SLO-burn алерты на Payments/Bets

Операционная дорожная карта

1) Зачем это нужно

Операционная дорожная карта (Ops Roadmap) превращает разрозненные задачи SRE/платформы/поддержки и доменных команд в прозрачный план: какой эффект на SLO/стоимость/инциденты мы получим в каждом квартале и какой ценой (люди, время, бюджет). Это снижает хаос, упорядочивает технический долг и ускоряет поставку ценности бизнесу.

• Объединить инициативы вокруг измеримых исходов (SLO, MTTR, Cost/RPS, Risk).
• Согласовать приоритеты между платформой, доменами и внешними провайдерами.
• Забюджетировать ресурсы и зафиксировать «что не делаем» (явные trade-off’ы).
• Держать единую правду об исполнении и рисках.

2) Принципы дорожной карты

1. Outcome-first: каждая инициатива привязана к метрике результата (не «внедрить X», а «снизить MTTR на 20%»).
2. SLO-aware: инициативы, влияющие на SLO критических путей (депозит/ставка/игры/KYC), выше в приоритете.
3. Data-driven: опираемся на инциденты, постмортемы, алерты, Capacity/FinOps-панели.
4. Time-boxed & reversible: маленькие инкременты, проверка гипотез, быстрый откат.
5. Single source of truth: единый артефакт, регулярные ревью и публичные статусы.
6. No hidden work: вне карты — только «пожары» по регламенту.

3) Каркас Roadmap: уровни и артефакты

Видение (12–18 мес): 3–5 операционных тем (Reliability, Scale, Cost, Security, Automation).
Столпы (6–12 мес): блоки инициатив по темам (напр. «SLO-покрытие 100% критичных путей», «Active-Active в 2 регионах»).
Квартальный план (Q): конкретные инициативы с метриками, владельцами, зависимостями, бюджетом.
Итерации (2–3 недели): задачи/эпики и фактический 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: "Guardrails для канареек релизов"

theme: "Reliability"

quarter: "2025-Q1"

owner: "platform-release"

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

outcome: "Снизить регрессии после релизов на 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: 5000000 # транзакций/кв impact: 3.0 confidence: 0.7 effort: 6 dependencies: ["observability-baseline", "feature-flags-core"]

• name: "ложные срабатывания гейтов"
• mitigation: "baseline/тюнинг, пилот на 10% трафика"

• 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

Итог по исходам: SLO Coverage 92% (+7 п.п.), MTTR −18%, Cost/RPS −9%

Выполнено: 8/10 инициатив (80%)

Сдвиги: OPS-31 → Q2 (зависимость от провайдера PSP-X)

Инциденты: P1 = 2 (−1 кв/кв), основные причины: ретраи на таймаутах провайдера

Follow-ups: тюнинг брейкеров, резервные квоты PSP-Y

14) Интеграции с процессами

Инцидент-менеджмент: каждый постмортем → тикет инициативы/улучшения в Roadmap.
Изменения/релизы: крупные инициативы идут только с флагами/канарейками.
Capacity/FinOps: раз в месяц синхронизация по headroom и cost-тенденциям.
Безопасность/комплаенс: квартальные контрольные точки по требованиям и аудитам.

15) 30/60/90 (быстрый старт)

30 дней: собрать инцидентную/метрическую базу, сформировать темы, описать 10–15 инициатив в формате YAML, выбрать RICE/WSJF, зафиксировать Q-план.
60 дней: запустить панели Outcome/Domain/Budget, провести первый мид-квартальный обзор, скорректировать приоритеты по данным.
90 дней: подвести Q-итоги, обновить принципы и шкалы, переразметить годовые столпы.

16) Коммуникации и прозрачность

Месячный обзор для стейкхолдеров: 30 минут, фокус на исходах и рисках.
Асинхронные апдейты: короткие записи с метриками «до/после».
Единый канал Roadmap: статусы, изменения, решения по приоритетам.
Правило «красной карточки»: любая команда может инициировать пересмотр приоритета, приложив данные (SLO/инцидент/стоимость).

17) FAQ

Q: Что делать, если все «горит» и нет времени на Roadmap?
A: Включить «пожаро-буфер» 15–20% и минимальный Q-план из 3 инициатив, закрывающих основные причины инцидентов. Любая новая «горячая» работа — только через пересборку приоритетов.

Q: Как доказать ценность «невидимых» инициатив (наблюдаемость, автогейты)?
A: Считайте Change Failure Rate, MTTR, Pre-Incident Detect Rate, откаты и «ночные пейджи». Покажите динамику до/после.

Q: Как поступать с техническим долгом?
A: Долг — это тоже инициатива с outcome: «−X% инцидентов класса N», «−Y% cost/RPS», «+Z п.п. SLO Coverage». Без измеримого исхода долг не попадает в план.