概述与动因

一个能迅速恢复服务的团队,仍然可能困在跑步机上。同样的故障每隔几周就回来,同样的人被呼叫,事件数字看起来健康,因为每次修复都很快。问题管理是走下跑步机的实践。它跨越多起事件观察,找到底层原因,并让这个原因被消除或遏制。本主题涵盖的数字,告诉你这项工作是否在进行,以及是否有效。

有四个术语支撑本主题。事件是对服务的计划外中断或其质量的下降,这是 ITIL 框架使用这个词的方式(见主题 3.3,事件响应与解决时间)。问题是一起或多起事件的底层原因或疑似原因。已知错误是原因已被理解、并记录了变通办法的问题,它被保存在已知错误数据库中,使下一个遇到该症状的人能找到它。变通办法在不消除原因的情况下,减轻或避开事件或问题的影响。永久修复是消除原因的那个变更。

找到原因是根本原因分析的工作。常见技术包括五个为什么、石川图,以及帕累托图,后者按发生的频率或造成的危害对原因排序。复杂系统往往有若干促成原因,而没有单一的罪魁,所以好的问题记录会指出那些一旦被消除就能阻止复发的因素,并说明团队有多大把握。

这些指标之所以重要,是因为问题管理有一个内置的报告陷阱。打开一条问题记录很容易,也让人觉得有成效。关闭一条同样容易,因为一条记录可以靠一句备注就关闭。这两种事件都不能说明对用户有任何改善。值得观察的度量位于更下游:与某个问题关联的事件是否不再复发,已知错误是否真的被值班的人使用,以及一个已诊断出的原因要等多久才得到修复。

ITIL 和敏捷的视角在这里几乎没有摩擦地汇合。在 ITIL 4 中,问题管理是服务价值系统内的一项实践,靠近事件管理、变更赋能和知识管理。它在敏捷中的对应物,是流经团队待办的小型、基于证据的修复之流,发现模式的回顾会议,以及把可靠性工作视为普通产品工作的习惯。ITIL 的视角强调记录、所有权和已知错误,敏捷的视角强调小批量和快速反馈。双方都想要更少的重复事件,而这个成果,正是应当摆在每个人面前的度量。

本主题不重复事件的时钟(见主题 3.3,事件响应与解决时间)或重大事件的度量(见主题 3.4,重大事件指标),并且只在评审的后续跟进为问题提供输入时才处理它们(见主题 4.2,事后复盘与学习指标)。已知错误的待办,以及技术债务这个更广的概念,在主题 4.6(技术债务与已知错误)中处理。这里聚焦于问题记录及其产生的成果。基于部署的恢复和失败度量,见主题 2.8(DORA 指标)。

关键原则

  • 度量复发,而不是文书工作。问题管理的检验标准,是关联的事件不再回来。打开和关闭的记录计数描述活动,对结果说明很少。
  • 把三个时刻分开。发现模式存在、识别其原因、消除原因,是不同的事件,有不同的时钟和不同的负责人。把它们合并会隐藏延迟在哪里。
  • 变通办法是一个阶段,不是终点。记录它,使用它,并跟踪它多久一直是唯一的保护。存活数年的变通办法,是负责人谁也说不上来的债务。
  • 把修复放在工作所在之处。永久修复通常以变更或由产品团队拥有的待办项的形式落地。在团队自己的流动中度量它,并向拥有该服务的团队展示。
  • 在源头把事件与问题关联起来。这里的每项度量都依赖事件与问题之间的链接。链接薄弱,数字就薄弱。
  • 偏好分布和队列,而不是平均值。问题的持续时间长而偏态,少数几条陈旧的记录会主导任何平均值(见主题 1.6,服务指标的统计素养)。
  • 描述团队和服务,绝不描述人。问题是系统的属性。按分析员统计关闭问题数的表格,会把调查变成配额。

指标定义

所有时钟都使用问题记录、关联的事件记录,以及关联的变更或待办项的时间戳。除非某一行另有说明,问题按服务和所属团队统计,合并的或重复的记录被排除。每个持续时间都优先使用百分位数而不是平均值。本主题示例中的数字是示意数字。

指标 定义 公式 单位 数据来源 ITIL 实践 敏捷对应 频率
问题的打开与关闭 按服务,进入和离开打开状态的问题记录之流 该期间打开的数量和该期间关闭的数量,各按关闭代码(已修复、接受风险、重复、无法复现);重复的被显示,但从"已修复"计数中排除 每期间的计数 ITSM 问题记录 问题管理 待办的流入和吞吐 每月
问题待办年龄 打开的问题已经等了多久 对每个打开的问题,快照日期减去记录的创建日期;按优先级报告打开问题的中位数、第 85 百分位数和最老的 天 ITSM 问题记录 问题管理 看板上的工作项年龄 每月
事件到问题的链接率 在预期应有的地方,指向某个问题或已知错误的事件占比 该期间有关联问题或已知错误的事件数 / 该期间优先级为高及以上、或被重开、或属于重复类别的事件数;以用户错误或重复关闭的事件被排除 百分比 ITSM 事件和问题记录 事件管理;问题管理 回顾会议中的模式发现 每月
根本原因时间 一个已诊断的问题要花多久才达到有记录的原因 时钟在问题记录创建时启动,在原因被记录且第二个人评审过时停止;未经原因而关闭的问题被排除并单独计数;报告中位数和第 85 百分位数 天 ITSM 问题记录及其审计轨迹 问题管理 探针或调查的时间盒 每月
已知错误复用率 事件到来时,已知错误被使用的频率 以关联已知错误或其变通办法而解决的事件数 / 该期间症状与当时已存在的已知错误相符的事件数;没有匹配已知错误的事件被排除 百分比 ITSM 事件链接;知识文章的使用 知识管理;问题管理 团队运行手册或行动手册的使用 每月
永久修复时间 一个问题从诊断到修复在生产环境中运行,暴露了多久 时钟在原因被记录时启动,在关联的修复变更被实施并确认时停止;以接受风险关闭的问题被排除并单独计数;报告中位数和第 85 百分位数 天 问题记录;变更记录或流水线部署事件 问题管理;变更赋能 修复项的周期时间 每月
修复后复发率 已修复问题中,其关联症状又回来的占比 在某个队列季度中以已修复关闭、且在修复上线后 90 天内出现新的匹配事件的问题数 / 该季度以已修复关闭的问题数;90 天窗口是一个示例,并在图表上标明 百分比 ITSM 事件和问题记录;部署事件 问题管理;持续改进 逃逸缺陷或回归率 每季度
仅有变通办法的占比 仅由变通办法保护的已知问题占比 处于已知错误状态且没有计划修复的打开问题数 / 处于已知错误状态的打开问题数;有指名负责人和评审日期的接受风险问题,作为单独的一组显示 百分比 ITSM 问题记录 问题管理;风险管理 技术债务登记册 每月

90 天窗口、症状的匹配规则,以及链接率中"预期"的定义,都是示例。团队选择适合其服务的值,并写入指标登记册(见主题 1.4,指标治理与归属)。把以"已修复"关闭的问题与其他关闭代码分开统计,能让"打开与关闭"这一对数字保持诚实。

建议

决定什么算问题

1. 依据证据打开问题,并说明证据是什么。好的触发条件有:同一症状的重复事件、原因不明的重大事件、评审中发现的趋势,或在任何事件之前就发现的风险。把触发条件写在记录上,例如"六周内有五起事件关联到同一项服务"。如果每起不寻常的事件都变成一条问题记录,待办就会充满噪声,没人去读。

2. 使用一小套共享的关闭代码。已修复、接受风险、重复、无法复现和已合并,对大多数团队就够了。每个代码有一句话的含义,以及有权使用它的负责人。关闭代码的构成,比关闭的计数更有信息量,因为它显示了多少工作消除了原因,又有多少在没有变更的情况下结束。

在源头关联事件与问题

3. 让链接成为事件关闭的一个步骤。要求解决者在关闭事件前,把它关联到一个问题、一个已知错误,或"未找到"。在工具能做到时提供匹配建议,并由人来决定。几周后在批量整理中建立的链接是不可靠的(见主题 1.5,数据来源与埋点)。

4. 约定如何匹配症状。复发取决于判定何时两起事件是"同一个"。一份简短的原因与症状分类法,附有定义和示例,胜过自由文本。每季度评审一份匹配样本,因为两个方向上的错配都会使复发率产生偏差。

5. 让模式评审为问题清单提供输入。每月按服务并借助帕累托图评审事件类别,显示出少数几个原因产生了大部分痛苦。用这次评审来打开问题并为其排定优先级,并把重大事件评审中的重复原因送入同一份清单(见主题 3.2,事件数量与优先级)。

度量三种延迟

6. 分别为各阶段计时。从记录创建到记录的原因,以及从记录的原因到修复在生产环境中运行,分别度量。第一种延迟指向调查能力、数据的获取和技能。第二种指向优先级排定、变更流程和相互竞争的功能工作。单一的"关闭问题的时间"把它们混在一起,没有给任何人一个明确的行动。

7. 报告那些最老的。显示打开问题年龄的中位数和第 85 百分位数,并按服务列出最老的。少数几条已有数年的记录会拉动平均值,却说明很少,而最老的清单则邀请作出决定:修复、以指名负责人和评审日期接受风险,或附理由关闭。

把修复放进正常流动

8. 把永久修复当作有负责人和日期的待办项。把问题与承载修复的变更或工作项关联起来,并把修复显示在与功能工作相同的看板上。依据约定的规则排定优先级,比如权衡重复事件的成本与修复的工作量。在修复需要变更之处,标准变更路径对低风险的更正应当很快(见主题 4.3,变更赋能指标)。

9. 一并索取变通办法和退出日期。变通办法买来时间。把它记录为已知错误,测试值班团队能否找到并运行它,并为修复设定评审日期。仅有变通办法的占比就成为一份决定清单,而不是一堆悄悄积累的债务(见主题 4.6,技术债务与已知错误)。

检查修复是否奏效

10. 每次修复之后都跟一个复发窗口。修复上线后,在一个规定的窗口内观察匹配的事件,并按季度队列报告保持住的修复占比。复发是这项实践最接近成果度量的东西。如果它很高,就问是否找到了原因,还是只找到了一个促成因素,并重开分析。

11. 在响应者工作的地方度量已知错误的复用。统计匹配的事件到来时,已知错误或其变通办法被使用的频率。已知错误很多而复用率很低,通常意味着条目难以找到、已过时,或是为分析员而不是响应者写的。在增加更多条目之前,先修复文章及其位置(见主题 3.6,知识管理指标)。

保持数字诚实

12. 在每张图表旁边显示队列和注意事项。在图表本身上记录定义、关闭代码构成和任何规则变更。已修复问题的季度队列显示复发,而不混合新旧工作。把每个计数与一项成果度量配对,使没有任何数字孤立存在(见主题 1.2,古德哈特定律与指标心理学)。

操纵途径与护栏

指标 被操纵的方式 配套的护栏指标或实践
问题的打开与关闭 打开许多琐碎的记录;把一个问题拆成几个;以重复或"无法复现"关闭记录来清空清单 关闭代码构成;修复后复发率;每季度阅读一份已关闭记录的样本
问题待办年龄 不修复就关闭最老的记录;作为新记录重开以重置时钟;把问题重新分类为请求 把新记录与其原始记录关联,并从第一条记录起报告年龄;按理由列出的关闭清单;对接受风险的评审
事件到问题的链接率 把每起事件关联到一个含糊的笼统问题以提高比率 指向最大五个问题的链接占比;检查链接是否真正匹配的样本;关联症状的复发
根本原因时间 记录一个快速而肤浅的原因来停止时钟;写"人为错误";跳过第二位评审者 修复后复发率;不单独接受"人为错误"的原因分类法;对照证据评审一份原因样本
已知错误复用率 统计在事件关闭之后才添加的链接;把一个已知错误加到某项服务的每起事件上 事件关闭与链接之间的时间;响应者对条目是否有帮助的反馈;对 90 天内未被使用的条目的评审
永久修复时间 在修复被验证之前就把变更标为已实施;以接受风险关闭来避免这项工作 修复后复发率;带负责人和评审日期的接受风险清单;时钟停止之前的验证步骤
修复后复发率 把症状定义得很窄,使复发不匹配;放宽关闭窗口,使修复落入更早的队列;延迟链接 由所属团队之外的人评审的原因分类法;事件链接率;预先说明的固定窗口
仅有变通办法的占比 排定一个没有真实日期的占位修复;把问题移到接受风险;降低问题的优先级 已经延误的计划修复的年龄;由指名的高管负责人评审的接受风险清单;按问题的重复事件成本

健康的读数看上去安静而有点乏味。打开和关闭的计数大致同步,最老的打开问题各有一项记录在案的决定,保持住的修复占比很高、队列曲线平稳,已知错误被遇到该症状的人使用。警示的模式是:一长串整齐的已关闭计数,而事件仍不断回来。当活动数字看上去极好,而用户仍然碰到同样的故障时,请相信用户。

权衡:利弊

做法 优势 劣势
为重复和重大事件建立正式的问题记录 明确的负责人、历史以及与修复的链接;支持审计 流程开销;记录可能变陈旧
在团队待办内修复原因,而不建问题记录 快速、轻量、贴近工作 跨团队的模式看不见;没有共享的已知错误
严格的关闭代码和季度队列 诚实的成果视图;抵制整齐的计数 阅读较慢;数据录入需要纪律
把关闭的问题数作为目标 易于解释和绘图 招致为凑数而关闭;奖励小问题
为已修复问题追踪复发 最接近的、关于是否奏效的度量 需要良好的症状匹配和足够长的窗口
追踪已知错误的复用 显示知识是否在帮助响应者 依赖响应者链接条目;可被操纵

在自己的待办中迅速修复原因的团队,仍应把原因记录在更广的组织能看到的地方,使遇到同一症状的另一个团队受益。首先在事件与问题之间的链接,以及复发窗口上投入。这两部分使其他每项度量都变得可以解读。

与团队讨论的问题

1. 上个季度我们修复次数最多的三起事件是哪些?是什么阻止我们修复它们的原因? 从服务台或事件工具中列出重复事件,按发生次数排序。对每一起问阻碍是什么:没有调查时间、没有约定的原因、修复与功能竞争,或修复需要另一个团队。主持人应寻找在这三起之间重复出现的阻碍,因为它们指向的是系统层面的修复,而不是技术层面的。

2. 当我们把一起事件关联到一个问题时,谁做、何时做,我们怎么知道它是对的问题? 走一遍一起近期事件,从关闭到链接。注意链接是在事件期间、关闭时,还是在后来的整理中建立的。一起评审一小份链接样本,看是否真正匹配。约定一项使链接更容易或更可靠的改变。

3. 一个已诊断的原因要等多久才得到修复?谁来决定顺序? 取有记录原因的问题,看自诊断以来的时间。问谁来为它们排定优先级,用的是什么规则。讨论常显示,延迟是产品待办前面的一个队列,而不是技术上的困难。约定如何把问题修复与功能工作比较。

4. 我们最老的变通办法是哪些?如果再保留一年,我们会失去什么? 说出存活最久的三个变通办法,以及它们在人工工作量、风险和仍记得它们的人的知识上的代价。问如果知道这个变通办法的人不在,会发生什么。对每一个决定:修复它、以负责人和评审日期接受风险,还是退役该服务。

5. 如果一个已修复的问题回来了,我们会发现吗?多快? 问一个回来的症状将如何被注意到,由谁重开分析。讨论复发窗口对所涉及的这类失败是否足够长。主持人应帮助小组约定一个窗口和一条匹配规则,并决定由哪个团队评审匹配,使所属团队不给自己的工作打分。

6. 值班的人使用我们的已知错误吗?是什么会让他们去拿一个来用? 问响应者上次搜索已知错误是什么时候,找到了什么。看条目放在哪里,如何命名,是否说明了首先该做什么。挑一个条目与一位响应者一起重写,并在下一个值班周测试它。

四种视角

产品与交付团队

交付团队拥有大多数永久修复,并且感受着功能工作的牵引。他们受益于在修复的工作量旁边看到重复故障的事件成本,也受益于待办里为修复项预留一个明确的位置。他们应当抵制把问题工作视为打扰,而是为它预留一个可见的容量份额。回顾会议是发现模式并打开问题的自然场合(见主题 2.1,流动度量)。

服务与运维团队

运维团队最先看到重复的症状,并以呼叫和手工工作的形式承担其代价。他们维护问题和已知错误记录,运行模式评审,并检查链接是否已建立。他们的风险是把精力花在记录上,而不是消除原因。他们应当保持关闭代码精简,让已知错误成为响应者首先看到的东西,并把修复连同证据一起交给所属团队。

领导层与治理

领导层决定可靠性工作能否胜过功能,并为什么被记录设定激励。他们应当在要计数之前,先要按队列的复发和最老的打开问题,并把接受风险视为需要指名负责人和评审日期的决定。报告下降的待办而没有复发,奖励的是关闭。治理应当看趋势和决定,而不是团队的排行榜(见主题 4.6,技术债务与已知错误)。

客户与用户

用户只凭一件事来评判问题管理:同样的事是否一再出错。他们看不到问题记录,也不关心关闭了多少条。在协议允许之处,告诉客户已知问题、变通办法和预期修复的日期,并在修复落地时回报。一个被宣布并交付的修复,比一个悄无声息的修复,建立更多的信任。

实践:一个敏捷 ITIL 示例

一家地区医院的 IT 部门支持一个被病房和门诊使用的临床排程应用。一个产品团队构建并运行该应用,一个基础设施团队运行平台,一个服务台接听电话。本示例中的所有数字都是示意数字。

在一次季度评审中,部门负责人注意到问题仪表板看上去极好:关闭了 46 个问题,打开了 31 个,最老的打开问题是 140 天。病房经理仍然抱怨排程屏幕在交班时冻结。服务负责人要求查看事件到问题的链接率和修复后复发率,它们尚未出现在仪表板上。

数据讲了一个不同的故事。关闭代码构成显示,46 条关闭中有 22 条是"无法复现"或"重复"。高优先级事件的链接率是 38%。冻结事件被记录在四个类别中,所以看不出任何模式。当一份 30 起事件的样本被人工重新关联之后,其中 17 起指向同一个原因:一个夜间作业持有的数据库锁,因超时而延伸到了早班。上个季度修复的问题的复发率是 27%,比任何人预想的都高。

团队作出三项决定。第一,原因与症状分类法增加了一条"排程冻结",并且关联一个问题或"未找到"成为事件关闭时的必填步骤。第二,夜间作业的问题从基础设施待办移到产品团队的看板上,附有负责人和目标日期,一个变通办法(在作业之后定时重启)被记录为已知错误,并与服务台一起测试。第三,仪表板用三个数字取代了关闭计数:90 天后保持住的修复占比、从记录的原因到修复的时间的中位数和第 85 百分位数,以及带着各自决定的最老打开问题。

八周后,锁通过对作业的一项变更被消除了。冻结类别中的事件从每月约九起降到两起,对于仍然存在的症状,已知错误的复用率升到 71%,主要是因为服务台现在能找到重启条目。团队发现的操纵风险,来自它自己早先的习惯:当事件发生在工作时间之外时,把记录以"无法复现"关闭。关闭代码构成、每季度阅读的已关闭记录样本,以及复发队列,现在起着护栏的作用。没有人被排名,评审列出的是服务和决定,而不是分析员。

行业视角

初创企业。很少有单独的问题流程。团队直接修复原因,风险在于没人记得为什么。保留一份一页的重复事件及其原因清单,把修复与问题跟踪器关联,并每月评审这份清单。度量复发和最老项目的年龄;在团队壮大之前,跳过正式的关闭代码。

小型企业。可能由一位 IT 人员或一家托管服务提供商运行一切。向提供商索要它的问题记录和背后的事件类别,以及"已解决"的书面定义。一份简短的前五项重复问题清单,每项有指名的负责人和日期,胜过一个笨重的工具。定期导出记录,以避免锁定。

大型企业。众多服务和供应商,产生了对共享定义最大的需求。跨团队约定原因分类法、关闭代码和复发窗口,按服务指定问题负责人,并按服务和队列报告。在供应商持有修复之处,对照协议跟踪供应商的响应(见主题 8.4,供应商与合同指标),并通过有文档的路径升级。

政府与公共部门。审计、变更控制和采购会拉长从原因到修复的路径,所以修复时间的时钟应当显示延迟在哪里:调查、批准、采购还是排期。接受的风险需要经得起审计的、有记录的负责人和评审日期。保留和隐私规则适用于事件和问题记录,尤其是其中出现临床或公民数据之处。

商业论证:动机、投资回报与总拥有成本

成本有三个部分。第一是调查时间:有技能和访问权限来分析事件的人,他们的时间与其他工作竞争。第二是修复本身,通过待办和变更流程交付。第三是记录和报告的成本:关联事件、维护分类法、运行模式评审,以及维护已知错误数据库。这些成本主要是人的时间,所以要统计小时数。

回报表现为不再复发的事件、更少的呼叫和更少的手工变通工作量、因响应者能找到已知错误而缩短的事件处理时间,以及更少的向工程师的升级。没有通用的数字适用,所以请估算你自己的。对一起重复发生的事件,用每年的发生次数乘以平均处理工作量,再乘以每次发生的业务影响估计,然后与修复的工作量比较。与服务负责人一起评审这一估计,把它陈述为估计,并在复发窗口显示出结果之后重新审视它。问题管理在产生大部分事件负荷的少数几个原因上回报最好,而帕累托视图能很快找到它们。

反模式与陷阱

  • 把关闭当作目标。对关闭问题数的目标会奖励琐碎的记录和提前关闭。先报告成果度量,并显示关闭代码构成。
  • 问题记录成了坟场。记录一直打开,没有负责人、日期或决定。按节奏评审最老的清单,并要求对每一项作出决定。
  • 止步于"人为错误"。它说出了谁碰了系统,却没说系统为什么允许失败发生。只有当原因指出一个可以改变的条件时,才接受它。
  • 在根本原因确定之前什么也不修。复杂的失败可能没有单一原因。应用变通办法和证据最充分的修复,然后观察复发。
  • 没有出路的变通办法。没有评审日期的变通办法会变成永久的。在创建已知错误时记录负责人和日期。
  • 薄弱的事件链接。缺失或草率的链接使复发不可见。让链接成为事件关闭的一部分,并对链接抽样。
  • 问题工作在待办之外。活在单独队列里的修复永远在等待。把修复项放在所属团队的看板上,并与功能一起排定优先级。
  • 按关闭的记录数比较分析员或团队。它奖励容易的服务,并招致操纵。把服务与它们自己的历史比较,并阅读队列。

成熟度模型

维度 1 起步 2 发展 3 标准化 4 管理 5 协同
问题识别与链接 只在大型中断之后才打开问题;没有事件链接 部分团队链接事件;各团队的类别不同 共享的分类法和关闭代码;在事件关闭时建立链接 对链接率和匹配质量抽样并评审 跨团队和供应商检测模式,并共享已知错误
根本原因与已知错误 原因以自由文本记录,如果有的话 部分团队把已知错误保存在不同的地方 一个已知错误数据库;对原因的第二人评审 根本原因时间和已知错误复用有趋势并据此行动 响应者、供应商和客户贡献并使用共享条目
修复交付 有人有空时才修复 修复在团队自己的清单中跟踪 修复与带负责人和日期的待办项或变更关联 评审永久修复时间,并为其预留容量 修复优先级与产品和供应商的路线图共同设定
成果与学习 报告记录的计数 在部分评审中报告待办年龄 连同定义报告修复后复发和仅有变通办法的占比 队列与护栏配对,并用于资助决定 定义在不再为决定提供依据时修订;改进成为常规

检查清单

  • 指标登记册定义了问题、已知错误和每个关闭代码。
  • 事件关闭包括一个指向问题、已知错误或"未找到"的链接。
  • 存在原因与症状分类法,附有定义和示例。
  • 每个问题都有负责人、触发条件和决定日期。
  • 根本原因时间和永久修复时间分别度量,并使用百分位数。
  • 每个永久修复都与带负责人的待办项或变更关联。
  • 每个变通办法都有负责人和评审日期。
  • 修复后复发按季度队列跟踪,并说明窗口。
  • 在响应者工作的地方度量已知错误的复用。
  • 按节奏评审最老的打开问题,并记录每项决定。
  • 每季度阅读一份已关闭记录的样本,以检查关闭代码和原因。
  • 报告描述服务和团队,没有任何表格给个人排名。

AI 提示词

在一组事件中寻找候选问题。

这是[服务或团队]从[开始日期]到[结束日期]的事件导出:[粘贴事件字段,如编号、打开
时间、类别、简短描述、解决备注]。请把可能共享底层原因的事件分组,说明每组的证据,
并按发生次数和[影响度量,例如用户受影响的小时数]给各组排序。标出证据薄弱的组。
不要编造原因、计数或基准值。列出你的假设,以及能提高你把握的额外数据。

评审问题的关闭代码和记录。

下面是[服务或团队]的[数量]条已关闭问题记录:[粘贴编号、关闭代码、记录的原因、
修复引用、关闭日期]。请检查每条记录是否存在与文本不符的关闭代码、点名某个人而不是
某个条件的原因,以及没有链接的修复。总结模式,并为评审者提出三个问题。不要给人排名,
也不要编造关于这些记录的事实。列出你的假设。

设计一项复发度量。

我们想度量[服务或团队]已修复的问题是否保持修复。我们的工具是[ITSM 工具、部署工具],
事件类别是[清单],关闭代码是[清单]。请提出定义、公式、时钟的起点和终点、症状的
匹配规则、复发窗口和排除项,并附一个显示季度队列的图表布局。建议每种情况可能如何
被操纵,以及每种的护栏。请向我询问你需要的阈值,而不是自己编造。列出你的假设。

为陈旧问题准备一次决定评审。

这是[服务或团队]超过[数量]天的打开问题:[粘贴编号、年龄、优先级、负责人、最近更新、
变通办法状态]。请为一场[时长]分钟的评审起草议程,其中每一项得到三个决定之一:
带日期修复、以指名负责人和评审日期接受风险,或附理由关闭。建议每项决定应带来的
证据。不要编造成本或结果。列出你的假设,以及我应当先回答的问题。

AI 技能

  • 敏捷 ITIL 指标技能:用于查找定义问题度量所依赖的事件、变更和知识度量的主题,以及与每项配对的护栏。
  • 敏捷 ITIL 指标维护者技能:用于检查新增或编辑的问题指标是否说明了其时钟、排除项、操纵途径和护栏。

关键要点

  • 问题管理的度量是复发:与某个问题关联的事件是否不再回来。
  • 分别为各阶段计时,从记录到记录的原因,以及从原因到修复在生产环境中运行。
  • 在关闭时把事件与问题关联起来,约定如何匹配症状,并对链接抽样。
  • 变通办法是有负责人和评审日期的一个阶段,仅有变通办法的占比显示了正在承担多少风险。
  • 把永久修复放在所属团队的待办中,并先于记录计数报告成果度量。
  • 描述服务、队列和决定。绝不按关闭的问题数给分析员或团队排名。

参考文献与延伸阅读

  1. Beyer, B., Jones, C., Petoff, J., and Murphy, N. R. (eds.), Site Reliability Engineering: How Google Runs Production Systems, O'Reilly Media, 2016, https://sre.google/sre-book/table-of-contents/
  2. Forsgren, N., Humble, J., and Kim, G., Accelerate: The Science of Lean Software and DevOps, IT Revolution, 2018.
  3. Ohno, T., Toyota Production System: Beyond Large-Scale Production, Productivity Press, 1988.
  4. Vacanti, D. S., Actionable Agile Metrics for Predictability: An Introduction, Daniel S. Vacanti, Inc., 2015.
  5. AXELOS (now PeopleCert), ITIL Foundation: ITIL 4 Edition, TSO, 2019.
  6. Goodhart, C. A. E., "Problems of Monetary Management: The U.K. Experience," in Papers in Monetary Economics, Reserve Bank of Australia, 1975.
  7. Strathern, M., "'Improving ratings': audit in the British University system," European Review, 5(3), 1997.
  8. Wikipedia, ITIL.
  9. Wikipedia, Known error database.
  10. Wikipedia, Workaround.
  11. Wikipedia, Root cause analysis.
  12. Wikipedia, Five whys.
  13. Wikipedia, Ishikawa diagram.
  14. Wikipedia, Pareto chart.
  15. Wikipedia, Backlog.
  16. Wikipedia, Technical debt.