X'tagħmel biex tipprevjeni l-istess tip ta' incident milli jiġri tieni darba?

Question

Accepted Answer

Mexxi **postmortem blameless** li jsib il-kawża sistemika, imbagħad ikkonvertih f'action items **konkreti, b'sidien, u traċċati** — u vverifika li verament jiġu rilaxxati. L-għan mhux li ssib lil min twaħħal; huwa li tibdel is-sistema biex l-istess klassi ta' falliment issir impossibbli jew tinkixef minnha nnifisha.

## Il-loop ċentrali

1. **Postmortem blameless.** Ibni linja taż-żmien onesta: x'ġara, meta sibnih, kif irreaġixxejna, x'kien l-impatt. Il-ħtija toqtol il-verità li teħtieġ.
2. **Ħaffer għall-kawża sistemika**, mhux it-trigger. "Inġinier imbotta config ħażin" huwa trigger; "ma kien hemm l-ebda validazzjoni jew rollout fażijiet għall-configs" huwa l-kawża. Uża l-**Ħames Għaliex** imma ieqaf fis-sistema, qatt fil-persuna.
3. **Iġġenera saffi ta' prevenzjoni**, mhux fix wieħed:
   - **Ipprevjeni** — agħmel il-falliment impossibbli (validazzjoni, types, guardrails).
   - **Skopri** — aqbdu aktar kmieni (alerts, SLOs, synthetic checks).
   - **Mitiga** — illimita r-raġġ tal-isplużjoni (rollback, flags, circuit breakers).
4. **Assenja sidien u dati ta' skadenza.** Action item mingħajr sid huwa xewqa. Ittraċċahom bħal xogħol reali fil-backlog.
5. **Vverifika u agħlaq il-loop.** Il-fix ġie rilaxxat? Kien jaqbad l-oriġinal? L-MTTR u l-iskoperta verament tjiebu?

## Trade-offs u nases

- **Postmortems li jipproduċu dokumenti, mhux tibdiliet** — l-aktar falliment komuni. L-ebda segwitu jfisser li terġa' tiltaqa' mal-istess incident.
- **Tirranġa żżejjed is-sintomu speċifiku** filwaqt li l-klassi tal-bug tibqa' miftuħa. Irranġa l-kategorija, mhux biss din l-istanza.
- **Għejja tal-alerts** minn li tkompli żżid skoperta mingħajr tuning; alerts storbjużi jiġu injorati u l-incident li jmiss jinżerżaq.
- **Kultura tal-ħtija** tmexxi r-rappurtar taħt l-art; titlef in-near-misses li huma l-irħas lezzjonijiet tiegħek.
- Ittratta l-**incidents ripetuti bħala sinjal ta' falliment tal-proċess**, mhux sfortuna — ittraċċa r-rikorrenza bħala metrika.

## Għaliex huwa importanti

L-incidents huma miżata li diġà ħallast; l-uniku ħela huwa li ma titgħallimx minnhom. Tim li sistematikament jipprevjeni r-rikorrenza jsir aktar affidabbli kull kwart, filwaqt li tim li biss jagħmel firefighting jerġa' jgħix l-istess outages għal dejjem. Li tibni dan il-learning loop — u s-sigurtà li tkun onest fih — huwa waħda mill-aktar affarijiet durabbli li Tech Lead jista' jħalli warajh.