Skip to main content

Política de Ação em Incidentes de Indisponibilidade :: NovoAvanço

Objetivo

Estabelecer um processo padronizado de resposta a incidentes de indisponibilidade total ou parcial do NovoAvanço, abrangendo os ambientes infovarejo, avancoinfo e piracuera, com foco em:

  • Cauterização imediata do impacto

  • Registro técnico no Datadog

  • Acionamento da Squad de Produto para análise da causa raiz

Quando esta política deve ser acionada?

Sempre que for constatada queda, lentidão severa, falha de acesso ou interrupção total/parcial do sistema NovoAvanço em qualquer ambiente.

Etapas do Processo

1. Disparo do Plano de Contingência

Assim que a indisponibilidade for detectada (por cliente, equipe interna ou monitoramento automático), deve-se:

  • Iniciar imediatamente a investigação técnica da origem do problema

  • Aplicar ações de contenção/cauterização, mesmo que envolvam medidas agressivas, como:

    • Execução de queries emergenciais

    • Escalonamento de recursos computacionais (ECS, RDS, etc.)

    • Rollback de versão

    • Retry forçado em pipelines

🔁 O objetivo nesta fase é restabelecer a disponibilidade do sistema o mais rápido possível, mesmo que de forma temporária.

2. Investigação Técnica pela Squad 2.E

A Squad 2.E será a responsável por:

  • Identificar a origem técnica do incidente:

    • Query ofensiva

    • Rota/API defeituosa

    • Processo interno sobrecarregando o sistema

    • Erro em deploy ou pipeline

  • Formalizar a descoberta no Datadog Incident Page:

3. Modelo de Preenchimento do Incidente (Datadog)

 Título (Title)

PRODUTO - E O QUE ACONTECEU

Exemplo: NOVO.INFOVAREJO – LENTIDÃO SEVERA

Severidade (Severity)

Crítica (padrão para qualquer indisponibilidade que impacta o cliente final)

Origem da Detecção (Detection Method)

  • Customer → relato de cliente

  • Employee → relato de colaborador Avanço

  • Monitor → alerta automático Datadog ou AWS

Summary

Descrição objetiva do ocorrido.

Exemplo:
"Sistema apresentou instabilidade generalizada no ambiente piracuera. Todas as APIs retornavam erro 504. Latência da ECS atingiu 95%. Verificou-se também uso anormal de CPU no cluster Fargate."

Impacts

Relatar impactos reais e diretos do problema.

Exemplo:

  • Sistema fora do ar

  • Múltiplos clientes sem acesso ao ERP

  • Perda momentânea de dados em cache

Why it happened

Apontamento técnico da causa raiz.

Exemplo:
“O deploy da versão 2.1.0 trouxe uma rota /venda/cupom com lógica recursiva que causou sobrecarga no RDS e gerou bloqueios em massa. Isso derrubou as instâncias conectadas.”

Remediation

Dividir entre:

  1. Ação emergencial aplicada (para restabelecer)

    Exemplo: “Rota desativada via hotfix + scale out no serviço ECS”

  2. Ação de resolução definitiva (para squad responsável)

    Exemplo: “Card criado para reescrita da rotina recursiva e aplicação de limite de chamadas na API”

Exemplo de Preenchimento:

image.png

4. Encerramento da Fase de Cauterização

Assim que o sistema for restabelecido, deve-se:

  • Atualizar o status do incidente no Datadog para stable

  • Garantir que todos os campos foram preenchidos

  • Enviar o link do incidente ao Squad Leader do produto afetado

5. Criação de Card para Resolução Definitiva

O QA ou líder da Squad responsável pelo produto afetado deverá:

  • Criar um card com prioridade urgente no board do time

  • Associar o link do incidente Datadog

  • Detalhar os pontos levantados no campo Remediation

Responsabilidades

Etapa Responsável
Identificação e cauterização Squad 2.E
Criação e preenchimento do incidente no Datadog Dev de plantão ou tech da Squad 2.E
Comunicação ao Squad responsável Tech da 2.E ou Tribe Leader
Criação de card de resolução definitiva QA ou líder da Squad do produto afetado

Reflexão: Por que isso é importante?

A aplicação rigorosa deste processo não é apenas uma questão operacional, ela é estratégica.

Qualquer avanço no produto, seja em usabilidade, vendas, novos recursos, melhorias no onboarding, amadurecimento do time de serviços e implantação, perde valor se a sustentação básica do sistema não estiver garantida.

Diagrama sem nome (1).jpg

A indisponibilidade recorrente gera:

  • Desconfiança do cliente sobre o produto

  • Sensação de insegurança com os dados

  • Medo de operar no sistema em horários críticos

  • Comprometimento da credibilidade da Avanço como fornecedora de tecnologia

Em outras palavras, sem confiança na estabilidade da plataforma, não há margem para crescimento sustentável. É impossível consolidar a jornada de evolução tecnológica de nossos clientes se o básico , disponibilidade e continuidade do serviço, não for garantido com excelência.

Essa política de contingência é, portanto, uma camada de proteção estratégica para a reputação da empresa, para a tranquilidade do cliente, para o estabelecimento da melhoria contínua e para o próprio futuro do produto.

Back to top