3 pillars 그 후 — 4 추가 신호의 *6개월 후* 운영 노트

3 pillars 가 더 이상 충분하지 않은 이유 후 6개월. 4 추가 신호의 운영 평가.

6개월 데이터

신호                     | MTTR 기여 (이전 vs 이후)  | 운영 부담
─────────────────────────┼──────────────────────────┼─────────────
1. Events                | 53 → 31 분 (-22)         | 낮음
2. User journeys         | 31 → 24 분 (-7)          | 중
3. Deploy correlation    | 24 → 17 분 (-7)          | 중간
4. Similarity matching   | 17 → 23 분 (+6) *후퇴*    | 높음

Similarity matching 이 역효과. 이유는 다음 섹션.

4 신호의 진짜 가치 vs 운영 부담

Events — 가장 높은 ROI

이벤트 stream 박는 데 2주. MTTR -22 분. ROI 가장 큼. 모든 조직이 제일 먼저 박아야 할 신호.

User journeys — 좋지만 비싸다

journey 추적에 데이터 수집 + 저장 비용 큼. MTTR -7 분. 여전히 양수 ROI 지만 Events 의 1/3.

Deploy correlation — 의외로 복잡

각 deploy 와 영향 받은 metric / segment 자동 매핑이 예상보다 어려움. 수동 라벨링 으로 보완 필요. MTTR -7 분.

Similarity matching — 후퇴

가장 큰 발견. 과거 인시던트 vector matching 이 false positive 가 너무 많음. 첫 알람과 함께 5개의 비슷한 과거 사례 가 떴는데, 5개 중 1개만 진짜 관련. 나머지 4개를 검토 / 기각 하는 데 시간 추가.

해결 시도 — vector similarity 임계 0.7 → 0.95 로 올림. false positive 줄음. 하지만 진짜 비슷한 케이스 도 놓침. 재현율 -50%.

결론 — similarity matching 은 현재 상태로는 net negative. 별도 명시적 검색 (사람이 trigger) 으로 후퇴.

6개월의 누적 효과

시작 MTTR:   53 분 (3 pillars 만)
종료 MTTR:   23 분 (3 pillars + 3 신호, similarity 제외)

순 개선:     -30 분 (-57%)

원래 4 신호로 23분 예상했지만 similarity 제거 후 23분. similarity 가 net negative 인 발견이 6개월의 가장 큰 학습.

다음 6개월의 시도

similarity matching 의 net positive 패턴 — 우리 가설:

• 수동 trigger 시 만 vector search 활성화
• 2 단계 검색 — 첫 단계 1차 매칭, 두 번째 단계 사람이 어느 게 비슷한지 선택
• 과거 사례를 자동 표시 가 아니라 사람이 검색 하면 보여줌

이 패턴으로 Q3 측정 예정.

3 pillars 위에 4번째 신호를 얹으려는 SRE / 플랫폼 리드라면 이 6개월 MTTR 데이터 (53 → 23 분) 가 출발점. 우리 숫자는 우리 워크로드 한정 이지만, similarity matching 의 false positive 문제는 공통 함정 일 가능성. 도입 전 에 명시적 trigger 모드부터.