零售 / 时尚电商
Zalando：分析故障报告并判断投资优先级
- 企业
- Zalando
- 国家
- 德国
- 实施阶段
- 运营中
- 资料发布
- 日期依据
- 资料发布的时间，可能与启用日期不同。
- 依据核验方式
- 阅读原文正文
业务问题
Zalando一直在故障结束后留下postmortem文档，靠人阅读来学习。认真读完一份需要15到20分钟。即便全神贯注，一个人一小时也就四份左右。与此同时，积累的归档文档已达数千份，仅靠人力很难找出跨团队反复出现的原因。
使用的技术与数据
公司把分析流程拆成四个阶段：摘要、技术分类、逐案分析、整体模式提取。输入是公司内部积累的postmortem归档文档。在分类阶段，会同时提供技术清单，并限制模型只返回在文档中确认有直接关联的技术名称。最初使用部署在LM Studio上的开源模型，现在使用AWS Bedrock上的Claude Sonnet 4。在流程构建期间，输出批次由人工100%复核；系统稳定之后，每批随机抽取10%到20%复核。
成果
公司表示，在使用map-fold结构的时期，就已经能在24小时内完成一整年的分析。最新版本用Claude Sonnet 4处理一份文档约需30秒。分析得出的洞察促成了基础设施代码的自动变更校验，Zalando表示这一措施可以避免后续25%的数据存储故障。反复出现的失败类型包括：缺少自动变更校验、变更管理不一致、缺少渐进发布、低估流量规模、扩容晚于需求。
局限与待解问题
Zalando表示，即便使用Claude Sonnet 4这类最新模型，依赖表面线索导致的错误归因仍约有10%。公司写到，从postmortem中提取GMV或EBIT损失之类数字的准确度尚未达到要求。
来源
- Dead Ends or Data Goldmines? Investment Insights from Two Years of AI-Powered Postmortem Analysisengineering.zalando.com, 查阅
本案例根据公开资料整理，并非 ATF Works 客户的成果。