Site-ul tău de producție tocmai a căzut. Cum gestionezi situația?

Question

IT Interview Practice · Accepted Answer

Prima prioritate este să **restabilești serviciul, apoi să găsești cauza** — mitigarea vine înaintea diagnosticului. Aș declara un incident, aș aloca roluri clare și aș conduce spre cea mai rapidă recuperare sigură, comunicând pe tot parcursul.

## Mai întâi stabilizează

- **Declară un incident** și deschide un singur canal (war room / fir Slack) ca să nu se împrăștie coordonarea.
- **Alocă roluri**: un **Incident Commander** care ia deciziile, un **responsabil de comunicare** care actualizează stakeholder-ii și **responderi** care investighează. Ca Tech Lead, preiau adesea rolul de IC ca inginerii să se poată concentra pe problemă.
- **Caută cea mai rapidă remediere reversibilă.** Dacă un deploy se corelează cu căderea, fă **rollback** mai întâi și pune întrebări mai târziu — a restabili utilizatorii bate a avea dreptate.

## Diagnostichează în paralel

- Verifică **semnalele evidente**: dashboard-uri, rate de erori, deploy-uri recente, modificări de infrastructură, vârfuri de trafic, certificate expirate.
- Formulează o ipoteză, testează mai întâi pe cea mai ieftină și **evită să schimbi cinci lucruri deodată** — nu vei ști ce a funcționat.

## Comunică continuu

Tăcerea naște panică. Trimit actualizări la o cadență constantă chiar și când nu există noutăți:

```
[14:05] Investigăm — checkout-ul e căzut, ~40% dintre utilizatori afectați. Următoarea actualizare la 14:20.
[14:20] Identificat: deploy defectuos. Facem rollback acum. ETA 10 min.
[14:35] Serviciu restabilit. Monitorizăm. Urmează postmortem.
```

## După recuperare

- Confirmă recuperarea completă, nu doar „pare mai bine”.
- Rulează un **postmortem fără vină (blameless)** în câteva zile: cronologie, cauză rădăcină, ce a făcut detectarea/repararea lentă și **acțiuni concrete cu responsabili**.
- Rezultatul este îmbunătățirea sistemică (alerte mai bune, garduri de protecție, automatizarea rollback-ului) — nu un nume de blamat.

## Capcane

- **Debugging înainte de mitigare** în timp ce utilizatorii suferă.
- **Niciun decident unic**, așa că cinci oameni ghicesc în paralel.
- **Tăcere** față de stakeholder-i.
- **Blamarea indivizilor**, ceea ce ucide onestitatea de care depind incidentele viitoare.

## De ce contează

Căderile sunt inevitabile; modul în care le gestionezi definește încrederea echipei și încrederea clienților. Coordonarea calmă, bazată pe roluri, plus urmărirea fără vină transformă o zi proastă într-un sistem mai puternic — și le semnalează inginerilor că e sigur să se miște repede, pentru că eșecul e tratat ca un proces, nu ca o vânătoare de vrăjitoare.

Mai întâi stabilizează

Diagnostichează în paralel

Comunică continuu

După recuperare

Capcane

De ce contează

Întrebări conexe