Análise de turnos e desempenho

1) Objetivo e valor

O analista de turnos é um sistema de medição que torna previsível o controle de 24 x 7 operações: confirma o revestimento do SLO, identifica estreitos (slots noturnos, domínios sobrecarregados), evita queimadas e melhora a qualidade dos hendowers. Para iGaming, isso afeta diretamente a velocidade de depósito/setles, KYC/AML prazos e reputação.

2) Taxonomia métricas

2. 1 Revestimento e disposição

Coverage Rate -% do relógio completo (papel/domínio/região).
On-Call Readiness - Proporção de turnos com IC/CL atribuídos e contatos validos.
Handover SLA - Cumprimento da janela de transferência (10-15 min) e folha de cheque.

2. 2 Velocidade de Resposta e Recuperação

MTTA/MTTR (em slots Day/Swing/Night, em domínios): mediana, p90.
Detation Lead é uma liga entre a degradação SLI e a primeira ação.
Post-Release Monitoring Time - Observação real do lançamento.

2. 3 Qualidade de transferência de turno

Handover Defect Rate - Itens da folha de cheques não preenchidos.
Info Drift - Divergência de factos entre o WR, o ITSM e o canal de status.
O Action Carryover é um número de tarefas que não tem dono/ETA.

2. 4 Carga e fadiga

Pager Fatigué: alertas/pessoa/semana, pags noturnos, P1/pessoa/turno.
Escalation Density: Proporção de incidentes que chegaram a L2/L3 (contra os registos runbook L1).
Idle vs. Busy Ratio: tempo de download produtivo vs. espera.

2. 5 Eficiência e automação

Auto-Fix Rate - incidentes resolvidos por automóveis/bot.
Runbook Usage -% de alertas fechadas em cenários padrão.
FCR - Encerramento no nível L1 sem escalação.
Mean Time Between Invents (MTBI) - sustentabilidade de domínio/slot.

2. 6 Justiça e sustentabilidade

Fair-Share Index é a igualdade de noites/fins de semana das pessoas.
Replacement SLA - Substituições confirmadas em ≥48 h antes da mudança.
Training Coverage é uma fração de turnos com slot shadow.

2. 7 Laço de negócios

SLO Impact Score - Durante quanto tempo o SLO foi mantido na área verde.
Revenue at Risk (proxy) - estimativa da receita perdida de P1/P2 no turno.
Parceiro Latency/Declines - a contribuição de parceiros PSP/KYC nos incidentes de turno.

3) Modelo de dados

3. 1 Grãos de eventos

shift _ event: início/fim, composição, papéis (IC/CL/L1/L2), região, domínios.
alert _ event: sinal, prioridade, proprietário, encerramento, runbook/ativação automática.
invent _ evento: P1-P4, timeline, IC/CL, status-publicação.
handover _ check: marcação da folha de cheque + defeitos/comentários.
release _ watch: janelas de observação, gates, revezamentos automáticos.
worklog: minutos produtivos (diagnóstico, fixação, comm-update, pós-mortem).
fatiguue _ sinal: frequência de pages/noites, horas trabalhadas.

3. 2 Esquema (simplificado)

Ключи: `timestamp`, `tenant`, `region`, `environment`, `domain`, `role`, `severity`.
Opções de armazenamento: lake de evento (parquet/iceberg) + pré-regatas em DWH/TSDB.
Política PII: apenas agregados e pseudônimos; e-mail/ID são mascarados.

4) Coleta de dados (ETL)

1. ChatOps/bot: comandos '/handover ', '/invent', '/runbook '→ diário WORM.
2. ITSM: estados de incidentes/tíquetes, ligação com war-rums.
3. Metrics API: SLI/SLO (auth-success, bet→settle p99, error-rate), KRI (queue lag, PSP declines).
4. Programador de turnos: calendários, substituições, papéis, shadow.
5. CI/CD: lançamentos, janelas de observação, revezamentos automáticos.

O ETL normaliza, adiciona 'shift _ slot' (Day/Swing/Night) e calcula as métricas derived (MTTA/MTTR, Fair-Share).

5) Dashboards

5. 1 Exec (revisão por semana/mês)

CFR, MTTR, Auto-Fix Rate, SLO Impact, Revenue-at-Risk (proxy).
Mapa de sobrecarga de slots e domínios (térmica).

5. 2 Ops/SRE (ouriço/diária)

Painel de tempo real: P1-P4 abertos, burn-rate, filas/replicação, guardas.
Cartão de status de cheque e defeitos.
Painel Fatigue: pagie/pessoa, noites/pessoas (últimas 4 semanas), avisos.

5. 3 Team/Domain

MTTA/MTTR em domínio, FCR, Runbook Usage, proporção de escaladas em L2/L3.
Fair-Share e Replacement SLA para um comando específico.

6) Fórmulas e liminares

Coverage Rate = relógio coberto/168. O alvo ≥ 99%.
Handover SLA =% dos turnos onde a transferência foi concluída e a folha de cheque fechada ≤ 15 min (alvo ≥ 95%).
Pager Fatiga (n.) : p95 alertas/pessoa ≤ alvo; Aviso para> p90.
Fair-Share Index = 1 - (noites/target _ noites). Alvo ≥ 0. 8.
Auto-Fix Rate ≥ 40% para L1 por trimestre (a meta depende da maturidade).
Runbook Usage ≥ 70% para alertas repetitivos (top 10 sinais).

Cartões de controle (X-MR, p-charts) para MTTA/MTTR e Defect Rate; Alertas ao sair dos limites de controlo.

7) Métodos analíticos

Anomalias: STL/ESD/CUSUM por alertas e MTTA/MTTR, marcar outlaers e razões (lançamento, provedor).
Previsão de carga: Prophet/ARIMA por alertas e P1/P2 por slot → planejamento FTE.
Atribuição de resultado: modelo uplift de alterações de processo (por exemplo, um novo modelo hendover) → MTTR.
Experimentos de controle: A/B em processos internos (versão folha de cheque, novo runbook).
Análise de linha: desempenho dos novos (shadow→solo) vs. experientes.

8) Integração

Um incidente-bot, a postar métricas de turno, a lembrar um hendover fora de casa, a começar a retranca.
Portal Release: liga janelas de lançamento a picos de carga; auto-pause em vermelho SLO.
Metrics API: RCA pronto para SLO + explars (trace _ id).
HR/PTO: fatores de retirada (shrinkage) → planejamento e analista de fair-share.

9) Políticas e RACI

Ops Analytics Owner (SRE/Plataforma): modelo de dados, dashboards, precisão de métricas.
Service Owners: interpretação de sinais de domínio, planos de melhorias.
Duty Gerente: análise semanal de KPI/KRI, balanço de slots.
Compliance/Sec: Cumprimento de PII/SoD em telemetria e relatórios.
Training Lead: Planeamentos de negociação a partir das conclusões dos analistas.

10) Modelos de artefatos

10. 1 Catálogo de métricas (YAML)

yaml apiVersion: ops.analytics/v1 kind: MetricCatalog items:
- id: coverage_rate owner: "SRE"
formula: "covered_hours / 168"
slice: ["region","slot","domain"]
target: ">=0.99"
- id: mtta_p50 owner: "Ops"
formula: "median(ack_ts - alert_ts)"
slice: ["slot","severity","domain"]
target: "<=5m (P1)"
- id: handover_defect_rate owner: "Ops"
formula: "defects / handovers"
target: "<=5%"
- id: pager_fatigue_p95 owner: "SRE"
formula: "p95(alerts_per_person_week)"
target: "<=team_threshold"

10. 2 Exemplo de consulta (unidade SQL)

sql
SELECT slot, domain,
percentile_cont(0.5) WITHIN GROUP (ORDER BY ack_s-emit_s) AS mtta_p50,
percentile_cont(0.9) WITHIN GROUP (ORDER BY ack_s-emit_s) AS mtta_p90,
AVG(auto_fix)::float AS autofix_rate
FROM alerts_fact
WHERE ts BETWEEN:from AND:to AND severity IN ('P1','P2')
GROUP BY slot, domain;

10. 3 Folha de cheque Hendover (sinais de qualidade)

Resumo SLO/SLI anexado

Incidentes abertos têm proprietários/ETA

Trabalhos/lançamentos programados amarrados

Riscos de provimento registrados

Rascunhos de Kom prontos

Contatos on-call válidos

Watchlist atualizado

11) Gerenciamento de riscos e melhorias

KRI: crescimento do DLQ/queue-lag em slot night, queda do FCR <alvo, sobe do Info Drift.
Plano de melhorias: Plano Ops semanal com proprietários/ETA para o top 3 falhas.
Turnos pós-mortem de disciplina, retrô por defeitos hendowers e flapping alert.
A/B em processo: Verificação do impacto dos novos regulamentos no MTTR/Auto-Fix.

12) KPI/OKR exemplos (trimestre)

KR1: MTTR P1 (mediana) ↓ de 22 min a 15 min

KR2: Handover SLA ≥ 95% em três slots.
KR3: Auto-Fix Rate ≥ 45% para top 10 regras de sinalização.
KR4: Pager Fatige p95 ↓ 20% (após otimizar a alertação).
KR5: Fair-Share Index ≥ 0. 85 em todas as equipas.

13) Mapa de trânsito de implementação (6-10 semanas)

Ned. 1-2: padrão de evento, ETL de bot/ITSM/Metrics API, primeiro catálogo de métricas, dashboards básicos.
Ned. 3-4: cartões de controle e liminares, painel fatiguado, qualidade handover, ligação com lançamentos.
Ned. 5-6: previsão de carga (slots/domínios), fair-share e análise replacement.
Ned. 7-8: dicas automáticas (que runbooks automatizar), relatórios de auto-fixação, modelos retráteis.
Ned. 9-10: experiências em processos (A/B folhas de cheque), KPI em painéis Exec, treinamento de equipes.

14) Antipattern

Considerar «sucesso de mudança» apenas pelo número de tíquetes fechados (sem contexto MTTR/SLO).
Ignorar defeitos hendover («já é compreensível»).
Métricas sem normalização em volume de tráfego/picos sazonais.
Personalização e «classificação das pessoas» sem considerar a complexidade/condições de entrada.
Falta de fair-share → incineração e aumento de erros.
Correlação zero com lançamentos/experiências → conclusões falsas.
Dados sem auditoria WORM e sem política PII.

Resultado

O analista de turnos e desempenho é um sistema de medição de produção acima de ChatOps, ITSM e telemetria: taxonomia clara KPI/KRI, modelos de dados corretos, dashboards para diferentes papéis, métodos estatísticos e conexão com o efeito SLO/negócio. Esta abordagem alinha as cargas, acelera a resposta, reduz a combustão e melhora previsivelmente a qualidade das operações da plataforma iGaming.