Wie hältst du eine On-Call-Rotation tragbar?

Miss die Last und behandle Pages als Defekte. Tracke Pages pro Schicht, Pages außerhalb der Kernzeit und wie viele davon handlungsfähig waren, und setz eine Schwelle, die Reliability-Arbeit auslöst, statt den Lärm zu dulden. Halt die Rotation breit genug, dass Schichten selten sind, verlang Übergabenotizen und ein Runbook pro Alert, gib nach einer schlechten Nacht Zeit zurück und lass das Team, das einen Service ausliefert, ihn auch tragen.

Ich messe es, denn alle sagen, ihnen sei On-Call-Gesundheit wichtig, und sehr wenige Teams können dir ihre Pages pro Schicht nennen. Ich tracke Gesamt-Pages, Pages außerhalb der Kernzeit und wie viele handlungsfähig waren. Meine Regel ist, dass mehr als zwei Pages außerhalb der Kernzeit in einer Woche ein Defekt im System sind und kein Pech, also geht es als Reliability-Arbeit mit demselben Gewicht wie ein Feature in den nächsten Sprint. Diese eine Regel hat mein letztes Team von rund neun Nacht-Pages im Monat auf unter zwei in einem Quartal gebracht, vor allem indem wir drei laute Alerts gefixt haben, die alle gelernt hatten zu ignorieren, was eine eigene Art Gefahr ist. Praktisch: eine Rotation von mindestens sechs, damit niemand öfter als eine Woche von sechs dran ist, verpflichtende Übergabenotizen, ein Runbook pro Alert oder der Alert wird gelöscht, und wenn jemand um drei Uhr nachts wach war, fängt er spät an und ich will darüber keine Diskussion. Das Team, das den Service ausliefert, trägt ihn, denn diese beiden zu trennen garantiert, dass niemand den Lärm fixt.