Gerenciamento de Incidentes

Implemente processos eficazes de gerenciamento de incidentes, incluindo definições de severidade, matrizes de escalonamento, procedimentos de sala de guerra e modelos de post-mortem sem culpa.

Quando Usar

• Estabelecer processos de gerenciamento de incidentes para sistemas de produção
• Definir níveis de severidade e procedimentos de escalonamento
• Executar salas de guerra e coordenar a resposta a incidentes
• Realizar revisões pós-incidente sem culpa
• Construir cronogramas de plantão e fluxos de trabalho de notificação
• Atender aos requisitos de conformidade para resposta a incidentes (SOC 2, HIPAA, PCI DSS)

Níveis de Severidade

severity_definitions:
  SEV1_critical:
    impact: "Complete service outage or data breach affecting all/most customers"
    examples:
      - Production site completely down
      - Data breach confirmed or suspected
      - Complete loss of a critical business function
      - Security incident with active exploitation
    response_time: "Immediate (within 5 minutes)"
    update_frequency: "Every 15-30 minutes"
    who_is_paged: "On-call engineer, engineering manager, incident commander, executive on-call"
    communication: "Status page update, customer email, executive notification"
    resolution_target: "< 1 hour to mitigate"

  SEV2_major:
    impact: "Major feature broken or severe degradation affecting many customers"
    examples:
      - Key feature completely non-functional
      - Significant performance degradation (>5x latency)
      - Data processing pipeline completely stalled
      - Partial outage affecting a region or segment
    response_time: "Within 15 minutes"
    update_frequency: "Every 30-60 minutes"
    who_is_paged: "On-call engineer, engineering manager"
    communication: "Status page update if customer-facing"
    resolution_target: "< 4 hours to mitigate"

  SEV3_moderate:
    impact: "Minor feature impaired or degradation affecting some customers"
    examples:
      - Non-critical feature broken
      - Moderate performance degradation
      - Elevated error rate (below threshold for SEV2)
      - Single-customer impact on non-critical function
    response_time: "Within 1 hour during business hours"
    update_frequency: "Every 2-4 hours"
    who_is_paged: "On-call engineer"
    communication: "Internal only unless customer inquires"
    resolution_target: "< 1 business day"

  SEV4_low:
    impact: "Cosmetic issue, minor inconvenience, or non-customer-facing problem"
    examples:
      - UI cosmetic bug
      - Non-critical monitoring gap
      - Internal tool degradation
      - Documentation inaccuracy in production
    response_time: "Next business day"
    update_frequency: "As needed"
    who_is_paged: "None (ticket created)"
    communication: "None"
    resolution_target: "Within sprint planning cycle"

Matriz de Escalonamento

escalation_matrix:
  tier_1_on_call_engineer:
    reached_via: "Alerta PagerDuty / OpsGenie"
    responsibilities:
      - Reconhecer alerta em até 5 minutos
      - Avaliar severidade e impacto
      - Iniciar solução de problemas
      - Escalar para o Nível 2 se não conseguir resolver em 30 minutos (SEV1/2)
    escalation_trigger: "Não consegue resolver, precisa de expertise adicional ou aumento de severidade"

  tier_2_team_lead_or_sme:
    reached_via: "Escalonamento PagerDuty ou página direta"
    responsibilities:
      - Fornecer expertise no assunto
      - Auxiliar no diagnóstico e resolução
      - Coordenar com outras equipes se for um problema entre serviços
      - Escalar para o Nível 3 se for necessária coordenação mais ampla
    escalation_trigger: "Problema multi-serviço, precisa de decisão executiva ou SEV1 voltado para o cliente"

  tier_3_engineering_management:
    reached_via: "Escalonamento PagerDuty ou ligação direta"
    responsibilities:
      - Designar comandante do incidente (se ainda não o fez)
      - Alocar recursos adicionais
      - Tomar decisões de negócios (desativar recurso, reverter, etc.)
      - Coordenar comunicação externa
    escalation_trigger: "Decisão de impacto nos negócios, interrupção prolongada ou preocupação de RP/jurídica"

  tier_4_executive:
    reached_via: "Ligação telefônica direta"
    responsibilities:
      - Autorizar medidas extraordinárias
      - Gerenciar comunicação com conselho/investidores
      - Aprovar declarações públicas
      - Engajar recursos externos (fornecedores, consultores)
    escalation_trigger: "Violação importante, SEV1 prolongado, implicação regulatória ou legal"

  time_based_escalation:
    sev1:
      "15 min no ack": "Repaginar engenheiro de plantão + engenheiro de plantão de backup"
      "30 min unresolved": "Pagar líder de equipe"

…