Tovuti yako ya production imeanguka tu. Unaishughulikiaje?

Question

IT Interview Practice · 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.

Imarisha kwanza

Tambua kwa sambamba

Wasiliana kwa kuendelea

Baada ya uokoaji

Makosa

Kwa nini ni muhimu

Maswali yanayohusiana