服务级别管理
服务级别管理与依赖服务的人一起,为服务设定清晰、可度量的目标,跟踪相对于这些目标的表现,并利用差距来改进;它的现代形式在传统的服务级别协议之外,增加了体验级别协议和工程目标。
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
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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
- service-level-agreement:用于起草和评审协议与目标。
- key-risk-indicators:用于选择能提前预警的指标。
- survey-design:用于设计体验度量。
- vendor-management:用于使供应商协议与你的目标一致。
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
- Service-level agreement — Wikipedia — https://en.wikipedia.org/wiki/Service-level_agreement
- Service-level objective — Wikipedia — https://en.wikipedia.org/wiki/Service-level_objective
- Operational-level agreement — Wikipedia — https://en.wikipedia.org/wiki/Operational-level_agreement
- Percentile — Wikipedia — https://en.wikipedia.org/wiki/Percentile
- Availability — Wikipedia — https://en.wikipedia.org/wiki/Availability
- Goodhart's law — Wikipedia — https://en.wikipedia.org/wiki/Goodhart%27s_law
- Liquidated damages — Wikipedia — https://en.wikipedia.org/wiki/Liquidated_damages
- Customer satisfaction — Wikipedia — https://en.wikipedia.org/wiki/Customer_satisfaction
- Net promoter score — Wikipedia — https://en.wikipedia.org/wiki/Net_promoter_score
- Site Reliability Engineering: How Google Runs Production Systems — Google — https://sre.google/sre-book/table-of-contents/