Postmortems de Incidentes

Descreva um incidente de produção que você tratou e como você estruturou o postmortem. O que torna um bom postmortem sem culpados (blameless)?

Perguntas de Sênior

SREadvanced

// pergunta de entrevista

Descreva um incidente de produção que você tratou e como você estruturou o postmortem. O que torna um bom postmortem sem culpados (blameless)?

Resposta de exemplo

Um postmortem blameless foca na melhoria dos sistemas, não na culpa individual. Estrutura: linha do tempo do incidente (o que aconteceu), avaliação de impacto (usuários afetados, duração), análise de causa raiz (técnica dos 5 porquês), fatores contribuintes, itens de ação com responsáveis e prazos, e lições aprendidas. Compartilhe amplamente para prevenir problemas semelhantes em outros times.

Por que isso importa

Postmortems blameless criam segurança psicológica, onde os engenheiros relatam problemas honestamente. Se as pessoas temem punição, elas escondem os problemas. Foque as perguntas em 'como nossos sistemas permitiram isso?' e não em 'quem cometeu o erro?'. Essa mudança cultural é essencial para construir sistemas confiáveis e organizações que aprendem.

Exemplos de código

Template de postmortem

markdown

# Incident Postmortem: API Outage 2024-01-15

## Summary
API service was unavailable for 47 minutes due to database connection pool exhaustion.

## Impact
- Duration: 10:15 - 11:02 UTC (47 minutes)
- Users affected: ~12,000 (30% of active users)
- Revenue impact: ~$8,500 in failed transactions

## Timeline
- 10:15 - PagerDuty alert: API error rate > 50%
- 10:18 - On-call engineer begins investigation
- 10:25 - Root cause identified: DB connection pool
- 10:45 - Fix deployed: increased pool size
- 11:02 - All systems normal

## Root Cause
A slow query caused connections to be held longer, exhausting the pool.

## Action Items
1. [ ] Add connection pool monitoring (@alice, due: Jan 20)
2. [ ] Implement query timeout (@bob, due: Jan 22)
3. [ ] Add runbook for connection issues (@charlie, due: Jan 25)

Erros comuns a evitar

Culpar indivíduos em vez de focar em melhorias sistêmicas
Não fazer o acompanhamento dos itens de ação de postmortems anteriores
Escrever postmortems apenas para incidentes maiores (os menores também ensinam)

Prováveis perguntas de acompanhamento

Como você garante que os itens de ação dos postmortems realmente sejam concluídos?
Qual é a diferença entre causa raiz e fatores contribuintes?
Como você equilibra a velocidade de resposta a incidentes com a profundidade da análise?

Responda em voz alta primeiro e depois confira com a resposta modelo.

Praticar todas as perguntas de Sênior Mais perguntas de SRE

#incident-management#postmortem#sre#culture#leadership

Mais perguntas de entrevista de SRE

Also worth your time on this topic

Interview

Gerenciamento de Orçamento de Erro

Seu serviço tem um SLO de disponibilidade de 99,9% em uma janela de 30 dias. Quanto tempo de indisponibilidade isso te dá, e o que você realmente faz com esse orçamento de erro no dia a dia?

mid

Checklist

SLOs, SLIs e Error Budgets: um Guia Prático de Implementação

Um checklist passo a passo para definir objetivos de nível de serviço, escolher os indicadores de nível de serviço certos e usar error budgets para tomar decisões melhores entre confiabilidade e velocidade de entrega de funcionalidades.

45-90 minutos

Flashcards

SLOs, SLIs e Orçamentos de Erro

Um guia prático para definir objetivos de nível de serviço, escolher indicadores de nível de serviço significativos e gerenciar orçamentos de erro para serviços em produção.

20 minutos