Руководитель направления автоматизации и повышения надежности

ОБЯЗАННОСТИ
Аудит информационных систем клиентов, размещённых на платформе Evolution Stack: анализ архитектуры, схемы деплоя, эксплуатационных практик; Многоуровневая оценка текущего уровня SLA (приложение, инфраструктура, сеть, процессы) и выявление пробелов в надёжности; Разработка плана повышения SLA до целевого уровня — включая задачи по изменению архитектуры ИС и задачи по изменению деплоя, инфраструктуры и мониторинга (DevOps-трек); Определение SLO/SLI для критичных сервисов клиента; Проектирование и внедрение дашбордов мониторинга доступности ИС и раннего оповещения о возможных сбоях; Презентация и защита плана повышения надёжности перед руководством клиента, согласование скоупа, сроков и ресурсов; Реализация плана совместно с командой клиента и инженерами (архитекторами, инженерами внедрения, DevOps-инженерами); Участие в разборе крупных инцидентов, контроль выполнения корректирующих мер; Формирование, развитие и операционное управление командой SRE-инженеров: найм, менторство, распределение нагрузки, развитие экспертизы; Разработка и стандартизация методологии аудита и повышения надёжности (чек-листы, playbook'и, шаблоны Production Readiness Review) для тиражирования; Участие в presales-активностях: оценка технической реализуемости SLA-обязательств и рисков на этапе продажи; Взаимодействие с продуктовыми и инженерными командами Evolution Stack по вопросам платформенной надёжности, влияющей на SLA клиентов; Регулярная отчётность перед руководством по портфелю SLA-контрактов, статусу проектов повышения надёжности и рискам.

ТРЕБОВАНИЯ
Опыт работы в SRE / DevOps / эксплуатации высоконагруженных систем от 5 лет, из них от 2 лет — на позиции тимлида или руководителя команды; Опыт управления командой (в среднем от 3 человек); Практический опыт определения и внедрения SLA/SLO/SLI и многоуровневого анализа доступности; Опыт построения и эксплуатации observability-стека: Prometheus/Grafana/Zabbix/VictoriaMetrics, ELK/OpenSearch, системы алертинга (Alertmanager, PagerDuty/Opsgenie); Опыт incident management: разбор инцидентов, постмортемы, root-cause analysis, контроль выполнения corrective actions; Понимание и опыт применения паттернов отказоустойчивой архитектуры: multi-AZ/failover, балансировка нагрузки, circuit breaker, disaster recovery (RTO/RPO); Опыт работы с Kubernetes, Terraform/Ansible, CI/CD (GitLab CI/Jenkins/TeamCity), понимание принципов GitOps; Уверенное владение Linux (администрирование, диагностика); Знание хотя бы одного языка программирования продакшн-уровня (Go/Python/Java) — для автоматизации и написания инструментов; Опыт работы с распределёнными системами и микросервисной архитектурой; Развитые навыки коммуникации с заказчиком: презентация и защита технических планов перед руководством клиента, ведение переговоров, управление ожиданиями; Опыт работы с крупными коммерческими и государственными заказчиками, знание требований к отказоустойчивости в регулируемых отраслях.

Будет плюсом:
Опыт эксплуатации private/hybrid cloud платформ (VMware vSphere, OpenStack, Azure Stack и аналогичные решения) — опыт с продуктами класса Evolution Stack, Huawei Cloud Stack, VK Private Cloud будет преимуществом; Опыт chaos engineering и проведения resilience-учений (game days); Знание практик ITIL (Capacity Management, Availability Management, Business Continuity Management); Опыт работы в Professional Services / консалтинге, участие в pre-sales, коммерческая ответственность за scope и сроки платных аудитов; Опыт разработки методологии и playbook'ов для тиражирования практик надёжности внутри организации.

УСЛОВИЯ
Комфортная среда Оформление в соответствии с трудовым законодательством РФ; Достойный уровень дохода: оклад + годовой бонус.