Μετρήσεις περιστατικών

1) Γιατί μετρώνται τα περιστατικά

Οι μετρήσεις περιστατικών μετατρέπουν τα χαοτικά γεγονότα σε μια διαχειρίσιμη διαδικασία: βοηθούν στη μείωση των χρόνων απόκρισης και ανάκτησης, μειώνουν την επανάληψη αιτιών, αποδεικνύουν την εκπλήρωση SLO/σύμβασης και βρίσκουν σημεία αυτοματοποίησης. Ένα καλό σύνολο μετρήσεων καλύπτει ολόκληρο τον κύκλο: ανίχνευση → ταξινόμηση → κλιμάκωση → δράσεις μετριασμού → ανάκτησης → ανάλυσης CAPA →.

2) Βασικοί ορισμοί και τύποι

Διαστήματα γεγονότων

MTTD (μέσος χρόνος ανίχνευσης) = μέσος χρόνος από το T0 (πραγματική έναρξη επιρροής) έως το πρώτο σήμα/ανίχνευση.
MTTA (μέσος χρόνος αναγνώρισης) = μέσος χρόνος από το πρώτο σήμα έως την εφημερία.
MTTM (μέσος χρόνος μετριασμού) = μέσος χρόνος μείωσης κάτω από το όριο SLO (συχνά = χρόνος έως UX εργασία γύρω/αποικοδόμηση).
MTTR (Μέσος χρόνος ανάκτησης) = μέσος χρόνος για την πλήρη ανάκτηση των SLI-στόχων.
MTBF (μέσος χρόνος μεταξύ αστοχιών) = μέσο διάστημα μεταξύ των σχετικών συμβάντων.

Χρόνος λειτουργίας

Ώρα να δηλώσετε - από το T0 έως την επίσημη ανακοίνωση του επιπέδου SEV/συμβάντος.
Ώρα για τις Κοινότητες - από την ανακοίνωση στην πρώτη δημόσια/εσωτερική επικαιροποίηση SLA.
Χρόνος σε κατάσταση - διάρκεια σε κάθε στάδιο (triage/diag/fix/επαλήθευση).

Συχνότητα και κλασματική

Αριθμός συμβάντων - αριθμός συμβάντων ανά περίοδο.
Ποσοστό περιστατικών - σε 1k/10k/100k επιτυχημένες συναλλαγές ή αιτήματα (κανονικοποίηση).
Μίγμα SEV - κατανομή ανά σοβαρότητα (SEV-0... SEV-3).
Καταμέτρηση/ποσοστό παραβίασης SLA - αριθμός/μερίδιο των παραβιάσεων των εξωτερικών SLA.
Ποσοστό αποτυχίας αλλαγής -% των συμβάντων που προκλήθηκαν από αλλαγές (απελευθερώσεις/ρυθμίσεις/μεταναστεύσεις).

Ποιότητα σημάτων και διεργασιών

% Actionable Pages - η αναλογία των σελίδων που οδήγησαν σε ουσιαστικές ενέργειες playbook.
Ψευδώς θετικό ποσοστό (σελίδες) - το ποσοστό των ψευδώς θετικών.
Κάλυψη ανίχνευσης - το ποσοστό των συμβάντων που εντοπίστηκαν με αυτοματοποίηση (όχι πελάτες/υποστήριξη).
Επανέναρξη του ρυθμού - το ποσοστό επαναλαμβανόμενων συμβάντων με την ίδια αιτία ≤90 ημέρες.
Ολοκλήρωση του CAPA -% των διορθωτικών/προληπτικών μέτρων που έκλεισαν εγκαίρως.
Comms SLA Adherence - το ποσοστό των επικαιροποιήσεων που δημοσιεύονται με την απαιτούμενη συχνότητα.

3) Χάρτης μετρήσεων ανά στάδιο περιστατικού

4) Ομαλοποίηση και κατάτμηση

Κανονικοποιήστε τους μετρητές σε όγκο (κίνηση, επιτυχία, ενεργοί χρήστες).
Τμήμα κατά: περιφέρεια/ενοικιαστή, πάροχο (PSP/KYC/CDN), είδος αλλαγής (κωδικός/config/infra), ώρα ημέρας (ημέρα/νύχτα), πηγή ανίχνευσης (συνθετική/RUM/infra/υποστήριξη).
Οι επιχειρηματικές SLI (επιτυχία των πληρωμών, καταχωρίσεις, αναπλήρωση) είναι σημαντικές για τις επιχειρήσεις - συνδέουν τις μετρήσεις συμβάντων με την υποβάθμισή τους.

5) Στόχοι κατωφλίου (ορόσημα, προσαρμοσμένα στον τομέα)

MTTD: ≤ 5 λεπτά για το Tier-0, ≤ 10-15 λεπτά για το Tier-1.
MTTA: ≤ 5 λεπτά (24/7), ≤ 10 λεπτά (ακολουθήστε τον ήλιο).
MTTM: ≤ 15 λεπτά (Tier-0), ≤ 30-60 λεπτά (Tier-1).
MTTR: ≤ 60 λεπτά (Tier-0), ≤ 4 ώρες (Tier-1).
Κάλυψη ανίχνευσης: ≥ 85% αυτοματοποίηση.
% ενεργές σελίδες: ≥ 80-90%· Σελίδες FP: ≤ 5%.
Ποσοστό επανέναρξης (90д): ≤ 5- 10%.
CAPA Ολοκλήρωση (εγκαίρως): ≥ 85%.

6) Απόδοση των αιτίων και αντίκτυπος των αλλαγών

Αποδίδεται σε κάθε συμβάν πρωταρχική αιτία (κωδικός/Config/Infra/πάροχος/ασφάλεια/δεδομένα/χωρητικότητα) και ενεργοποίηση (αναγνωριστικός κωδικός απελευθέρωσης, αλλαγή ρύθμισης, μετάβαση, εξωτερικός παράγοντας).
Κρατήστε το MTTR/Count συνδεδεμένο με την αλλαγή - πόσες κυκλοφορίες και ρυθμίσεις συνεισφέρουν (βάση για πολιτικές πύλης/καναρινιού).
Ξεχωριστά, εξετάστε τα περιστατικά που προκαλούνται από τον πάροχο (PSP/KYC/CDN/Cloud) για τη διαχείριση διαδρομών και συμβάσεων.

7) Επικοινωνίες και αντίκτυπος στον πελάτη

Time to First Public Update and Update Cadence (για παράδειγμα, κάθε 15/30 λεπτά).
Ποσοστό καταγγελίας - εισιτήρια/καταγγελίες για 1 περιστατικό, τάση.
Ακρίβεια κατάστασης - το μερίδιο των επικαιροποιήσεων του κοινού χωρίς ανακλήσεις.
NPS μετά το περιστατικό (από βασικό πελάτη) - μια σύντομη ώθηση μετά το SEV-1/0.

8) Συναγερμός των ποιοτικών μετρήσεων των περιστατικών

Page Storm Index - ο αριθμός σελίδων/ώρας ανά εφημερία κατά τη διάρκεια ενός συμβάντος (διάμεση τιμή/p95).
Dedup Efficiency - η αναλογία των καταπιεσμένων αντιγράφων.
Ρυθμός επιβεβαίωσης απαρτίας - το ποσοστό των συμβάντων στα οποία ενεργοποιήθηκε η απαρτία των καθετήρων (≥2 ανεξάρτητες πηγές).
μετατροπή νέων κανόνων (Alert-as-Code).

9) Ταμπλό (ελάχιστο σύνολο)

1. Εκτελεστικό όργανο (28 ημέρες): αριθμός συμβάντων, διανομή SEV, MTTR/MTTM, διαλείμματα SLA, Reopen, CAPA.
2. Λειτουργίες SRE: MTTD/MTTA, Page Storm, Actionable%, Detection Coverage, Time to Declare/Comms.
3. Αλλαγή επιπτώσεων: μερίδιο περιστατικών απελευθέρωσης/ρύθμισης, MTTR για περιστατικά αλλαγής, παράθυρα συντήρησης έναντι συμβάντων.
4. Πάροχοι: συμβάντα ανά πάροχο, χρόνος υποβάθμισης, διακόπτες διαδρομής, συμβατικές SLA.
5. Χάρτης θερμότητας ανά υπηρεσία/περιοχή: περιστατικά και MTTR ανά 1k συναλλαγών.

Συνδυάστε γραφικά SLI/SLO με σημειώσεις απελευθέρωσης και σήματα SEV.

10) Διάγραμμα δεδομένων περιστατικών (συνιστάται)

incident_id, sev, state, service, region, tenant, provider?,
t0_actual, t_detected, t_ack, t_declared, t_mitigated, t_recovered,
source_detect (synthetic    rum    infra    support),
root_cause (code    config    infra    provider    security    data    capacity    other),
trigger_id (release_id    change_id    external_id),
slo_impact (availability    latency    success), burn_minutes,
sla_breach (bool), public_updates[], owners (IC/TL/Comms/Scribe),
postmortem_id, capa_ids[], reopened_within_90d (bool)

11) Παραδείγματα υπολογισμού (ιδέα SQL)

sql
SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY EXTRACT(EPOCH FROM (t_recovered - t0_actual))/60) AS mttr_min
FROM incidents
WHERE t0_actual >= '2025-10-01' AND t_recovered IS NOT NULL AND sev IN ('SEV-0','SEV-1','SEV-2');

sql
SELECT 100.0 SUM(CASE WHEN source_detect <> 'support' THEN 1 ELSE 0 END) / COUNT() AS detection_coverage_pct
FROM incidents
WHERE t0_actual >= current_date - INTERVAL '28 days';

sql
SELECT 100.0 COUNT() FILTER (WHERE trigger_id IS NOT NULL) / NULLIF(COUNT(),0) AS change_failure_rate_pct
FROM incidents
WHERE t0_actual >= current_date - INTERVAL '28 days';

12) Σύνδεση με το SLO και προϋπολογισμοί σφαλμάτων

Καταγραφή λεπτών καύσης SLO ανά περιστατικό - αυτό είναι το κύριο «βάρος» του γεγονότος.
Δίνεται προτεραιότητα στο CAPA με ολική καύση και βάρος SEV αντί για μέτρηση συμβάντων.
Συγκεντρώστε μαζί ένα έγκαυμα με οικονομικές επιπτώσεις (παράδειγμα: $/λεπτό downtime ή $/χαμένη συναλλαγή).

13) Μετρήσεις σε επίπεδο προγράμματος

Μεταθανάτια Ώρα Αιχμής: Διάμεση τιμή από το κλείσιμο του συμβάντος μέχρι τη δημοσίευση της αναφοράς.
Πληρότητα αποδεικτικών στοιχείων: μερίδιο εκθέσεων με χρονοδιάγραμμα, διαγράμματα SLI, αρχεία καταγραφής, συνδέσεις με PR/comms.
Βαθμολογία υγιεινής: σύνθετος δείκτης με δυνατότητα δράσης/FP/dedup/απαρτία.
Ελαττώματα παράδοσης: το ποσοστό των μετατοπίσεων όπου χάνεται το πλαίσιο των ενεργών συμβάντων.
Κάλυψη εκπαίδευσης: προσομοίωση% εφημερίας κατά το τρίμηνο.

14) Κατάλογος ελέγχου εφαρμογής μετρικών στοιχείων

• Ορίζονται ενιαίες χρονοσφραγίδες (UTC) και συμβάσεις συμβάντων.
• SEV, αιτία ριζικής ταξινόμησης και πηγές ανίχνευσης που έχουν υιοθετηθεί.
• Οι μετρήσεις είναι κανονικοποιημένες σε όγκο (κίνηση/επιτυχία).
• Έτοιμα 3 ταμπλό: Executive, Operations, Change Impact.
• Συναγερμός-ως-Κώδικας: Κάθε σελίδα έχει ένα βιβλίο παιχνιδιού και έναν ιδιοκτήτη.
• SLA μετά θάνατον (π.χ. σχέδιο ≤72ch, τελικός ≤5 σκλάβος. ηµέρες).
• Τα CAPA παρακολουθούνται με ισχύ KPI και D + 14/D + 30 ημερομηνίες.
• Εβδομαδιαία Ανασκόπηση Περιστατικού: Τάσεις, Κορυφαίοι Λόγοι, Κατάσταση CAPA.

15) Αντι-μοτίβα

Εξετάστε μόνο MTTR χωρίς MTTD/MTTA/MTTM → απώλεια της δυνατότητας ελέγχου των πρώτων φάσεων.
Η μη ομαλοποίηση του όγκου → μεγάλων υπηρεσιών φαίνεται χειρότερη.
Οι μη συστηματικές ΥΗΟ → ανόμοια περιστατικά.
Η έλλειψη αποδεικτικών στοιχείων → αντιπαράθεση αντί για βελτιώσεις.
Εστίαση σε αριθμό συμβάντων αντί για εγκαύματα/επιπτώσεις SLO.
Αγνοήστε το Reopen και το CAPA → αιώνιες υποτροπές.
Μετρήσεις σε Excel χωρίς αυτόματη αποστολή από τηλεμετρία/ITSM.

16) Μίνι υποδείγματα

Κάρτα περιστατικού (abbr.)

INC: 2025-11-01-042 (SEV-1)
T0=12:04Z, Detected=12:07, Ack=12:09, Declared=12:11,
Mitigated=12:24, Recovered=12:48
Service: payments-api (EU)
SLI: success_ratio (-3.6% к SLO, burn=18 мин)
Root cause: provider (PSP-A), Trigger: status red
Comms: first 12:12Z, cadence 15m, SLA met
Links: dashboards, logs, traces, release notes

Εκτελεστική έκθεση (28 ημέρες, βασικές γραμμές)

Incidents: 12 (SEV-0:1, SEV-1:3, SEV-2:6, SEV-3:2)
Median MTTR: 52 мин; Median MTTD: 4 мин; MTTA: 3 мин; MTTM: 17 мин
Detection Coverage: 88%; Actionable Pages: 86%; FP Pages: 3.2%
Change Failure Rate: 33% (4/12) — 3 связаны с конфигом
Reopen(90d): 1/12 (8.3%); CAPA Completion: 82% (2 просрочены)
Top Root Causes: provider(4), config(3), capacity(2)

17) Χάρτης πορείας (4-6 εβδομάδες)

1. Νεντ. πρότυπο, SEV/λόγο λεξικό βασική επίδειξη περιστατικού.
2. Νεντ. 2: Υπολογισμοί MTTD/MTTA/MTTM/MTTR, ομαλοποίηση και ταμπλό SEV.
3. Νεντ. 3: δέσμη με εκλύσεις/ρυθμίσεις, κάλυψη ανίχνευσης και υγιεινή συναγερμού.
4. Νεντ. 4: Εκτελεστική έκθεση, SLA μετά θάνατον, ανιχνευτής CAPA.
5. Νεντ. 5-6: εκθέσεις παρόχων, burn→$ χρηματοοικονομικό μοντέλο, τριμηνιαίοι στόχοι και τριμηνιαία επισκόπηση περιστατικών.

18) Η τελική γραμμή

Οι μετρήσεις περιστατικών δεν είναι μόνο αριθμοί, αλλά ένα παραμύθι επιχειρησιακής αξιοπιστίας. Όταν μετράς ολόκληρη τη ροή (από την ανίχνευση στο CAPA), ομαλοποιείς μετρήσεις, τις συσχετίζεις με SLO και αλλαγές, και αναθεωρείς τακτικά, ο οργανισμός προβλέπει ότι μειώνει το χρόνο απόκρισης, το κόστος και τη συχνότητα συμβάντων - και οι χρήστες βλέπουν μια σταθερή υπηρεσία.