别踩坑！ 避开这些反模式会让事故处理事倍功半

事故生命周期与系统弹性

Vanessa Huerta Granda 在 2023 年旧金山 QCon 大会上分享了关于事故生命周期和系统弹性的见解。她指出，事故是不可避免的，但可以从中学习并减轻未来事故的影响。弹性文化的组织能够快速恢复并将事故转化为机会。

事故的生命周期

事故生命周期包括系统运行正常、事故发生、事故解决和事后活动。在事故发生时，重点是恢复正常运营，并在事故后学习和应用教训来改进系统。"系统"不仅仅是代码，而是技术和团队的社会性技术结构。

提高系统弹性的可能性

系统弹性对公司至关重要，因为事故可能导致收入损失、声誉受损以及工程师无法专注于目标和计划。通过改进学习周期，可以提高系统弹性。这需要注意三个点：事故响应、事故分析和跨事故分析。

专注于事故响应

在事故响应中可以改进协调、协作和沟通。这些改进无需完美，只要是减轻认知负担和小的改进即可。

专注于事故分析

事故发生后的分析对学习至关重要。推荐使用基于叙述的方法来收集数据，并从多个角度获取见解。最终，将主要见解和行动项提炼出来，确保它们能够提升组织弹性。

专注于跨事故分析

跨事故分析有助于识别系统性问题并进行改进。这要求结合来自多个部门的观点，并以易于理解的方式呈现数据。

避免反模式

在提高系统弹性的过程中要避免反模式，如过度关注无意义的指标（MTTX）和在事后分析中只生成行动项而不跟进。应该更广泛地评估组织的弹性，并确保任何提出的改进措施都得到执行。

总结

我们无法做到零事故，但可以通过专注于响应、分析和跨事故洞察来降低事故成本，提高用户体验，并培育出一种能够创新解决问题的工程师文化。