Performance

MTTR e MTBF: os indicadores que revelam a saúde da sua operação

Por RIKE IS Comunicação

MTTR mede a velocidade de recuperação e MTBF mede a estabilidade do sistema, e nenhum dos dois informa sozinho se a operação está saudável. Lidos junto com MTTD e MTTA, os quatro indicadores apontam onde investir: arquitetura, instrumentação, processo de plantão ou automação de recuperação. MTTR baixo com MTBF baixo é a operação que conserta rápido o que quebra sempre.

MTTR e MTBF são os dois indicadores mais citados em conversas sobre confiabilidade, e também os mais frequentemente lidos de forma isolada. O primeiro mede a velocidade de recuperação, o segundo mede a estabilidade do sistema, e a leitura separada de qualquer um deles produz conclusão errada sobre onde investir.

MTTR, sigla de Mean Time To Repair, é o tempo médio de resolução de uma falha. MTBF, sigla de Mean Time Between Failures, é o tempo médio entre uma falha e a seguinte.

A Rike IS conduz consultoria, implantação, treinamento e governança contínua em observabilidade sobre a plataforma Dynatrace, em órgãos públicos, instituições financeiras, cooperativas e empresas privadas de grande porte.

MTTR: tempo médio de resolução

O cálculo do MTTR divide o tempo total gasto em reparos pelo número de falhas ocorridas no período. Se um serviço registrou quatro incidentes no mês, somando seis horas de indisponibilidade, o MTTR é de uma hora e meia. A aritmética é simples, e a dificuldade está no que se inclui na conta.

Três decisões de escopo alteram o resultado, e precisam ser definidas antes de o indicador ser reportado.

A primeira decisão é onde começa a contagem. Do momento em que a falha passou a afetar o serviço, ou do momento em que alguém registrou o incidente? A diferença entre os dois pode ser de horas, e apenas a primeira reflete o que o usuário enfrentou.

A segunda decisão é onde termina. Da aplicação da correção, ou da confirmação de que o serviço voltou para todos? Encerrar no primeiro ponto produz número melhor e menos verdadeiro.

A terceira decisão é o que conta como falha. Degradação parcial que afetou parte da população entra na conta, ou só a indisponibilidade total? Excluir a degradação parcial melhora o indicador e esconde justamente o tipo de problema mais comum em ambiente distribuído.

Existe ainda uma variante do próprio indicador. Algumas organizações usam MTTR como Mean Time To Recovery, contando até a recuperação do serviço, e outras como Mean Time To Repair, contando até o reparo da causa. Os números divergem, e comparar séries com definições diferentes não produz informação.

MTBF: tempo médio entre falhas

O MTBF divide o tempo total de operação normal pelo número de falhas do período. Se um serviço operou 720 horas no mês e falhou quatro vezes, o MTBF é de aproximadamente 180 horas. Quanto maior o número, mais raras as interrupções.

O indicador mede uma propriedade diferente do MTTR. Ele fala sobre a solidez do desenho, não sobre a agilidade da equipe.

MTBF baixo aponta para causas estruturais, e as mais frequentes são conhecidas: componente sem redundância, dependência externa instável, capacidade insuficiente para o pico, dívida técnica acumulada em módulo crítico.

Nenhuma dessas causas se resolve acelerando o reparo. Elas se resolvem com investimento em arquitetura, e essa é a decisão que o MTBF sustenta diante de quem aprova orçamento.

Há uma limitação do indicador. MTBF pressupõe alguma regularidade estatística, e um serviço com poucas falhas no período produz valor de confiabilidade limitada. Três incidentes em um mês não formam uma série.

MTTD e MTTA: as siglas intermediárias

Entre a falha ocorrer e o reparo terminar existem dois intervalos que o MTTR agrega e esconde.

MTTD, sigla de Mean Time To Detect, é o tempo médio até a falha ser detectada. Ele mede a qualidade da instrumentação, não a competência da equipe.

MTTA, sigla de Mean Time To Acknowledge, é o tempo médio até alguém assumir o incidente depois de detectado. Ele mede o processo de plantão: escala, canal de notificação, clareza do alerta.

Separar esses dois do MTTR muda a conversa sobre onde investir. Dois cenários com o mesmo MTTR de duas horas ilustram o ponto. No primeiro, a detecção levou cem minutos e o reparo vinte. No segundo, a detecção levou cinco minutos e o reparo cento e quinze.

Os dois cenários exigem investimentos opostos. O primeiro pede observabilidade, enquanto o segundo pede automação de recuperação e entrega reversível. O MTTR agregado não distingue os dois, e é por isso que ele sozinho não orienta decisão.

Um MTTA alto tem uma causa recorrente: excesso de alerta redundante. Quando o plantão recebe volume alto de notificação durante um incidente, o tempo até alguém assumir cresce porque a triagem precede a ação. Para o Site Reliability Engineer, ou SRE, esse é o intervalo mais frustrante do plantão, porque o trabalho já começou e ainda não é trabalho de correção.

Por que MTTR isolado engana

MTTR baixo é frequentemente celebrado como sinal de operação madura. Pode ser exatamente o contrário.

Uma operação com MTTR de dez minutos e MTBF de seis horas conserta rápido um sistema que quebra quatro vezes por dia. Nesse cenário, o MTTR baixo não decorre de maturidade, e sim de prática: a equipe já viu aquela falha tantas vezes que sabe exatamente o que fazer, e a correção virou rotina.

Uma operação com MTTR de duas horas e MTBF de dois meses apresenta tempo de reparo doze vezes maior e total de indisponibilidade muito menor no período. A segunda operação entrega mais disponibilidade com indicador de reparo pior, e quem otimizasse apenas o MTTR concluiria o oposto.

Os indicadores funcionam como o painel do carro: mostram que algo mudou de estado, sem dizer qual trecho do trajeto explica a mudança. Lidos de forma isolada, apontam para a direção errada com a mesma confiança com que apontariam para a certa.

Existe um efeito perverso. Uma organização cobrada apenas por MTTR tem incentivo a criar procedimentos de contorno rápidos em vez de eliminar a causa, porque contornar melhora o indicador e eliminar não aparece nele.

Como ler os indicadores em conjunto

A leitura útil combina os quatro indicadores, e quatro cenários cobrem a maior parte dos casos reais.

MTTR baixo com MTBF alto é o cenário desejado. Falhas raras e recuperação rápida, com pouco tempo total de indisponibilidade. Aqui o esforço se dirige a manter o desenho conforme o ambiente muda.

MTTR baixo com MTBF baixo é a operação que apaga incêndio com eficiência. O investimento correto é em arquitetura e em eliminação de causa recorrente, não em acelerar o reparo.

MTTR alto com MTBF alto indica falha rara e difícil. Costuma significar que a equipe não tem prática com aquele tipo de incidente, e o caminho passa por observabilidade e por procedimento escrito.

MTTR alto com MTBF baixo é o cenário crítico. Falha frequente e recuperação lenta, com indisponibilidade acumulada elevada, e a intervenção precisa ser estrutural em duas frentes ao mesmo tempo.

Somados MTTD e MTTA à leitura, o diagnóstico ganha precisão. MTTD alto aponta instrumentação insuficiente. MTTA alto aponta processo de plantão ou ruído de alerta.

Na plataforma Dynatrace, o OneAgent descobre a stack em execução sem configuração manual por componente e alimenta o Smartscape, o mapa de dependências em tempo real. A detecção por desvio de comportamento aprendido atua sobre o MTTD, e o Davis, que dentro do Dynatrace Intelligence é responsável pela análise causal, atua sobre o intervalo entre detectar e identificar a causa. A IA causal atua na identificação da causa e do contexto do problema, enquanto os dashboards organizam e tornam exploráveis os sinais operacionais. Ambos os efeitos aparecem no MTTR agregado sem que ele mostre de onde vieram.

Do indicador à decisão

Cada indicador sustenta uma decisão diferente, e nomear qual é o que separa relatório de instrumento de gestão.

MTBF em queda sustentada autoriza a conversa sobre investimento em arquitetura. O argumento deixa de ser percepção de instabilidade e passa a ser série histórica. Para o CIO, o CTO e o CEO, é essa série que transforma confiabilidade em pauta de conselho.

MTTD alto autoriza investimento em observabilidade, e é o argumento mais difícil de fazer sem o número, porque instrumentação não produz resultado visível até o incidente seguinte.

MTTA alto autoriza revisão de escala de plantão e de política de alerta. Costuma ser a correção mais barata das quatro.

MTTR alto com MTTD e MTTA baixos aponta para automação de recuperação e para entrega reversível, decisões que pertencem ao ciclo de desenvolvimento. Para o profissional de DevOps, é o sinal de que a esteira precisa de reversão automatizada antes de qualquer outra melhoria.

Uma prática de reporte sustenta essas decisões: apresentar os quatro indicadores juntos, com a distribuição e não apenas a média, e por serviço crítico em vez de agregado para toda a operação.

Erros de apuração que distorcem o número

Quatro erros de apuração produzem indicadores que descrevem uma operação diferente da real.

O primeiro erro é contar do registro em vez do início do impacto. Todo tempo de detecção sai da conta, e o MTTR passa a medir a agilidade da equipe depois de avisada, não o que o usuário enfrentou.

O segundo erro é excluir a degradação parcial. Contar apenas indisponibilidade total melhora os indicadores e omite o tipo de falha mais comum em arquitetura distribuída.

O terceiro erro é agregar serviços de criticidade diferente. Um MTTR único para toda a operação dilui o comportamento do serviço crítico no comportamento dos demais, e a média resultante não orienta ação.

O quarto erro é comparar séries com definições distintas. Trocar Mean Time To Repair por Mean Time To Recovery no meio da série produz melhora aparente que decorre apenas da mudança de régua.

Um teste rápido revela a maior parte desses problemas: reconstituir manualmente os quatro intervalos de um incidente recente e comparar a soma com o que foi reportado. Divergência indica lacuna na apuração.

Como esses indicadores se ligam ao compromisso de disponibilidade

MTTR e MTBF não existem isolados de um objetivo. Eles explicam como o Service Level Objective, ou SLO, é cumprido ou rompido, e por consequência como o Service Level Agreement, ou SLA, se sustenta diante de quem contratou o serviço.

A relação é aritmética. O tempo total de indisponibilidade em um período resulta do número de falhas multiplicado pelo tempo médio de cada uma, e esses dois fatores são exatamente o que MTBF e MTTR medem. Existem, portanto, dois caminhos para melhorar a disponibilidade, e eles competem por orçamento.

O primeiro caminho é reduzir a frequência das falhas, elevando o MTBF. Exige investimento em arquitetura: redundância, eliminação de ponto único, tratamento de dependência instável, correção de dívida técnica em módulo crítico.

O segundo caminho é reduzir a duração de cada falha, baixando o MTTR. Exige investimento em observabilidade, automação de recuperação e entrega reversível.

Qual dos dois rende mais depende do ponto de partida, e é aqui que a leitura combinada decide a alocação. Uma operação que falha quatro vezes por dia pouco melhora acelerando um reparo que já leva dez minutos. Para o gerente de infraestrutura, essa é a diferença entre defender um orçamento de expansão e defender um orçamento de instrumentação.

Existe um terceiro caminho que costuma ser esquecido porque não aparece em nenhum dos indicadores: reduzir o impacto da falha em vez da sua duração ou frequência.

Degradação controlada é o mecanismo. Quando um componente secundário falha e o serviço continua atendendo a operação principal com funcionalidade reduzida, o incidente existe e a indisponibilidade não. Nenhum dos quatro indicadores captura esse ganho, e ele é frequentemente o mais barato de obter.

A periodicidade de apuração também altera a leitura. Indicadores calculados sobre janela curta oscilam demais para orientar decisão, porque um único incidente longo distorce o mês inteiro. Janela longa, por outro lado, atrasa a percepção de uma tendência de piora. A prática usual acompanha o mês para operação e o trimestre para decisão de investimento, sempre com a distribuição visível ao lado da média.

Sustentar a leitura trimestral depende de histórico preservado. O Grail retém logs, métricas, traces e eventos em volume massivo e por longos períodos, mantendo consulta rápida sobre todo o acervo, e o Dynatrace Query Language, ou DQL, é a linguagem que reconstitui a distribuição por serviço crítico quando a pergunta aparece.

Perguntas frequentes

O que são MTTR e MTBF?

MTTR, sigla de Mean Time To Repair, é o tempo médio de resolução de uma falha, obtido dividindo o tempo total de reparo pelo número de falhas. MTBF, sigla de Mean Time Between Failures, é o tempo médio entre uma falha e a seguinte.

Como calcular o MTTR?

Dividindo o tempo total gasto em reparos pelo número de falhas do período. O resultado depende de três definições de escopo: onde começa a contagem, onde termina, e se degradação parcial conta como falha.

Por que um MTTR baixo pode ser sinal ruim?

Porque MTTR baixo combinado com MTBF baixo indica uma operação que conserta rápido o que quebra sempre. A velocidade decorre de prática com uma falha recorrente, e não de maturidade do desenho.

Qual a diferença entre MTTD e MTTA?

MTTD, Mean Time To Detect, mede o tempo até a falha ser detectada e reflete a qualidade da instrumentação. MTTA, Mean Time To Acknowledge, mede o tempo até alguém assumir o incidente e reflete o processo de plantão.

Qual indicador acompanhar como prioridade?

Os quatro em conjunto, por serviço crítico e com distribuição em vez de apenas média. Cada um sustenta uma decisão distinta: MTBF aponta arquitetura, MTTD aponta observabilidade, MTTA aponta processo e MTTR aponta automação de recuperação.

Transformar indicador operacional em decisão de investimento exige apuração consistente dos quatro intervalos, retenção que sustente a leitura por distribuição e governança de performance continuada. A Rike IS conduz esse trabalho do diagnóstico inicial à operação contínua sobre a plataforma Dynatrace, em órgãos públicos, instituições financeiras, cooperativas e empresas privadas de grande porte. Leve a série de incidentes do seu ambiente para uma conversa técnica com os especialistas da Rike IS.

RIKE IS Comunicação

Time de comunicação da RIKE IS. Publicamos análises técnicas sobre observabilidade, performance de aplicações e conformidade em ambientes críticos, a partir da experiência em projetos com órgãos públicos e empresas privadas.

Todas as publicações