Ingenieur für den IT-Betrieb

Arbeitszeit: Die Tätigkeit erfolgt im 24x7-Schichtbetrieb nach dem Follow-the-Sun-Modell mit überlappenden Übergaben. Rotierende Rufbereitschaft am Wochenende ist erforderlich.
Erfahrung: Erforderlich sind mindestens 4 Jahre in SRE, DevOps, Produktionsbetrieb, NOC oder Technical Operations in hochverfügbarer Umgebung sowie Erfahrung in einem Gaming-Unternehmen.
Vergütung: Gehalt nicht angegeben

Die Rolle in Kürze

Die Rolle sichert im Global Technical Operations-Team den zuverlässigen Plattformbetrieb durch Überwachung, Fehleranalyse und Störungsbehebung. Sie arbeitet mit SRE-, Produkt- und Entwicklungsteams zusammen, unterstützt die technische Einsatzleitung und verbessert Kommunikation, Dokumentation und Betriebsabläufe.

Deine Aufgaben

Während der Schicht wird das operative Datadog-Dashboard kontinuierlich überwacht. Signale aus APM, Logs, Metriken, synthetischen Tests und Real User Monitoring werden korreliert, Anomalien untersucht und der Bedarf für Incident-Tickets bewertet.
Produktionsstörungen werden in JIRA Service Management erfasst und anhand von Datadog-Traces, Logs sowie Infrastruktur- und Anwendungsmetriken untersucht. Ausmaß und wahrscheinlicher Ursachenbereich werden bestimmt; die Weiterleitung erfolgt nach dem Routingmodell an Produkt-SRE, Infrastruktur-SRE oder Entwicklung.
Störungen geringerer Schwere werden von der Erkennung bis zur Behebung verantwortet und möglichst anhand von Runbooks ohne Eskalation gelöst. Bei Überschreiten definierter Schwellen oder notwendiger Codekorrektur wird unverzüglich eskaliert.
Bei größeren Störungen wird die technische Einsatzleitung mit Echtzeitdaten zu Fehlerraten, Auswirkungen, Deployments und zusammenhängenden Alarmen unterstützt. Tickets erhalten laufende Zeitleisten und Belege; Gegenmaßnahmen sowie interne Slack-, Stakeholder- und öffentliche Statusmeldungen erfolgen unter ihrer Leitung.
Außerhalb laufender Störungen werden Trends, wiederkehrende Probleme und Produktionsfehler anhand von Datadog-, JIRA- und Slack-Daten für regelmäßige Produkt- und Entwicklungsberichte analysiert. Hinzu kommen regelmäßige Zustandsberichte kritischer Anwendungen, Incident-Zeitleisten, erste PIR-Entwürfe und die Nachverfolgung von Review-Maßnahmen einschließlich Meldung überfälliger Punkte an die Einsatzleitung.
Betriebsautomatisierungen wie Skripte zur Alarmanreicherung, Incident-Vorlagen, Slack-Workflows und Dashboard-Widgets werden entwickelt und gepflegt. Wiederholbare Lösungsverfahren werden für alle Betriebsschichten in Runbooks dokumentiert; dazu entstehen Automatisierungsskripte und Betriebswerkzeuge unter Nutzung von APIs.
Strukturierte Schichtübergaben behandeln aktive Störungen, gefährdete Dienste, bevorstehende Deployments und offene Folgeaufgaben. Der Wissensaustausch mit SREs erweitert die Fähigkeit zur eigenständigen Störungsbehebung.
Bei Urlaub, Abwesenheit oder Notfällen wird die technische Einsatzleitung vertreten. Dazu gehören Schweregradeinstufung, Eskalationsentscheidungen, Stakeholder-Kommunikation und grundlegende Aufgaben der Incident-Leitung.

Das solltest du mitbringen

Erforderlich

Erwartet werden technische Neugier, Detailorientierung, Kommunikationsstärke und Eigeninitiative sowie die Fähigkeit, in einem schnellen, stark kooperativen und sehr dynamischen Umfeld zu arbeiten.
Erfahrung in einem Gaming-Unternehmen ist erforderlich, einschließlich Verständnis für Branchentempo, Spielerwartungen, Live-Betrieb und die betrieblichen Anforderungen der Gaming-Branche.
Erforderlich sind mindestens 4 Jahre Erfahrung in SRE, DevOps, Produktionsbetrieb, NOC oder Technical Operations in einer hochverfügbaren Umgebung.
Erforderlich sind ausgeprägte Fähigkeiten zur systematischen Fehleranalyse: Alarme oder gemeldete Symptome müssen über Anwendungslogs, APM-Traces, Infrastrukturmetriken, Datenbankabfragen und Netzwerkpfade verfolgt werden können.
Praktische Erfahrung mit Datadog oder einer gleichwertigen Observability-Plattform wie Grafana, Splunk, New Relic oder Elastic ist erforderlich. Dazu gehören APM-Navigation, Log-Abfragen, Infrastruktur-Dashboards, die Interpretation von SLO-Burn-Raten und die Konfiguration von Überwachung und Alarmen.
Mindestens eine der Skriptsprachen Python, Go oder Bash muss sicher beherrscht werden.
Erforderlich ist klare schriftliche und mündliche Kommunikation auf Englisch. Incident-Tickets, Untersuchungsnotizen, Slack-Updates, Übergabeberichte, Statusmeldungen und PIR-Entwürfe müssen für technische wie nichttechnische Zielgruppen klar, knapp und nützlich sein.
Erforderlich sind anwendbare Kenntnisse in Kubernetes und Cloud-Infrastruktur; GCP wird bevorzugt, AWS oder Azure sind ebenfalls akzeptabel. Dazu gehören Pods, Deployments, Services, Ingress, Knotenzustand und die Untersuchung produktiver Kubernetes-Probleme.
Erforderlich ist Verständnis von SLOs, Fehlerbudgets und Burn-Rate-Alarmierung, einschließlich mehrerer Zeitfenster, des Verbrauchs von Fehlerbudgets und der Auswirkungen von SLO-Verletzungen auf den Incident-Schweregrad.
Erforderlich ist Erfahrung mit JIRA oder JIRA Service Management, mit PagerDuty oder OpsGenie sowie mit Slack und Confluence.
Erforderlich sind Erfahrung mit oder starkes Interesse an KI-/ML-gestütztem Betrieb, etwa Anomalieerkennung, Alarmkorrelation, vorausschauender Überwachung oder automatisierter Fehlerbehebung.
Vorausgesetzt wird die Bereitschaft zum 24x7-Schichtbetrieb im Follow-the-Sun-Modell mit überlappenden Übergaben. Rotierende Wochenend-Rufbereitschaft ist erforderlich.

Von Vorteil

Kenntnisse des Datadog Service Catalog, synthetischer Überwachung und von Real User Monitoring sind wünschenswert.
Wünschenswert ist Erfahrung bei der Fehlersuche in verteilten Systemen, einschließlich der Verfolgung von Fehlern über Microservices hinweg, des Verständnisses kaskadierender Ausfälle und des vollständigen Lesens verteilter Traces.
Wünschenswert sind Einblicke in den Betrieb von MySQL, PostgreSQL, Redis und Kafka, die zur Untersuchung erschöpfter Verbindungspools, von Replikationsverzögerungen, langsamen Abfragen oder Warteschlangenrückständen während Störungen ausreichen.
Wünschenswert sind Kenntnisse von CI/CD-Pipelines und Deployment-Werkzeugen wie GitLab CI, ArgoCD und Helm, um aktuelle Deployments mit Produktionsproblemen zu verknüpfen und Rollback-Ziele zu bestimmen.
Wünschenswert ist Administrationserfahrung mit JIRA Service Management in den Bereichen Workflows, Automatisierungsregeln, SLA-Timer und Warteschlangen.
Eine ITIL-Foundation-Zertifizierung ist von Vorteil, aber nicht erforderlich; praktische Erfahrung hat größeres Gewicht.

Das wird angeboten

Geboten wird unbegrenzte flexible Freistellung im Rahmen von Flexible Time Off.
Zum Angebot gehören eine Fitnessstudio-Mitgliedschaft und ein monatliches Bahnticket.
Alle Beschäftigten erhalten einen individuellen Karriereplan; Schulungen und Bildungsangebote unterstützen die berufliche Entwicklung.

So läuft die Bewerbung

Mit der Bewerbung wird einer Hintergrundprüfung nach der letzten Interviewphase zugestimmt, soweit diese gesetzlich zulässig ist. Die Prüfungen unterliegen den örtlichen Vorschriften; Informationen werden vertraulich behandelt.
Personenbezogene Daten aus dem Bewerbungsverfahren werden weder verkauft noch extern weitergegeben und gemäß den geltenden Datenschutzgesetzen geschützt.

Veröffentlicht: Datum unbekannt · Quelle geprüft: 18.10.2026.

Die Angaben sind für RemoteFruit einheitlich aufbereitet. Maßgeblich bleibt die Originalanzeige. RemoteFruit steht in keiner Partnerschaft mit dem ausschreibenden Unternehmen.