关于IT运维管理——互联网公司怎么样评估IT运营水平？
前言

本文是衡量IT运营水平系列文之一，旨在：

• 阐述在云计算时代，如何客观合理的评估一个企业IT运营的水平
• 详细阐述超级互联网公司的内部IT运营水平评估指标以及算法
• 提供指标数据的获取来源
  
  

您现在的IT运营水平处在什么阶段？

作为一个互联网企业或者一个正在尝试互联网+的传统行业，IT 基础设施是其搭建上层业务的核心要素，而其的运维负责人（运维总监或者 CIO 们），通常在岗位定义中属于后端支撑部门，永远处于镁光灯的背面。

这样的定位和IT基础设施的重要程度其实产生了一种怪异的矛盾。

原因是多层次的，但有一种原因却是客观存在的：即对于后端 IT 基础设施的交付和运营水平，企业的 CEO 们无法客观合理的评估其行业先进性，从而无法评估运维团队的工作表现，只能通过故障多和少这一简单数据来予以奖励和惩罚。

然而可悲的是，不出故障的系统是不可能的，因此运维人员被打上要么默默无闻，要么罚款开除的宿命 LOGO。

本文作者有在 BAT 超过 10 年的 IT 运营负责经验，且对于国内一线云计算公司的运营团队以及运营水准有深入的了解，尝试通过介绍 BAT 这样超级互联网公司和一线云计算公司如何评估其 IT 运营水平，从而梳理出行业的一个客观公开的标准。

一旦该标准确立，则将有助于运维人员和其公司负责人评估 IT 运营水平，从而进一步提升高绩效的运维团队的岗位含金量，推进整个 IT 行业的发展。

评估IT运营水平的几个核心要素

我们对于核心要素有如下两个准入标准：

• 和运营的实际效果密切相关
• 尽可能回归为量化数据，且此数据可以相对公平的横向对比
  
  

按照上述准入标准，在超级互联网公司归纳为如下 4 个大类，各个大类之中又分为若干子类别，用以在评估公司总体 IT 运营水平的同时，又能评估各个子团队的绩效水平。

• 可用性
• 成本
• 效率
• 技术先进性
  
  

100分的水平 = 可用性50% + TCO20% + 效率20% + 技术创新10%

上面提到的四类核心要素的细分指标说明如下。

1、可用性

可用性 = 1 - 服务不可用时间/服务总时间

在超级互联网公司，通常业务可用性的保底要求是 99.5%。而核心业务的可用性目标通常设置为 99.9% 或者 99.99%。

而整体业务可用性指标又可以按 case trace 的思路拆分成如下 4 类可用性指标：

• 程序可用性
• 安全可用性
• 网络可用性：其中又可以拆分为自有网络可用性；运营商网络可用性；负载均衡等网络产品可用性
• 服务器可用性：其中又可以细化为服务器整体故障率；单品牌故障率以及部件故障率
  
  

业界不少公司会采用 MTTR（Mean Time To Repair）,MTTF Mean Time To failures）,MTBF（Mean Time Between Failure）来作为一部分考量指标，但在超级互联网公司的运维部门，反而不常用该类指标。

逻辑其实也相当简单：一切指标围绕自身需要，最能反映现实问题，并且最能帮助拆分后优化问题。

2、成本

在超级互联网公司已经一致采用 TCO 作为总成本的考量。前期为了客观考量，先剔除水平偏离度高的人员薪酬数据，我们通常把 TCO 的算法按如下计算：

在超级互联网公司，如果把单台服务器 TCO 作为一个不断 trace 的成本业绩指标，最新的单台 TCO 数据可以做到 15000 元人民币/年/台。

其中：

• 服务器采购成本可以量化为单服务器平均单价。
• 网络设备采购成本可以量化为单端口平均单价。
• 布线成本可以量化为单端口平均单价。
• IDC 租用成本可以量化为单服务器平均单价。
  关于IDC 租用成本，需要额外注意的是：
  
  
  • 如果一个 16A 的机柜月定价为 8000 元，则客观衡量的单价应该为该机柜实际放置了 10 台服务器，则单价为 8000/10；
  • 如果一个机柜放置了 10 台，一个机柜放置了 12 台，则平均单价应该为（8000+8000）/（10+12）。
    
    
• 带宽成本可以量化为单 G 平均单价。
• 软件成本可以量化为单服务器平均单价。
• 外包服务成本可以量化为单服务器平均单价。
  
  

3、效率

总指标为上线效率，修复效率和资源使用效率。

上线效率即从业务需求提出到业务正式上线的效率，其中又可以拆分为：

• 预算效率：从内部预算开启，业务部门提出需求到预算审批通过的时间效率
• 采购效率：从预算确认到采购流程完毕，供应商开始正式接单的时间效率
• 到货效率：从供应商接单到服务器到货的时间效率
• 上架效率：从服务器到货到服务器完全上架的效率（包含捆扎网线电源线，以及电源通电）
• 安装效率：从安装操作系统到具备交付业务的时间效率
• 部署效率：从业务接收服务器资源到业务正式上线的效率
  
  

修复效率即从故障发生到故障修复的时间效率，其中又可以拆分为：

• 故障报出效率：从故障发生到监控系统报出的时间
• 故障接手效率：从故障报出到运维人员接手处理的时间
• 故障定位效率：从运维人员接手到定位故障的时间
• 故障修复效率：从运维人员接手到故障修复的时间
  
  

业务交付效率和故障修复效率是两个常见概念，但是 在超级互联网公司，对于资源使用效率也非常之关注，因为此类效率数据和成本关系极大，并且也能客观反映一个 IT 运营团队的技术水平以及精细化的运营能力。

资源使用效率主要为 CPU，IO 和存储的利用率。CPU 利用率主要考虑计算资源，通常以平均峰值使用率和平均使用率作为 2 个衡量指标。

在超级互联网公司，平均 CPU 峰值使用率可以超过 40%。

4、技术先进性

技术先进性指标包括如下：

• 知识产权数量
• PAPER 数量：尤其在意国外一级会议的 PAPER
• 开源社区贡献：例如阿里巴巴对于开源社区的贡献
• 技术创新性：强调别人没有而你有的那部分：例如百度全球首款 ARM
• 服务器的商用；例如百度通过机器学习预测磁盘故障率；例如腾讯的模块化数据中心设计
• 生态合作程度：例如 BAT 天蝎组织的创建
  
  

核心要素如何记录和评估？

按照第二部分的拆解，一个超级互联网公司的 IT 运营水平考量要素，大指标有 4 类，但子指标多达几十种。

如果只是通过单人手工的方式来收集碎片数据，纯粹作为 KPI 来考量，工作量巨大，并且数据失真严重。

事实上，上述核心要素贯穿运营工作的每一个过程和每一处细节，绩效考量应该是润物细无声，工作完毕要素即能够实时保留和核算，并且每一个子目标的出具，能够便于运营团队及时发现问题，从每一个细节改进过程。

所以在超级互联网公司，一套统管运营全过程的 IT 管理系统便不可或缺。从功能上说，它集成了 IT 监控，资产管理，报警，故障修复，故障知识库等多个功能模块，在功能运转过程中，它同时兼备了数据统计的职能。

案例1：如下图所示，修复效率这项指标，您可以从其的报表页面直接获取实时生成的指标数据，客观评估您的运维水平。

案例2：甚至还可以给出一个得分。这样变成关注整个运营全生态的闭环，提供了从发现故障到解决故障的全生态功能，在其软件部署运行的过程中，也会替您实时生成实时的运营阶段全指标数据。

作者介绍

朱品燕（女）

灵犀CEO，IT圈非著名文艺女青年，十年来混迹百度，任系统部高级经理，负责百度服务器硬件研发，管理系统研发，资产管理以及供应链团队，统管百度IT基础设施交付和运营。

带领团队经历了百度基础设施演进的每一个过程，时间跨度724365*10，服务器规模跨度1K-1W-10W-50W，对IT运营有深刻理解。现创办灵犀，并就读清华EMBA。

本文来自微信 [url=]Linkedsee灵犀[/url]

学习了，虽然太深奥

谢谢分享！