Como você detecta problemas antes dos usuários reclamarem?

Question

Accepted Answer

O objetivo é capturar problemas **antes da página** — encontrar degradação enquanto ainda há margem para absorvê-la. Isso significa monitorar **indicadores antecedentes**, definir **SLOs com orçamentos de erro**, e investigar ativamente o sistema em vez de esperar que ele falhe.

## SLOs e orçamentos de erro

Um **SLO** transforma confiabilidade em um número (por ex., 99,9% das requisições são bem-sucedidas). Os 0,1% restantes são seu **orçamento de erro**. Rastrear a **taxa de consumo** permite alertar quando você está gastando o orçamento muito rápido — muito antes de realmente violar o SLO e os usuários perceberem.

```text
SLO 99.9% → 0.1% error budget/month (~43 min of downtime)
burn rate rising fast → you'll exhaust it in 2 days → alert NOW, while it's fixable
```

## Investigação ativa, não apenas métricas passivas

```text
SYNTHETIC MONITORING  scripted checks hit critical paths on a schedule
                      (login, checkout) → fails even at 3am with zero real traffic
HEALTH CHECKS         /healthz endpoints + dependency checks → load balancer
                      pulls bad instances before users hit them
RUM (real-user mon.)  measure latency/errors from actual browsers/devices →
                      catches issues only some users/regions see
```

Monitoramento sintético é poderoso porque não espera por um usuário — exerce continuamente o sistema, então um checkout quebrado é encontrado às 3 da manhã, não quando o fluxo matinal reclama.

## Indicadores antecedentes e tendências

Os primeiros sinais estão em recursos, não ainda em erros visíveis ao usuário. Alerte sobre a **tendência**, não apenas uma linha estática.

```text
LEADING INDICATORS   saturation (CPU/mem climbing), queue depth growing,
                     connection-pool nearing limit, latency CREEPING up
ANOMALY DETECTION    flag deviation from the normal baseline / seasonality
TREND ALERTS         "disk will fill in 4h at this rate" → act before it's full
```

Um p99 lentamente crescente ou uma fila em expansão é um tiro de aviso: agindo sobre o aumento gradual, você previne o apagão para o qual o aumento estava caminhando.

## Por que isso importa

Monitoramento reativo significa que os usuários são seu sistema de alerta — quando eles reclamam, o incidente já está ativo e seu orçamento de erro foi gasto. Detecção proativa (taxa de consumo de SLO, sintéticos, health checks, RUM, indicadores antecedentes, alertas de tendência/anomalia) oferece tempo de antecedência: você corrige uma fila saturada ou uma latência crescente antes que se torne um aviso às 2 da manhã e um cliente furioso. Esse tempo de antecedência é a diferença entre um corrige silencioso e um apagão.