Metriken für das Incident-Management
Die wichtigsten Kennzahlen (KPIs)
Um kontinuierliche Verbesserungen zu erreichen, ist es entscheidend, die wichtigsten Metriken zu identifizieren, die Ihr Team überwachen sollte. Diese Metriken variieren je nach Ihren spezifischen Anforderungen und Prioritäten, dennoch gibt es einige branchenweit anerkannte Kennzahlen, die als Benchmark dienen.
Diese lassen sich in vier Kategorien einteilen: operative Performance, Stabilität, On-Call-Metriken und Durchsatz.
Metriken zur operativen Performance
Die operative Performance zeigt, wie effektiv ein Service die Erwartungen der Nutzer erfüllt – also ob er verfügbar ist, wenn er benötigt wird, und ob er seine optimale Leistung erbringt. Die wichtigste Kennzahl zur Messung der operativen Performance ist die Uptime, die den Prozentsatz der Zeit angibt, in der ein System innerhalb eines bestimmten Zeitraums – zum Beispiel eines Monats oder Jahres – funktionsfähig bleibt.
Die folgende Tabelle zeigt gängige Uptime-Ziele und die jeweils zulässige Ausfallzeit pro Jahr und Monat:
Uptime
Zulässige Ausfallzeit pro Jahr
pro Monat
95 %
18.25 Tage
1.5 Tage
99 %
3.65 Tage
7.2 Stunden
99.5 %
1.83 Tage
3.6 Stunden
99.9%
8.76 Stunden
10.1 Minuten
99.99 %
52.6 Minuten
4.23 Minuten
99.999 %
5.26 Minuten
25.9 Sekunden
Andere Metriken sind:
- Latenz: Die Zeit, die benötigt wird, um eine Anfrage zu verarbeiten oder die Antwortverzögerung – beides sollte minimiert werden, um eine optimale Benutzererfahrung sicherzustellen.
- Performance: Wird typischerweise anhand von Metriken wie Antwortzeit, Durchsatz und Fehlerraten gemessen, um sicherzustellen, dass das System effizient arbeitet.
- Skalierbarkeit: Die Fähigkeit des Systems, erhöhte Lasten zu bewältigen, ohne die Leistung oder Nutzererfahrung zu beeinträchtigen.
Stabilitätsmetriken
Stabilität spiegelt die Belastbarkeit des Systems wider und seine Fähigkeit, sich an Änderungen anzupassen, ohne Kettenreaktionen oder Folgefehler auszulösen. Die wichtigsten Metriken, die helfen, Probleme zu identifizieren und das Verhalten des Systems nach der Bereitstellung zu verstehen, sind Change Failure Rate (CFR) und Mean Time to Resolve (MTTR).
- MTTR misst die durchschnittliche Zeit, die benötigt wird, um einen Incident zu beheben.
- CFR quantifiziert den Prozentsatz der Änderungen, die zu Fehlern führen, und wird wie folgt gemessen: CFR = Fehlgeschlagene Deployments / Gesamte Deployments
On-Call-Metriken
On-Call-Metriken bewerten die Reaktionsfähigkeit und Effizienz des Incident-Management-Prozesses. Zu diesen Metriken gehören:
- Mean Time to Acknowledge (MTTA): misst die durchschnittliche Zeit, die benötigt wird, um einen Incident zu bestätigen.
- Incident Response Time: misst die Dauer vom Zeitpunkt der Meldung eines Incidents bis zu seiner Weiterleitung an das richtige Teammitglied, einschließlich der Zeit für Bestätigung und erste Antwort.
- On-Call-Zeit: misst die Zeit im Bereitschaftsdienst, um eine ausgewogene Arbeitslast sicherzustellen und Burnout zu verhindern.
Durchsatzmetriken
Durchsatzmetriken ermöglichen es dem Team, die Effizienz des Workflows und der Prozesse innerhalb des Incident-Management-Frameworks zu bewerten. Dies hilft, das Tempo zu verstehen, mit dem Änderungen durch die Pipeline laufen, und wie gut das Team Incidents und Alerts verwaltet.
Die wichtigsten Metriken, die im Auge behalten werden sollten, sind:
- Change Lead Time: misst die Dauer vom Commit einer Änderung bis zum Live-Gang in Produktion und spiegelt die Effizienz des Deployment-Prozesses wider.
- Deployment-Frequenz: die Anzahl der Deployments in die Produktion über einen bestimmten Zeitraum.
Weitere wichtige Metriken, die Sie verfolgen sollten, sind die Anzahl der Incidents und Alarme*:
- Anzahl der Incidents: misst die Zahl der Incidents in einem bestimmten Zeitraum. Diese Metrik kann Trends und Muster sichtbar machen und so ein proaktives Incident-Management ermöglichen.
- Anzahl der Alarme: misst die Zahl der Alarme in einem bestimmten Zeitraum. Dies hilft, Fehlalarme zu reduzieren und eine Alarmüberlastung zu vermeiden.
* Zum Unterschied zwischen Incidents und Alarmen:
IT-Incidents sind Ereignisse, die zu einer Störung oder Abweichung von den regulären Betriebsstandards eines Computersystems oder Netzwerks führen. IT-Alarme hingegen sind Systembenachrichtigungen an Administratoren, Netzwerkbetreiber, Incident Commander oder On-Call-Teams, dass ein IT-Incident eingetreten ist oder eintreten wird, wenn keine Maßnahmen ergriffen werden.
Zusammenfassung der wichtigsten Metriken:
Sobald berechnet, können die folgenden Benchmarks zur Bewertung der Performance herangezogen werden:
Performance-Level
Change Lead time
Deployment Frequency
Uptime
MTTR
Elite
< 1 Tag
On demand
5%
< 1 Stunde
High
1 Tag - 1 Woche
1 Tag - 1 Woche
20%
< 1 Tag
Medium
1 Woche - 1 Monat
1 Woche - 1 Monat
10%
< 1 Tag
Low
1 Monat - 6 Monate
1 Monat - 6 Monate
40%
Zwischen einem Monat und sechs Monaten
Quelle: DORA Accelerate State of DevOps Report 2024
Die regelmäßige Analyse dieser Metriken liefert Ihrem Team Echtzeitdaten, um wiederkehrende Probleme, Engpässe und Möglichkeiten zur Optimierung des Incident-Response-Prozesses zu identifizieren – und ermöglicht so fundiertere Entscheidungen.
Nachdem Sie die wichtigsten Metriken identifiziert haben, ist es ebenso wichtig, Feedback direkt von Ihrem Team einzuholen, da Feedbackschleifen entscheidend sind, um die kontinuierliche Verbesserung der Systemleistung und betrieblichen Effizienz voranzutreiben.
Sind Sie bereit, Ihr Incident-Management zu verbessern?
