestión de la capacidad y el desempeño | SLI de latencia (véase el tema 5.4, Métricas de capacidad y rendimiento) | Mensual |
| Cobertura de la medición | Cuánto del comportamiento del servicio de cara al usuario observa realmente la medición de disponibilidad | Recorridos críticos de usuario con una sonda activa o una medición de usuarios reales / recorridos críticos de usuario enumerados en la definición del servicio | porcentaje | Definición del servicio; configuración de monitorización | Monitorización y gestión de eventos; gestión de la disponibilidad | Cobertura de observabilidad y calidad de las alertas (véase el tema 5.5, Métricas de monitorización y calidad de las alertas) | Trimestral |
Dos notas sobre los datos. Una sonda que comprueba cada cinco minutos no puede resolver una caída de dos minutos, así que registra el intervalo de la sonda junto a la cifra y usa el campo de inicio de impacto del registro de incidentes (véase el tema 1.5, Fuentes de datos e instrumentación). Siempre que cambie la definición de "activo", márcalo en el gráfico de tendencia.
Recomendaciones
Define la medición
1. Escribe la definición del servicio antes del porcentaje. Enumera el límite del servicio, los recorridos críticos de usuario, las horas incluidas, la zona horaria y la ventana (un mes natural es lo habitual). Di qué dependencias cuentan: si falla un proveedor de pagos y los usuarios no pueden pagar, ¿es tu caída? Registra la respuesta en el registro de métricas (véase el tema 1.4, Gobernanza y propiedad de las métricas). La mayoría de las disputas sobre disponibilidad son disputas sobre esta página, y resolverlas de antemano es mucho más barato que resolverlas después de una caída.
2. Define "activo" como un resultado para el usuario, no como un estado del servidor. Una comprobación de salud que devuelve éxito mientras el inicio de sesión está roto mide lo equivocado. Elige un pequeño número de recorridos críticos, como "buscar y ver un artículo", "iniciar sesión" o "enviar una reclamación", y define el éxito de cada uno en términos que los usuarios reconocerían. Sondea el recorrido de extremo a extremo y trata una respuesta lenta más allá de un umbral acordado como degradada, no como activa.
3. Usa medidas basadas en solicitudes para los servicios distribuidos y medidas basadas en el tiempo donde el servicio esté genuinamente encendido o apagado. Un servicio global rara vez está totalmente caído, de modo que contar minutos de fallo total ignora la mayoría de los fallos reales. Informa ambas cuando puedas y di cuál es el titular y por qué.
4. Añade ponderación por usuarios donde la carga sea desigual. Una caída de diez minutos a las 4 de la madrugada y otra al comienzo de la jornada de negociación tienen la misma duración y un costo muy distinto. Pondera por sesiones o transacciones en el minuto del fallo, o informa por separado los minutos de caída en hora punta.
5. Mide desde fuera del dominio de fallo. Una sonda dentro de la misma red o región que el servicio falla con él, o sigue informando éxito mientras el camino que toman los usuarios está roto. Ejecuta sondas sintéticas desde al menos dos ubicaciones independientes y contrástalas con los datos de usuarios reales.
Trata con honestidad las caídas planificadas y las no planificadas
6. Informa lado a lado la inactividad planificada y la no planificada. Muchos acuerdos excluyen el mantenimiento planificado, lo cual es razonable. Los usuarios aun así lo viven como inactividad, así que muestra los minutos excluidos y la proporción planificada junto al titular (véase el tema 4.3, Métricas de habilitación de cambios).
7. Haz difícil ganarse la etiqueta de planificado. Define planificado como aprobado mediante un registro de cambios antes de que empezara la caída, con las horas de inicio y fin comunicadas a los usuarios con antelación. Una caída anunciada después de empezar es no planificada. Un exceso más allá de la ventana aprobada es no planificado desde el momento en que terminó la ventana. Estas tres reglas impiden que la etiqueta se convierta en una forma de reetiquetar fallos.
8. Trabaja para reducir la inactividad planificada. Los despliegues progresivos, los interruptores de funcionalidad, las migraciones de esquema sin bloqueo y las versiones azul-verde permiten a los equipos cambiar un servicio sin apagarlo. Sigue los minutos de inactividad planificada como tendencia y pregunta qué haría falta para acercarlos a cero.
Lee bien los números
9. Convierte los nueves en minutos y muéstralos. La tabla siguiente da la aritmética para un mes de 30 días (43.200 minutos) y un año de 365 días (525.600 minutos). Pon en el panel los minutos permitidos junto a la meta, y muestra los minutos usados hasta ahora en la ventana. La gente toma mejores decisiones sobre "43 minutos al mes" que sobre "tres nueves".
| Meta de disponibilidad | Inactividad permitida en un mes de 30 días | Inactividad permitida en un año de 365 días |
|---|---|---|
| 99 por ciento | 432 minutos (7,2 horas) | 5.256 minutos (87,6 horas) |
| 99,5 por ciento | 216 minutos (3,6 horas) | 2.628 minutos (43,8 horas) |
| 99,9 por ciento | 43,2 minutos | 525,6 minutos (8,76 horas) |
| 99,95 por ciento | 21,6 minutos | 262,8 minutos (4,38 horas) |
| 99,99 por ciento | 4,32 minutos | 52,56 minutos |
| 99,999 por ciento | unos 26 segundos | unos 5,26 minutos |
Los valores suponen que el reloj corre durante toda la ventana. Si mides solo el horario de servicio acordado, los minutos permitidos se reducen en proporción, y debes decirlo.
10. Respeta el costo de cada nueve adicional y los límites de tus dependencias. El libro de SRE señala que los costos de fiabilidad suben abruptamente con cada nueve adicional, y que la meta debe reflejar lo que necesitan los usuarios y lo que el negocio pagará. Un servicio rara vez puede ser más disponible que las dependencias que necesita en serie. Si tres componentes esenciales alcanzan cada uno el 99,9 por ciento y una solicitud necesita los tres, la mejor disponibilidad esperada de la combinación es aproximadamente del 99,7 por ciento, porque las probabilidades de fallo se suman cuando los componentes son independientes. Haz la multiplicación antes de prometer una cifra.
11. Mira el espaciamiento y la forma, y no solo el total. Las caídas cortas y frecuentes necesitan una respuesta distinta de una caída larga y rara. Vincula las caídas largas con la detección y el restablecimiento (véase el tema 3.3, Tiempo de respuesta y resolución de incidentes) y con la visión de incidentes graves (véase el tema 3.4, Métricas de incidentes graves).
12. Cierra el ciclo con el presupuesto de errores y el registro de problemas. Una meta de disponibilidad es útil cuando cambia lo que hace el equipo. Cuando el presupuesto mensual de inactividad permitida está casi gastado, frena el cambio arriesgado y traslada esfuerzo al trabajo de fiabilidad, como describe la política de presupuesto de errores (véase el tema 5.2, SLI, SLO y presupuestos de errores). Cuando la misma causa se repite, abre un registro de problema y síguelo hasta una corrección (véase el tema 4.1, Métricas de gestión de problemas).
Vectores de manipulación y barreras de protección
| Métrica | Cómo se manipula | Métrica o práctica de barrera de protección emparejada |
|---|---|---|
| Disponibilidad basada en el tiempo | Sondear una página trivial que sigue activa mientras falla el recorrido real; alargar el intervalo de las sondas para que las caídas cortas caigan entre comprobaciones; reducir las horas incluidas; contar caídas como degradación | Disponibilidad ponderada por usuarios y monitorización de usuarios reales; intervalo de las sondas indicado junto a la cifra; muestra de incidentes frente al registro de monitorización |
| Disponibilidad basada en solicitudes | Contar solicitudes fáciles (comprobaciones de salud, recursos en caché) en el denominador para diluir los fallos; clasificar errores del servidor como errores del cliente; excluir reintentos que los usuarios vivieron como fallos | Tasa de éxito por recorrido crítico, no por solicitud; revisión de la lista de exclusiones; comparación con incidentes informados por usuarios |
| Disponibilidad ponderada por usuarios | Elegir la ponderación para que los fallos en hora punta importen poco; definir una sesión "exitosa" de forma tan laxa que los pasos rotos aun así pasen | Publicar la regla de ponderación y la lista de recorridos; comparar con el volumen de quejas y contactos de soporte durante las caídas |
| Inactividad no planificada | Reclasificar caídas como planificadas a posteriori; retrasar el inicio de impacto confirmado; dividir una caída en dos para que parezca más corta | Proporción de inactividad planificada, con la regla de que una caída anunciada después de empezar es no planificada; comparar el inicio de impacto con los datos de monitorización |
| Proporción de inactividad planificada | Reservar cambios como ventanas aprobadas para que los excesos y los fallos cuenten como planificados; inflar la proporción planificada programando mantenimiento innecesario | Minutos de exceso reclasificados como no planificados; tasa de fallos de cambio y proporción de cambios de emergencia (véase el tema 4.4, Fallos de cambio y retrabajo) |
| Frecuencia y espaciamiento de las caídas | Fusionar incidentes, o abrir un incidente nuevo solo tras una larga pausa, para mantener bajo el recuento; suprimir alertas para que las caídas cortas no queden registradas | Muestreo de alertas e incidentes frente a los eventos de monitorización en bruto; cobertura de monitorización y calidad de las alertas (véase el tema 5.5, Métricas de monitorización y calidad de las alertas) |
| Proporción de degradación | Fijar el umbral tan laxo que el servicio lento nunca lo incumpla; declarar como activo el tiempo degradado | Percentiles de latencia y lentitud informada por usuarios revisados junto a la cifra (véase el tema 5.4, Métricas de capacidad y rendimiento) |
| Cobertura de la medición | Enumerar solo los recorridos fáciles de sondear, de modo que la cobertura lea 100 por ciento; contar un recorrido como cubierto por una sonda que nunca se ejecuta | Lista de recorridos acordada con el responsable del servicio y los usuarios; historial de ejecución de las sondas muestreado cada trimestre |
Una lectura sana muestra cifras que se mueven por razones que el equipo sabe explicar, con la inactividad planificada y la no planificada ambas visibles y una cifra ponderada por usuarios cercana al titular. Desconfía de un mes perfecto que viene con quejas. Una caída honesta ocasional muestra que el sistema de registro funciona.
Compensaciones: ventajas e inconvenientes
| Enfoque | Fortaleza | Debilidad |
|---|---|---|
| Disponibilidad basada en el tiempo | Sencilla, ampliamente entendida, fácil de comparar con los contratos | Trata el fallo parcial como todo o nada; ignora cuándo y a quién |
| Disponibilidad basada en solicitudes | Refleja el fallo parcial; escala a servicios distribuidos | Depende de una definición sólida de solicitud válida; puede diluirse con tráfico fácil |
| Disponibilidad ponderada por usuarios | Cercana a lo que vivieron los usuarios; muestra el costo del fallo en hora punta | Necesita datos de sesiones o de recorridos; más esfuerzo de explicar |
| Excluir la inactividad planificada | Coincide con muchos acuerdos; premia el aviso previo | Puede ocultar el impacto real; invita al reetiquetado |
| Metas moderadas con presupuestos de errores | Equilibra la fiabilidad y la velocidad de entrega | Necesita disciplina para actuar cuando se gasta el presupuesto |
La respuesta en prosa es elegir la medida más sencilla que encaje con el servicio, añadir ponderación por usuarios donde la carga sea desigual y ser explícito sobre cada exclusión. Una medida algo menos elegante que todos entienden hace más bien que una sofisticada en la que nadie confía.
Preguntas para conversar con tu equipo
1. ¿Qué significa "disponible" para nuestro servicio más importante, y estaría de acuerdo un usuario? Pide a cada persona que describa, en una frase, qué debe poder hacer un usuario para que el servicio cuente como activo. Compara las respuestas con la definición escrita y con la sonda que alimenta el panel. El facilitador debe escuchar las brechas, como el inicio de sesión, la búsqueda o el pago que funcionan en la sonda pero fallan en la práctica. Termina acordando qué recorridos de usuario debe nombrar la definición.
2. ¿Qué caídas del último trimestre habría excluido nuestro cálculo, y fue justo? Enumera las caídas y marca cada una como planificada, no planificada o excluida. Pregunta quién tomó cada decisión y cuándo. El facilitador debe registrar los casos en que los usuarios habrían discrepado de la etiqueta, y usarlos para endurecer las reglas.
3. ¿Cuántos minutos de inactividad permite nuestra meta, y cuántos hemos usado en esta ventana? Convierte la meta a minutos para el mes y el año en una pizarra. Compara con los minutos usados hasta ahora. Pregunta qué haría de otro modo el equipo si solo quedara el 20 por ciento del presupuesto. Esto concreta la meta abstracta y conecta el número con la política de presupuesto de errores.
4. ¿Dónde podría nuestra medición pasar por alto un fallo que los usuarios sentirían? Recorre las ubicaciones de las sondas, el intervalo, los recorridos cubiertos y las dependencias. Pregunta qué fallo pasaría todas las sondas y aun así rompería el servicio para los usuarios. Acordad añadir una sonda nueva o una medida de usuarios reales.
5. ¿Estamos planificando caídas que podríamos evitar? Mira la inactividad planificada de seis meses y pregunta qué forzó cada caída. Algunas son inevitables, como un requisito de un proveedor. Otras provienen de un enfoque de versiones o de migraciones que podría cambiar. Pregunta qué haría falta para eliminar la mayor fuente y quién posee ese trabajo.
6. Si el número del titular parece perfecto, ¿qué nos haría dudar de él? Nombra las señales que contradirían el panel: volumen de quejas, contactos de soporte o el recuerdo del equipo de guardia. Comprueba si existe alguna ahora mismo. Acordad una comparación que poner en el panel.
Cuatro perspectivas
Equipos de producto y entrega
Los equipos de entrega afectan a la disponibilidad cada vez que cambian un servicio. Pueden diseñar para un despliegue sin inactividad, usar interruptores de funcionalidad para limitar el radio de impacto y tratar el presupuesto de errores como un insumo de las decisiones de versiones, leyendo la disponibilidad junto a las medidas de despliegue (véase el tema 2.8, Métricas DORA).
Equipos de servicio y operaciones
Los equipos de operaciones poseen las sondas, los registros de incidentes y las rotaciones que producen los datos. Deben mantener vigentes la definición y la lista de exclusiones, registrar con honestidad el inicio de impacto y revisar la monitorización frente a los incidentes reales. La disponibilidad pertenece al servicio y a su rotación, nunca a un ingeniero de guardia (véase el tema 5.7, Métricas de trabajo repetitivo y guardias).
Liderazgo y gobernanza
Los líderes fijan los incentivos que deciden si los datos de disponibilidad son sinceros. Una revisión que pregunta "¿por qué perdiste un nueve?" enseña a los equipos a esconder las caídas en las exclusiones. Pregunta qué aprendió el equipo y qué inversión reduciría las caídas, y no pidas más nueves de los que los usuarios notarán (véase el tema 8.4, Métricas de proveedores y contratos, para los compromisos de los proveedores).
Clientes y usuarios
Los usuarios juzgan la disponibilidad por si pudieron hacer lo que habían venido a hacer. Toleran una ventana de mantenimiento señalizada mucho mejor que una sorpresa. Dales una página de estado con horas de inicio y fin honestas, y lee sus comentarios junto a los números (véase el tema 6.2, Acuerdos de nivel de experiencia).
En la práctica: un ejemplo de ITIL ágil
Un minorista en línea de tamaño medio opera una tienda, un servicio de pago y un servicio de seguimiento de pedidos. Los números de este ejemplo son ilustrativos.
El equipo de pagos informa de una disponibilidad basada en el tiempo del 99,95 por ciento para el mes, que permite 21,6 minutos de inactividad no planificada, y el panel muestra el 99,96 por ciento. La jefa de atención al cliente está inquieta, porque los contactos de soporte sobre pagos fallidos subieron durante el mismo mes. Pide al equipo que revise la medición.
El equipo encuentra tres problemas. La sonda comprueba cada cinco minutos una página "el pago es accesible", no el recorrido completo de pago. Los datos basados en solicitudes muestran que durante dos tardes un tiempo de espera agotado del proveedor de pagos hizo fallar alrededor del 4 por ciento de los intentos de pago durante unos 50 minutos cada vez, y la sonda no lo notó porque la propia página cargaba. Y una migración de base de datos que se alargó 18 minutos más allá de su ventana aprobada se había registrado enteramente como mantenimiento planificado.
El equipo hace cuatro cambios. Añade una sonda sintética para el recorrido de pago completo desde dos ubicaciones con un intervalo de un minuto. Añade cifras basadas en solicitudes y ponderadas por usuarios, usando las sesiones que llegaron al paso de pago. Reclasifica como no planificados los minutos de exceso. Y añade al informe la proporción de inactividad planificada y la cobertura de la medición.
Sobre la base corregida, el mes muestra una disponibilidad basada en el tiempo del 99,93 por ciento, una disponibilidad basada en solicitudes del 99,90 por ciento y una disponibilidad ponderada por usuarios del 99,84 por ciento, porque los fallos cayeron en la hora punta de la tarde. Las tres incumplen la meta del 99,95 por ciento, lo cual es incómodo. El equipo y la jefa de atención al cliente acuerdan que el número anterior era demasiado generoso. Escriben la definición corregida en el registro de métricas y ponen en vigor la política de presupuesto de errores: durante el mes siguiente, los cambios arriesgados del pago esperan hasta que el presupuesto se recupere, y el equipo abre un registro de problema por los tiempos de espera agotados del proveedor de pagos (véase el tema 4.1, Métricas de gestión de problemas).
El riesgo de manipulación que detectan es el reetiquetado. Un gerente sugirió llamar al exceso "mantenimiento ampliado" para proteger la meta. La proporción de inactividad planificada, con su regla de que los excesos pasan a ser no planificados, hizo visible la reclasificación, y el equipo conservó la cifra honesta.
Perspectiva por sector
Startup. Un equipo pequeño suele tener un solo servicio y poca monitorización. Empieza con una sonda en el recorrido más importante y una definición de "activo" de un párrafo. Elige una meta modesta, conviértela a minutos y evita prometer nueves que el equipo aún no puede medir.
Pequeña empresa. El servicio suele ser herramientas alojadas más unos pocos sistemas a medida, y la disponibilidad depende de los proveedores. Registra las caídas de los proveedores tal como afectan a tus usuarios, compáralas con lo que informa el proveedor y mantén el conjunto en dos o tres cifras.
Gran empresa. Muchos servicios, muchos equipos y muchos proveedores multiplican las definiciones en uso. Publica una definición estándar de disponibilidad con una breve lista de variaciones permitidas, mantén vigente el registro de métricas y asegúrate de que las reglas de planificado y no planificado sean las mismas entre equipos antes de compararlos. Prefiere el informe a nivel de servicio a las tablas de clasificación de equipos, ya que los servicios difieren en carga y criticidad.
Gobierno y sector público. Los servicios públicos suelen tener horarios de servicio legales, compromisos publicados y contratos con créditos formales. Informa frente a ellos tal como están escritos, muestra a su lado la vista ponderada por usuarios y sé abierto sobre las exclusiones (véase el tema 8.5, Informes regulatorios y gubernamentales).
Caso de negocio: motivaciones, ROI y TCO
Los costos principales son el tiempo para escribir la definición del servicio y el registro, la monitorización que sondea los recorridos críticos desde fuera del dominio de fallo y el esfuerzo de unir los datos de incidentes, cambios y monitorización para poder separar la inactividad planificada de la no planificada. La monitorización de usuarios reales añade costos de herramientas y de almacenamiento. La mayoría de las organizaciones ya posee parte de los datos, por lo que la primera inversión suele ser en definiciones.
El retorno viene de mejores decisiones y menos disputas. Los equipos que miden desde el lado del usuario encuentran fallos que las comprobaciones de salud pasan por alto, los acuerdos son más fáciles de gestionar con una definición única y el costo de un nueve adicional puede contrastarse con su valor para los usuarios. Describe el beneficio como un patrón, como menos sorpresas en las revisiones de acuerdos, y mide tus propias líneas base, como la brecha entre el titular y las cifras ponderadas por usuarios. No tomes prestadas cifras de otras organizaciones.
Antipatrones y trampas
- Citar los nueves sin los minutos. Una meta que nadie puede traducir a inactividad permitida no puede orientar decisiones. Muestra los minutos permitidos y usados junto a cada meta.
- Medir el servidor en lugar del recorrido. Una comprobación de salud en verde puede convivir con un inicio de sesión roto. Sondea los recorridos críticos de extremo a extremo y compara con los datos de usuarios reales.
- Dejar que la etiqueta de planificado absorba fallos. Una categoría planificada fácil de reclamar vacía la cifra de no planificado. Exige la aprobación antes de la caída, comunícala y reclasifica los excesos.
- Promediar entre servicios y horas. Una cifra combinada oculta el servicio crítico y la hora ocupada. Informa por servicio y añade una vista ponderada por usuarios.
- Prometer más nueves de los que permiten las dependencias. Los componentes en serie no pueden superar su disponibilidad combinada. Multiplica antes de prometer y pide a los proveedores sus cifras medidas.
- Tratar el 100 por ciento como objetivo. El costo sube abruptamente y el cambio se ralentiza. Elige la meta según la necesidad del usuario y usa el presupuesto de errores.
- Clasificar equipos o personas por sus nueves. Los servicios difieren en carga y criticidad, y una tabla de clasificación enseña a los equipos a esconder caídas. Muestra a cada servicio su propia tendencia y compárala con su propia meta.
Modelo de madurez
| Dimensión | 1 Iniciar | 2 Desarrollar | 3 Estandarizar | 4 Gestionar | 5 Orquestar |
|---|---|---|---|---|---|
| Definición y relojes | "Activo" significa lo que muestre la herramienta de monitorización; los tiempos de caída se estiman a posteriori | Escrita para algunos servicios; los tiempos de sondas e incidentes discrepan | Una definición escrita por servicio con recorridos, horas, exclusiones y reglas de reloj | Definiciones revisadas con una cadencia; cambios registrados y marcados en los gráficos | Definiciones alineadas con proveedores y clientes y revisadas cuando dejan de informar decisiones |
| Calidad de la medición | Informes manuales o una sola comprobación de salud | Sondas para algunos servicios; datos de solicitudes en algunos registros | Sondas desde fuera en los recorridos críticos más cifras basadas en solicitudes de una fuente estándar | Cifras ponderadas por usuarios a partir de datos de usuarios reales; cobertura con seguimiento y muestreada | Mediciones compartidas entre equipos y proveedores y conciliadas automáticamente |
| Manejo de lo planificado y lo no planificado | Sin distinción; mantenimiento contado ad hoc | Etiqueta de planificado usada por algunos equipos, reglas distintas | Una regla: aprobado antes de la caída y comunicado, excesos reclasificados | Proporción de planificado con seguimiento de su tendencia y una meta de reducirla | El cambio sin inactividad es lo predeterminado, y la inactividad planificada es rara y negociada |
| Uso en las decisiones | Informada tras una queja | Revisada cada mes por operaciones | Metas mostradas en minutos | La política de presupuesto de errores cambia el trabajo, con financiación | Disponibilidad, costo y experiencia compensados conjuntamente |
Lista de verificación
- Cada servicio tiene una definición escrita de "disponible" que nombra sus recorridos críticos de usuario.
- La ventana de medición, las horas incluidas y la zona horaria se indican en cada cifra.
- La lista de exclusiones está escrita, revisada y mostrada junto al titular.
- La inactividad planificada exige un cambio aprobado y aviso previo; los excesos cuentan como no planificados.
- Las sondas se ejecutan desde fuera del dominio de fallo, con un intervalo indicado, en los recorridos críticos.
- Una cifra basada en solicitudes o ponderada por usuarios acompaña a la cifra basada en el tiempo.
- Cada meta se muestra como minutos permitidos y minutos usados en la ventana actual.
- Se informan el recuento de caídas y los percentiles de duración, y no solo el total.
- La disponibilidad de las dependencias se multiplica antes de prometer una meta.
- Los cambios de definición se registran y se marcan en el gráfico de tendencia.
- La disponibilidad se informa por servicio y nunca por persona.
Prompts de IA
Redacta la definición de disponibilidad de un servicio.
Estoy escribiendo una definición de disponibilidad para [service name], un
[type of service] usado por [user groups]. Sus recorridos críticos de usuario
son [list journeys]. El horario de servicio acordado es [hours and time zone].
Las dependencias conocidas son [list]. Nuestra monitorización consiste en
[probes, logs, real user data].
Redacta una definición de una página que cubra: qué cuenta como activo para cada
recorrido, la ventana de medición, las horas incluidas, las exclusiones, la regla
de inactividad planificada frente a no planificada, el inicio y el fin del reloj
de una caída y las métricas que informar. No inventes metas ni valores de
referencia. Enumera tus supuestos y las preguntas que debería responder para
terminar la definición.
Convierte una meta en inactividad permitida y ponla a prueba.
Nuestra meta para [service name] es [availability percentage] durante [window,
for example a 30-day month]. El tiempo incluido es [hours]. Nuestras
dependencias esenciales y su disponibilidad declarada o medida son [list, or
"unknown"].
Calcula la inactividad que permite esta meta en minutos para la ventana y para
un año, usando las horas incluidas. Estima luego la mejor disponibilidad
combinada si las dependencias se necesitan en serie y fallan de forma
independiente, y explica la fórmula que usaste. Señala dónde mis entradas son
demasiado inciertas para concluir nada. No aportes cifras de disponibilidad de
ninguna dependencia que yo no te haya dado. Enumera tus supuestos.
Revisa un mes de caídas en busca de problemas de clasificación.
Estos son los registros de caídas de [service name] de [month]: [paste records
with impact start, restore time, planned or unplanned label, approval time, and
notes, with personal data removed].
Para cada caída, comprueba si la etiqueta de planificada o no planificada sigue
esta regla: [paste your rule]. Identifica los registros donde el inicio de
impacto parece tardío, donde una caída parece dividida o fusionada y donde un
exceso debería haberse reclasificado. Resume los patrones por servicio y causa,
nunca por persona. Dime lo que no pudiste juzgar con los datos. Enumera tus
supuestos.
Habilidades de IA
- Habilidad de Métricas de ITIL ágil: úsala para encontrar los temas relacionados y la barrera de protección emparejada de una medida de disponibilidad que vayas a informar.
- Habilidad de mantenimiento de Métricas de ITIL ágil: úsala para comprobar que una revisión de este tema mantiene cada métrica emparejada con un vector de manipulación y una barrera de protección.
Puntos clave
- La disponibilidad solo tiene sentido una vez que "activo", el límite del servicio, las horas y las exclusiones están escritos desde el lado del usuario.
- Las medidas basadas en solicitudes y ponderadas por usuarios describen mejor los servicios distribuidos y la carga desigual que los minutos de fallo total.
- Informa juntas la inactividad planificada y la no planificada, y haz difícil ganarse la etiqueta de planificado.
- Convierte cada meta a minutos y multiplica las dependencias en serie antes de prometer un número de nueves.
- Cada nueve adicional cuesta más que el anterior, así que elige la meta según lo que necesitan los usuarios y usa el presupuesto de errores para actuar sobre ella.
- Describe servicios y rotaciones, nunca personas, y contrasta cada cifra del titular con la experiencia de los usuarios.
Referencias y lecturas complementarias
- Beyer, B., Jones, C., Petoff, J., and Murphy, N. R. (eds.), Site Reliability Engineering: How Google Runs Production Systems, O'Reilly Media, 2016, chapter "Embracing Risk", https://sre.google/sre-book/embracing-risk/.
- Beyer, B., Jones, C., Petoff, J., and Murphy, N. R. (eds.), Site Reliability Engineering: How Google Runs Production Systems, O'Reilly Media, 2016, chapter "Service Level Objectives", https://sre.google/sre-book/service-level-objectives/.
- Beyer, B., Murphy, N. R., Rensin, D. K., Kawahara, K., and Thorne, S. (eds.), The Site Reliability Workbook: Practical Ways to Implement SLOs, O'Reilly Media, 2018, chapter "Implementing SLOs", https://sre.google/workbook/implementing-slos/.
- Forsgren, N., Humble, J., and Kim, G., Accelerate: The Science of Lean Software and DevOps, IT Revolution, 2018.
- Goodhart, C. A. E., "Problems of Monetary Management: The U.K. Experience," in Papers in Monetary Economics, Reserve Bank of Australia, 1975.
- Wikipedia, High availability.
- Wikipedia, Downtime.
- Wikipedia, Service-level agreement.
- Wikipedia, Service-level objective.
- Wikipedia, Mean time between failures.
- Wikipedia, Mean time to repair.
- Wikipedia, Synthetic monitoring.
- Wikipedia, Real user monitoring.
- Wikipedia, ITIL.