Sobald ein Produktionssystem live ist, braucht es jemanden, der die Verantwortung dafür übernimmt, auch um zwei Uhr morgens an einem Feiertag. Alarme müssen priorisiert werden, bevor sie deine Kunden erreichen, und die Ursache eines Fehlers muss dauerhaft behoben werden. Die meisten Entwicklungsteams sind darauf nicht ausgerichtet: Ihr Fokus liegt auf der Auslieferung neuer Features, der laufende Betrieb bestehender Systeme bleibt dabei meist Nebensache.

Erweiterung deines bestehenden Teams

Wir schließen diese Lücke mit Managed Operations: Entwickler in Deutschland und Vietnam sichern den Betrieb im Follow-the-Sun-Modell gegenseitig ab und übernehmen damit deinen Bereitschaftsdienst komplett. Unsere Entwickler nehmen an deinen Standups teil und arbeiten mit deinen eigenen Tools, so als gehörten sie von Anfang an zum Team. Mehr als 20 Entwickler sind bei Shopmacher etwa seit acht Jahren fest in die Projektteams eingebunden, unter anderem am Fanshop-Backend von Borussia Dortmund.

Unsere Leistungen

Das Modell folgt einem SRE-Ansatz: Denken in klaren Zuverlässigkeitszielen und strukturiertes Incident-Management bilden die Basis, dazu kommt proaktive Zuverlässigkeitsarbeit in ruhigeren Phasen. Sechs Leistungen bilden das Fundament dafür.

Follow-the-Sun-Abdeckung

Entwicklungs-Hubs in Deutschland und Vietnam legen sich über die europäischen und die asiatisch-pazifischen Geschäftszeiten und überlappen sich dabei bewusst. Entwickler, die das jeweilige System kennen, sitzen am Bereitschaftsdienst, kein austauschbarer Helpdesk.

SLO-Design und -Management

Wir legen gemeinsam mit deinem Team fest, was Zuverlässigkeit für den jeweiligen Dienst bedeutet, und koppeln die Service Level Objectives an die reale Nutzererfahrung. Ein Error-Budget-Framework baut darauf auf, und die Alarmierung richtet sich konsequent an der SLO-Burn-Rate aus.

Incident Response und Postmortems

Ein Vorfall durchläuft einen festen Ablauf: Triage, Eindämmung, Minderung, Wiederherstellung. Eine schuldfreie Post-Mortem-Analyse mit schriftlichem Bericht folgt danach, deren Maßnahmen wir bis zur vollständigen Umsetzung verfolgen. So sinkt mit jedem abgeschlossenen Postmortem die Zahl wiederkehrender Fehler im System.

Proaktives Zuverlässigkeits-Engineering

Die Arbeit läuft auch außerhalb akuter Vorfälle weiter: Kapazitätsplanung, die Härtung von Abhängigkeiten, die Automatisierung wiederkehrender Betriebsabläufe und Chaos-Testing auf unkritischen Pfaden. Wir reservieren für diese Arbeit in jedem Sprint einen festen Anteil der Projektstunden.

Observability- und Monitoring-Einrichtung

Wir entwickeln den Monitoring-Stack aus Metriken, Logs, Distributed Tracing, Dashboards und Alarm-Routing und pflegen ihn danach weiter. Die Werkzeuge stammen je nach Umgebung meist aus dem Ökosystem von Prometheus, Grafana, OpenTelemetry und PagerDuty; wir passen sie aber an deine bestehenden Systeme an.

Entwicklung von On-Call-Runbooks

Jedes betriebene System bekommt eine Dokumentation mit Standard-Fehlerbildern, Eskalationspfaden, Rollback-Prozeduren und Kontaktbäumen. Neue Entwickler arbeiten dadurch schon innerhalb weniger Tage produktiv, und wir aktualisieren nach jedem Vorfall die Runbooks.

Vier Kundenbeispiele in Zahlen

Vier Beispiele aus laufenden und abgeschlossenen Einsätzen zeigen, was das in Zahlen bedeutet:

• DataFlow Group (globale Plattform für Qualifikationsprüfung): Mit automatisierter Skalierung und Bereitstellung nach dem Infrastructure-as-Code-Prinzip haben wir Bereitstellungen fünfmal schneller gemacht, den manuellen Aufwand um 30 Prozent gesenkt und die Plattform auf einen Automatisierungsgrad von 99 Prozent gebracht.
• commercetools (E-Commerce-Cloud-Plattform, 1,9 Mrd. US-Dollar Bewertung, über 75 Mrd. US-Dollar jährliches Bruttowarenvolumen, 500 Millionen Bestellungen pro Jahr): Wir übernehmen im Drei-Team-Follow-the-Sun-Modell den vietnamesischen Teil mit voller Tagesverantwortung - ein vollwertiges Drittel der Lösung, mit eigenem Entscheidungsspielraum.
• Europäische Kundencommunity-Plattform (SaaS für Handels- und Konsumgütermarken): Nach Modernisierung der Toolchain und Einrichtung von Echtzeit-Monitoring sanken die Infrastruktur- und Betriebskosten um 75 bis 80 Prozent. Was früher zwei Wochen an Bereitstellungszeit brauchte, lief danach teilweise in sechs Stunden durch - mit einem Einsatzteam, das von fünf Spezialisten auf einen einzigen fortlaufend tätigen Entwickler geschrumpft ist.
• Shopmacher (E-Commerce-Agentur mit Kunden wie Borussia Dortmund, Bergfreunde oder der Gamescom): Über 20 eingebundene Entwickler sichern per Follow-the-Sun-Abdeckung und Grafana-Echtzeit-Dashboards den Betrieb gemeinsam ab, jede Schicht in ihrem eigenen Tagesrhythmus.

Technologie-Stack

Wir setzen für Monitoring und Observability auf Prometheus, Grafana, OpenTelemetry und Jaeger, für Alarmierung und Bereitschaftsdienst primär auf PagerDuty, ergänzt um Alternativen wie OpsGenie oder VictorOps. Logging läuft über Loki, den ELK-Stack oder CloudWatch, das Incident Management über einen strukturierten Postmortem-Prozess mit Confluence oder Notion zur Dokumentation. Wir bedienen als Infrastruktur cloud-native Umgebungen auf AWS, GCP, Azure und vergleichbaren Cloud-Umgebungen ebenso wie Kubernetes-native Umgebungen.

Dein Produktionssystem braucht vor allem jemanden, der die Ursache kennt, bevor sie zum zweiten Mal zuschlägt, selbst mitten in der Nacht. Lass uns über SLOs und Bereitschaftsdienst sprechen, und darüber, wie sich der nächste Vorfall von vornherein vermeiden lässt.