Cílem je vědět, že váš systém není v pořádku, dříve než vám to řeknou vaši uživatelé. Dobrá observovatelnost vám umožňuje odpovědět na otázky, které jste neanticipovali, ne jen kontrolovat pevnou sadu dashboardů. Jako tech lead to nastavíte dříve než k incidentu, ne během něj.
Pagejte na to, co pocítí uživatel, ne na interní fluktuace. Ukotyjte alerty na SLO: error rate, latency (p95/p99) a dostupnost. Skokový nárůst CPU není incident; checkout selhávající pro 2% uživatelů ano.
| Alertujte na | Nepagejte na |
|---|---|
| Error rate překročil SLO | Jednorázový nárůst CPU |
| p99 latency přesáhla rozpočet | Jeden pomalý požadavek |
| Selhavé health checky | Disk na 60% |
Každý alert by měl být urgentní, reálný a akční — pojmenovává, co je špatně, a ukazuje na další krok. Alerty, které se neustále spouští, trénují tým, aby je ignoroval; alert fatigue je důvod, proč se skutečné incidenty přehlíží. Přidejte health checky a dashboardy, které zobrazují golden signals na první pohled.
Týmy, které pozorují pouze po incidentu, letí slepé: o výpadcích se dozvídají od naštvaných zákazníků a debugují hádem. Investice do observovatelnosti dopředu změní tajemství v 3 ráno na diagnózu za 5 minut, sníží čas výpadku a osvobodí tým, aby kódoval místo toho, aby uhasoval požáry.