为什么这很重要

提供者和客户对“良好的服务”有不同的想象。提供者想到的是在线率和工单关闭。客户想到的是他们能否完成自己的工作。没有约定的定义,双方可能都真诚,也都不满意:提供者拿出一份显示所有目标都已达成的报告,客户则指着一周的挫败感。

服务级别管理弥合了这一差距。它先与客户展开对话,了解他们需要什么,把答案转化为可度量的目标,并以客户可以核对的方式汇报。对话比文件更重要。写一次就归档的服务级别协议(SLA)带来的是虚假的安慰;定期评审、使用真实数据并坦诚讨论哪些地方不奏效的协议,才能建立信任。

现代实践还面临一种批评:基于技术度量设定的目标可能全部为绿色,而用户却不满意。作为回应,组织增加了体验度量,比如体验级别协议(XLA),工程团队则根据用户注意到的情况设定服务级别目标(SLO)。本主题解释相关词汇、如何设定目标,以及如何保持它们有用。它与可用性和容量(主题 3.11 — 可用性、容量与性能)、供应商管理(主题 3.14 — 供应商管理)和度量(主题 7.3 — 度量与报告)相联系。

核心概念

服务级别协议(SLA)。 在 ITIL 4 中,指服务提供者与客户之间的一份文档化协议,确定所需的服务以及预期的服务水平。维基百科关于服务级别协议的文章描述了常见的组成部分:服务描述、目标、度量、报告,以及未达目标时会发生什么。SLA 可以是内部的,在提供者与其自己的组织之间;也可以是外部的,在商业合同中。

服务级别目标值。 一项具体、可度量的承诺,例如“一个日历月内 99.9% 的请求在两秒内完成”或“一级事件在 15 分钟内得到响应”。每个目标定义度量什么、如何度量、在什么周期内以及在什么条件下。

服务级别目标(SLO)。 针对服务级别指标(SLI)的目标,最常被工程团队使用,是主题 2.6 — 站点可靠性工程中所描述实践的一部分。SLO 通常是内部的,并且比外部 SLA 更严格,使团队在违约之前就能注意到麻烦。维基百科描述了服务级别目标(service-level objective)。

运营级别协议(OLA)。 内部团队之间支持向客户交付服务的协议。例如,网络团队可能与支持外部 SLA 的服务团队约定响应时间。维基百科描述了运营级别协议(operational-level agreement)。

支撑合同。 与支持某项服务交付的外部供应商订立的协议。它应当与其所支撑的 SLA 一致。如果你的 SLA 承诺四小时,而供应商的合同允许八小时,那么差距由你承担。

体验级别协议(XLA)。 一个较新的理念:这类协议聚焦于用户如何体验服务,例如它在多大程度上帮助他们实现目标,而不是纯粹的技术度量。XLA 通常在系统数据之外使用调查、情感度量和观察。没有统一的标准定义,所以请写下你的意思。见主题 7.7 — 体验与情感分析。

什么是好的目标。 对客户有意义、可度量、基于可实现的证据,并与依赖它的人商定。它说明度量方法和排除项,如计划内维护。它不承诺提供者无法控制的东西。

平均值与百分位数。 平均值会掩盖最坏的情况。“平均响应时间低于一秒”这样的目标,即使十分之一的请求耗时十秒也可能达成。维基百科描述的百分位数能给出更好的图景:“95% 的请求在两秒内”。请根据你所关心的体验选择百分位数。

可用性与在线率。 一个常见的目标,以服务可用时间的百分比来表示。维基百科关于可用性(availability)的文章描述了计算方法。它取决于什么算“可用”:服务可能在线却无法使用。要从用户的角度来定义。

罚则与补偿。 许多外部 SLA 包含补救措施,如果提供者未达到目标,则给予服务补偿。它们是认真态度的信号,却不能很好地替代服务:一点点补偿对业务受到影响的客户并无帮助。维基百科关于违约金(liquidated damages)的文章描述了相关的合同理念。请核实你的合同中补救措施如何运作,必要时征求法律意见;本指南不提供法律意见。

报告。 定期报告显示相对于目标的结果,并解释未达标的原因及行动。报告是为了对话,而不只是为了留档。除数字外,还要附上例子和用户的评论。

评审。 按约定的间隔与客户一起评审 SLA 和目标,在需求或技术变化时进行调整。淘汰没人使用的目标。

古德哈特定律。 “当一项度量成为目标时,它就不再是一个好的度量。”维基百科描述了这一观察,归于经济学家 Charles Goodhart。人们调整行为以满足数字,而不是满足目的。服务级别很容易招来这种情况:工单被提前关闭、事件被重新分类、时钟被暂停。通过抽样、配对度量和客户反馈来防范。见《服务管理度量》一书。

这些视角如何契合。 服务级别管理是敏捷改进与协议相遇的地方:经常评审目标并加以调整。AI 可以帮助分析绩效数据并起草报告,需要人工审查。自动化以一致的方式度量和汇报。分析显示技术目标与用户体验之间的关系。

最佳实践

  1. 从客户的需要出发。 问他们不能容忍什么出故障,能容忍什么程度的缓慢。依据这些答案设定目标,而不是依据容易度量的东西。
  2. 保持目标数量少。 每项服务有少数几个有意义的目标,比几十个更容易理解和管理。舍弃没人使用的。
  3. 精确地写下每个目标。 说明度量什么、在哪里度量、在什么周期内、排除什么,以及结果如何计算。用最近一个月的数据测试这一定义。
  4. 对响应和性能使用百分位数。 报告达到目标的案例所占份额,并展示最坏的情况,而不只是平均值。
  5. 把内部目标设得比协议更严格。 让团队有余地在违约之前采取行动。使内部与外部目标彼此一致,也与供应商合同一致。见主题 3.7 — 服务级别管理。
  6. 增加体验度量。 在技术目标之外,通过简短的调查和观察询问用户这项服务如何帮助了他们。抽取真实案例,看看数字遗漏了什么。
  7. 带着背景汇报。 在与客户的定期会议上呈现结果,坦诚解释未达标的原因,并商定行动。加入几条用户评论。
  8. 防范钻空子。 查看数字背后的工单和事件样本,关注重新打开率,并把速度度量与质量度量配对。
  9. 定期评审协议。 至少每年见面一次,并在发生重大变化时检查目标是否仍符合需求和成本。公开地改变目标。
  10. 使供应商保持一致。 核对每个供应商的协议是否支持你所承诺的目标,并商定如何向你汇报其表现。见主题 3.14 — 供应商管理。

与团队讨论的问题

如果我们上个月达成了每一个目标,客户会说服务很好吗? 这个问题检验目标是否反映体验。预期在某处会有不匹配。问问有没有一条最近的投诉是没有任何目标能捕捉到的。追问:选择一个新的体验度量。

我们的哪些目标没人读?哪些让大家争论不休? 这个问题找出无用的和有争议的度量。问问谁在决策中使用每一个。追问:淘汰一个,澄清一个。

我们向客户承诺的哪些东西依赖供应商或其他团队?他们又向我们承诺了什么? 这个问题检验协议之间的一致性。把数字并排检查。预期会有缺口。追问:选择一个缺口去弥合,通过重新谈判或改变我们的承诺。

我们的目标如何可能在没有帮助用户的情况下达成? 想象一下钻空子的情形:提前关闭工单、暂停时钟、收窄定义。问问是否发生过其中任何一种。追问:为某个目标选择一项抽样检查。

谁参加我们的服务评审会议?会议之后有什么改变? 没有行动的会议只是仪式。要求看上一次的行动清单。追问:商定每次评审最多以三项带负责人的行动收尾。

AI 能在哪里帮助分析服务级别数据或起草报告?哪些必须由人检查? AI 可以总结趋势并起草解释。它也可能在没有证据的情况下陈述原因。问问谁对照数据评审草稿。追问:对内部使用的摘要试用 AI 草稿,由人批准。

实践:一个服务管理示例

一家区域自来水公司的 IT 部门支持 800 名办公室员工和 300 个现场班组。工单系统的 SLA 承诺 99.5% 的可用性和对一级事件四小时的响应。报告显示两年来每个目标都达成了。但现场班组仍称这个系统“不可靠”,运营负责人要求更好的 SLA。

服务经理与班组长见面,问“不可靠”是什么意思。他们说,系统在线,但在清晨班组开始工作时非常慢,并且在移动网络覆盖差时无法同步。这两点都没被捕捉到:可用性由数据中心每隔五分钟一次的检查来度量,而响应目标只适用于班组提交的工单,他们很少提交,因为他们认为不会有人处理。

经理提出了改变。团队增加了一个基于真实用户事务的 SLI:95% 的工单保存在三秒内完成,并单独度量早上 6 点到 8 点这一时段。增加了面向班组的简短月度脉冲调查,包含两个问题,问系统是否帮助他们完成了工作,以及有什么妨碍。并且设定了比 SLA 更严格的内部 SLO,使团队能赶在班组之前看到清晨的缓慢。运营负责人同意每季度与班组代表一起评审这些目标。

变化在于:第一个月的数据清楚地显示了清晨的缓慢,一次数据库调优的变更解决了大部分问题。仍然困难的是:同步失败取决于公司无法控制的移动网络覆盖;调查的回复率约为三分之一;新的 SLI 不在合同中,所以给执行团队的报告现在带有两套数字。经理保留了两者,并建议在下次续约时把新的度量纳入 SLA。

四种视角

产品与交付团队

与运行和使用服务的人一起定义指标和目标,并把度量内建于产品。把未达目标视为审视设计的提示,而不只是审视运维。

服务与运维团队

了解目标以及它们是如何度量的。留意钻空子,诚实地汇报,并把数字所遗漏的例子带到评审会议上。利用内部目标提前采取行动。

领导层与治理

问目标是否反映客户的需要,是否与供应商合同一致。查看分布和样本,而不只是醒目的百分比。避免凭单一数字奖励或惩罚团队。

客户与用户

说出什么对你最重要,以及你能容忍什么。参加评审。如果每份报告都是绿色而你不满意,告诉提供者并给出例子。

敏捷、AI、自动化与分析

敏捷

与客户定期、小步地评审和调整目标,并把未达标当作改进的反馈。注意:每月都变的目标会让所有人困惑;保持一个稳定的核心,并有意识地改变它。

AI

AI 可以分析绩效数据、起草报告并建议未达标的原因,结论由人负责。为每种用法指定负责人。注意:AI 对未达标的解释可能听起来很权威却没有证据;要求它引用所用的数据。见主题 5.1 — 服务管理中的 AI。

自动化

根据真实事务自动化度量、报告以及对违约风险的告警,计算透明。注意:自动化的度量可能掩盖定义错误;要定期抽查原始数据和计算。见主题 6.2 — 工作流自动化与编排。

分析

把技术度量,如响应时间的百分位数,与体验数据,如调查结果和投诉,结合起来。注意:调查来自愿意回复的人,每一项度量一旦成为目标都可能被钻空子;使用多种来源并抽取案例。见主题 7.7 — 体验与情感分析和《服务管理度量》一书。

常见失败模式

  • 全是绿色,客户却不满。 度量遗漏了体验。增加基于用户的指标和样本。
  • 目标太多。 没人阅读。保留少数重要的。
  • 只看平均值。 最坏的情况被隐藏。使用百分位数并展示异常值。
  • 钻空子。 时钟被暂停,工单被提前关闭。抽样并配对度量。
  • 协议不一致。 承诺超出了供应商能交付的。使内部和外部目标保持一致。
  • 把 SLA 当作武器。 会议围绕补偿争吵。聚焦于改进和共同的理解。
  • 从未评审。 目标老化。按约定的间隔评审。

成熟度模型

维度 起步 发展 标准化 管理 协同
目标 技术性的,未经评审 一些基于客户的目标 与客户一起设定并精确定义目标 对照数据和体验评审目标 目标在各服务和合作伙伴之间协调
度量 手工 有一些自动化 尽可能根据用户事务度量 验证并抽样度量 度量自动化,并在整个链条上透明
体验 未度量 临时的调查 体验度量与技术度量并行 体验与改进相联系 体验驱动跨服务的协议
评审 罕见 每年一次 带行动项的定期评审 跟踪评审的结果 评审与规划和供应商相结合

检查清单

  • 目标基于客户需要,并与他们商定。
  • 每个目标都有精确的定义,并用真实数据测试过。
  • 我们对响应和性能目标使用百分位数。
  • 内部目标比外部协议更严格。
  • 供应商合同支持我们承诺的目标。
  • 我们既度量体验,也度量技术表现。
  • 我们抽查数字背后的案例,以检查是否被钻空子。
  • 我们至少每年以及在重大变化之后评审协议。

AI 提示词

检查目标的定义。

这是一份按原文写的服务级别目标:[粘贴]。这是一个月的原始数据:[粘贴摘要]。
请列出措辞中不清楚之处,用两种不同的合理方式计算结果并展示步骤,并指出两种答案的差异所在。不要建议新目标。
请列出你不确定的事项。

找出数字遗漏了什么。

我们的目标:[列表]。这是上个季度的用户投诉:[粘贴,已去除个人数据]。
请列出没有任何目标能发现的投诉,简要引用每一条,并为每条提出一个可能的度量。不要声称这些度量会奏效。
请列出你不确定的事项。

准备一次服务评审。

这是本月相对于目标的结果:[粘贴]。这是值得注意的事件和用户评论:[粘贴]。
请起草一份议程和五个与客户讨论的问题,其中包括一个关于数字没有显示什么的问题。不要解释材料中没有的原因。
请列出你不确定的事项。

AI 技能

主要来源

  • PeopleCert, ITIL certification pages:所有者对服务级别管理实践的描述。
  • Betsy Beyer 等(编),Site Reliability Engineering(2016),关于服务级别目标的章节,可在 sre.google 免费获取。
  • Wikipedia, "Service-level agreement" 和 "Service-level objective":对术语的概述。
  • Wikipedia, "Goodhart's law":关于把度量用作目标的提醒。

参考文献

  1. Service-level agreement — Wikipedia — https://en.wikipedia.org/wiki/Service-level_agreement
  2. Service-level objective — Wikipedia — https://en.wikipedia.org/wiki/Service-level_objective
  3. Operational-level agreement — Wikipedia — https://en.wikipedia.org/wiki/Operational-level_agreement
  4. Percentile — Wikipedia — https://en.wikipedia.org/wiki/Percentile
  5. Availability — Wikipedia — https://en.wikipedia.org/wiki/Availability
  6. Goodhart's law — Wikipedia — https://en.wikipedia.org/wiki/Goodhart%27s_law
  7. Liquidated damages — Wikipedia — https://en.wikipedia.org/wiki/Liquidated_damages
  8. Customer satisfaction — Wikipedia — https://en.wikipedia.org/wiki/Customer_satisfaction
  9. Net promoter score — Wikipedia — https://en.wikipedia.org/wiki/Net_promoter_score
  10. Site Reliability Engineering: How Google Runs Production Systems — Google — https://sre.google/sre-book/table-of-contents/