Deine Produktionswebsite ist gerade ausgefallen. Wie gehst du damit um?

Question

IT Interview Practice · Accepted Answer

Oberste Priorität ist **den Service wiederherstellen, dann die Ursache finden** — die Mitigation kommt vor der Diagnose. Ich würde einen Incident ausrufen, klare Rollen vergeben und auf die schnellste sichere Wiederherstellung hinarbeiten, während ich durchgehend kommuniziere.

## Zuerst stabilisieren

- **Ruf einen Incident aus** und eröffne einen einzigen Kanal (War Room / Slack-Thread), damit die Koordination nicht zersplittert.
- **Vergib Rollen**: einen **Incident Commander**, der Entscheidungen trifft, einen **Comms-Owner**, der Stakeholder auf dem Laufenden hält, und **Responder**, die untersuchen. Als Tech Lead übernehme ich oft die IC-Rolle, damit sich die Entwickler auf das Problem konzentrieren können.
- **Greife zur schnellsten umkehrbaren Lösung.** Wenn ein Deploy mit dem Ausfall korreliert, mach zuerst einen **Rollback** und stelle Fragen später — Nutzer wiederherzustellen schlägt es, recht zu haben.

## Parallel diagnostizieren

- Prüfe die **offensichtlichen Signale**: Dashboards, Fehlerraten, kürzliche Deploys, Infra-Änderungen, Traffic-Spitzen, abgelaufene Zertifikate.
- Bilde eine Hypothese, teste die billigste zuerst und **ändere nicht fünf Dinge gleichzeitig** — du wirst nicht wissen, was geholfen hat.

## Kontinuierlich kommunizieren

Schweigen erzeugt Panik. Ich sende Updates in einem gleichmäßigen Rhythmus, auch wenn es nichts Neues gibt:

```
[14:05] Untersuchung läuft — Checkout ist down, ~40% der Nutzer betroffen. Nächstes Update 14:20.
[14:20] Identifiziert: schlechter Deploy. Rollback läuft jetzt. ETA 10 Min.
[14:35] Service wiederhergestellt. Monitoring läuft. Postmortem folgt.
```

## Nach der Wiederherstellung

- Bestätige die vollständige Wiederherstellung, nicht nur „es sieht besser aus".
- Führe innerhalb weniger Tage ein **blameless Postmortem** durch: Timeline, Root Cause, was die Erkennung/Behebung verlangsamt hat, und **konkrete Action Items mit Verantwortlichen**.
- Das Ergebnis ist eine systemische Verbesserung (bessere Alerts, Guardrails, Rollback-Automatisierung) — nicht ein Name, dem man die Schuld gibt.

## Fallstricke

- **Debuggen vor dem Mitigieren**, während Nutzer leiden.
- **Kein einzelner Entscheider**, sodass fünf Leute parallel raten.
- **Funkstille** gegenüber Stakeholdern.
- **Einzelpersonen beschuldigen**, was die Ehrlichkeit zerstört, von der künftige Incidents abhängen.

## Warum es wichtig ist

Ausfälle sind unvermeidlich; wie du sie handhabst, definiert das Vertrauen im Team und das Vertrauen der Kunden. Ruhige, rollenbasierte Koordination plus blameless Nachbereitung verwandelt einen schlechten Tag in ein stärkeres System — und signalisiert deinen Entwicklern, dass es sicher ist, sich schnell zu bewegen, weil Fehler als Prozess behandelt werden, nicht als Hexenjagd.

Zuerst stabilisieren

Parallel diagnostizieren

Kontinuierlich kommunizieren

Nach der Wiederherstellung

Fallstricke

Warum es wichtig ist

Ähnliche Fragen