Tovuti yako ya production imeanguka tu. Unaishughulikiaje?

Question

Accepted Answer

Kipaumbele cha kwanza ni **rejesha huduma, kisha tafuta sababu** — kupunguza athari huja kabla ya uchunguzi. Ningetangaza incident, kupanga majukumu wazi, na kuendesha kuelekea uokoaji salama wa haraka zaidi, nikiwasiliana njia nzima.

## Imarisha kwanza

- **Tangaza incident** na fungua channel moja (war room / thread ya Slack) ili uratibu usisambae.
- **Panga majukumu**: **Incident Commander** wa kufanya maamuzi, **mmiliki wa mawasiliano** wa kusasisha stakeholder, na **wajibu (responders)** wa kuchunguza. Kama Tech Lead mara nyingi ninachukua IC ili wahandisi waweze kuzingatia tatizo.
- **Fikia urekebishaji wa haraka unaoweza kutenduliwa.** Iwapo deploy inahusiana na outage, **rollback** kwanza na uulize maswali baadaye — kurejesha watumiaji kunashinda kuwa sahihi.

## Tambua kwa sambamba

- Angalia **ishara dhahiri**: dashboards, viwango vya makosa, deploy za hivi karibuni, mabadiliko ya infra, ongezeko la trafiki, cheti zilizoisha muda.
- Tengeneza dhana, jaribu ya bei nafuu zaidi kwanza, na **epuka kubadilisha vitu vitano kwa wakati mmoja** — hutajua kilichofanya kazi.

## Wasiliana kwa kuendelea

Ukimya huzaa hofu. Ninatuma masasisho kwa mdundo thabiti hata pasipo habari mpya:

```
[14:05] Inachunguzwa — checkout imeanguka, ~40% ya watumiaji wameathirika. Sasisho lijalo 14:20.
[14:20] Imetambuliwa: deploy mbaya. Inafanyiwa rollback sasa. ETA dakika 10.
[14:35] Huduma imerejeshwa. Inafuatiliwa. Postmortem itafuata.
```

## Baada ya uokoaji

- Thibitisha uokoaji kamili, si tu "inaonekana bora."
- Endesha **postmortem isiyo na lawama** ndani ya siku chache: ratiba ya matukio, sababu ya msingi, kilichofanya iwe polepole kugundua/kurekebisha, na **vitendo halisi vyenye wamiliki**.
- Matokeo ni uboreshaji wa kimfumo (alert bora, ulinzi, otomatiki ya rollback) — si jina la kulaumu.

## Makosa

- **Kutatua kabla ya kupunguza athari** wakati watumiaji wanateseka.
- **Hakuna mtoa maamuzi mmoja**, hivyo watu watano wanabahatisha kwa sambamba.
- **Kunyamaza** kwa stakeholder.
- **Kulaumu watu binafsi**, jambo linaloua ukweli ambao incident za baadaye zinaitegemea.

## Kwa nini ni muhimu

Outage haziepukiki; jinsi unavyoziendesha hufafanua uaminifu wa timu na imani ya wateja. Uratibu wa utulivu unaotegemea majukumu pamoja na ufuatiliaji usio na lawama hugeuza siku mbaya kuwa mfumo imara zaidi — na huashiria kwa wahandisi wako kuwa ni salama kusonga kwa kasi kwa sababu kushindwa hushughulikiwa kama mchakato, si uwindaji wa mchawi.