Postmortem

Was es ist

Ein Postmortem ist der schriftliche Bericht, den ein Team nach einem
Störfall erstellt: was geschah, welche Folgen und Kosten der
Störfall hatte, was unternommen wurde, um ihn zu beenden, warum er
auftrat und was sich ändern wird, damit er sich nicht auf dieselbe
Weise wiederholt. Das Wort wird auch mit Bindestrich als Post-Mortem
geschrieben; die Bedeutung bleibt gleich. Googles Buch Site
Reliability Engineering definiert es in diesem Sinne als Bericht,
der den Störfall und seine Folgen mit der Reaktion, den Ursachen und
der Arbeit zur Verhinderung einer Wiederholung verbindet.

Das Buch nennt drei Ziele: den Störfall dokumentieren, alle
beitragenden Grundursachen verstehen statt nur die erste gefundene
und tatsächlich wirksame vorbeugende Maßnahmen umsetzen. Der Plural
ist entscheidend. Störfälle in Systemen jeder Größe haben selten nur
eine Ursache. Ein Postmortem, das bei der ersten plausiblen
Erklärung aufhört, neigt dazu, nur den Auslöser zu beseitigen und
die Bedingungen bestehen zu lassen, unter denen er Schaden anrichten
konnte.

Was diese Praxis von einem gewöhnlichen Bericht unterscheidet, ist
der Verzicht auf Schuldzuweisungen. Ein solches Postmortem sucht
nach beitragenden Ursachen, ohne einer Person oder einem Team
Fehlverhalten vorzuwerfen. Es geht davon aus, dass die Beteiligten
in guter Absicht handelten und anhand der damals verfügbaren
Informationen entschieden. Das SRE-Buch führt die Idee auf
Gesundheitswesen und Luftfahrt zurück: zwei Bereiche, in denen ein
Fehler tödlich sein kann und jeder Fehler als Gelegenheit gilt, das
System widerstandsfähiger zu machen. Die Begründung ist praktisch,
nicht bloß freundlich: Einen Menschen kann man nicht patchen, ein
System oder einen Prozess schon.

Nicht jede kleine Störung erhält ein Postmortem, denn das kostet
Zeit. Das Buch nennt die üblichen Anlässe; Teams passen die
Schwellen an ihre Situation an:

  * für Nutzer sichtbare Ausfälle oder Beeinträchtigungen über ein
vereinbartes Maß hinaus;

  * Datenverlust jeder Art;

  * notwendiges Eingreifen der Bereitschaft, etwa durch Rollback
einer Version oder Umleitung von Verkehr;

  * eine Behebungszeit über einer vereinbarten Grenze;

  * ein Versagen des Monitorings, meist also ein Problem, das zuerst
ein Mensch bemerkt hat.

Diese Kriterien werden vereinbart, bevor etwas ausfällt. So muss
während eines Ausfalls niemand darüber streiten, ob dieser Fall
zählt. Auch bei Ereignissen außerhalb der Kriterien kann jede
beteiligte oder betroffene Partei um ein Postmortem bitten.

Warum es wichtig ist

Ein behobener, aber nicht dokumentierter Störfall wird sich
wahrscheinlich wiederholen. Das SRE Workbook analysiert ein
Postmortem, das erst vier Monate nach dem beschriebenen Störfall
veröffentlicht wurde. Inzwischen war derselbe Störfall erneut
aufgetreten, und das Team musste rekonstruieren, was es beim ersten
Mal gelernt hatte. Ein zeitnah verfasster, auffindbar abgelegter
Bericht macht aus dem schlechten Nachmittag eines Teams Wissen für
die gesamte Organisation.

Der Bericht erzwingt auch, dass es Folgemaßnahmen gibt. Ben Treynor
Sloss formuliert es im Workbook unmissverständlich: Nutzer haben von
einem Postmortem nichts, wenn das Team nicht nach seinen
Erkenntnissen handelt. Google verlangt deshalb für jedes Postmortem
nach einem Ausfall mit Auswirkungen auf Nutzer mindestens ein
nachverfolgbares Ticket in einer der beiden höchsten Prioritäten.
Das Postmortem begründet diese Arbeit anhand von Belegen und macht
es möglich, später ihren Fortschritt zu prüfen.

Der Verzicht auf Schuldzuweisungen macht die Belege
vertrauenswürdig. Wo Menschen wegen Fehlern beschämt werden, so das
SRE-Buch, bringen sie Probleme nicht mehr ans Licht. Das Workbook
ergänzt, dass sie womöglich gerade die Fakten verbergen, die eine
Wiederholung verhindern könnten. Eine Kultur ohne Schuldzuweisung
erhält den vollständigen Ablauf, einschließlich des versehentlich
ausgeführten Befehls, weil niemand für seine Schilderung bestraft
wird. Das Buch geht weiter: Ein Team oder eine Person mit vielen
Postmortems sollte nicht als Problem gelten. Die Alternative wären
Störfälle, über die niemand schreibt.

Zusammen bilden Postmortems einen Datenbestand. Sobald sie dieselben
Metadaten tragen, kann eine Organisation Trends wie Erkennungszeit,
Behebungszeit und Reichweite eines Störfalls verfolgen und sehen, ob
sich Zuverlässigkeitsarbeit auszahlt. Dieselben Berichte dienen der
Schulung: Google spielt alte Postmortems als Rollenspiele für neue
Ingenieure nach und organisiert Lesegruppen sowie einen Newsletter
mit einem Postmortem des Monats.

Wie es in der Praxis aussieht

Das SRE-Buch veröffentlicht in Anhang D ein vollständiges Beispiel
für einen erfundenen Suchdienst, der unter einem plötzlichen
Verkehrsanstieg 66 Minuten ausfiel. Seine Abschnitte sind eine gute
Ausgangsbasis: Status, Zusammenfassung, Auswirkungen, Grundursachen,
Auslöser, Behebung, Erkennung, Maßnahmen, Erkenntnisse (was gut
lief, was schiefging und wo das Team Glück hatte) sowie ein
zeitlicher Ablauf in UTC. Dieser unterscheidet vier Zeitpunkte:
Beginn des Ausfalls, Ausrufung des Störfalls, Ende des Ausfalls und
formeller Abschluss des Störfalls. Es sind unterschiedliche Momente;
gerade die Abstände dazwischen enthalten meist die Lehren.

Hier folgt ein Postmortem in dieser Form für einen erfundenen
Störfall, auf das gekürzt, was auf einen Bildschirm passt:

```text
Postmortem: Checkout-Fehler nach einer Zeitlimitänderung
Status:      endgültig, geprüft
Verantwortlich: Bereitschaftsingenieur, gemeinsam mit dem Einsatzleiter
Kurzfassung: Etwa ein Drittel der Checkout-Anfragen scheiterte 31 min lang
Auswirkung:  Etwa 4.100 fehlgeschlagene Checkouts, keine Daten verloren;
             das Checkout-Fehlerbudget für 28 Tage an einem Abend verbraucht
Ursachen:    Zahlungszeitlimit von 10 s auf 1 s gesenkt; die Änderung galt
             bei der Prüfung als "nur Konfiguration"; vor der Freigabe
             wurde sie nicht unter Spitzenlast erprobt
Auslöser:    Die Abendspitze erhöhte die Antwortzeit des Zahlungsanbieters
             auf über 1 s
Erkennung:   Fehlerratenalarm alarmierte die Bereitschaft 6 min nach dem
             ersten Fehler
Behebung:    Änderung zurückgerollt; Fehler endeten 4 min später

Maßnahmen
  Typ         Priorität  Verantwortlich       Erledigt, wenn
  vorbeugen   P1         Plattformleitung     bei Konfigurationsänderungen
                                               der Lasttest ausgeführt wird
  erkennen    P1         Bereitschaftsleitung Alarm bei überschrittenem
                                               Zahlungszeitlimit auslöst
  abmildern   P2         Checkout-Leitung      Konfiguration in einem Schritt
                                               zurückgerollt werden kann
  Prozess     P2         Einsatzleitung       Konfigurationsänderungen im
                                               Bereitstellungsprotokoll stehen

Erkenntnisse
  Gut:       Rollback funktionierte beim ersten Versuch
  Schlecht:  Zeitlimitänderung wurde nicht wie eine Codeänderung behandelt
  Glück:     Spitze war kurz; ein Verkaufstag hätte sie verdreifacht

Zeitlicher Ablauf (UTC)
  18:02  Änderung zusammengeführt und bereitgestellt
  18:40  Lastspitze; erste Checkout-Fehler                  Ausfall beginnt
  18:46  Fehlerratenalarm alarmiert die Bereitschaft
  18:52  Störfall ausgerufen, Einsatzleiter benannt             Störfall beginnt
  19:07  Zeitlimitänderung erkannt, Rollback gestartet
  19:11  Fehler enden                                       Ausfall endet
  19:41  dreißig Minuten normale Fehlerrate                  Störfall endet
```

Beachten Sie, was fehlt: keine Namen bei den Ursachen und keine
Maßnahme, die jemanden zu mehr Vorsicht auffordert. Jede Maßnahme
hat genau eine verantwortliche Person, eine Priorität und einen
Endzustand, den jemand anderes prüfen kann. Auch muss der größte
Teil des Rohmaterials nicht aus dem Gedächtnis entstehen. Das
Kapitel des SRE-Buchs zum Umgang mit Störfällen lässt den
Einsatzleiter während des Störfalls ein laufend aktualisiertes
Dokument führen und sieht vor, es für das Postmortem aufzubewahren.
Das Workbook beschreibt Werkzeuge, die Rollen, zeitlichen Ablauf und
betroffene Dienste automatisch eintragen.

Auf dieser Website besitzt der Bericht zum macOS-Störfall mit
Ereignispuffern vom September 2026 viele Bestandteile eines
Postmortems. Er unterscheidet Diagnoseberichte über 111 GB
komprimierte Speicherseiten auf einem Rechner mit 36 GB von einer
separaten Messprobe des Speicherbedarfs mit einem Wachstum von etwa
41 MB pro Sekunde. Er benennt einen unbegrenzten Hauptereignisstrom
und Protokollereignisse, die an Abonnenten kopiert wurden, obwohl
diese sie nicht nutzten. Der Bericht beschreibt anschließend, wie
Puffer begrenzt, Abonnements nach Ereignistyp gefiltert und die
Protokollierung mit einem Ratenbudget versehen wurden. Der Vergleich
vollständiger Testläufe dokumentiert einen Rückgang der
Protokollzeilen des Anwendungskerns von 610.996 auf 1.411.
Architekturprüfungen und Budgettests sichern den Entwurf ab.
Zugleich benennt der Bericht, was die Belege nicht nachweisen: einen
gemessenen Speicherwert nach der Korrektur oder einen
Produktionsbenchmark. Separate Zeitüberschreitungen beim
Herunterfahren brauchten eine eigene Korrektur; das Budget erlaubt
bewusst, wiederholte Diagnoseereignisse zu verwerfen. Der Bericht
über drei Schlösser an der Tür, von denen keines abgeschlossen war
beschreibt eine Prüfung statt eines Ausfalls. Er endet aber dort, wo
ein gutes Postmortem enden sollte: Die drei Korrekturen waren klein.
Aus der Arbeit entstanden zwei Regeln, die nun für das Repository
gelten, sodass die gesamte Fehlerklasse statt nur ihrer drei
Einzelfälle erkannt wird.

Wo es schiefgeht

Das Dokument nennt einen Schuldigen. Ein Postmortem, das eine Person
als allein verantwortlich bezeichnet oder ihre „fahrlässige
Unwissenheit“ beschreibt, bringt allen anderen bei, beim nächsten
Mal zu schweigen. Schreiben Sie darüber, was geschah und was die
Person damals wusste, statt über ihren Charakter, und bleiben Sie
sachlich. Das Workbook nennt dramatische Formulierungen und
Ausrufezeichen als Ablenkung von den Fakten.

Die Maßnahmen verlangen mehr Anstrengung von Menschen. „Vorsichtiger
sein“ und „das Betriebshandbuch verbessern“ lassen sich nicht als
erledigt abschließen. Verhalten zu ändern ist weniger zuverlässig,
als das System zu ändern. Geben Sie jeder Maßnahme einen Typ
(vorbeugen, abmildern, erkennen), genau eine verantwortliche Person,
eine Priorität und einen prüfbaren Endzustand, etwa einen Alarm
oberhalb einer benannten Schwelle. Legen Sie dafür jeweils ein
Ticket in dem System an, das das Team ohnehin im Blick behält.

Die Suche nach Grundursachen endet beim Auslöser. „Eine
Konfigurationsänderung verursachte den Ausfall“ benennt den
Auslöser. Die Grundursachen erklären, warum die Änderung so viel
Schaden anrichten konnte: warum die Prüfung sie übersah, warum kein
Test sie abfing und warum der Alarm spät kam. Halten Sie die beiden
Überschriften getrennt, wie es das Beispiel des SRE-Buchs tut.

Zu den Auswirkungen gibt es nur ein Achselzucken. Steht im Dokument
nur die Dauer als Zahl, kann niemand erkennen, ob die Korrektur
wirkte. Schätzen Sie betroffene Nutzer, verlorene Anfragen und
verbrauchtes Fehlerbudget. Der Rat des Workbooks lautet: Eine
sachkundige Schätzung ist besser als gar keine Daten.

Vier Menschen sind verantwortlich, also niemand. Das Postmortem
braucht genau eine verantwortliche Person als zentrale Anlaufstelle
für das Schreiben und für die Umsetzung der Folgemaßnahmen; andere
helfen dabei. Dasselbe gilt für jede einzelne Maßnahme.

Es wird spät geschrieben oder von niemandem gelesen. Erinnerungen
verblassen innerhalb von Tagen. Ein erst Monate später verteilter
Bericht kommt nach der nächsten Wiederholung an. Das gute Beispiel
im Workbook wurde innerhalb einer Woche nach Abschluss des Störfalls
einem breiten Publikum zugänglich gemacht. Lassen Sie den Bericht
auch prüfen: Ein ungeprüftes Postmortem hätte ebenso gut nie
existieren können, wie es das SRE-Buch formuliert. Halten Sie
regelmäßige Besprechungen zur Durchsicht ab und bewahren Sie das
Ergebnis danach in einem durchsuchbaren Archiv auf.

Die Maßnahmen werden nie abgeschlossen. Kehrt derselbe Störfall
immer wieder, prüfen Sie, ob die Maßnahmen zu lange dauern und ob
Funktionsentwicklung die Zuverlässigkeitskorrekturen ständig
verdrängt. Verfolgen Sie den Abschluss, nicht die Zahl verfasster
Berichte: Google hält zweimal jährlich FixIt-Wochen ab und belohnt
die Ingenieure, die die meisten Postmortem-Maßnahmen abschließen.

Weiterführende Lektüre

  * Postmortem-Kultur: Aus Fehlern lernen — Kapitel 15 von Googles
Buch Site Reliability Engineering: Anlässe, Verzicht auf
Schuldzuweisungen, Prüfung und die zugehörige Kultur.

  * Postmortem-Kultur: Aus Fehlern lernen — das Kapitel des SRE
Workbooks mit einem schlechten und einem guten Postmortem zum selben
Störfall und den Gründen für die jeweilige Bewertung.

  * Beispiel eines Postmortems — ein vollständiges Postmortem für
einen erfundenen Ausfall mit Maßnahmen, Erkenntnissen und zeitlichem
Ablauf.

  * Umgang mit Störfällen — Kapitel 14 des SRE-Buchs: Einsatzleiter,
laufendes Störfalldokument und Übergaben, auf die das spätere
Postmortem zurückgreift.

hDiese Seite im Web	URL:https://engineer.company/de/glossary/postmortem/	engineer.company	70
