不管是在ITIL V2、V3还是在最新的ITIL4中，事件管理的重要性都是不言而喻的。那么如何做好管理呢？其实在ITIL4中，对事件管理实践的成功因素（PSF）有明确的定义，也就是为了实现事件管理实践的目标，服务提供商需要：

• 尽早的检测事件

• 迅速高效地解决事件

• 持续改进事件管理

这里，我们先回顾一下什么是事件，以及事件管理的目的是什么。

• 事件：服务的计划外中断或者服务质量的降低。

• 事件管理的目的：事件管理实践的目的是通过尽快恢复正常的服务操作，最小化事件的负面影响。

如何尽早的检测事件，以及如何高效的解决事件，不是本文的重点，本文的重点是想探讨如何持续改进事件管理，特别是如何进行故障的“复盘”。

在《Incident Management ITIL®4 Practice Guide》这本书里明确提到，持续改进事件管理，就是要为了提高效率，为了分享知识，为了提高用户和客户满意度，周期性的审查在一段时间内发生的事件，针对重大、新的和未解决的事件进行个别关闭后的回顾。确保从事件处理和解决中的吸取教训，并不断改进事件管理的方法。

笔者曾经在一家世界500强负责服务体系建设和管理，我们当时对所有的基础设施和IT系统的故障（影响了可用性）的故障都坚持故障处理后的复盘，对不断提升团队处理事件的能力，不断提升IT系统的在线率，甚至对驱动数字化系统的研发的帮助都很大。

一、在ITIL的故障管理中，故障复盘的的重要意义

在ITIL的事件管理中，故障复盘的重要性如下：

1. 收集问题全面的信息

故障复盘可以让团队全面了解故障发生的根本原因，收集有关问题的详细信息，包括故障发生的条件、影响、修复过程等。这些信息对于未来遇到类似问题时提供宝贵指导。

2. 预防故障再次发生

故障复盘不仅要考虑解决现有问题，更要思考如何预防类似问题的再次发生。通过分析原因并制定计划，可以使团队在未来更好地应对类似的问题。有时候需要倒逼数字化系统的提升，比如对可运维的支持，对高可用性的支持等。

3. 提高协作与沟通

故障复盘可以启发跨职能团队之间的良好沟通和协作，强调共同解决问题、共享信息和知识的重要性。

4. 客户关系管理

通过深入了解和确定问题对客户的影响，团队可以制定可行的解决方案，并提高客户满意度和忠诚度。

5. 提高团队技能

故障复盘不仅是解决故障的手段，还是提高团队技能和能力的机会。团队成员通过学习和探索可以深入了解技术问题和解决方案。

6. 提升应急管理的能力

在故障复盘时，有时候我们除了看到团队的协同的不足，前期对故障的定位不准确，或者应急预案缺乏，这些本质上就是应急管理能力的不足。

7. 改进流程本身

这里不仅仅时包含对事件管理本身，对监控、问题管理、变更管理、甚至容量管理等可能都有促进作用。

对于运维来说，故障是不可避免的，我们只能“在故障中成长，在复盘中强大”，IT人不仅在故障文化中经历一次次的“披荆斩棘”，还得知道在故障发生之后，总结经验，巩固自我，并防范于未然。

复盘的目的是为了从故障中学习，找到我们技术和管理上的不足，然后不断改进。虽然我们不愿意故障发生，但是从故障中学习，反而是提升团队和员工能力的最佳手段，所以我们一定要辩证地看待故障这件事情。

二、故障复盘的总体要求

故障复盘的总体要求包括以下方面：

1. 及时性：故障复盘过程需要尽快完成，以便及时掌握故障信息和解决方案，及时为客户提供服务，避免影响客户满意度。原则上，在故障处理完毕后3个工作日内完成，可以本周组织一次，但是对于重大故障要及时进行复盘，因为重大故障本身，一般也需要出具重大故障处理报告，所以可以借助复盘，形成最终版本的故障处理报告。

2. 全面性：故障复盘需要全面收集故障的相关信息和数据，包括故障发生的时间、影响范围、影响程度、初步原因分析、解决方案，对可用性的影响时长等内容。

3. 准确性：故障复盘需要准确分析和说明故障的原因和解决方案，避免过度简化或遗漏关键细节。特别是对事件的定级、对业务的影响，原因分析、责任方要分析准确。

4. 学习性：故障复盘应该具备可持续学习的特点，以便团队在未来遇到类似问题时，可以利用先前的经验和知识，快速解决问题。基于这一点，笔者过去的经验是，可以组织相关团队一起参与故障的复盘，可以相互质问，相互学习和促进。

5. 反馈性：故障复盘需要将故障信息和解决方案反馈给相关人员，包括客户、团队成员、管理层等，以便全面了解问题影响和解决方案的有效性。对于重大故障，应该按照重大故障的要求及时反馈和报告。

6. 创新性：故障复盘需要鼓励创新思维，以便团队可以制定创新解决方案，并提升团队技能和能力。

7. 优先性：对于未及时解决或者未根本解决的故障，故障复盘需要确定故障的优先级和紧急程度，以便及时处理高优先级的故障，提高客户满意度。

   另外，我们可以参考传统的可靠性工程故障的“五条归零”的做法，提出的故障复盘的五点要求：

1、过程清楚：核心是从故障发现、报障、响应、排查、定位、执行恢复、完全恢复等要描述到时间点，收到的信息性，处理人的动作等描述清楚。这个的核心是时间线，要描述清楚和准确。

2、影响清楚：要厘清对业务、客户和用户的实际影响，具体包括业务的影响范围、影响的用户数、影响时长、严重程度等。对于有些行业，还要定义清楚对公司品牌是否有影响，是否有资金损失、是否可以追回等。

3、机理清楚：复盘要分析原因、确认引发业务故障的根因，传导过程、技术机理，要尽可能推演复现故障，推导过程令人信服。

4、整改措施有效：整改措施有效是指要确认修复过程所采取的措施是否有效，要能够真正解决问题，可以预防或避免故障再次发生，或者对故障的修复有明显的改进效果。

>>>>整改措施，应该是具体的、可验证的，要有明确的责任人和完成时间。有些整改措施，对于IT系统可能是涉及到一个迭代项目的规模，例如对架构的优化调整等。

5、举一反三：分析是否有类似的问题、风险隐患，是否需要马上处理。例如涉及到某个组件Bug，或者基础环境需要立即升级组件，加强监控和改进告警等。

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>

本篇，我们暂时只谈故障复盘的必要性和价值。后续2篇会陆续分析如何高效组织故障复盘，以及故障复盘中的一些注意事项，并给出一个故障复盘的检查表，从各个维度提升故障复盘的质量和效果。

>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>