Situs web produksimu lagi wae mati. Kepiye carane ngatasi?

Question

Accepted Answer

Prioritas kapisan yaiku **mbalekake layanan, banjur golek panyebabe** — mitigasi teka sadurunge diagnosis. Aku bakal ngumumake incident, menehi peran sing jelas, lan ngarahake menyang pemulihan sing aman lan paling cepet, kanthi komunikasi sajrone proses.

## Stabilake luwih dhisik

- **Ngumumake incident** lan mbukak siji channel (war room / thread Slack) supaya koordinasi ora kasebar.
- **Menehi peran**: siji **Incident Commander** kanggo nggawe keputusan, siji **comms owner** kanggo ngapdet stakeholder, lan **responder** kanggo nyelidiki. Minangka Tech Lead aku asring njupuk IC supaya engineer bisa fokus ing masalah.
- **Golek perbaikan reversibel sing paling cepet.** Yen sawijining deploy ana hubungane karo outage, **rollback** dhisik lan takon mengko — mbalekake pangguna luwih apik tinimbang dadi bener.

## Ndiagnosa kanthi paralel

- Priksa **sinyal sing jelas**: dashboard, error rate, deploy anyar, owah-owahan infra, lonjakan traffic, cert kadaluwarsa.
- Nggawe hipotesis, test sing paling murah dhisik, lan **aja ngowahi limang perkara bebarengan** — kowe ora bakal ngerti apa sing kerja.

## Komunikasi terus-terusan

Meneng nuwuhake panik. Aku ngirim apdet kanthi irama sing stabil sanajan ora ana kabar:

```
[14:05] Nyelidiki — checkout mati, ~40% pangguna kena dampak. Apdet sabanjure 14:20.
[14:20] Diidentifikasi: deploy sing ala. Lagi rollback saiki. ETA 10 menit.
[14:35] Layanan dipulihake. Lagi dimonitor. Postmortem bakal nyusul.
```

## Sawise pemulihan

- Konfirmasi pemulihan lengkap, dudu mung "katone luwih apik."
- Nglakokake **postmortem blameless** sajrone sawetara dina: timeline, root cause, apa sing nggawe alon dideteksi/didandani, lan **action item konkret kanthi owner**.
- Asile yaiku perbaikan sistemik (alert luwih apik, guardrail, otomasi rollback) — dudu jeneng kanggo disalahake.

## Jebakan

- **Debugging sadurunge mitigasi** nalika pangguna sengsara.
- **Ora ana siji pembuat keputusan**, mula limang wong nebak kanthi paralel.
- **Meneng** marang stakeholder.
- **Nyalahake individu**, sing matekake kejujuran sing dibutuhake incident ing mangsa ngarep.

## Kenapa iki penting

Outage iku ora bisa diendhani; kepiye carane mlaku nemtokake kapercayan tim lan kapercayan pelanggan. Koordinasi sing tenang lan adhedhasar peran ditambah tindak lanjut blameless ngowahi dina ala dadi sistem sing luwih kuwat — lan menehi sinyal marang engineermu yen aman kanggo mlaku cepet amarga kegagalan ditangani minangka proses, dudu perburuan tukang sihir.