在生产中出现问题时，应进行结构化分析，重现并隔离问题，分析缺陷生命周期，审查时间线和工具覆盖。应关注过程中的缺口，创造透明无责的环境以促进改进。错误不可避免，改进是选择。

文章强调在分析故障时，关注过程改进而不是指责个人，通过本地测试、代码审查、部署流水线自动化和预生产警报等方式防止错误进入生产系统。恢复时间对保护客户信任至关重要，部署的更改效果应在几小时内还原。在管理压力、人力资源有限和保护系统健康的安全运动之间实现平衡。CrowdStrike故障提醒我们要始终审查和维护高标准的流程。文章提供了预防、减小影响范围和快速检测与恢复的三个步骤。