[SEC] Breve descrizione e data

1) Principi e cultura

Blameless. L'errore è una proprietà del sistema, non dell'uomo. Cerchiamo «perché», non «chi è la colpa».
Fatti e invarianti. Tutte le conclusioni sono basate su timeline, SLO, traccia e loghi.
Pubblicità all'interno dell'azienda. I risultati e le lezioni sono disponibili per i comandi adiacenti.
Le azioni sono più importanti dei protocolli. Il documento non ha modificato il tempo perso.
Pubblicazione rapida. La bozza postmortem è tra 48 e 72 ore dopo l'incidente.

2) Tassonomia e criteri di incidenti

• SEV1 - totale indisponibilità/perdita di denaro/dati
• SEV2 - degrado sostanziale (errori> SLO, p99 fuori)
• SEV3 - Uno scenario parziale di degrado/bypass esiste.
• Impatto: regioni interessate/tenenti/prodotti, durata, metriche aziendali (conversione, GMV, rifiuto dei pagamenti).
• Budget SLO/errato: quanto budget è esaurito, come influenza la velocità di rilascio e gli esperimenti.

3) Ruoli e processo di incidente

Input Comment (IC) - Consente di controllare il processo, assegnare priorità ai passaggi e assegnare i proprietari.
Comunicazione Lead - Informa gli stakeholder/client attraverso il modello.
Ops/On-call - Eliminazione, azioni mitiganti.
Scribe, controlla timeline e manufatti.
Subject Matter Experts (SME) - Diagnostica profonda.

Le fasi sono: rilevamento, escalation, stabilizzazione, verifica, ripristino post-mortem, implementazione di miglioramenti.

4) Modello postmortem (struttura)

5) RCA Techniques (Root Cause Search)

5 Why - sequential clarification of causes to the system level.
Ishikawa (fish bone) - factors "People/Processes/Tools/Materials/Environment/Dimensions."
Event-Chain/Ripple - a chain of events with probabilities and triggers.
Barrier Analysis - which "fuses" (timeouts, breakers, quotas, tests) were supposed to stop the incident and why they did not work.
Change Correlation - correlation with releases, config digs, feature flags, provider incidents.

Practice: Avoid "root cause = person/one bug." Look for a system combination (debt + lack of guard rails + irrelevant runbooks).

6) Communications and transparency

Internal: single channel (war-room), short updates according to the template: status → actions → ETA of the next update.
External: status page/newsletter with facts without "guilt," with apologies and an action plan.
Sensitivity: do not disclose PD/secrets; legal wording to be agreed.
After the incident: a summary note with human language and a link to a technical report.

External update template (brief):
"31 Oct 2025, 13:40 UTC - some users encountered payment errors (up to 18 minutes). The reason is the degradation of the dependent service. We turned on bypass mode and restored operation at 13:58 UTC. Apologies. Within 72 hours, we will publish a report with actions to prevent recurrence"

7) Actions and implementation management

Each action is owner, deadline, acceptance criteria, risk and priority relationship.
Action classes:
1. Engineering: timeout budgets, jitter retreats, breakers, bulkheads, backprescher, stability/chaos tests.
2. Observability: SLI/SLO, alert guards, saturation, traces, steady-state dashboards.
3. Process: runbook update, on-call workouts, game day, CI gates, bipartisan review for risky changes.
4. Architecture: cache with coalescing, outbox/saga, idempotency, limiters/shading.
Gates: releases fail unless "post-mortem critical actions" are closed (Policy as Code).
Verification: retest (chaos/load) confirms the elimination of the risk.

8) Integration of feedback

Sources:
Telemetry: p99/p99 tails. 9, error-rate, queue depth, CDC lag, retray budget.
VoC/Support: topics of calls, CSAT/NPS, churn signals, "pain points."
Product/Analytics: user behavior, failure/friction, drop-off in funnels.
Partners/Integrators: webhook failures, contract incompatibility, SLA timing.

Signal → decision loop:
1. The signal is classified (severity/cost/frequency).
2. An architectural ticket is created with a hypothesis and the price of the problem.
3. Falls into the engineering portfolio (quarterly/monthly), ranked by ROI and risk.
4. Execute → measure effect → update SLI/SLO/cost baselines.

9) Post-mortem maturity metrics

% postmortems published ≤ 72 h (target ≥ 90%).
Average "lead time" from incident to closure of key actions.
Reopen rate of actions (quality of DoD formulations).
Repeated incidents for the same reason (target → 0).
Proportion of incidents caught by guards (breaker/limiter/timeouts) vs "breakthrough."
Saturation of dashboards (SLI covering critical paths) and "noise" of alerts.
Share of game-day/chaos scenarios that simulate detected failure classes.

10) Example of postmortem (summary)

Event: SEV2. Payment API: up p99 to 1. 8s, 3% 5xx, 31 Oct 2025 (13:22–13:58 UTC).
Impact: 12% of payment attempts with retrays, part - cancellation. Erroneous budget q4: − 7%.
Root Cause: "slow success" of currency dependence (p95 + 400 ms), retrai without jitter → cascade.
Barrier failure: the breaker is configured only for 5xx, not for timeouts; there was no rate-cap for low priority.
What worked: hand shading and stale-rates feature flag.
Actions:
Enter timeout budget and jitter retrays (DoD: p99 <400 ms at + 300 ms to dependency).
Breaker for "slow success" and fallback stale data ≤ 15 minutes.
Update runbook "slow dependency," add chaos script.
Add dashboard "served-stale share" and alert at> 10%.
Enter release-gate: without passing chaos-smoke - prohibit release.

11) Artifact patterns

11. 1 Timeline (example)

13: 22:10 Alert p99> 800ms (gateway)

13: 24:00 IC assegnato, war-room aperta

13: 27:30 Identificato «lento successo» currency-api

13: 30:15 Fiech flag state-rates ON (10% traffico)

13: 41:00 State-rates 100%, p99 stabilizzato 290ms

13: 52:40 Limitazione dei retraes al gateway

13: 58:00 Incidente chiuso, monitoraggio 30min

11. 2 Solutions and Validation (DoD)

Attiva breaker (slow _ success)

DoD: script chaos «+ 300ms a currency» - p99 <450ms, errore _ rate <0. 5%, stale_share < 12%

11. 3 Policy "gate" (check)

deny_release if any(postmortem_action. status!= "Done" and action. severity in ["critical"])

12) Anti-pattern

Caccia alle streghe e punizioni, insabbiamento degli errori, perdita dei segnali.
Il protocollo per il protocollo è documenti lunghi senza azioni/proprietari/scadenze.
RCA di livello «errore di codice» senza fattori di sistema.
Chiusura dell'incidente senza retest e aggiornamento basline.
Mancanza di pubblicità all'interno dell'azienda: ripetere gli stessi errori in altre squadre.
Ignorare il feedback da zapport/partner e degrado «invisibile» (lento successo).
Il riepilogo «tutti riparati, andiamo avanti», senza modifiche all'architettura/ai processi.

13) Assegno-foglia dell'architetto

1. C'è un unico modello di post-mortem e SLA di pubblicazione da 72 ore?
2. I ruoli (IC, Comms, Scribe, SME) vengono assegnati automaticamente?
3. Le timeline sono basate sulla telemetria (trailer/metriche/logi) e sulle etichette di rilascio/bandierina?
4. Le tecniche RCA sono applicate a livello di sistema (5 Why, Ishikawa, Barrier)?
5. Le azioni hanno proprietari, tempistiche e scadenze, hanno a che fare con rischi e gate di rilascio?
6. L'incidente porta a un aggiornamento runbook/xaoc-script/alert?
7. C'è un canale di VoC/Support, c'è una panoramica regolare dei top dolori?
8. Un bilancio errato influisce sulla politica di rilascio e sperimentazione?
9. Le metriche di maturità sono monitorate (time-to-postmortem, reopen rate, ripetitività)?
10. Analizzazioni pubbliche intra - team e knowledge base sono disponibili?

Conclusione

Postmortem e feedback sono un meccanismo di apprendimento dell'architettura. Quando il confronto senza accuse, l'effetto misurabile dell'azione e l'integrazione dei segnali dalla produzione diventano normali, il sistema diventa più sostenibile, più veloce e più comprensibile ogni settimana. Rendete i fatti visibili, l'azione obbligatoria e la conoscenza accessibile, e gli incidenti diventeranno il combustibile per l'evoluzione della vostra piattaforma.