问题管理指标
问题管理指标显示团队是在消除事件的原因,还是仅仅在修复它们的症状,所以要度量找到了多少原因、它们被永久修复得多快,以及同样的事件是否再次出现。
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
- 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/
- Forsgren, N., Humble, J., and Kim, G., Accelerate: The Science of Lean Software and DevOps, IT Revolution, 2018.
- Ohno, T., Toyota Production System: Beyond Large-Scale Production, Productivity Press, 1988.
- Vacanti, D. S., Actionable Agile Metrics for Predictability: An Introduction, Daniel S. Vacanti, Inc., 2015.
- AXELOS (now PeopleCert), ITIL Foundation: ITIL 4 Edition, TSO, 2019.
- Goodhart, C. A. E., "Problems of Monetary Management: The U.K. Experience," in Papers in Monetary Economics, Reserve Bank of Australia, 1975.
- Strathern, M., "'Improving ratings': audit in the British University system," European Review, 5(3), 1997.
- Wikipedia, ITIL.
- Wikipedia, Known error database.
- Wikipedia, Workaround.
- Wikipedia, Root cause analysis.
- Wikipedia, Five whys.
- Wikipedia, Ishikawa diagram.
- Wikipedia, Pareto chart.
- Wikipedia, Backlog.
- Wikipedia, Technical debt.