PITANJE
Why does the same outage keep recurring?
Predložite šta da se uradi, pa procenite da li bi svaka akcija pomerila svaki koren.
Zapečaćeno pre 23 dana: ova soba više ne zna ko je sedeo u njoj; po imenu ostaje samo njen voditelj. Ono do čega je došla ostaje.
za stolom: 30 (simulirano: 29) · 3 predložene akcije za osnovne uzroke (6). Dodajte jednu, pa procenite da li svaka akcija pomera svaki uzrok.
Gledate kao gost. Unesite korisničko ime da biste se pridružili i učestvovali.
Najpre ocenite osnovne uzroke
zašto
Praksa same metode, pre nego što se predloži ijedna akcija: svaki osnovni uzrok dobija ocenu od 1 do 5 za to koliko je izvodljivo baviti se njime, koliki bi uticaj to imalo i koliko je verovatno da će se rešiti sam od sebe, bez ikakve intervencije. Prednost imaju osnovni uzroci sa velikim uticajem, visokom izvodljivošću i malom verovatnoćom da se reše sami — prioritet = uticaj + izvodljivost − verovatnoća. Ocene se uprosečuju za celu grupu i prikazuju uz broj onih koji su ocenjivali.
1 = nisko, 5 = visoko. Vaše ocene; pored njih proseci grupe.
| osnovni uzrok | izvodljivo | uticaj | rešava se samo | prioritet |
|---|---|---|---|---|
| The service map in the wiki is two years old | – | – | – | – |
| One engineer knows how the payment path actually works | – | – | – | – |
| Feature flags are never cleaned up, so nobody knows which paths are live | – | – | – | – |
| The on-call rota has the same two people on it most weeks | – | – | – | – |
| Rollbacks take longer than the outage they are meant to end | – | – | – | – |
| Alerts fire so often that on-call mutes them | – | – | – | – |
Koja akcija bi pomerila koji osnovni uzrok?
Sa strane: akcije koje su ljudi predložili. Gore: osnovni uzroci koje je mapa pronašla. Svako polje je jedno glasanje o jednom pitanju — da li bi ova akcija značajno smanjila taj uzrok? Jedna strana mora da dostigne 75% datih glasova da bi se pitanje rešilo; inače polje ostaje podeljeno. Svako polje pokazuje kako su pali glasovi — da / gore / ne — a polje je rešeno kada jedno od toga dobije tri četvrtine glasova.
zašto
Odgovor važi na 75% datih glasova, kao i svako drugo pitanje ovde. Podeljeno znači da su ljudi glasali, a nijedna strana nije dostigla taj prag — to je rezultat, a ne red čekanja, i ostaje podeljeno dok se dovoljno ljudi ne predomisli. Polje koje niko ne reši ostaje neodlučeno; nikad ne postaje „ne”. Ocenjivanje svakog para posebno sprečava da se popularnoj akciji pripiše da rešava stvari koje ne dotiče.
| AKCIJA | OSNOVNI UZROCI · da li ga akcija u levoj koloni umanjuje? | |||||
|---|---|---|---|---|---|---|
| The service map in the wiki is two years old | One engineer knows how the payment path actually works | Feature flags are never cleaned up, so nobody knows which paths are live | The on-call rota has the same two people on it most weeks | Rollbacks take longer than the outage they are meant to end | Alerts fire so often that on-call mutes them | |
| No production deploy after 14:00 on Fridays unless the on-call engineer agrees diskutuj | ✗ ne, ne smanjuje 3 da / 0 gore / 26 ne | ⚑ grupa se podelila 21 da / 0 gore / 8 ne | još nije odlučeno | još nije odlučeno | još nije odlučeno | još nije odlučeno |
| Give the shared schema one named owner and a migration tool with rollback diskutuj | ✗ ne, ne smanjuje 6 da / 0 gore / 23 ne | ✓ da, smanjuje ovo 24 da / 0 gore / 5 ne | još nije odlučeno | još nije odlučeno | još nije odlučeno | još nije odlučeno |
| Reserve one engineer-week per sprint for post-mortem actions, first in the sprint, not last diskutuj | ✗ ne, ne smanjuje 4 da / 0 gore / 25 ne | ✗ ne, ne smanjuje 3 da / 0 gore / 26 ne | još nije odlučeno | još nije odlučeno | još nije odlučeno | još nije odlučeno |
Najveći učinak zasad
Give the shared schema one named owner and a migration tool with rollback smanjuje osnovne uzroke: 1 od 6
AKCIJE NA MAPI
Prikazano: sve akcije koje je soba ocenila. Direktno deluje na osnovne uzroke: 1 od 6. Bez direktne akcije: 5.
Pročitano samo iz polja koja je soba rešila u fazi Akcije. Osnovni uzrok u zelenom smanjuje bar jedna od prikazanih akcija; u sivom nijedna od njih ne deluje direktno na njega; crveni obrub znači da ga jedna od njih pogoršava.
Podelite ovaj prikaz: kao sliku · kao živu mapu za drugi sajt
Svaki broj na mapi označava osnovni uzrok koji ta akcija smanjuje.
① No production deploy after 14:00 on Fridays unless the on-call engineer agrees
② Give the shared schema one named owner and a migration tool with rollback
③ Reserve one engineer-week per sprint for post-mortem actions, first in the sprint, not last
Šta očekujemo da usledi
Predviđanja o akcijama: šta bi svaka trebalo da promeni, kako to izmeriti i kada proveriti. Tog datuma neko ko je bio u sobi upisuje pored predviđanja šta se zaista dogodilo.
zašto
Mapa kaže koje akcije pomeraju koje uzroke. Ne kaže da li ih je iko sproveo, niti da li se išta promenilo. Unos ovde je predviđanje sa datumom i nečim što se meri, napisano pošto je mapa rešena. Kada dođe taj datum, pored njega se upiše šta se zaista dogodilo, a predviđanje ostaje kakvo je bilo: pogrešno je upravo ono korisno. Niko nije glasao ni o čemu od ovoga i to ne menja ništa od onoga što je soba utvrdila.
rok: 23 Jan 2027
akcijaNo production deploy after 14:00 on Fridays unless the on-call engineer agrees
očekujemothe same cause stops coming back once fixing it is in the sprint
merilorepeat outages with the same cause, per quarter
procenesoba: 3 (medijana; procena: 15; raspon od 1 do 6)