Introducción a la Parte 5: Métricas de niveles de servicio, disponibilidad y fiabilidad
Las métricas de niveles 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, adviertan pronto cuándo se alejan de la promesa y dediquen su esfuerzo donde los usuarios lo notarían.
Las Partes 2 a 4 examinaron cómo se mueve el trabajo: con qué rapidez fluye, cómo se gestionan los incidentes y cómo se hace el cambio con seguridad. Esta parte se vuelve hacia el resultado que los usuarios experimentan de verdad. Un servicio que publica a menudo y resuelve los incidentes con rapidez puede seguir siendo 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 durante mucho tiempo acuerdos de nivel de servicio, objetivos e informes para fijar expectativas entre un proveedor y sus clientes. La práctica de la ingeniería de fiabilidad de sitios, expuesta en los libros Site Reliability Engineering de Google, usa indicadores, objetivos y presupuestos de errores de nivel de servicio para convertir la fiabilidad en una compensación de ingeniería explícita frente al ritmo del cambio. Ambas son compatibles. Las dos parten de lo que importa a los usuarios, las dos lo expresan como un objetivo medible y las dos necesitan un recuento honesto de con qué frecuencia se cumplió el objetivo.
Un riesgo recurrente atraviesa 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 de 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). Toda 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.
Las cuatro lentes se aplican a la fiabilidad de maneras particulares. La entrega continua y los presupuestos de errores hacen del riesgo una decisión compartida y gastable. Los componentes de IA pueden fallar de forma suave, siendo lentos o equivocados en lugar de estar caídos, así que la disponibilidad de las rutas de IA necesita una medida de calidad a su lado. La automatización aporta telemetría y alertas, y ella misma debe medirse por las alertas omitidas y las falsas. La analítica debe mostrar la ventana y el número de eventos detrás de cada cifra.
Temas de esta parte
- 5.1 Métricas de SLA, OLA y XLA: medidas de acuerdos de nivel de servicio, acuerdos de nivel operativo y acuerdos de nivel de experiencia, y cómo los informes sandía (watermelon) esconden los problemas tras paneles verdes y cómo evitarlo.
- 5.2 SLI, SLO y presupuestos de errores: indicadores y objetivos de nivel de servicio, política del 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, interrupción 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 previsión 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 de 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 informe que vuelven esos acuerdos honestos o engañosos. El tema 5.2 (véase el tema 5.2, SLI, SLO y presupuestos de errores) aporta la contrapartida 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 para el riesgo. El tema 5.3 (véase el tema 5.3, Métricas de disponibilidad) fija la aritmética en la que se apoyan ambos, incluido qué cuenta como inactividad y qué usuarios se ven afectados.
La capacidad y el rendimiento van justo detrás de la disponibilidad. Un servicio que técnicamente está activo pero saturado o lento falla a sus usuarios de un modo 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 previsiones de la demanda dan aviso temprano antes de que un objetivo corra peligro.
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 merecen una acción, 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 darla por supuesta.
El tema 5.7 (véase el tema 5.7, Métricas de trabajo repetitivo y guardias) actúa como barrera de protección humana para el resto. Los objetivos ajustados, 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 fiabilidad con un esfuerzo insostenible, y se conectan 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 malas alertas son una causa frecuente 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 publicar con más libertad. Cuando se ha gastado, el cambio y el trabajo de fiabilidad deben reequilibrarse. La Parte 6 comprueba entonces si cumplir los objetivos de esta parte ha dejado mejor a los usuarios, que es la pregunta que un informe en verde no puede responder por sí solo.