عملیات و → مدیریت مسئولیت عملیاتی فرهنگ

فرهنگ مسئولیت عملیاتی

1) چرا شما به آن نیاز دارید

تکنولوژی ابزار را فراهم می کند، اما مردم و رفتار آنها قابلیت اطمینان را ایجاد می کنند. فرهنگ مسئولیت عملیاتی پلت فرم را قابل پیش بینی می کند، بهبود فاجعه را تسریع می کند، «سر و صدا» را کاهش می دهد و حوادث را به سوخت برای بهبود تبدیل می کند.

• درک یکپارچه از «قابلیت اطمینان چیست» و چه کسی مسئول آن است.
• نقش ها، مسئولیت ها و مجوزهای شفاف در عملیات.
• یک محیط امن برای بحث در مورد اشتباهات و تنظیمات سریع.
• بهبود ریتمیک SLO، زمان واکنش و هزینه عملیات.

2) اصول (هسته فرهنگ)

1. شما آن را می سازید - شما آن را اجرا می کنید. تیم دارای کیفیت دامنه خود از کد به تماس است.
2. SLO-اول تصمیمات از طریق تاثیر بر SLO و بودجه خطا ارزیابی می شود.
3. بی گناه و واقعی. پس از مرگ بدون اتهام، فقط حقایق، داده ها و اقدامات.
4. کوچک و برگشت پذیر تغییرات کوچک، فیکفلاگ ها، قناری ها، بازگشت سریع.
5. امنیت برای صحبت کردن هر کس می تواند پرچم قرمز را بدون ترس بالا ببرد.
6. شواهد در مورد نظرات داده ها و مصنوعات مهم تر از نظرات و وضعیت هستند.
7. به طور مداوم یاد بگیرید حوادث → فرضیه → آزمایش → استانداردها.

3) نقش ها و مالکیت

صاحب دامنه (پرداخت/شرط/بازی/KYC): SLO، در تماس، نقشه راه بهبود، بودجه خطا.
مدیر حادثه (چرخش): هماهنگی واکنش، جدول زمانی، کیفیت ارتباطات.
SRE/Platform: ابزار قابلیت اطمینان (قابلیت مشاهده، هشدارها، فیکفلگ ها، قناری ها).
رهبری تیم/EM: انتظارات، توسعه صلاحیت ها، رعایت آیین ها.
ذینفعان کسب و کار: SLO/اولویت ها را تراز می کند، خطرات/سازش ها را می پذیرد.

4) SLO به عنوان قرارداد مسئولیت

تنها منبع حقیقت: تعریف معیارها، پنجره ها، استثنائات.
بودجه خطا: مرزهای خطر صریح → دروازه به انتشار/آزمایش.
بحث SLO: "آیا این انتشار 20٪ از بودجه را می سوزاند ؟ ».
تجدید نظر یک بار در سه ماهه: همراه با محصول و کسب و کار.

5) آمادگی در تماس و حادثه

انتظارات روشن: زمان واکنش، کانال ها، اقتدار (توقف شیر سمت راست).
آموزش: تقلید از حوادث، وظیفه سایه، تمرینات DR.
مصنوعات: runbook زنده 'و، ماتریس تشدید، قالب های به روز رسانی.
مراقبت از مردم: تغییر بار، جبران خسارت، چرخش، سیاست «بدون قهرمانی».

• دسترسی و VPN تایید شده است.
• کانال های اطلاع رسانی و مخاطبین پشتیبان سالم هستند.
• Runbook به روز شده ≤ 30 روز پیش.
• شرکت در 90 روز گذشته.

6) ارتباطات در عملیات

قالب یکنواخت: به روز رسانی کوتاه در حوادث، «تحویل» بسته بین شیفت.
تبلیغات تصمیمات: توافقهای کلیدی به صورت کتبی ثبت میشوند.
حاشیه نویسی در نمودار: انتشار, پرچم ویژگی, پنجره ارائه دهنده.
پانل های SLO برای همه: شفافیت وضعیت و بودجه خطا.

[HH: MM] P2 Games latency ↑ p99 to 420 ms (base + 28%). Canary rolled back.
ETA of the next update: 20 min. Owner: squad-games. Next steps: tuning the breaker, checking provider Y.

7) پس از مرگ بدون اتهام

آمار و جدول زمانی: چه کسی، چه زمانی، چه چیزی، بر اساس چه اطلاعاتی.
علل سیستمیک: فرآیندها، ابزارها، رابط ها، نه «مجرمان».
اقدامات با مهلت: اصلاحی و پیشگیرانه.
درس های آموخته شده: استانداردها، چک لیست ها، به روز رسانی runbook.

Impact: <metrics/revenue/users>
Timeline: <UTC+TZ>
Root cause: <system cause, not personalities>
Fix now: <3 actions + owners + ETA>
Prevent: <3 process/tool improvements>
Signals to watch: <SLO/metrics>

8) آداب و رسوم

بررسی هفتگی Ops (30 دقیقه): SLO، حوادث، هشدارها، پیشرفت عمل.
قابلیت اطمینان ماهانه گذشته نگر: درس، روند، به روز رسانی استانداردها.
بررسی قابلیت اطمینان سه ماهه: بازنگری SLO/بودجه، ادغام نقشه راه.
بازی روز/هرج و مرج: سناریوهای برنامه ریزی شده از شکست و توسعه feilover.

9) انگیزه، رشد و مسیرها

صلاحیت ها: تماس تلفنی، مدیریت حادثه، قابلیت مشاهده، مهندسی SLO، FinOps.
سطوح شغلی: انتظارات سهم قابلیت اطمینان (ابتکارات، پس از مرگ، مشاوره).
انگیزه نامشهود: شناخت، نویسندگی پیشرفت، «قهرمان قابلیت اطمینان» از سه ماهه.
مواد: جبران خسارت در تماس، پاداش برای دستیابی به SLO-KPI.

10) سیاست ها و هنجارهای رفتار (قطعات)

• هر تماس تلفنی می تواند انتشار/ویژگی را هنگامی که SLO تهدید می شود متوقف کند.
• تصمیم پس از حذف خطر ثابت و تجدید نظر می شود.

• تغییرات عمده تنها با phicheflags و قناری.
• Autogates توسط معیارهای SLO ؛ انحراف → مکث/برگشت.

• تمام اطلاعات مهم در کانال های مشترک، بدون راه حل های خصوصی است.
• ETS (زمان تخمین زده شده به وضعیت) برای P1/P2 حوادث اجباری است.

11) معیارهای فرهنگ (KPI های بلوغ)

پوشش SLO: نسبت مسیرهای بحرانی با SLO/هشدار به طور رسمی شرح داده شده است.
نرخ تشخیص قبل از حادثه: درصد حوادث متوقف شده در مرحله تخریب.
MTTR/MTTD: دینامیک توسط سه ماهه.
نرخ شکست تغییر: پس از انتشار بازگشت/رگرسیون.
SLA عمل پس از مرگ: نسبت اقدامات بسته شده در زمان.
شاخص خستگی هشدار: هشدار در تماس/تغییر.
نمره کیفیت Handoff: کیفیت عبور بین شیفت.
پالس ایمنی روانی: نظرسنجی منظم کوتاه (ناشناس).

12) چک لیست پیاده سازی

• دامنه ها، صاحبان، تماس و SLO تعریف شده است.
• توقف شیر، پس از مرگ و سیاست های ارتباطات اتخاذ شده است.
• پانل SLO مطرح شده و حاشیه نویسی انتشار.
• مراسم راه اندازی: بررسی هفتگی عملیات و تحویل قالب.
• قالب های پس از مرگ و یک ردیاب عمل توسعه یافته اند.
• اولین بازی روز/تمرین DR برگزار شد.
• KPI های فرهنگی را تنظیم کنید و ماهانه بررسی کنید.

13) ضد الگوهای

فرقه قهرمانان: ذخیره در آخرین لحظه به جای رفع سیستم.
تقصیر مردم: پیدا کردن «مقصر»، نه علت.
راه حل های پنهان: چت خصوصی، «توافق کلامی».
انتشار شبانه بزرگ: بدون پرچم یا قناری.
معیارها بدون عمل: گزارش ها وجود دارند، راه حل ها نیستند.
تحویل هرج و مرج: هیچ الگو و تایید پذیرش وجود ندارد.

14) ابزار و مصنوعات (حداقل)

دایرکتوری SLO/هشدار با صاحبان.
مخزن Runbook (توسط دامنه، به روز رسانی ≥ ماهانه).
قالب ها: پس از مرگ، تحویل، به روز رسانی حادثه، برنامه تخریب.
Панели: مرور کلی SLO، حوادث، تغییر ایمنی، ارائه دهندگان.
ردیاب فعالیت: یک backlog تنها با SLA ها و صاحبان.

15) تعبیه در مدارهای HR

Onboarding: آموزش در SLO، در تماس، پس از مرگ.
ارزیابی عملکرد: کمک به قابلیت اطمینان و فرهنگ بخشی از بررسی عملکرد است.
مشاوره: وظیفه سایه، مدیریت حادثه جفت.
نظرسنجی پالس: ارزیابی ایمنی/فرسودگی شغلی سه ماهه.

16) 30/60/90 - راه اندازی طرح

• اختصاص صاحبان دامنه و بر روی تماس، رفع حداقل توسط SLO (P95، میزان موفقیت).
• اتخاذ دریچه توقف و سیاست های پس از مرگ، تایید قالب.
• راه اندازی یک بررسی عملیات هفتگی و تحویل مراسم.

• 2 تمرین روز بازی/DR را انجام دهید، پانل SLO و Change Safety را افزایش دهید.
• ساخت یک قناری و خودکار دروازه از طریق SLO در 1-2 خدمات مهم است.
• معیارهای فرهنگ را اجرا کنید (MTTR، Action SLA، بررسی پالس).

• تجزیه و تحلیل روند، به روز رسانی SLO/بودجه، یکپارچه سازی پیشرفت در نقشه راه.
• یک «قهرمان قابلیت اطمینان» و یک برنامه مربیگری را معرفی کنید.
• تنظیم آیین ها و سیاست ها بر اساس نتایج گذشته نگر.

17) قالب (قطعات)

scope: P1/P2 and repeated P3 timeline: ≤72 hours format: impact, timeline, root cause, actions (now/prevent), owners/due dates review: monthly on Reliability Review blameless: specifying personalities only as a fact of time stamp

SLO summary     Incidents and ETAs    Providers and quotas    Releases/Canaries    Risks/observations     Action items

- Ficheflags/canary set up
- SLO alerts and annotations included
- Rollback plan and "safe mode" defined
- Provider windows considered
- Responsible on-call confirmed

18) سوالات متداول

س: چگونه «فرهنگ» را اندازه گیری می کنید، نه فقط تکنیک ؟

A: وارد کنید پالس نظرسنجی (ایمنی روانی)، اقدام SLA پس از مرگ، سهم تصمیمات عمومی، تحویل HQS.

س: در مورد «قهرمانی» چه باید کرد ؟

A: با تشکر از شما، اما ثبت تغییرات سیستماتیک به طوری که قهرمانی لازم نیست. در عملکرد، پیشگیری و بهبود را در نظر بگیرید، نه فقط «شاهکارهای».

س: چگونه یک کسب و کار را از ارزش فرهنگ متقاعد می کنید ؟

A: نمایش اتصال: MTTR پایین تر/نرخ تغییر شکست → تبدیل بالاتر/درآمد، جریمه کمتر و صفحات اواخر شب، نسخه های قابل پیش بینی.