SLO-burn alerts em Payments/Bets

Mapa de trânsito operacional

1) Por que é necessário

O Mapa Operacional (Ops Roadmap) transforma tarefas de SRE/plataforma/suporte e comandos de domínio em um plano transparente: que efeitos sobre o SLO/custo/incidentes receberemos em cada trimestre e o preço (pessoas, tempo, orçamento). Reduz o caos, regulariza a dívida técnica e acelera a entrega de valor às empresas.

• Combinar iniciativas em torno de resultados mensuráveis (SLO, MTTR, Costa/RPS, Risk).
• Alinhar prioridades entre plataforma, domínios e provedores externos.
• Ajustar recursos e fixar «o que não fazemos» (explícitos trade-off's).
• Manter uma única verdade sobre a execução e os riscos.

2) Princípios do mapa

1. Outcome-first: Cada iniciativa está vinculada a uma métrica de resultado (não «implementar X», mas «reduzir o MTTR em 20%»).
2. SLO-aware: iniciativas que afetam caminhos críticos SLO (depósito/aposta/jogo/CUS) são mais importantes.
3. Data-driven: baseamos-nos em incidentes, postmortems, alertas, Capacity/FinOps Painéis.
4. Time-boxed & reversível: Pequenos encartes, verificação de hipóteses, reversão rápida.
5. Single six of truth é um artefato único, reviravolta regular e estatais públicas.
6. No hidden work: fora do mapa - apenas «fogos» de acordo com o regulamento.

3) Esqueleto Roadmap: níveis e artefatos

Visão (12-18 m): 3-5 tópicos operacionais (Reliability, Scale, Costa, Security, Automation).
Pilares (6-12 mes): blocos de iniciativas por tema (por exemplo, «cobertura SLO 100% caminho crítico», «Ativo-ativo em 2 regiões»).
Plano Trimestral (Q): iniciativas específicas com métricas, proprietários, dependências, orçamento.
Iterações (2-3 semanas): desafios/épicos e progresso 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: «Guerrails para canários de lançamento»

theme: "Reliability"

quarter: "2025-Q1"

owner: "platform-release"

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

outcome: «Reduzir a regressão após lançamentos em 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: 5000.000 # transações/kv impact: 3. 0 confidence: 0. 7 effort: 6 dependencies: ["observability-baseline", "feature-flags-core"]

• name: «ativações falsas de gates»
• mitigation: «baseline/sintonização, piloto em 10% do tráfego»

• 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 - Relatório

Resultado de resultado: SLO Coverage 92% (+ 7 p.p.), MTTR 18%, Costa/RPS 9%

8/10 das iniciativas (80%)

Alterações: OPS-31 → Q2 (dependência do provedor PSP-X)

Incidentes: P1 = 2 (- 1 kv/kv), principais causas: retraias em temporais do provedor

Follow-ups: sintonizar breakers, quotas de reserva PSP-Y

14) Integração com processos

Gerenciamento de incidente: Cada um de nós tíquete → iniciativa/melhoria em Roadmap.
Mudanças/lançamentos: grandes iniciativas só vão com bandeiras/canários.
Capacity/FinOps: Uma vez por mês, sincronização por headroom e incipiente.
Segurança/Complacência: pontos de referência trimestrais para requisitos e auditorias.

15) 30/60/90 (início rápido)

30 dias: montar uma base de incidentes/métricas, formar temas, descrever 10 a 15 iniciativas no formato YAML, escolher RICE/WSJF, fixar um plano Q.
60 dias: iniciar os painéis Outcome/Domain/Boodget, fazer a primeira revisão quadrienal, ajustar as prioridades de dados.
90 dias: resumir Q, atualizar princípios e escalas, redefinir os pilares anuais.

16) Comunicação e transparência

Visão mensal para steakhalders: 30 minutos, foco em resultados e riscos.
Updates asinhrônicos, gravações curtas com métricas antes/depois.
Um único canal Roadmap: estatais, alterações, soluções de prioridade.
Regra do cartão vermelho: qualquer equipe pode iniciar a revisão da prioridade anexando dados (SLO/incidente/custo).

17) FAQ

Q: O que fazer se tudo estiver em chamas e não houver tempo para Roadmap?
A: Incluir um tampão de incêndio de 15% a 20% e um plano Q mínimo de 3 iniciativas que encerrem as principais causas dos incidentes. Qualquer novo trabalho «quente» é apenas através das prioridades.

Q: Como provar o valor das iniciativas «invisíveis» (observabilidade, auto-gates)?
A: Leia Mudança Failure Rate, MTTR, Pré-Invident Detect Rate, reversões e «pagas noturnas». Mostre a dinâmica antes/depois.

O que fazer com o dever técnico?
A: O dever também é uma iniciativa com outcome: "- X% dos incidentes da classe N", "-Y% vale/RPS", "+ Z p.p. SLO Coverage». Sem um resultado medível, a dívida não entra no plano.