As 3:47 PM de uma terca-feira, seu endpoint /api/payments comeca a retornar erros 500. A taxa de erro sobe de 2% para 15% em 20 minutos. As 4:12 PM, um cliente tuita sobre uma compra que falhou. As 4:18 PM, sua equipe de suporte manda uma mensagem no Slack: "Estamos tendo problemas com pagamentos?"

Este nao e um cenario raro. E como a maioria das equipes de APIs experimentam incidentes, reativamente, caoticamente, e com um MTTD medido em reclamacoes de clientes.

As duas metricas que importam: MTTD e MTTR

MTTD (Mean Time to Detect): O tempo entre quando o incidente comeca e quando sua equipe fica sabendo. MTTR (Mean Time to Resolve): O tempo da deteccao ate a resolucao completa. Reduzir MTTD de 30 minutos para 30 segundos tem mais impacto do que reduzir MTTR de 45 para 30 minutos.

Os 5 passos

1. Detectar: Monitoramento interno que rastreia cada request e o ideal. MTTD em segundos ao inves de minutos.

2. Classificar: Em menos de 5 minutos, avaliar severidade. Quais endpoints estao afetados? Qual e a taxa de erro? Esta piorando?

3. Mitigar: Estancar o sangramento. Rollback, feature flags, escalar recursos, circuit breakers. Nao corrigir a causa raiz, reduzir o impacto.

4. Resolver: O fix real. Correlacionar com mudancas, revisar dados, reproduzir, fazer deploy do fix, verificar resolucao.

5. Aprender: Post-mortem sem culpa. Timeline, impacto, causa raiz, o que deu certo, o que deu errado, action items com donos e datas.

Reduzir MTTD: a melhoria de maior impacto

Para reduzir o MTTD você precisa de dois tipos de detecção automática: checks externos que batem nos seus endpoints críticos a cada minuto (para quedas de DNS, TLS ou da plataforma) e métricas internas por API route, como taxa de erros e latência P95 (para os casos de "200 OK mas lento ou quebrado"). Conecte os dois a alertas que chegam à pessoa de plantão em um ou dois minutos, por Slack, email ou o canal que ela realmente acompanha.

Artigos relacionados