<<More Joel on Software>> 五个为什么

　　我们与PEER 1纽约机房的连接中断了。

　　为什么？----我们交换机里的网线接口好像不工作了。

　　为什么？----与PEER 1的网络运营中心交换意见后，我们判断这个问题很可能是由于网速/双工模式不匹配（speed/duplex mismatch）造成的。

　　为什么？----交换机的网速开关设在了自动调节档，而没有被手动设置在一个固定档。

　　为什么？----许多年前，我们就清楚地知道有可能发生此类故障。但是，我们始终没有写出一份书面的技术说明文档，用于指导和检查交换机在生产环境中的设置。
　　
　　为什么？----我们总是很狭隘地看待技术说明文档，觉得只有在找不到系统管理员的情况下，才需要去看它，或者觉得只有运营团队中那些不负责系统管理的成员，才需要看它。我们没有认识到，应该把它作为技术操作的标准和确认清单。

"如果我们事先就写好一份书面的标准操作流程，安装完交换机后，再根据书面流程一一核对安装步骤，这次的服务中断事故就不会发生，" Michael Gorsuch写道。"或者假定我们已经有了一份书面的操作流程，但是写得不够完整，那么等到事故发生以后，我们就需要对这份文档进行相应的补充升级，确保类似的事故以后不再发生。"

经过几次内部讨论以后，我们所有人都同意，不为服务稳定性设置一个静态值作为目标，那是毫无意义的。我们觉得，如果有人希望通过测量某些无意义的指标来改进工作，那肯定是没用的。我们真正需要的是一个能够不断改进工作质量的流程。所以，我们决定不向我们的顾客提出一个SLA条款，而是搭建一个网志。在这个网志上面，我们将实时记录每一次的服务中断，提供完整的事后分析，询问五个为什么，找到根本性的原因，告诉我们的顾客为了防止类似故障再次发生，我们所采取的举措。就拿这一次的交换机事故来说，我们采取的变化就是，在内部文档中写入详细的操作步骤和检查清单。以后再在生产环境中安装交换机的时候，所有操作步骤都必须严格按照文件中写好的步骤完成。

我们的顾客可以访问这个网志，看看故障的原因到底是什么，以及我们正在怎样改进我们的服务。我们希望，我们的顾客能够因此增强信心，相信我们的服务品质正在稳步提高。

与此同时，如果我们的顾客感到我们的故障对他造成了影响，他就可以向我们要求补偿，客服人员会给他的账户延长使用期限或者退款。我们让顾客自己决定到底该补偿多少，最多可以延长使用期限一个月，因为不是每个顾客都会注意到发生了服务中断，更不要说遭受损失了。我希望我们的这些做法，能够提高我们的服务稳定性，到达一种我们可以接受的程度，即我们的目标就是，我们遇到的所有引起服务中断的故障，都是真正由于极其罕见的、无法预料的"黑天鹅因素"而引起的。

附言。对，我们需要再招聘一名系统管理员，以免深更半夜再发生故障的时候，只有Michael Gorsuch一个人能被叫醒。

（完）