О компании
2ГИС — технологическая компания и часть экосистемы Сбера. Нашими сервисами ежедневно пользуются миллионы людей. Мы активно растём, а ИТ-ландшафт становится всё более масштабным и сложным. Поэтому создаём выделенную SRE-команду — центр экспертизы по надёжности сервисов. Она поможет перейти от реагирования на инциденты к системному управлению доступностью, снизить операционные риски и сделать разработку более предсказуемой.
Ищем инженера, который поможет выстроить процессы и инструменты обеспечения надёжности, будет влиять на стандарты компании и работать в тесной связке с продуктовыми и инфраструктурными командами.
Чем предстоит заниматься
Развивать Incident & Problem Management
•внедрять и развивать единый процесс управления инцидентами;
•формировать культуру postmortem-разборов без поиска виноватых;
•контролировать выполнение action items, направленных на предотвращение повторных сбоев;
•улучшать матрицу эскалаций и устранять неоднозначности в процессе реагирования.
Развивать observability
•стандартизировать внедрение OpenTelemetry: трассировок, метрик и логов;
•участвовать в создании единой платформы мониторинга и визуализации;
•разрабатывать стандарты логирования;
•контролировать объём и качество данных, поступающих в системы телеметрии.
Трансформировать подход к алертингу
•проводить аудит существующих алертов и снижать число ложных срабатываний;
•формировать единые принципы приоритизации алертов с учётом критичности сервисов;
•помогать командам настраивать полезные, своевременные и понятные уведомления.
Внедрять SRE-практики и повышать зрелость команд
•участвовать в классификации сервисов по уровням критичности: MC, BC, BO, OP;
•помогать командам определять и внедрять SLO/SLA;
•создавать дашборды для контроля Error Budget;
•разрабатывать и поддерживать runbooks, которые сокращают время восстановления сервисов;
•консультировать продуктовые команды по вопросам стабильности и надёжности.
Автоматизировать процессы
•формировать требования к развитию платформы дежурств и интеллектуальной эскалации;
•внедрять практики безопасных релизов: canary deployment, автоматический откат изменений и другие подходы к снижению рисков.
Мы ожидаем, что ты
•Работаешь в SRE или DevOps от 3 лет.
•Хорошо понимаешь принципы SRE: SLO, SLA, Error Budget, Incident Management и Observability.
•Имеешь практический опыт работы с системами мониторинга и алертинга — например, Prometheus и Grafana.
•Работал с OpenTelemetry или аналогичными инструментами.
•Автоматизируешь процессы на Python, Go, Bash или другом языке.
•Понимаешь принципы работы on-call-ротаций и систем управления инцидентами.
•Умеешь анализировать метрики производительности, находить первопричины сбоев и предлагать устойчивые решения.
•Знаком с CI/CD, Kubernetes и контейнеризацией.
Будет плюсом, если ты
•Внедрял SRE-практики с нуля или участвовал в их масштабировании в растущей компании.
•Проводил воркшопы, обучал или менторил продуктовые команды по вопросам надёжности.
Что предлагаем
•Возможность стать одним из первых участников нового стратегического направления и напрямую влиять на его развитие.
•Масштабные технические задачи: ты будешь работать над стабильностью сервисов, которыми пользуются миллионы людей.
•Реальное влияние на процессы: поможешь снизить уровень хаоса, сделать реагирование на инциденты и релизы более предсказуемыми.
•Пространство для инженерных решений: команда формируется сейчас, поэтому можно участвовать в выборе подходов, стандартов и инструментов.
•ИТ-аккредитацию.
•Удалённую работу по РФ или гибрид в городах, где есть офис (Новосибирск, Москва, Санкт-Петербург).
