インシデント管理 とは？

原因の調査も対応に関わるけれど、中心の目的は影響を抑え、サービスを早く回復することだ。例えば、ログインできなくなったサービスを、利用者が再び使える状態へ戻すために対応する。

インシデントは予定外の中断や品質低下、問題はインシデントの実際の原因や潜在的な原因を指す。インシデント管理では回復を進め、問題管理では原因や再発への対応を扱う。必ず別々の時期に行うとは限らず、調査を並行することもある。

影響と緊急性で優先度を考える。誰のどの業務が止まるか、影響が広がるまでどのくらい時間があるかを確認する。メールだから必ず最優先、プリンターだから低優先とは決められない。分類や応答目標は組織で共有しておこう。

誰が対応をまとめるか、誰が技術的な操作をするか、誰が状況を知らせるかを決めると、重複や混乱を減らせる。GoogleのSREの例では、指揮、実作業、連絡などを分担し、現在の状況を共有する文書を使う。小さな障害では兼務することもあるよ。

回避策で通常のサービスを回復する場合もある。例えば問題のある変更を戻して、利用できる状態へ回復する。操作のリスクや承認も確認し、監視や利用者への確認で回復を確かめる。原因の恒久対策は別に追跡できる。

起きた影響、時刻、対応、回復の確認などを記録する。重大な障害など、事前に決めた条件に当てはまる場合は振り返りを行う。人を責めるためではなく、仕組みの改善と、その実施を追うための記録にするんだ。