故障与解决决策分析

作为一名技术管理leader，经常要面对一些线上故障，此时就需要快速做出决策或者向上反馈。

最开始经常力不从心：

• 1）面对故障很多时候只会被动等待。
• 2）面对有限的信息作出错误决策。
• 3）向上反馈时，被老板问到哑口无言。
• 4）故障修复后，再次出现。

今天就来复盘下，几次故障中得到的经验，整理出后续面对故障必须要确认的信息，以及决策的原则。

当然这里要明确的是，故障应该以优先恢复用户故障为目标。

当前适合的场景为：服务异常，无法快速修复、修复需要用户配合、需要负责人介入的情况。

• 短链域名过期/更换域名的问题
• 语音呼叫异常，临时补丁后恢复，需要后续排查，但有影响到用户的风险
• 离线任务预付费用户上传Excel解析异常，需要用户配合操作。
• 国际短信部分短信回执超时，需要修复

需要确认的信息：

• 预估，故障影响的用户数，已经是否有重点客户。
• 对用户业务的影响
• 用户体量和发送量
• 故障定位、历史故障、应急预案