オンコールローテーションとは？

オンコールローテーションは、その時々に本番インシデントへの対応責任を誰が負うかを指定するスケジュールであり、その負担をチーム全体で公平に分担します。

本番環境は24時間稼働しているため、障害が起きたときに対応できる誰かが常にいなければなりません。オンコールローテーションはその責任を公式化し、チームメンバー間で持ち回りにすることで、同じ人がずっとpagerに縛り付けられないようにします。

ローテーションの仕組み

ローテーションは、定められたシフト - 多くの場合1週間単位 - の間、オンコールの役割を1人以上に割り当て、その後次の人へと引き継ぎます。シフト中、オンコールのエンジニアはアラートの一次対応者であり、確認し、トリアージし、解決またはエスカレーションすることが期待されます。

エスカレーションポリシー

一次オンコールが定められた時間内にアラートを確認しない場合、エスカレーションポリシーが自動的に二次担当者、続いてマネージャーやより広いグループへpagerを送ります。エスカレーションは、ある1人が眠っていたり、運転中だったり、単に通知を見逃したりしたために重大なアラートが応答されないままになることを防ぎます。

一次、二次、そしてfollow-the-sun

多くのチームは、バックアップとして二次を加えた一次で運用します。グローバルに分散した組織はfollow-the-sunローテーションを用い、別のタイムゾーンのチームにpagerを引き渡すことで、誰も定期的に午前3時に起こされないようにします。この構造はチームの規模と地理に合わせるべきです。

持続可能に保つ

アラートがノイズだらけだったり、シフトが容赦なかったりすると、オンコールは人を燃え尽きさせます。持続可能なローテーションは、各人がオンコールになる頻度に上限を設け、誤警報を徹底的に減らし、静かなオンコールの週を目標として扱います。ローテーションの健全さは、それ自体がシステムとプロセスの健全さを示すシグナルです。

報酬と文化

オンコールは正真正銘の労働であり生活の中断でもあるため、多くの組織はそれを明示的に補償し、つらい夜の後には対応者の回復時間を守ります。健全なオンコール文化は、対応者の幸福をインシデントと同じくらい真剣に扱い、それが人々が結局のところpagerを持ち続けようという気持ちを保ちます。

重要なポイント

オンコールローテーションは、インシデント対応の任務をスケジュールに沿ってチーム全体で分担します。
エスカレーションポリシーは、一次対応者が見逃した場合でもアラートが確実に応答されることを保証します。
持続可能性は、ノイズの少なさ、公平な負荷、そして対応者の時間の尊重にかかっています。