本文主要介紹什么是故障。
定義
在日常運營中，無論什么原因導致業務服務中斷、服務品質下降或用戶服務體驗下降的現象，稱為故障，但不包括用戶側環境或用戶自身操作引起的問題。
“用戶體驗下降”說明故障的核心要關注用戶感受，可通過客服渠道獲知用戶投訴，也可通過監控渠道推知用戶端的使用情況。
“服務中斷、服務品質下降”說明即使用戶沒有投訴（甚至沒有用戶使用），但是如企業提供的服務出了問題，也是故障。
“無論什么原因”指無論是企業自身原因，還是第三方如供應商、運營商的原因，只要影響到了用戶，就都是故障。
故障等級
每個故障以P1-P4級別來區分重要程度，以獲得不同的處理方式和關注度。P1為最高優先級，P4最低。
定義故障等級的原則為：
不同服務/業務可依據自身的特點為每一級別設定定義，定義可由企業技術支持角色召集開發、運維、測試、PD、客滿、運營等角色一起制定。確定版本需得到各方認同方能發布。
故障等級由影響程度來確定：影響程度以受影響產品/服務/功能的重要性+影響面（如受影響用戶數、損失的金額、外部輿情等）+故障時間來確定。
功能重要性：分核心、次核心和非核心。
次核心功能和非核心功能的故障級別，相比核心依次降一級、二級。
除主動維護停服務外，導致業務/服務全局不可用的事件均為P1 故障。
與 P1、P2 級別相關的定義要做到可監控。
核心功能
故障應急：支持故障全局應急通告，電話、短信、郵件、IM多種通知渠道，確保故障關鍵進展及時通知至相關人員，加快信息流轉。
故障收斂：支持按時間/次數進行告警收斂，將告警收斂到一個故障中統一處理。
故障追蹤：支持對故障的最新進展、故障影響面（影響服務）、輿情反饋、Timeline時間線進行在線化管理、協同，基于統一視角協同處理故障，提升故障處理效率。
故障復盤：基于最佳實踐經驗，沉淀了對故障進行深度復盤的結構化要求，形成了線上檢查點，以產品的方式承載流程落地。包括根因檢查點（如故障原因、最近活動、注入方式、恢復方式等）、故障變更檢查、監控檢查，并需要對每一個故障明確到責任人及團隊。
故障改進：支持對故障制定明確的改進及驗收措施、責任人及完成時間，確保每個深度復盤后的故障都能對業務連續性形成改進，避免歷史同類故障重復發生。