முதல் முன்னுரிமை சேவையை மீட்டெடுப்பது, பிறகு காரணத்தைக் கண்டுபிடிப்பது — diagnosis-க்கு முன்பு mitigation வரும். நான் ஒரு incident-ஐ அறிவிப்பேன், தெளிவான பாத்திரங்களை ஒதுக்குவேன், மற்றும் முழுவதும் தொடர்புகொண்டு வேகமான பாதுகாப்பான மீட்சியை நோக்கி இயக்குவேன்.
மௌனம் panic-ஐ வளர்க்கிறது. செய்தி இல்லாதபோதும் நிலையான cadence-இல் புதுப்பிப்புகளை அனுப்புகிறேன்:
[14:05] Investigating — checkout is down, ~40% of users affected. Next update 14:20.
[14:20] Identified: bad deploy. Rolling back now. ETA 10 min.
[14:35] Service restored. Monitoring. Postmortem to follow.
Outages தவிர்க்க முடியாதவை; அவற்றை எப்படி நடத்துகிறீர்கள் என்பது team நம்பிக்கை மற்றும் customer நம்பிக்கையை வரையறுக்கிறது. அமைதியான, பாத்திர அடிப்படையிலான coordination மற்றும் blameless follow-up ஒரு மோசமான நாளை வலுவான system ஆக மாற்றுகிறது — மேலும் failure ஒரு witch hunt அல்ல, ஒரு process ஆகக் கையாளப்படுவதால் வேகமாக நகர்வது பாதுகாப்பானது என்பதை உங்கள் engineers-க்கு குறிக்கிறது.