Alertas SLO-burn en Pagos/Apuestas

Hoja de ruta operacional

1) Por qué es necesario

La hoja de ruta operativa (Ops Roadmap) convierte las tareas dispares de SRE/plataforma/soporte y comandos de dominio en un plan transparente: qué efecto sobre SLO/costo/incidentes obtendremos en cada trimestre y a qué precio (personas, tiempo, presupuesto). Esto reduce el caos, regulariza la deuda técnica y acelera el suministro de valor a las empresas.

• Combinar iniciativas en torno a resultados medibles (SLO, MTTR, Costa/RPS, Risk).
• Alinear las prioridades entre la plataforma, los dominios y los proveedores externos.
• Dejar de lado los recursos y fijar «lo que no hacemos» (claro trade-off's).
• Mantener una sola verdad sobre la ejecución y los riesgos.

2) Principios de la hoja de ruta

1. Outcome-first: cada iniciativa está vinculada a una métrica de resultados (no «implementar X», sino «reducir el MTTR en un 20%»).
2. SLO-aware: las iniciativas que afectan a SLOs de vías críticas (depósito/apuesta/juegos/CUS) son más altas en prioridad.
3. Data-driven: apoyándonos en incidentes, postmortem, alertas, Capacity/FinOps-paneles.
4. Tiempo-boxeado y reversible: pequeños incrementos, verificación de hipótesis, retroceso rápido.
5. Fuente única de la verdad: un solo artefacto, rugidos regulares y estados públicos.
6. No hidden work: fuera del mapa - sólo «incendios» según el reglamento.

3) Marco Roadmap: niveles y artefactos

Visión (12-18 meses): 3-5 temas operativos (Reliability, Escala, Costo, Seguridad, Automatización).
Pilares (6-12 meses): bloques de iniciativas temáticas (por ejemplo: «Cobertura SLO 100% crítica», «Active-Active en 2 regiones»).
Plan trimestral (Q): iniciativas específicas con métricas, propietarios, dependencias, presupuesto.
Iteraciones (2-3 semanas): tareas/épicas y progreso real.

ID: OPS-23

4) Prioritization: How to compare the incomparable

4. 1 RICE (Reach, Impact, Confidence, Effort)

Reach: affected users/transactions/geo.
Impact: expected contribution to SLO/MTTR/Cost.
Confidence: Confidence in estimates (data/pilots).
Effort: man-weeks/calendar window/dependencies.

4. 2 WSJF (Scaled)

Cost of Delay = (SLO Risk + Revenue Impact + Compliance + Incident Rate)
/ Job Size = duration/force.
Suitable for mixed initiatives (technical debt, security, platform features).

The rule: initiatives with high SLO risk and high cost of delay come first, even if the effect is "invisible" on UI.

5) Relationship with OKR, SLO and incidents

Platform-level OKR:
KR1: "Reduce Change Failure Rate from 18% to 12% by the end of Q2."
KR2: "Increase Pre-Incident Detect Rate from 35% to 60%."
SLO-matrix: for each domain - target p95/p99/Success Rate/Availability.
Incident analytics: the top 3 reasons for the last quarter should have counteraction initiatives in the current one.

6) Resource and budget planning

FTE-matrix: by squads and competencies (SRE, Observability, Data, Integrations).
Provider calendar: maintenance/quota windows (impact on dates).
CapEx/OpEx: licenses/cluster extensions vs command hours.
Buffer: ~ 15-20% for unplanned "fires" and regulatory tasks.
What-don't-do policy: A list of rescheduled/postponed initiatives with reasons.

7) Managing dependencies and risks

Dependency map: who blocks whom (service/provider/data/command).
Risk register: risk, probability/impact, owner, mitigation plan/plan B.
Change freeze: periods of prohibition of major changes (prime time events/tournaments).
Ficheflags/canaries: Mandatory for initiatives affecting traffic.

8) Quarterly cycle (rhythms)

Q-0 (preparation, 2 weeks): data collection (SLO, incidents, costs), revision of topics, preliminary prioritization.
Q planning: protection of initiatives by owners, reconciliation of resources/risks, fixing the Q plan and "not doing" the list.
Weekly sync: status, blockers, adjustments; maximum 30 minutes.
Monthly review: checking effects on metrics, possible re-scope.
Q retro: compare plan/fact, update principles/patterns.

9) Roadmap view formats

Outcome View: grouped by purpose (SLO, Cost, Risk).
Domain View: Payments/Bets/Games/KYC/Platform.
Timeline View: quarterly, with dependency and frieze markers.
Budget View: FTE/CapEx/OpEx by Initiative and Topic.

Example of a quarterly slice (summary):
Initiative     Outcome              Metrics     Term     Owner     Risk
--------------------      -----------------------      --------------------      -----      -------------      -------
Active-Active Games     RTO≤5 min     Availability 99. 95%      Q1–Q2      platform-sre      High
SLO-burn на Payments     − 30% of late incidents     Pre-Incident↑, MTTR↓      Q1       observability      Average
Kafka Lag Guardrails     − 50% of lag storms     Lag p95↓, DLQ↑         Q1       streaming        Average
FinOps Right-sizing      −15% cost/RPS           Cost/RPS↓           Q2       finops         Low

10) Roadmap Success Metrics (KPIs)

Delivery Predictability: percentage of initiatives completed on time (target ≥ 80%).
SLO Coverage:% of critical paths with active SLOs/alerts.
Incident Trend: − X% of P1/P2 QoQ incidents
Change Failure Rate: Target decline by quarter.
Cost Efficiency: Cost/RPS, Cost/transaction - downward trend.
Risk Burn-down: the number of "red" risks and their total weight.
Stakeholder NPS: satisfaction of domain teams with the quality of the Roadmap.

11) Roadmap launch checklist

[] Defined themes/pillars and 3-5 target outcomes per year.
[] Catalog of initiatives linked to metrics and owners.
[] Prioritization methodology (RICE/WSJF) and scales adopted.
[] Checked resources: FTE, provider windows, budgets.
[] Fixed Q-plan + "not doing."
[] Set up Outcome/Domain/Budget panels, alerts by shifts.
[] Review Schedule: weekly/monthly/quarterly.

12) Anti-patterns

List of tasks without outcomes: "make X" instead of "achieve Y by metric."
Hidden initiatives and private arrangements outside of a single artifact.
Eternal epics: no time-box, no verifiable milestones.
Priority "in terms of volume": resources are spent on the "loudest" request, and not on the most valuable one.
No "what not to do": expectations are unmanageable, trust is falling.
Lack of a link with incidents/SLO: "cosmetic" improvements instead of real ones.

13) Templates (fragments)

Initiative Template (YAML):

yaml id: OPS-42 title: «Guardrails para lanzamientos canarios»

theme: "Reliability"

quarter: "2025-Q1"

owner: "platform-release"

stakeholders: ["payments", "bets", "games"]

outcome: «Reducir las regresiones después de los lanzamientos en un 40%»

• name: change_failure_rate target: "<= 12%"
• name: post_deploy_regression_rate target: "-40% QoQ"
• slo_impact: ["api_p99 <= 300ms@99. 9", "availability >= 99. 95%"]

• reach: 5000000 # transacciones/qv impact: 3. 0 confidence: 0. 7 effort: 6 dependencies: ["observability-baseline", "feature-flags-core"]

• name: «falsos positivos de gates»
• mitigation: «baseline/tuning, piloto en el 10% del tráfico»

• name: design eta: "2025-01-20"
• name: pilot-10%
• eta: "2025-02-10"
• name: rollout-100%
• eta: "2025-03-05"

Quarterly report template (Markdown):

Q1 Ops Roadmap - Informe

Total de resultados: SLO Coverage 92% (+ 7 p.p.), MTTR −18%, Costo/RPS −9%

Completado: 8/10 iniciativas (80%)

Cambios: OPS-31 → Q2 (dependencia del proveedor PSP-X)

Incidentes: P1 = 2 (−1 de QV/QV), causas principales: retiros en los timeouts del proveedor

Follow-ups: configuración de breakers, cuotas de respaldo PSP-Y

14) Integraciones con procesos

Gestión de incidentes: cada postmortem → un ticket de iniciativa/mejora en Roadmap.
Cambios/lanzamientos: las grandes iniciativas solo van con banderas/canarios.
Capacity/FinOps: sincronización por headroom y tendencias de costo una vez al mes.
Seguridad/cumplimiento: puntos de control trimestrales para requisitos y auditorías.

15) 30/60/90 (inicio rápido)

30 días: recoger la base de incidentes/métrica, formar los temas, describir 10-15 iniciativas en formato YAML, seleccionar el ARROZ/WSJF, fijar el plan Q.
60 días: iniciar los paneles de Outcome/Domain/Budget, realizar la primera revisión trimestral de exteriores, ajustar las prioridades según los datos.
90 días: hacer un balance de Q, actualizar principios y escalas, volver a marcar los pilares anuales.

16) Comunicación y transparencia

Revisión mensual para stakeholders: 30 minutos, enfoque en los resultados y riesgos.
Apdates asíncronos: grabaciones cortas con métricas de «antes/después».
Canal único de Roadmap: estados, cambios, decisiones por prioridades.
Regla de «tarjeta roja»: cualquier comando puede iniciar una revisión de prioridad adjuntando datos (SLO/incidente/costo).

17) FAQ

P: ¿Qué pasa si todo se «quema» y no hay tiempo en Roadmap?
R: Incluya un «bombero-amortiguador» del 15-20% y un plan Q mínimo de 3 iniciativas que cubran las causas principales de los incidentes. Cualquier nuevo trabajo «caliente» es sólo a través de la reconfiguración de las prioridades.

P: ¿Cómo demostrar el valor de las iniciativas «invisibles» (observabilidad, autogates)?
R: Cuenta la Puntuación de Falla de Cambio, MTTR, Puntuación de Detección Previa al Incidente, Retrocesos y «Paginas Nocturnas». Muestre la dinámica antes/después.

P: ¿Cómo hacer con la deuda técnica?
R: La deuda también es una iniciativa con outcome: "−X% de incidentes de Clase N", "−Y% de costo/RPS", "+ Z p.p. SLO Coverage». Sin un resultado medible, la deuda no entra en el plan.