SLO-burn alert su Payments/Bets

Road map operativo

1) Perché è necessario

La Road Map (Ops Roadmap) trasforma le attività SRE/piattaforme/supporto e i comandi di dominio in un piano trasparente: quali effetti SLO/costi/incidenti otteniamo in ogni trimestre e quale prezzo (persone, tempo, budget). Riduce il caos, riordina il debito tecnico e accelera la fornitura di valore alle imprese.

• Unisci le iniziative intorno agli esiti misurabili (SLO, MTTR, Cost/RPS, Risk).
• Allineare le priorità tra piattaforma, dominio e provider esterni.
• Sovraccarica le risorse e fissa «cosa non facciamo» (espliciti trade-off ').
• Mantenere una sola verità sull'esecuzione e sui rischi.

2) Principi della road map

1. Outcome-first: ogni iniziativa è collegata alla metrica di risultato (non «incorporare X», ma «ridurre MTTR del 20%»).
2. SLO-aware - Le iniziative che influenzano i percorsi critici SLO (deposito/tasso/gioco/CUS) sono più importanti.
3. Data-driven: basati su incidenti, postmortem, alert, Capacity/FinOps.
4. Time-boxed & reversibile: piccole immagini, verifica delle ipotesi, rapido ritorno.
5. Single source of truth è un unico artefatto, ruvidità regolari e states pubbliche.
6. No hidden work - fuori dalla mappa - solo «incendi» secondo le regole.

3) Ossatura Roadmap: livelli e manufatti

Visione (12-18 mes): 3-5 temi operativi (Reliability, Scale, Cost, Security, Automation).
Pilastri (6-12 mes): blocchi di iniziative tematiche (ad esempio, copertura SLO 100% percorsi critici, Active-Active 2 regioni).
Piano trimestrale (Q): iniziative specifiche con metriche, proprietari, dipendenze, budget.
Iterazioni (2-3 settimane): attività/epiche e progressi effettivi.

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: «Guardrail per canarini di rilascio»

theme: "Reliability"

quarter: "2025-Q1"

owner: "platform-release"

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

outcome: «Diminuisci del 40% le reazioni dopo i rilasci»

• 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: 5000.000 # transazioni/kv impact: 3. 0 confidence: 0. 7 effort: 6 dependencies: ["observability-baseline", "feature-flags-core"]

• name: «falsi azionamenti gate»
• «baseline/tuning, pilota al 10% del traffico»

• 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 - Report

Risultato: SLO Coverage 92% (+ 7 PP), MTTR 18%, Cost/RPS 9%

8/10 iniziative completate (80%)

Spostamenti OPS-31 → Q2 (PSP-X provider)

Incidenti: P1 = 2 (-1 KV/KV), le principali cause sono i retrai sui timeout del provider

Follow-ups: tuning breaker, quote di riserva PSP-Y

14) Integrazione con i processi

Gestione degli incidenti, tutti i post-mortem dell'iniziativa/miglioramento di Roadmap.
Modifiche/release: le grandi iniziative sono solo con bandiere/canarini.
Capacity/FinOps: sincronizzazione una volta al mese per le tendenze headroom e cost.
Sicurezza/Compilation: checkpoint trimestrali per requisiti e verifiche.

15) 30/60/90 (avvio rapido)

30 giorni: assemblare una base di incidenti/metriche, formare argomenti, descrivere 10-15 iniziative in formato YAML, scegliere RICE/WSJF, fissare il piano Q.
60 giorni: avviare i pannelli Outcome/Domain/Budget, eseguire la prima panoramica mid-trimestrale, modificare le priorità dei dati.
90 giorni: riepilogare Q, aggiornare i principi e le linee, ridefinire i pilastri annuali.

16) Comunicazione e trasparenza

Recensione mensile per gli steakholder: 30 minuti, focus su esiti e rischi.
Update asincroni, registrazioni brevi con metriche prima/dopo.
Un unico canale Roadmap: stato, modifiche, soluzioni di priorità.
Regola carta rossa: ogni comando può avviare la revisione della priorità allegando i dati (SLO/incidente/costo).

17) FAQ

Q: E se tutto brucia e non c'è tempo per Roadmap?
A: Includere «buffer antincendio» 15-20% e un piano Q minimo di 3 iniziative che coprono le cause principali degli incidenti. Ogni nuovo lavoro caldo è solo attraverso il passaggio delle priorità.

Q: Come dimostrare il valore delle iniziative «invisibili» (osservabilità, auto-gate)?
A: Contate Change Failure Rate, MTTR, Pre-Incident Detect Rate, rimborsi e pagelle notturne. Mostrami la dinamica prima/dopo.

Come si fa con il dovere tecnico?
A: Il debito è un'iniziativa con outcome: -X% degli incidenti di classe N, -Y% cost/RPS, + Z P. SLO Coverage». Senza un risultato misurabile, il debito non entra nel piano.