Objetivo del Puesto
Garantizar la detección temprana de incidentes mediante el monitoreo continuo de la infraestructura híbrida (AWS y On-Premise), ejecutar correctamente los procesos de triaje y escalamiento conforme a los procedimientos establecidos (SOP/MOP), mantener la disponibilidad de los servicios críticos dentro de los umbrales SLO/SLA definidos, asegurar el registro preciso de eventos e incidentes en las herramientas de gestión correspondientes, contribuir a la mejora continua mediante la identificación de patrones de incidentes recurrentes y apoyar el cumplimiento de los controles regulatorios (CNBV, Banxico y SPEI) mediante la documentación de evidencias operativas.
Misión del Puesto
Monitorear de forma continua (24/7) la disponibilidad, rendimiento y estado de los sistemas, redes y plataformas tecnológicas de la organización, actuando como primera línea de detección ante incidentes. El Ingeniero NOC N-1 es responsable de identificar, registrar y escalar anomalías de manera oportuna, aplicando procedimientos operativos estándar (SOP) para minimizar el impacto sobre los servicios financieros críticos, en apego a los SLO/SLA y controles regulatorios aplicables.
Responsabilidades
1. Monitoreo de infraestructura
- Monitorear dashboards, alertas y métricas de disponibilidad, rendimiento y seguridad en tiempo real.
- Revisar métricas de CPU, memoria, almacenamiento y red de servidores físicos, virtuales y contenedores (Kubernetes/Fargate).
- Supervisar el estado de los servicios AWS (EC2, RDS, EKS, Lambda, API Gateway, S3 y Load Balancers).
- Monitorear el estado, conexiones, sesiones y rendimiento de bases de datos PostgreSQL y MySQL (On-Premise y Amazon RDS).
- Monitorear la disponibilidad y latencia de integraciones con instituciones financieras externas (ej. SPEI).
- Verificar el estado de certificados SSL/TLS, DNS y conectividad de red.
- Revisar logs y eventos de sistemas, servidores, bases de datos, balanceadores y conectividad de red.
2. Gestión de incidentes de nivel 1
- Recibir, clasificar y documentar incidentes y eventos en el sistema de gestión de tickets (ITSM).
- Atender alertas generadas por las plataformas de monitoreo, principalmente Dynatrace (problemas detectados por Davis AI, dashboards y alertas), así como Datadog, Prometheus, Grafana y CloudWatch.
- Aplicar el procedimiento de triaje: categorizar severidad, impacto y urgencia del incidente.
- Ejecutar procedimientos de primer nivel definidos en los SOP para la contención inicial de incidentes.
- Ejecutar los pasos de resolución de primer nivel contenidos en los runbooks/SOP disponibles.
- Escalar incidentes al nivel N2, SRE o áreas especializadas conforme a la matriz de escalamiento.
- Escalar de forma precisa y documentada al nivel correspondiente cuando el incidente supere la capacidad de N-1.
- Notificar a los stakeholders relevantes sobre afectaciones a servicios según los protocolos de comunicación establecidos.
3. Respaldos y continuidad operativa
- Verificar la ejecución y resultado de respaldos automatizados (backups/snapshots).
4. Documentación y reportes
- Registrar detalladamente cada incidente: síntomas, acciones tomadas, estado y tiempo de resolución.
- Apoyar en la generación de reportes de disponibilidad y eventos del turno.
- Elaborar el reporte de turno con resumen de eventos, incidentes y acciones relevantes.
- Mantener actualizada la bitácora de operaciones y las evidencias requeridas para auditorías.
- Generar evidencia documental de controles operativos para auditorías regulatorias.
KPIs del Puesto
- Disponibilidad de servicios críticos (% uptime): meta igual o superior a 99.9% mensual.
- MTTD – Mean Time to Detect (detección de incidente): meta menor a 5 minutos posteriores a la alerta.
- MTTE – Mean Time to Escalate (escalamiento correcto): meta menor a 15 minutos.
- Porcentaje de tickets con documentación completa: meta igual o superior a 95%.
- Porcentaje de alertas atendidas en tiempo (dentro del SLA): meta igual o superior a 98% por turno.
- Tasa de escalamientos incorrectos o tardíos: meta inferior a 5% mensual.
- Verificación exitosa de backups automatizados: meta de 100% diario.
- Cumplimiento de procedimientos SOP documentados: meta de 100% en auditorías.