Tokopedia工程师分享处理与管理事故的经验

概括

• Tokopedia 工程师团队在 START Summit Extension 活动中分享了构建警惕文化的事件管理最佳实践，涵盖准备监控、警报、分诊通知及事后调查解决四大阶段。
• 准备阶段强调人员培训、文档集中化及实时监控；警报阶段要求具备基础告警知识并建立清晰沟通渠道，以实现主动发现。
• 分诊与通知阶段倡导冷静应对、快速定位原因并控制影响；事后分析则聚焦根本原因探究与文档沉淀，防止问题复发。该活动吸引超3万名观众，后续内容将通过 Tokopedia Academy 呈现。

作为月活超1亿、赋能逾990万卖家的生态系统平台，Tokopedia 需在各部门植入可落地的文化，以确保持续提供卓越体验与服务。

在2020年12月17日举办的 START Summit Extension 活动中，Tokopedia 工程师团队分享了构建和提升平台系统警惕文化的最佳实践。

本次活动主题为“高严重性！Tokopedia 可靠事件管理背后的故事”。开场环节，Tokopedia 购买平台软件工程师负责人 Timothy Agustian 阐述了工作文化如何塑造工程师团队的日常运作。

Timothy 表示，作为承载数百万用户信任的平台，技术团队肩负着重大责任，因此建立了完善的事件管理流程。第一阶段为Preparation & Monitoring（准备与监控），即在事件发生前做好系统准备，这是后续所有阶段的基础。该阶段包含三个关键点：

受过培训的团队成员

开发人员需掌握处理用例的基础知识，熟悉基础设施及业务流程，以便识别潜在问题并有效应对。

团队文档一站式中心

建立集中的事件管理文档库至关重要，确保相关信息能被团队成员轻松访问和参考。

良好的监控平台

通过实时监控平台掌握服务器及业务状况，定期巡检并为各类突发情况做好准备。

第二阶段是Alerting（警报）。当警报触发即意味着事件发生。优秀的告警机制能让团队第一时间察觉异常，而非依赖外部反馈。此阶段同样强调两点：

一是基础告警知识，团队成员需能正确定义告警并明确应对措施；二是事件管理平台，需建立有效的沟通渠道，确保能快速联系相关方。

第三阶段为分诊与通知，由 Tokopedia 订单与活动工程经理 Danish Jatmiko 讲解。他强调，事件发生时首先要保持冷静，领导者需把控局势。例如流量中断时，需迅速判断是连接问题、PPN 还是其他服务故障所致。

同时，要尽快缓解或阻断事件影响。待系统恢复正常后，再深入复盘实际情况并制定长期解决方案。

最后阶段是事后调查与解决，由 Tokopedia 订单软件工程师主管 Viriya Saddha Pannindriya 分享。他指出，面对事件时切忌因恐慌而采取治标不治本的临时措施，必须深挖根本原因以确定长效方案。

深入探究根源有助于厘清问题影响范围。此外，Viriya 强调了文档记录的重要性，通过对事件进行完整归档，确保同类问题不再重演。

Viriya 引用了一句名言：“组织文化是一个有生命的生物，而员工是直面它的人”。这意味着公司每个团队的行动都是企业价值观的直接体现。

本次 START Summit Extension 吸引了超3万名观众通过 Tokopedia Play 观看。展望2021年，Tokopedia 将通过 Tokopedia Academy 持续推出科技系列活动，分享最佳实践，助力印尼数字人才发展。