Payments/Bets боюнча SLO-Бурн Алерта

Операциялык жол картасы

1) Эмне үчүн керек

Операциялык жол картасы (Ops Roadmap) SRE/платформа/колдоо жана домендик командалардын чачыранды милдеттерин ачык-айкын планга айландырат: SLO/наркы/инциденттерге кандай таасир этет, биз ар бир кварталда жана кандай баада алабыз (адамдар, убакыт, бюджет). Бул башаламандыкты азайтат, техникалык карызды тартипке салат жана бизнеске баалуулукту жеткирүүнү тездетет.

• Өлчөнгөн натыйжалардын айланасындагы демилгелерди бириктирүү (SLO, MTTR, Cost/RPS, Risk).
• Платформанын, домендердин жана тышкы провайдерлердин ортосундагы артыкчылыктарды макулдашуу.
• Ресурстарды бюджеттөө жана "эмне кылбайбыз" (ачык соода-off) бекитүү.
• Аткаруу жана тобокелдиктер жөнүндө бир чындыкты сактоо.

2) Жол картасынын принциптери

1. Outcome-first: Ар бир демилге натыйжанын метрикасына байланган ("X киргизүү" эмес, "MTTRди 20% төмөндөтүү").
2. SLO-aware: SLO критикалык жолдорун таасир демилгелери (депозиттик/коюм/оюндар/CUS), жогору артыкчылыктуу болуп саналат.
3. Data-driven: инциденттерге, постмортемдерге, алерттерге, Capacity/FinOps панелдерине таянабыз.
4. Time-boxed & кайра: кичинекей инкременттер, гипотезаларды текшерүү, тез артка кайтаруу.
5. Single source of truth: бирдиктүү артефакт, үзгүлтүксүз ревю жана коомдук статустар.
6. No hidden work: картадан тышкары - регламент боюнча гана "өрт".

3) Roadmap кадр: деңгээл жана экспонаттар

Көрүү (12-18 ай): 3-5 иш темалар (Reliability, Scale, Cost, Security, Automation).
Мамылар (6-12 ай): темалар боюнча демилгелердин блоктору (мисалы, "SLO-жабуу 100% критикалык жолдор", "2 региондогу Active-Active").
Чейректик план (Q): метриктер, ээлери, көз карандылыктары, бюджети менен конкреттүү демилгелер.
Итерация (2-3 жума): милдеттер/эпостор жана иш жүзүндө прогресс.

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: "Канар релиздер үчүн Guardrails"

theme: "Reliability"

quarter: "2025-Q1"

owner: "platform-release"

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

outcome: "40% бошотуу кийин регрессия азайтуу"

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

• name: "Жалган гейтс"
• mitigation: "baseline/тюнинг, 10% жол пилоттук"

• 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 - Отчет

Жыйынтык боюнча жыйынтык: SLO Coverage 92% (+ 7 п.п.), MTTR − 18%, Cost/RPS − 9%

Аткарылды: 8/10 демилгелер (80%)

Жылыштар: OPS-31 → Q2 (PSP-X провайдерине көз каранды)

Инциденттер: P1 = 2 (− 1 кв/кв), негизги себептер: провайдердин таймаутундагы ретрациялар

Follow-ups: тюнинг брейкерлер, PSP-Y резервдик квоталар

14) Процесстер менен интеграция

Инцидент-менеджмент: ар бир postmortem → Roadmap боюнча демилгелерди/жакшыртууларды текшерүү.
Өзгөртүүлөр/релиздер: ири демилгелер желектер/канарейка менен гана келет.
Capacity/FinOps: айына бир жолу headroom жана cost-тенденциялар боюнча синхрондоштуруу.
Коопсуздук/комплаенс: талаптар жана аудиттер боюнча чейректик көзөмөл пункттары.

15) 30/60/90 (тез баштоо)

30 күн: окуя/метрикалык базасын чогултуу, темаларды түзүү, YAML түрдө 10-15 демилгелерди сүрөттөп, RICE/WSJF тандап, Q-планын чечүү.
60 күн: Outcome/Domain/Budget панелдерин ишке киргизүү, биринчи тышкы чейректик кароону өткөрүү, маалыматтар боюнча артыкчылыктарды оңдоо.
90 күн: Q-жыйынтык чыгаруу, принциптерди жана шкалаларды жаңыртуу, жылдык мамыларды кайра эсептөө.

16) Байланыш жана ачыктык

Stakholders үчүн бир айлык карап чыгуу: 30 мүнөт, натыйжалары жана тобокелдиктер боюнча басым.
Асинхрондук жаңылыктары: "чейин/кийин" көрсөткүчтөрү менен кыска жазуулар.
Бирдиктүү канал Roadmap: статустар, өзгөртүүлөр, артыкчылыктуу чечимдер.
"Кызыл карточка" эрежеси: ар бир команда маалыматтарды (SLO/окуя/наркы) тиркөө менен артыкчылыкты кайра карап чыгууну демилгелей алат.

17) FAQ

Q: баары "күйүп" жана Roadmap убакыт жок болсо, эмне кылуу керек?
A: "Fire Bufer" киргизүү 15-20% жана инциденттердин негизги себептерин жабуу 3 демилгелердин минималдуу Q-планы. Ар кандай жаңы "ысык" жумуш - артыкчылыктарды кайра тандоо аркылуу гана.

Q: "көзгө көрүнбөгөн" демилгелердин (байкоо, автогейт) баалуулугун кантип далилдөөгө болот?
A: Change Failure Rate, MTTR, Pre-Incident Detect Rate, rebounds жана "түнкү пейдж". чейин/кийин динамикасын көрсөтүү.

Q: техникалык карыз менен эмне кылуу керек?
A: Карыз да outcome менен демилге болуп саналат: "− X% N класстагы инциденттер", "− Y% cost/RPS", "+ Z п.п. SLO Coverage». Өлчөнгөн жыйынтык болбосо, карыз планга кирбейт.