లక్ష్యం మీ సిస్టమ్ unhealthy ఉందని మీ యూజర్లు చెప్పే ముందే తెలుసుకోవడం. మంచి observability మీరు ఆశించని ప్రశ్నలకు సమాధానం ఇవ్వటానికి అనుమతిస్తుంది, కేవలం fixed dashboards సెటని చెక్ చేయడం మాత్రమే కాదు. టెక్ లీడ్గా, మీరు ఈ సెటప్ను ఇన్సిడెంట్ ఆరంభమయ్యే ముందు చేస్తారు, ఆ సమయంలో కాదు.
user feels చేసేది పై page చేయండి, internal jitter పై కాదు. Alerts ను SLOs కి anchor చేయండి: error rate, latency (p95/p99), మరియు availability. CPU లో spike ఒక incident కాదు; checkout failing for 2% users కు.
| Alert on | Don't page on |
|---|---|
| Error rate breaching SLO | Single CPU spike |
| p99 latency over budget | One slow request |
| Failed health checks | Disk at 60% |
ప్రతి alert urgent, real, మరియు actionable ఉండాలి — ఇది ఏది తప్పు ఉందో పేర్కొంటుంది మరియు తదుపరి step కి చూపుతుంది. Alerts that fire constantly టీమ్ను ignore చేయటానికి శిక్షణ ఇవ్వుతుంది; alert fatigue ఎలా real incidents miss చేయవుతుందో. health checks మరియు dashboards జోడించండి అవి golden signals ను ఒక glance లో చూపుతాయి.
Teams that observe only after ఒక incident are flying blind: వారు angry customers నుండి outages గురించి నేర్చుకుంటారు మరియు guesswork తో debug చేస్తారు. Upfront లో observability లో investment చేయడం 3 a.m. mysteries ను 5-minute diagnoses లోకి మారుస్తుంది, downtime shrink చేస్తుంది, మరియు టీమ్ను firefight కు బదులుగా ship చేయటానికి ఉచితం చేస్తుంది.