Les conséquences financières et opérationnelles des interruptions de service sont devenues de plus en plus marquées au cours des sept dernières années. En 2014, Gartner estimait que les temps d’arrêt coûtaient en moyenne 300 000 dollars par heure aux entreprises. Les chiffres récents sont toutefois bien loin de cette estimation à six chiffres : 44 % des entreprises évaluent désormais le coût horaire de leurs temps d’arrêt à plus d’un million de dollars, sans compter les pénalités ou les frais juridiques qui en découlent.
Même si les fournisseurs et partenaires cloud promettent une disponibilité de 99 %, la réalité quotidienne de ce SLA (contrat de niveau de service) montre bien que les temps d’arrêt sont inévitables : avec une disponibilité parfaite de 99 %, les clients doivent tout de même s’attendre à 8 heures de frustration par an. Beaucoup d’entreprises appliquent des mécanismes de prévention selon le principe « loin des yeux, loin du cœur ». Mais en ignorant la réalité des temps d’arrêt, elles laissent le coût des temps d’arrêt s’envoler de façon incontrôlée.
Qu’est-ce qu’un temps d’arrêt ?
Un temps d’arrêt désigne la période pendant laquelle un système, un service, une machine ou une opération est indisponible ou ne fonctionne pas à pleine capacité. Les utilisateurs ne peuvent plus accéder aux services en ligne, la productivité des employés est fortement réduite et les clients n’ont plus aucun moyen d’interagir avec votre entreprise. Ces conséquences s’accumulent les unes sur les autres et finissent par nuire sérieusement à la réputation d’une entreprise.
Facebook, aujourd’hui Meta, compte des milliards d’utilisateurs. Fin 2021, presque toutes les plateformes appartenant à Meta sont restées hors service pendant plus de 5 heures. Cette panne était due à une modification de la configuration de plusieurs routeurs dorsaux. Ces routeurs supervisent le flux de trafic réseau entre les centres de données de Facebook : la mise à jour a donc déclenché un effet domino. D’après Cloudflare, Facebook a pour faire simple indiqué au protocole BGP (Border Gateway Protocol) que les routes menant vers WhatsApp, Instagram, Facebook et d’autres services n’étaient plus valides. Les personnes qui tentaient d’accéder à Facebook ne pouvaient donc plus trouver le chemin nécessaire.
Concrètement, cette panne n’a pas seulement rendu Facebook inaccessible : elle a fait disparaître tous les services et toutes les opérations qui y sont liés. Les utilisateurs finaux n’ont pas été les seuls à se retrouver bloqués. Les systèmes internes de Facebook reposent sur les mêmes processus, ce qui a compliqué le diagnostic et la résolution du problème pour les employés. La panne a entraîné une chute de 4,9 % du cours de l’action Facebook, tandis que la fortune personnelle de Mark Zuckerberg, son PDG, reculait de 6 milliards de dollars.
Beaucoup d’entreprises préfèrent ignorer la réalité des temps d’arrêt non maîtrisés. Pourtant, ces derniers constituent un indicateur essentiel pour évaluer la fiabilité et la performance de vos activités.
Les origines des temps d’arrêt
Tous les temps d’arrêt n’ont pas le même coût. Il en existe deux grands types, et chacun demande une approche spécifique.
Temps d’arrêt planifiés
Il s’agit d’une interruption programmée des opérations ou des services pour effectuer de la maintenance, des mises à jour, des réparations ou d’autres activités prévues. Elle a généralement lieu en dehors des heures de pointe afin de limiter les perturbations, et les utilisateurs finaux sont prévenus suffisamment à l’avance. Les temps d’arrêt planifiés jouent un rôle essentiel dans la réduction du type de temps d’arrêt suivant.
Temps d’arrêt non planifiés
Les temps d’arrêt non planifiés surviennent de manière inattendue, sont perturbants et peuvent entraîner des pertes financières et opérationnelles majeures.
Ils se divisent eux-mêmes en deux grandes catégories. La première est liée au facteur humain. D’après un rapport publié l’an dernier par le Downtime Institute, l’erreur humaine est à l’origine de près de 40 % de tous les incidents majeurs de ces trois dernières années. Parmi ceux-ci, près de 90 % s’expliquent par le non-respect des protocoles par le personnel, ou par des failles dans les procédures elles-mêmes. Les protocoles régissant l’allocation des ressources, par exemple, doivent faire l’objet d’un suivi attentif : sous-estimer les besoins en ressources mène très vite à la surcharge et à la défaillance des serveurs.
Si les menaces internes font perdre des millions de chiffre d’affaires chaque année, l’autre cause de temps d’arrêt, plus inquiétante encore, est externe. Elle englobe aussi bien les catastrophes naturelles, comme les inondations qui menacent les centres de données physiques, que les cyberattaques qui exploitent la moindre erreur de configuration. Le ransomware fait partie des menaces les plus graves de cette catégorie, car il est capable de chiffrer entièrement des sauvegardes jusque-là protégées.
Les causes les plus fréquentes de temps d’arrêt
Malheureusement, de nombreuses situations peuvent provoquer des temps d’arrêt non planifiés, notamment :
- les cyberattaques et les violations de données
- les urgences environnementales
- les défaillances matérielles
- l’erreur humaine
- les problèmes réseau
- les coupures de courant
Ces problèmes ne concernent pas les temps d’arrêt planifiés, qui découlent souvent de mises à jour, de sauvegardes ou d’autres processus informatiques. Dans ce cas, l’équipe informatique prévient à l’avance toutes les parties concernées.
Le coût des temps d’arrêt en détail
L’équation qui régit le coût des temps d’arrêt est relativement simple. Trouver les chiffres réels derrière chaque composante est bien plus délicat. Pour construire une équation exploitable, examinons chaque élément de plus près.
Coût des temps d’arrêt = perte de chiffre d’affaires + perte de productivité + coût de rétablissement
Perte de chiffre d’affaires
Si vous analysez une panne récente, commencez par identifier les employés concernés et le degré d’impact subi. Certains employés peuvent continuer à travailler, comme les techniciens et ingénieurs sur site, mais la grande majorité des systèmes opérationnels exige aujourd’hui une connexion internet permanente. Même sur des chaînes d’assemblage entièrement automatisées, les appareils IdO (internet des objets) mesurent en continu les performances et transmettent des données d’efficacité en temps réel aux équipes opérationnelles. Sans ces données, même des chaînes d’approvisionnement par ailleurs hors ligne peuvent devoir être stoppées. Lorsque les employés n’ont quasiment plus accès aux systèmes en ligne, votre entreprise ne peut plus traiter les commandes avec la même efficacité.
Cette perte de chiffre d’affaires peut être encore plus lourde pour les systèmes critiques : les boutiques e-commerce qui reposent uniquement sur une vitrine en ligne se retrouvent totalement privées de toute source de revenus. En analysant les sites touchés et leur rôle dans la génération de revenus, il devient possible de chiffrer précisément la perte quotidienne provoquée par une panne. Ce travail doit être mené pour chaque système concerné, puis le montant total des pertes doit être additionné pour l’ensemble des systèmes touchés.
Perte de productivité interne
Pendant que les systèmes sont à l’arrêt, les employés se tournent les pouces, et mesurer l’impact financier de cette inactivité peut sembler insurmontable au premier abord. Pour obtenir une estimation prudente de cette perte de productivité, demandez à votre service RH un récapitulatif du salaire moyen dans chaque service concerné. En multipliant ce montant par le nombre d’employés, vous obtenez la valeur totale des salaires perdus. Ajoutée à la perte de chiffre d’affaires, elle vous donne une vision réaliste des pertes quotidiennes, voire horaires.
Coût de rétablissement
Tous les employés ne restent pas les bras croisés à attendre le retour à la normale : certains s’activent pour réparer les dégâts et tout remettre en marche. Le coût de ces heures de travail peut grimper très vite, surtout lorsque les équipes informatiques doivent prolonger leurs horaires. Par ailleurs, selon la cause du temps d’arrêt, du temps et de l’argent supplémentaires peuvent être nécessaires pour tout remettre en ligne. Qu’il s’agisse de changer de fournisseur ou de restaurer des serveurs essentiels, ces ajustements réalisés dans l’urgence doivent être intégrés au coût total.
Pour bien comprendre l’impact des temps d’arrêt sur votre activité, regardez cette courte vidéo : « Quel est le coût réel des temps d’arrêt pour les entreprises ? »
Comment limiter et éviter les temps d’arrêt
Même s’ils sont en partie inévitables, les dégâts causés par les temps d’arrêt peuvent être fortement réduits grâce à une planification rigoureuse.
Mettez en place votre plan de reprise d’activité après incident
La première étape de l’élaboration d’un plan de reprise d’activité après incident (DRP) consiste à identifier et évaluer les menaces et vulnérabilités susceptibles d’affecter l’administration de vos systèmes. Ces facteurs comprennent les dysfonctionnements matériels, les coupures de courant, les cyberattaques, les incendies, les inondations, les séismes et autres événements du même ordre. De plus, il est essentiel de définir le RTO (recovery time objective) et le RPO (recovery point objective) de vos systèmes et données critiques. Le RTO correspond à la durée d’indisponibilité maximale tolérable pour votre système, tandis que le RPO indique la perte de données maximale acceptable. Bien comprendre la différence entre le RTO et le RPO est indispensable, car ces indicateurs jouent un rôle déterminant dans la hiérarchisation des efforts de rétablissement et dans le choix des stratégies de sauvegarde et de restauration adaptées.
Une fois ces indicateurs définis, il faut répartir les rôles et responsabilités au sein de votre équipe d’administration système et auprès des autres parties prenantes. Cela implique de désigner les personnes chargées de déclencher, d’exécuter et de superviser le DRP. Il faut également préciser qui est responsable de la communication avec les interlocuteurs internes et externes : employés, clients, fournisseurs et organismes de réglementation. Dans le cadre d’un plan de reprise d’activité après incident, il est en outre indispensable de prévoir du personnel de remplacement et des solutions de secours pour chaque rôle, au cas où les personnes désignées en premier lieu seraient elles-mêmes touchées.
Investissez dans des systèmes de sauvegarde fiables
Les sauvegardes de données locales sont utiles, mais gardez en tête que vous reposer uniquement sur ce type de sauvegarde vous expose aux menaces physiques : incendie, inondation ou vol. On ne dira jamais assez l’importance des sauvegardes et le rôle qu’elles jouent dans la rapidité du rétablissement. C’est pourquoi il est recommandé de conserver au moins trois copies de vos données, dont une en dehors de votre infrastructure informatique habituelle.
Les fournisseurs de sauvegarde dans le cloud sont particulièrement bien placés pour absorber les temps d’arrêt, grâce à la facilité d’évolutivité et à l’utilisation de plusieurs instances. Prenons l’exemple d’une configuration Kubernetes au sein de l’infrastructure cloud AWS, composée de deux nœuds. Cette configuration intègre un déclencheur d’autoscaling qui détecte les cas où l’utilisation du processeur reste durablement au-dessus de 75 % et ajoute alors des pods supplémentaires.
Par ailleurs, disposer de plusieurs nœuds garantit que votre application reste disponible, même si une partie du cluster subit une panne. Kubernetes s’efforce de répartir les pods de façon homogène entre les instances du cluster. Il est toutefois impératif que les ressources supplémentaires arrivent rapidement, et non lorsque l’UX (expérience utilisateur) commence déjà à se dégrader.
Surveillez et protégez
Comme évoqué au point précédent, la surveillance des terminaux est un pilier majeur de la prévention des temps d’arrêt. Les alertes vous donnent une visibilité en temps réel sur les politiques non respectées et les conflits de ressources, mais aussi une vue privilégiée sur l’ensemble de votre sécurité. Les pare-feu et les listes noires empêchent les attaquants de s’introduire dans vos systèmes, tandis que le pare-feu applicatif web (WAF) intégré d’AWS vous signale toute attaque DDoS en cours ou toute tentative d’injection SQL. Ces notifications en temps réel peuvent ensuite être envoyées sur votre e-mail ou votre téléphone, ce qui permet d’agir très vite en prévention.
Le coût réel des temps d’arrêt est trop élevé
La résilience est au cœur de la réduction du coût, toujours croissant, des temps d’arrêt. NinjaOne dope les services d’informatique d’entreprise en identifiant de manière proactive les problèmes liés aux terminaux et en fournissant une plateforme de remédiation automatique. Les fichiers peuvent être restaurés de différentes façons, de la récupération en libre-service par l’utilisateur final à la restauration via le web, ce qui allège la charge de travail des techniciens au moment où ils sont le plus sollicités. Du ticket à la sauvegarde, Ninja prend en charge chaque niveau de protection contre les temps d’arrêt.
