那台服务器的名字,我永远忘不了——它宕机过三次。
每次原因都不一样:第一次是补丁冲突,第二次是脚本误操作,第三次是配置文件丢失。
三次事故,三次停机,三次道歉。
“已恢复正常,原因分析中。”
那一刻我明白,我们不是不会修,而是不知道为什么总是坏。

一、现象:没有问题管理,复盘只是形式
在IT运维里,事件解决得越快,往往越容易忽视根因。
我们擅长“止血”,但不擅长“疗伤”。
每次故障都能恢复,却从不问“为什么会发生”。
工单闭环率达到98%,响应时间平均不到1小时。
但如果从“重复率”看,问题依然层出不穷。
这正是缺乏**问题管理(Problem Management)**的典型症状。
“问题管理旨在通过根因分析与改进措施,减少或避免事件重复发生,提升组织服务稳定性。”
事件管理关注“恢复”,问题管理关注“预防”。
一个解决“症状”,一个治“病根”。
二、根因:反复的背后是机制的缺席
我带着团队做了一次“事件堆叠分析”。
37%的故障重复发生两次以上;
22%的故障根因描述为空;
60%的改进措施未验证效果。
这意味着,我们的“复盘”只是过程,没有形成机制。
谁来触发问题分析?
谁来主导根因挖掘?
谁来跟踪改进结果?
如果这些问题没有制度保障,任何分析都只是“自说自话”。
于是我们决定导入ITSS问题管理体系,用流程固化改进。
三、机制:让根因分析变成组织习惯
触发机制 我们规定:当事件在一个月内重复两次或以上时,自动转入问题管理流程。 系统生成“问题单”,并指派责任人牵头分析。
根因分析方法 我们采用ITSS推荐的“五问法”和鱼骨图(Ishikawa Diagram)相结合的方式: 每次分析都必须回答——
发生了什么?
为什么会发生?
为什么没被提前发现?
为什么没被防止?
如何确保不再发生? 分析过程全程可追踪、可复核。
改进与验证机制 所有改进措施都需定义负责人、完成时限与验证标准。 验证通过后,系统自动关闭问题单,并将改进内容同步入知识库。
指标与反馈机制 我们新增两个核心指标:重复事件率(RE)与问题关闭率(PCR)。 这些数据纳入月度绩效考核,用结果倒逼改进落实。
作为艾拓先锋的官方ITSS授权讲师,在讲授ITSS服务项目经理认证培训课程时我会特别强调这一点:问题管理的核心不在工具,而在文化。
只有当组织愿意面对自己的错误,改进才会成为习惯。
四、提升:让“自愈”成为能力
更重要的是,团队的氛围变了。
现在,大家会主动复盘、讨论根因、提出改进。
这些知识反哺到培训体系中,新人入职后能直接学习最常见的故障场景与改进案例。
有一次,总经理在听汇报时感慨道:“以前我听你们讲KPI,现在我看到你们在讲成长。”
自愈,是成熟组织的标志。
不靠记忆,而靠知识沉淀。