Problema → causa raiz → solução → métrica.

Endpoint principal travando em horário comercial. Suporte recebia 30+ tickets/dia. Time de eng havia tentado adicionar índices, sem sucesso.

Transação SQL longa fazendo SELECT FOR UPDATE em uma tabela orders sem índice composto adequado. Em pico, 200+ conexões ficavam bloqueadas em fila de lock. Pool do PgBouncer estourava e cascateava 502.

Reescrita da transação para usar UPDATE ... RETURNING com lock otimista. Índice composto (status, created_at, customer_id). Particionamento mensal de orders. Adição de circuit breaker no client.

Pipeline de CDR (Call Detail Record) descartando mensagens silenciosamente. Faturamento divergia. Nenhum alerta.

Worker fazia BRPOP sem ACK transacional. Em restart durante deploy, mensagem em processamento era perdida. Sem dead-letter, sem retry, sem idempotência.

Migração para Redis Streams com consumer groups + XACK explícito. Idempotência por message_id em PostgreSQL. DLQ com replay manual. Tracing OpenTelemetry com trace_id propagado.

Custo AWS dobrou em 6 meses sem aumento proporcional de receita. CFO pediu corte. Time não sabia onde começar.

ECS oversized (4x do necessário em off-peak). RDS com instância para pico permanente. S3 sem lifecycle (logs de 4 anos). NAT Gateway processando tráfego que poderia ser VPC endpoint. CloudFront mal configurado (cache hit 38%).

Right-sizing com auto-scaling agressivo. RDS com Aurora Serverless v2 nas dev/staging. Lifecycle S3 → Glacier. VPC Endpoints para S3/DynamoDB. Tuning de cache CloudFront (hit ratio 91%). Reserved Instances para baseline.