Incident response checklist

Když se stane incident, potřebujete postup, ne paniku.

Detekce

• ☐ Alert přijat a potvrzen
• ☐ Severity posouzena
• ☐ Incident commander určen
• ☐ Komunikační kanál otevřen (#incident-YYYYMMDD)

Assessment

• ☐ Rozsah dopadu (kolik uživatelů?)
• ☐ Jaké služby jsou zasaženy?
• ☐ Od kdy problém existuje?
• ☐ Existuje známý workaround?

Mitigace

• ☐ Rollback pokud nedávný deploy
• ☐ Traffic shift (failover region)
• ☐ Restart služby
• ☐ Scaling up
• ☐ Komunikace uživatelům (status page)

Komunikace

• ☐ Interní update každých 30 minut
• ☐ Status page aktualizována
• ☐ Management informován (P1/P2)
• ☐ Customer support briefován

Resolution

• ☐ Root cause identifikována
• ☐ Fix aplikován
• ☐ Monitoring potvrzuje stabilitu
• ☐ Status page: resolved

After action

• ☐ Postmortem do 48 hodin
• ☐ Action items s vlastníky
• ☐ Follow-up meeting naplánován
• ☐ Metriky: MTTD, MTTR