Introdução
Restaurar um serviço não significa ter eliminado as causas de sua indisponibilidade. Reiniciar um servidor Linux, reverter uma implantação ou reiniciar o MySQL pode recuperar a operação, mas a investigação precisa estabelecer o que aconteceu, por que aconteceu, quais controles falharam e como reduzir a recorrência.
A Análise de Causa Raiz (Root Cause Analysis — RCA) organiza evidências, hipóteses, relações causais e ações corretivas. Neste artigo, apresentamos um fluxo de investigação de incidentes de TI baseado em práticas reconhecidas de gestão de serviços, engenharia de confiabilidade e resposta a incidentes.
1. RCA, incidentes e problemas no ITIL
O Incident Management do ITIL 4 concentra-se em minimizar o impacto negativo e restaurar o serviço o mais rapidamente possível. Já o Problem Management identifica e gerencia causas reais ou potenciais dos incidentes, incluindo soluções de contorno e erros conhecidos. São processos complementares, não sinônimos.
| Dimensão | Gerenciamento de Incidentes | Gerenciamento de Problemas |
|---|---|---|
| Objetivo | Recuperar a operação | Reduzir causas e recorrências |
| Horizonte | Resposta imediata | Investigação e melhoria contínua |
| Artefatos | Chamado, comunicação, registro da recuperação | RCA, erro conhecido, plano CAPA |
| Métricas | MTTD, MTTR, SLA | Recorrência, eficácia das ações, riscos residuais |
Um incidente pode ser encerrado após restauração e validação do serviço, enquanto o problema correspondente permanece aberto até que as ações sejam implementadas e verificadas.
2. O que é o modelo rRCI adaptado à TI?
O modelo Rapid Root Cause Investigation (rRCI) aqui utilizado é uma adaptação operacional de investigação estruturada para ambientes de TI; não é uma prática ou certificação oficial do ITIL. Reúne definição do problema, análise IS / IS NOT, cronologia, evidências, hipóteses, 5 Porquês, diagrama de Ishikawa e ações corretivas e preventivas (CAPA).
Seu benefício é transformar uma análise frequentemente informal em um procedimento documentado, repetível e auditável, sem assumir que todo incidente possui uma única causa raiz.
3. Definição do problema: fatos antes de conclusões
Uma descrição como “o servidor está lento” é insuficiente. Uma descrição investigável seria: “entre 14h10 e 14h45, 70% das requisições da aplicação excederam cinco segundos, enquanto o consumo de memória do banco de dados aproximou-se do limite disponível”.
Registre serviço afetado, horário, impacto no negócio, sintomas observados, comportamento esperado e alterações próximas ao evento. O método IS / IS NOT, associado à análise de problemas Kepner-Tregoe, diferencia onde, quando e em quais condições a falha ocorre de contextos comparáveis nos quais ela não ocorre.
| Dimensão | IS (ocorre) | IS NOT (não ocorre) |
|---|---|---|
| Ambiente | Produção | Homologação |
| Componente | MySQL | Apache |
| Horário | Processamento noturno | Operação matinal |
| Transações | Consultas analíticas | Consultas simples |
Esses contrastes priorizam hipóteses; por si só, não demonstram causalidade.
4. Linha do tempo e preservação de evidências
Construa uma cronologia única com telemetria, mudanças, alertas, mensagens e ações de recuperação. No exemplo hipotético: 14h00 implantação; 14h08 aumento de consultas; 14h10 pressão de memória; 14h13 alerta; 14h15 encerramento do MySQL; 14h35 rollback; 14h45 normalização.
Uniformize fusos horários e diferencie evento observado de inferência. A proximidade entre implantação e falha não prova, isoladamente, uma relação causal.
Em Linux, comandos úteis para investigação incluem:
journalctl --since "2026-11-07 14:00:00" --until "2026-11-07 15:00:00"
journalctl -k | grep -Ei "out of memory|oom|killed process"
systemctl status mysql
journalctl -u mysql
free -h
ps aux --sort=-%mem | headOs comandos precisam ser ajustados à distribuição, ao nome do serviço e à política de retenção de logs. Dados coletados após a recuperação descrevem o estado atual, não necessariamente o estado histórico do incidente. Em incidentes de segurança, mantenha controles adicionais de integridade, acesso e cadeia de custódia.
5. Hipóteses e validação
Liste explicações concorrentes e indique qual evidência sustentaria ou refutaria cada uma. Por exemplo: falha de hardware (erros de host e outras VMs afetadas); falha de rede (perda de conectividade correlacionada); pressão de memória (métricas e registro do OOM Killer). Classifique hipóteses como corroboradas, refutadas ou inconclusivas.
Mesmo que o OOM Killer tenha encerrado o MySQL, a investigação continua: é necessário estabelecer por que a pressão de memória ocorreu e quais barreiras preventivas eram insuficientes.
6. Os 5 Porquês e o diagrama de Ishikawa
Exemplo didático: (1) o MySQL ficou indisponível porque foi encerrado; (2) foi encerrado pelo OOM Killer; (3) houve pressão de memória; (4) consultas passaram a consumir recursos excessivos; (5) uma regressão de desempenho passou sem testes de carga representativos e sem limites apropriados. A sequência é hipotética e precisa de confirmação por evidências.
Os 5 Porquês são uma técnica de aprofundamento, não uma obrigação de chegar exatamente ao quinto nível ou a uma única causa. O Ishikawa organiza potenciais fatores em infraestrutura, software, configuração, processos, pessoas, monitoramento e ambiente externo. Suas ramificações são hipóteses, não conclusões automáticas.
7. CAPA: da investigação às ações verificáveis
O plano de ações corretivas e preventivas (CAPA) traduz o diagnóstico em controles permanentes. Ações corretivas tratam causas identificadas; preventivas mitigam riscos potenciais.
| Ação | Tipo | Critério de eficácia |
|---|---|---|
| Corrigir a consulta SQL | Corretiva | Consumo dentro do limite definido |
| Introduzir teste de carga no pipeline | Preventiva | Regressões bloqueadas nos testes |
| Implementar alerta de pressão de memória | Preventiva | Alarme comprovado em teste |
| Ensaiar rollback | Preventiva | Procedimento executado com sucesso |
Cada ação deve ter responsável, prazo, prioridade, evidência de conclusão e verificação de eficácia. A conclusão administrativa da atividade não substitui a comprovação de que o risco foi efetivamente reduzido.
8. Postmortem sem culpabilização: contribuição do SRE
O Google Site Reliability Engineering recomenda uma cultura de blameless postmortem: compreender condições técnicas e organizacionais sem reduzir a análise à identificação de culpados. Em vez de registrar apenas “um administrador errou a configuração”, pergunte por que o fluxo de mudança permitia alteração crítica sem testes, revisão ou rollback. A postura preserva responsabilidade profissional e favorece aprendizado sistêmico.
9. AWS Well-Architected e resposta a incidentes de segurança
O AWS Well-Architected Framework, em OPS11-BP02 — Perform post-incident analysis, orienta revisar métricas, mudanças, cronologia, detecção, diagnóstico, mitigação e ações de melhoria. O pilar Confiabilidade também enfatiza análises posteriores para reduzir futuras interrupções.
Se houver comprometimento de contas, vazamento, malware ou exploração de vulnerabilidade, integre o trabalho à resposta de segurança. O NIST SP 800-61 Rev. 3 (2025) orienta a integração da resposta a incidentes com o gerenciamento de riscos de cibersegurança. RCA não substitui contenção, erradicação, recuperação ou análise forense.
10. Implementação e indicadores de maturidade
Defina critérios de abertura de RCA para incidentes críticos, repetitivos ou com causa ainda desconhecida. Vincule incidentes, problemas, mudanças, ativos e evidências no GLPI ou Jira; utilize Zabbix, Grafana, Prometheus e CloudWatch para observabilidade. Adote revisão técnica e acompanhamento de CAPA.
Acompanhe MTTD (tempo médio de detecção), MTTR (tempo médio de restauração), recorrência, ações CAPA no prazo, causas validadas e eficácia das intervenções. Melhoria no MTTR não implica necessariamente menor frequência de falhas: combine indicadores de recuperação e prevenção.
11. Materiais complementares para aplicação
Para facilitar a adoção em operações de infraestrutura, disponibilizamos dois modelos em português baseados na abordagem descrita:
- Modelo Excel editável — Investigação de Incidentes de TI: registro estruturado, hipóteses, cronologia, causas e plano de ação.
- Modelo PDF — Formulário rRCI de Investigação de Incidentes: versão para documentação, revisão e impressão.
Os arquivos são modelos de apoio e devem ser adaptados à criticidade dos serviços, procedimentos internos e requisitos de governança da organização.
12. Conclusão
A restauração do serviço atende à necessidade operacional imediata; a investigação estruturada permite compreender as condições que produziram o incidente. Ao combinar práticas de Incident Management e Problem Management do ITIL, RCA, SRE, análise de evidências e CAPA, a organização transforma falhas em aprendizado verificável e melhoria contínua.
Uma investigação bem-sucedida não se limita a explicar o passado: deve demonstrar que os mecanismos de prevenção, detecção e recuperação foram fortalecidos.
Referências técnicas
- PeopleCert. ITIL 4 — Incident Management e Problem Management.
- Google. The Site Reliability Workbook — Postmortem Culture: Learning from Failure.
- Google. Site Reliability Engineering — Lessons Learned from Other Industries.
- AWS. OPS11-BP02 — Perform post-incident analysis.
- AWS. REL12-BP02 — Realizar análises pós-incidentes.
- NIST. SP 800-61 Rev. 3 — Incident Response Recommendations and Considerations for Cybersecurity Risk Management (2025).
- EPRI. System and Equipment Troubleshooting Guide (referência complementar sobre análise de problemas e IS / IS NOT).
