SLA é o que você promete. Confiabilidade é o que você entrega. A diferença aparece quando o sistema cai fora do horário comercial e ninguém vê.
1. MTBF (Tempo Médio Entre Falhas) Mede quanto tempo, em média, o sistema roda antes de quebrar. Um MTBF de 720 horas parece ótimo, até você notar que as falhas se concentram nas segundas-feiras. O número esconde o padrão.
2. Taxa de Falha Falhas por mil transações ou por hora de operação. Diferente do MTBF, mostra a frequência crua. Se sua taxa é 0,3%, cada 300 pedidos um some. O cliente sente antes do dashboard.
3. Disponibilidade Real (não a contratual) O SLA diz 99,9%. A disponibilidade real é medida do ponto de vista do usuário, incluindo lentidão e erros parciais. Muitas vezes fica em 99,2%. A diferença é onde mora a reclamação.
4. Tempo de Fila Quanto tempo uma requisição espera antes de ser processada. Em picos, a fila cresce e o timeout dispara. Medir fila evita o efeito dominó que o SLA não captura.
5. Latência p95 e p99 A média mente. O p95 mostra que 5% das requisições passam de 800 ms. O p99 revela os 1% que travam a experiência. Ajuste o SLA para cobrir esses casos.
6. Taxa de Erro por Transação Percentual de operações que falham silenciosamente. Um pagamento que retorna erro 500 é visível. Um que retorna 200 mas não debita é pior. Meça o resultado, não só o status.
7. Tempo Médio de Recuperação (MTTR) Quanto tempo até o sistema voltar ao normal após uma falha. MTBF alto com MTTR alto significa que uma queda dura horas. O SLA não pune a demora.
8. Cobertura de Monitoramento Percentual de serviços com alerta ativo. Se 40% dos componentes não têm monitor, você está no escuro. Confiabilidade começa por saber onde olhar.
9. Backlog de Incidentes Quantos incidentes abertos e sem resolução. Um backlog crescente indica que a equipe apaga incêndio, não previne. O SLA não mede a dívida técnica.
10. Frequência de Deploys Quantas vezes o sistema muda. Deploys frequentes aumentam o risco, mas também a capacidade de corrigir. Medir a frequência ajuda a calibrar o processo.
11. Change Failure Rate Percentual de deploys que causam falha. Se 20% das mudanças quebram algo, o problema não é o SLA, é o pipeline. Ajuste testes e revisões.
12. Tempo de Resposta a Alertas Quanto tempo entre o alerta e a primeira ação humana. Um alerta que ninguém vê é ruído. Meça o tempo até o primeiro toque no teclado.
13. Confiabilidade Percebida Pesquisa com usuários: "o sistema funciona quando você precisa?". Nenhum SLA captura a frustração de quem tentou três vezes. Esse é o número que importa.
Qual escolher? Se você tem pouco tempo, comece por MTBF e taxa de falha. Se o problema é experiência, foque em latência p95 e confiabilidade percebida. Para operação, MTTR e backlog de incidentes. O SLA é o piso, não o teto.
FAQ
O que é MTBF e por que ele não é SLA?
MTBF é o tempo médio entre falhas, uma medida técnica de confiabilidade. O SLA é um acordo contratual de disponibilidade. O MTBF pode ser alto enquanto o SLA é cumprido, mas o usuário sente falhas frequentes em horários específicos.
Qual a diferença entre disponibilidade real e disponibilidade contratual?
A contratual é a prometida no SLA, geralmente medida em janelas mensais. A real é a experimentada pelo usuário, incluindo lentidão e erros parciais. A real costuma ser menor e revela problemas que o SLA ignora.
Como medir confiabilidade percebida?
Com pesquisas rápidas após interações críticas, perguntando se o sistema funcionou quando necessário. Também vale monitorar reclamações no suporte. É um indicador qualitativo, mas essencial para priorizar melhorias.
Qual métrica devo priorizar se tenho poucos recursos?
Comece por MTBF e taxa de falha, que são fáceis de calcular com logs básicos. Depois adicione latência p95 se a experiência for crítica. O importante é medir algo além do SLA e agir sobre o resultado.