A produkciós weboldalad most állt le. Hogyan kezeled?

Question

Accepted Answer

Az első prioritás a **szolgáltatás helyreállítása, aztán az ok megkeresése** — a mitigáció megelőzi a diagnózist. Deklarálnék egy incidentet, világos szerepeket osztanék ki, és a leggyorsabb biztonságos helyreállítás felé hajtanék, végig kommunikálva.

## Először stabilizálj

- **Deklarálj egy incidentet**, és nyiss egy közös csatornát (war room / Slack szál), hogy a koordináció ne legyen szétszórva.
- **Ossz ki szerepeket**: egy **Incident Commander** dönt, egy **comms owner** tájékoztatja a stakeholdereket, és **responderek** nyomoznak. Tech Leadként gyakran én vagyok az IC, hogy a mérnökök a problémára koncentrálhassanak.
- **Nyúlj a leggyorsabb visszafordítható javításhoz.** Ha egy deploy korrelál a kieséssel, **rollback** előbb, kérdezz később — a felhasználók helyreállítása többet ér, mint igazat mondani.

## Párhuzamosan diagnosztizálj

- Nézd meg a **nyilvánvaló jeleket**: dashboardok, hibaarányok, friss deployok, infra változások, forgalmi csúcsok, lejárt tanúsítványok.
- Állíts fel egy hipotézist, teszteld először a legolcsóbbat, és **ne változtass öt dolgot egyszerre** — nem fogod tudni, mi működött.

## Folyamatosan kommunikálj

A csend pánikot szül. Egyenletes ütemben küldök frissítéseket, még akkor is, ha nincs hír:

```
[14:05] Vizsgáljuk — a checkout leállt, a felhasználók ~40%-a érintett. Következő frissítés 14:20.
[14:20] Azonosítva: rossz deploy. Most rollbackelünk. ETA 10 perc.
[14:35] Szolgáltatás helyreállt. Monitorozunk. Postmortem következik.
```

## Helyreállítás után

- Erősítsd meg a teljes helyreállást, ne csak azt, hogy "jobbnak tűnik."
- Néhány napon belül futtass egy **blameless postmortemet**: idővonal, gyökérok, mi tette lassúvá a felderítést/javítást, és **konkrét, felelősökkel ellátott akciópontok**.
- A kimenet a rendszerszintű fejlődés (jobb alertek, korlátok, rollback automatizálás) — nem egy név, akit hibáztathatsz.

## Buktatók

- **Hibakeresés a mitigáció előtt**, miközben a felhasználók szenvednek.
- **Nincs egyetlen döntéshozó**, így öt ember párhuzamosan találgat.
- **Elhallgatni** a stakeholdereket.
- **Egyének hibáztatása**, ami megöli az őszinteséget, amire a jövőbeli incidentek épülnek.

## Miért fontos

A kiesések elkerülhetetlenek; az, ahogyan kezeled őket, határozza meg a team bizalmát és az ügyfél magabiztosságát. A nyugodt, szerepalapú koordináció plusz a blameless utánkövetés egy rossz napot erősebb rendszerré alakít — és azt jelzi a mérnökeidnek, hogy biztonságos gyorsan haladni, mert a hibát folyamatként kezelitek, nem boszorkányüldözésként.