← Все статьи

Отслеживание стабильности сервиса: пять цифр, которые стоит знать

"У нас всё стабильно" – это ощущение. Причём обычно ощущение того, кто последним смотрел на сайт. "Аптайм 99,9%, чиним в среднем за 24 минуты" – уже разговор.

Дашборды на всю стену для этого не нужны. Нужны пять цифр и пятнадцать минут в неделю, чтобы на них посмотреть.

1. Аптайм

Процент времени, когда сервис отвечал нормально. Скучная цифра, пока не переведёшь её в минуты. 99% – это семь часов простоя в месяц. 99,9% – сорок три минуты. Разница между двумя девятками и тремя ощущается как разница между "опять что-то лежит" и "да вроде всё работает".

Считается автоматически из данных мониторинга. Без минутных проверок честной цифры не получится.

2. Время отклика

Сайт может быть формально доступен и отвечать по восемь секунд. Для клиента он не работает. Смотрите на среднее и на пики: отклик почти всегда растёт до падения. Например, переполнился диск или база перестала справляться – сначала медленно, потом никак. Это самый дешёвый ранний сигнал из всех.

3. Как быстро узнали и как быстро занялись

Две разные вещи, которые часто путают. Первая: сколько прошло от падения до "мы знаем". Тут всё решает мониторинг, минуты вместо часов. Вторая: сколько прошло от "мы знаем" до "человек взялся". Здесь решает уже не техника, а договорённости.

Если сигнал уходит конкретному дежурному и автоматически перекидывается на следующего через пять минут молчания, реакция предсказуема. Если сигнал падает в общий чат, реакция – как повезёт.

4. Сколько чинили (MTTR)

Среднее время от падения до "снова работает". Главная цифра для разборов, потому что она показывает, дешевеет у вас сбой или дорожает. Команда, которая ведёт инциденты и делает выводы, видит, как эта цифра снижается от месяца к месяцу. Команда, которая её не считает, не знает, что улучшать.

5. Что сказали клиенты

К этой метрике я сам пришёл не сразу. Спросите у людей оценку после того, как всё починили.

Выяснится странное: можно лежать час и получить пятёрки, если всё это время писать "чиним, обновление в 12:40" и потом каждому сказать "готово, извините". А можно упасть на десять минут, промолчать и собрать единицы. Для клиента стабильность – это ещё и то, как с ним разговаривают, когда всё сломалось.

С чего начать

• Включите минутный мониторинг. Аптайм и отклик посчитаются сами.
• Назначьте дежурного и правило эскалации, тогда время реакции станет управляемым.
• Заведите привычку вести сбои как инциденты с номерами. Иначе MTTR неоткуда взять.
• Спрашивайте оценку после решения.

Пять цифр и один взгляд в неделю. После этого "у нас всё стабильно" можно говорить с цифрами в руках.