Аптайм — это функция от количества инцидентов, времени их устранения и влияния на пользователей. При этом продолжительность инцидента зависит от основных действий по поиску и устранению проблемы, вспомогательных процессов по уведомлению ответственных, сбору их в едином пространстве, быстрому добавлению новых людей, а ещё общению с поддержкой и PR. И починку можно рассматривать как алгоритм действий, который можно оптимизировать глобально или проводить локальные оптимизации в самых проблемных местах.

В докладе разложим весь процесс — от возникновения триггера инцидента до полного восстановления сервиса — на отдельные действия и попробуем оптимизировать каждый этап, чтобы уменьшить общее время инцидентов в продукте. С процентилями, распределением вероятностей и визуализацией влияния отдельных действий на метрики времени починки ваших инцидентов.