要点: 可観測性は、チームがより速く正しい判断を下せるときに価値を持ちます。
この記事の用語: SLI：実際のサービス品質を測る指標。SLO：その目標。エラーバジェット：許容できる失敗量。
現場の課題
CPUとメモリが正常でも、一部テナントの決済や公開処理だけが失敗することがあります。優先度のないダッシュボードやアラートを増やすほど、重要な信号は埋もれます。
資源メトリクスは利用者が仕事を完了できたかを示しません。重要な業務フローのSLIとSLOから始め、トレース、ログ、インフラ メトリクスへ下りて原因を探します。
設計と実装
- 利用者が体験する境界で、成功率と遅延のSLIを定義します。
- トレース IDとテナントコンテキストを伝播しつつ、メトリクスのラベルの種類数を制限します。
- 複数の時間枠でエラーバジェット消費率を測り、運用手順書と担当者を付けてアラートします。
実装例
budget = 1 - sloTarget
burnShort = errorRate(5m) / budget
burnLong = errorRate(1h) / budget
if burnShort > 14 and burnLong > 6:
page(owner, runbook, affectedJourney)本番導入の進め方
売上や運用に直結する業務フローを一つ選び、新SLIを旧アラートと並行運用します。実障害対応と数週間比較し、価値を証明した信号だけを置き換えます。
まとめ
良い可観測性は、顧客影響を素早く根拠ある運用判断へ変えます。