Introducción a la Parte 5: Métricas de niveles de servicio, disponibilidad y fiabilidad
Las métricas de nivel de servicio, disponibilidad y fiabilidad describen con qué pueden contar los usuarios de un servicio, para que los equipos prometan solo lo que pueden cumplir, noten pronto cuándo se alejan de la promesa y dediquen su esfuerzo a lo que los usuarios sentirían.
Las Partes 2 a 4 miraron cómo se mueve el trabajo: con qué rapidez fluye, cómo se manejan los incidentes y cómo se hace el cambio con seguridad. Esta parte se vuelve hacia el resultado que los usuarios experimentan realmente. Un servicio que entrega a menudo y resuelve los incidentes rápido puede aun así ser lento, no estar disponible en los momentos equivocados o ser impredecible. Los usuarios juzgan el servicio por si funciona cuando lo necesitan, no por cómo se organiza el equipo.
Aquí se encuentran dos tradiciones. La práctica de ITIL ha usado desde hace tiempo los acuerdos de nivel de servicio, las metas y los informes para fijar expectativas entre un proveedor y sus clientes. La práctica de ingeniería de fiabilidad de sitios, expuesta en los libros Site Reliability Engineering de Google, usa indicadores de nivel de servicio, objetivos y presupuestos de errores para convertir la fiabilidad en una compensación explícita de ingeniería frente al ritmo del cambio. Las dos son compatibles. Ambas parten de lo que importa a los usuarios, ambas lo expresan como una meta medible y ambas necesitan un relato honesto de con qué frecuencia se cumplió la meta.
Un riesgo recurrente recorre toda la parte. Un número de fiabilidad es fácil de hacer lucir bien: eligiendo un indicador conveniente, excluyendo periodos incómodos o midiendo el componente en lugar del recorrido del usuario. Por eso cada tema aquí nombra los relojes y los límites de sus medidas, lee el tiempo y la latencia como distribuciones con percentiles (véase el tema 1.6, Alfabetización estadística para métricas de servicio) y empareja cada medida con una barrera de protección (véase el tema 1.2, Ley de Goodhart y psicología de las métricas). Cada métrica describe un servicio, un equipo o un sistema. Ninguna clasifica a un individuo, y las medidas de guardia en particular existen para proteger a las personas, no para puntuarlas.
Temas de esta parte
- 5.1 Métricas de SLA, OLA y XLA: medidas de acuerdos de nivel de servicio, de nivel operativo y de nivel de experiencia, y cómo los informes sandía ocultan los problemas tras paneles verdes y cómo evitarlo.
- 5.2 SLI, SLO y presupuestos de errores: indicadores y objetivos de nivel de servicio, política de presupuesto de errores, tasa de consumo y elección de indicadores a partir de lo que importa a los usuarios.
- 5.3 Métricas de disponibilidad: cálculo del tiempo de actividad y de inactividad, disponibilidad ponderada por usuarios, caída planificada frente a no planificada y la aritmética de los nueves.
- 5.4 Métricas de capacidad y rendimiento: utilización, saturación, percentiles de latencia, margen y pronóstico de la demanda.
- 5.5 Métricas de monitoreo y calidad de las alertas: volumen de alertas, tasa de alertas accionables, falsos positivos, cobertura de detección y fatiga de alertas.
- 5.6 Métricas de continuidad del servicio: objetivos de tiempo y de punto de recuperación cumplidos en las pruebas, frecuencia de pruebas, hallazgos de los simulacros y vigencia de los planes.
- 5.7 Métricas de trabajo repetitivo y guardias: avisos por turno, carga fuera de horario, proporción del tiempo dedicada a trabajo repetitivo y medidas de rotaciones sostenibles.
Cómo se relacionan estos temas
Los tres primeros temas forman el núcleo de la parte, porque definen la promesa y cómo se mide. El tema 5.1 (véase el tema 5.1, Métricas de SLA, OLA y XLA) cubre los acuerdos entre proveedores, equipos internos y clientes, y las prácticas de informes que hacen esos acuerdos honestos o engañosos. El tema 5.2 (véase el tema 5.2, SLI, SLO y presupuestos de errores) aporta la contraparte de ingeniería: indicadores extraídos de la experiencia del usuario, objetivos fijados frente a ellos y un presupuesto de errores que hace visible el margen restante de riesgo. El tema 5.3 (véase el tema 5.3, Métricas de disponibilidad) fija la aritmética de la que dependen ambos, incluido qué cuenta como inactividad y qué usuarios se ven afectados.
La capacidad y el rendimiento se sitúan justo detrás de la disponibilidad. Un servicio que técnicamente está activo pero saturado o lento falla a sus usuarios de una manera que una simple cifra de tiempo de actividad pasa por alto. El tema 5.4 (véase el tema 5.4, Métricas de capacidad y rendimiento) aporta los percentiles de latencia y las medidas de margen que complementan la disponibilidad, y sus pronósticos de demanda dan un aviso temprano antes de que un objetivo se vea amenazado.
La detección y la recuperación determinan cuánto de un fallo experimentan los usuarios. El tema 5.5 (véase el tema 5.5, Métricas de monitoreo y calidad de las alertas) pregunta si el equipo se entera de los problemas con rapidez y a partir de señales que valga la pena atender, lo que se vincula directamente con los tiempos de detección y de restablecimiento de la Parte 3. El tema 5.6 (véase el tema 5.6, Métricas de continuidad del servicio) pregunta si el equipo puede recuperarse dentro de los límites declarados cuando algo mayor sale mal, y pone a prueba esa afirmación en lugar de suponerla.
El tema 5.7 (véase el tema 5.7, Métricas de trabajo repetitivo y guardias) actúa como la barrera de protección humana del resto. Los objetivos estrictos, las alertas ruidosas y los incidentes frecuentes recaen todos sobre las personas que llevan el buscapersonas. Los avisos por turno y la proporción de trabajo repetitivo revelan cuándo se está comprando la fiabilidad con un esfuerzo insostenible, y se conectan de nuevo con las medidas de trabajo no planificado de la Parte 2. La calidad de las alertas del tema 5.5 y la carga de guardia del tema 5.7 deben leerse como un par, ya que las alertas deficientes son una causa común de rotaciones pesadas.
Por último, el presupuesto de errores del tema 5.2 vincula esta parte con el cambio de la Parte 4. Cuando el presupuesto está sano, un equipo puede liberar con más libertad. Cuando se agota, el cambio y el trabajo de fiabilidad deben reequilibrarse. La Parte 6 comprueba entonces si cumplir las metas de esta parte ha dejado mejor a los usuarios, que es la pregunta que un informe en verde no puede responder por sí solo.