Le Parti da 2 a 4 hanno esaminato il modo in cui il lavoro si muove: con quale rapidità scorre, come vengono gestiti gli incidenti e come si introducono le modifiche in sicurezza. Questa parte si volge al risultato che gli utenti vivono effettivamente. Un servizio che rilascia spesso e risolve rapidamente gli incidenti può comunque essere lento, non disponibile nei momenti sbagliati o imprevedibile. Gli utenti giudicano il servizio in base al fatto che funzioni quando ne hanno bisogno, non in base a come il team si organizza.

Qui si incontrano due tradizioni. La pratica ITIL usa da tempo accordi sul livello di servizio, obiettivi e rendicontazione per definire le aspettative tra un fornitore e i suoi clienti. La pratica della site reliability engineering, esposta nei libri Site Reliability Engineering di Google, usa indicatori di livello di servizio, obiettivi e budget di errore per trasformare l'affidabilità in un compromesso ingegneristico esplicito rispetto al ritmo del cambiamento. Le due tradizioni sono compatibili. Entrambe partono da ciò che sta a cuore agli utenti, entrambe lo esprimono come obiettivo misurabile ed entrambe richiedono un resoconto onesto di quante volte l'obiettivo è stato raggiunto.

Un rischio ricorrente attraversa l'intera parte. Un numero di affidabilità è facile da far apparire buono: scegliendo un indicatore comodo, escludendo periodi scomodi o misurando il componente anziché il percorso dell'utente. Per questo ogni argomento qui definisce gli orologi e i confini delle proprie misure, legge tempi e latenza come distribuzioni con percentili (si veda l'Argomento 1.6 «Alfabetizzazione statistica per le metriche di servizio») e abbina ogni misura a una salvaguardia (si veda l'Argomento 1.2 «La legge di Goodhart e la psicologia delle metriche»). Ogni metrica descrive un servizio, un team o un sistema. Nessuna classifica una singola persona, e le misure di reperibilità in particolare esistono per tutelare le persone, non per valutarle.

Argomenti di questa parte

  • 5.1 Metriche SLA, OLA e XLA: misure di accordo sul livello di servizio, accordo sul livello operativo e accordo sul livello di esperienza, e come la rendicontazione «anguria» nasconda i problemi dietro cruscotti verdi e come evitarla.
  • 5.2 SLI, SLO e budget di errore: indicatori e obiettivi di livello di servizio, politica del budget di errore, burn rate e scelta degli indicatori a partire da ciò che sta a cuore agli utenti.
  • 5.3 Metriche di disponibilità: calcolo di uptime e downtime, disponibilità ponderata sugli utenti, interruzioni pianificate e non pianificate, e l'aritmetica dei «nove».
  • 5.4 Metriche di capacità e prestazioni: utilizzo, saturazione, percentili di latenza, margine di capacità (headroom) e previsione della domanda.
  • 5.5 Metriche di monitoraggio e qualità degli avvisi: volume degli avvisi, tasso di avvisi azionabili, falsi positivi, copertura del rilevamento e affaticamento da avvisi.
  • 5.6 Metriche di continuità del servizio: obiettivi di tempo e di punto di ripristino rispettati nei test, frequenza dei test, evidenze dei game day e aggiornamento dei piani.
  • 5.7 Metriche di toil e reperibilità: chiamate per turno, carico fuori orario, quota di tempo dedicata al toil e misure di sostenibilità della rotazione.

Come si collegano questi argomenti

I primi tre argomenti costituiscono il nucleo della parte, perché definiscono la promessa e il modo in cui viene misurata. L'Argomento 5.1 (si veda l'Argomento 5.1 «Metriche SLA, OLA e XLA») tratta gli accordi tra fornitori, team interni e clienti, e le pratiche di rendicontazione che rendono tali accordi onesti o fuorvianti. L'Argomento 5.2 (si veda l'Argomento 5.2 «SLI, SLO e budget di errore») fornisce la controparte ingegneristica: indicatori tratti dall'esperienza dell'utente, obiettivi fissati su di essi e un budget di errore che rende visibile lo spazio residuo per il rischio. L'Argomento 5.3 (si veda l'Argomento 5.3 «Metriche di disponibilità») fissa l'aritmetica su cui entrambi si basano, compreso che cosa conta come downtime e quali utenti sono interessati.

Capacità e prestazioni stanno subito dopo la disponibilità. Un servizio tecnicamente attivo ma saturo o lento delude i suoi utenti in un modo che una semplice cifra di uptime non coglie. L'Argomento 5.4 (si veda l'Argomento 5.4 «Metriche di capacità e prestazioni») fornisce i percentili di latenza e le misure di margine che completano la disponibilità, e le sue previsioni della domanda offrono un preavviso prima che un obiettivo sia minacciato.

Rilevamento e ripristino determinano quanta parte di un guasto gli utenti subiscono. L'Argomento 5.5 (si veda l'Argomento 5.5 «Metriche di monitoraggio e qualità degli avvisi») si chiede se il team venga a sapere dei problemi in fretta e da segnali per cui valga la pena agire, aspetto che si collega direttamente ai tempi di rilevamento e di ripristino della Parte 3. L'Argomento 5.6 (si veda l'Argomento 5.6 «Metriche di continuità del servizio») si chiede se il team sia in grado di ripristinare entro limiti dichiarati quando accade qualcosa di più grave, e mette alla prova tale affermazione anziché darla per scontata.

L'Argomento 5.7 (si veda l'Argomento 5.7 «Metriche di toil e reperibilità») funge da salvaguardia umana per tutto il resto. Obiettivi stringenti, avvisi rumorosi e incidenti frequenti ricadono tutti sulle persone che portano il cercapersone. Le chiamate per turno e la quota di toil rivelano quando l'affidabilità viene acquistata con uno sforzo insostenibile, e si ricollegano alle misure di lavoro non pianificato della Parte 2. La qualità degli avvisi dell'Argomento 5.5 e il carico di reperibilità dell'Argomento 5.7 vanno letti in coppia, poiché avvisi scadenti sono una causa frequente di rotazioni pesanti.

Infine, il budget di errore dell'Argomento 5.2 collega questa parte alla gestione delle modifiche della Parte 4. Quando il budget è in salute, un team può rilasciare con maggiore libertà. Quando è esaurito, modifiche e lavoro sull'affidabilità vanno riequilibrati. La Parte 6 verifica poi se il raggiungimento degli obiettivi di questa parte abbia lasciato gli utenti in condizioni migliori, ed è la domanda a cui un rapporto tutto verde non può rispondere da solo.