Описание

2ГИС — технологическая компания и часть экосистемы Сбера. Сервисами компании ежедневно пользуются миллионы людей. Компания активно растёт, а ИТ-ландшафт становится всё более масштабным и сложным. Поэтому создается выделенная SRE-команда — центр экспертизы по надёжности сервисов, которая 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.

Обязанности

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

Требования

Работаете в SRE или DevOps от 3 лет
Хорошо понимаете принципы SRE: SLO, SLA, Error Budget, Incident Management и Observability
Имеете практический опыт работы с системами мониторинга и алертинга — например, Prometheus и Grafana
Работали с OpenTelemetry или аналогичными инструментами
Автоматизируете процессы на Python, Go, Bash или другом языке
Понимаете принципы работы on-call-ротаций и систем управления инцидентами
Умеете анализировать метрики производительности, находить первопричины сбоев и предлагать устойчивые решения
Знакомы с CI/CD, Kubernetes и контейнеризацией

Будет плюсом

Внедряли SRE-практики с нуля или участвовали в их масштабировании в растущей компании
Проводили воркшопы, обучали или менторили продуктовые команды по вопросам надёжности

Условия

Возможность стать одним из первых участников нового стратегического направления и напрямую влиять на его развитие
Масштабные технические задачи: вы будете работать над стабильностью сервисов, которыми пользуются миллионы людей
Реальное влияние на процессы: поможете 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-аккредитация
Удаленная работа по РФ или гибрид в городах, где есть офис (Новосибирск, Москва, Санкт-Петербург)

Процесс отбора

Откликнуться у компании: Откликнуться у компании