Situation (15s) : "En tant qu'Ingénieur Senior chez l'Entreprise X, notre architecture de microservices avait 47% d'appels API échouant pendant le trafic de pointe (17h-19h PST), affectant 2,3M d'utilisateurs actifs quotidiens."

Tâche (15s) : "On m'a confié la réduction du taux d'échec API en dessous de 5% en 3 semaines, sans coûts d'infrastructure supplémentaires, tout en encadrant 2 ingénieurs juniors sur la solution."

Action (60s) : "D'abord, j'ai analysé 14 jours de logs CloudWatch et identifié que 83% des échecs provenaient d'un seul service de profil utilisateur avec des requêtes de base de données inefficaces (problème N+1). J'ai proposé d'implémenter du cache Redis avec une stratégie à 2 niveaux : cache L1 (données chaudes, 5min TTL) et cache L2 (données tièdes, 30min TTL). J'ai créé un plan d'implémentation détaillé avec 3 phases : (1) Ajouter la surveillance avec DataDog APM pour suivre les taux de succès du cache, (2) Implémenter la couche de cache avec des mécanismes de repli, (3) Déploiement progressif utilisant des feature flags. J'ai encadré les ingénieurs juniors en leur faisant implémenter la couche de cache L2 pendant que je gérais la couche critique L1. Nous avons effectué des revues de code quotidiennes et je leur ai appris comment utiliser le pipelining Redis pour réduire les allers-retours réseau de 73%. J'ai également créé une documentation complète incluant des diagrammes d'architecture, des runbooks pour les scénarios d'invalidation de cache et des playbooks d'astreinte pour l'équipe."

Résultat (30s) : "En 2 semaines, le taux d'échec API est passé de 47% à 1,2%, dépassant l'objectif de 5%. La latence P95 s'est améliorée de 2 300ms à 340ms. Cela a directement augmenté l'engagement utilisateur de 23% et évité une perte de revenus annuels estimée à 1,8M$. Les ingénieurs juniors ont déployé avec succès leur première fonctionnalité en production, et l'architecture de cache est maintenant utilisée dans 12 autres services. J'ai présenté cette étude de cas lors de notre sommet d'ingénierie à l'échelle de l'entreprise (200+ participants)."

Note de l'Intervieweur : 10/10

• ✅ Métriques spécifiques (47% → 1,2%, 2,3M utilisateurs, 1,8M$ d'impact)
• ✅ Leadership démontré (encadrement, documentation, partage de connaissances)
• ✅ Profondeur technique (Redis, stratégie de cache, feature flags)
• ✅ Impact commercial clairement articulé
• ✅ Timing parfait de 2 minutes

Situation (15s) : "Lors d'un lancement de produit critique Q4 chez l'Entreprise Y, notre PM voulait expédier un nouvel algorithme de recommandation que je pensais avoir des tests A/B insuffisants (seulement 2 jours, 5 000 utilisateurs vs. notre standard de 7 jours, 50 000 utilisateurs)."

Tâche (15s) : "Je devais soit convaincre le PM d'étendre les tests, soit assurer des garanties adéquates, tout en maintenant notre délai de lancement dans 9 jours et en gardant le moral de l'équipe élevé."

Action (60s) : "Au lieu de m'opposer directement au PM lors de notre réunion de planification, j'ai demandé un 1:1 pour comprendre sa perspective. Il a révélé qu'il y avait une pression des dirigeants due au lancement d'un concurrent. J'ai proposé un compromis basé sur les données : j'analyserais en profondeur les résultats des tests de 2 jours et créerais une matrice de risques. J'ai passé 6 heures ce soir-là à construire un tableau de bord montrant : (1) Le test actuel n'avait que 67% de confiance statistique (vs. notre standard de 95%), (2) L'algorithme montrait une augmentation préoccupante de 12% du taux de rebond pour les utilisateurs mobiles (43% de notre trafic), (3) Impact projeté sur les revenus : perte mensuelle potentielle de 230K$ si le problème mobile persistait. J'ai présenté cela au PM avec 3 options : (A) Étendre le test de 5 jours supplémentaires [Recommandé], (B) Expédier avec un kill switch mobile uniquement, (C) Expédier desktop uniquement d'abord. J'ai souligné que je soutenais le lancement et voulais les aider à réussir. Le PM a apprécié l'approche basée sur les données et nous avons convenu de l'Option B. J'ai implémenté le kill switch en 1 jour, et nous l'avons déployé avec des alertes de surveillance liées aux seuils de taux de rebond."

Résultat (30s) : "Nous avons lancé à temps. En 3 heures, le kill switch mobile s'est déclenché en raison d'une augmentation de 15% du taux de rebond. Nous avons désactivé l'algorithme mobile tout en gardant le desktop actif (augmentation de 8% de l'engagement). Cela a évité la perte mensuelle de 230K$. J'ai travaillé avec le PM la semaine suivante pour corriger l'algorithme mobile (le problème était un conflit de lazy-loading d'images). Le PM m'a ensuite nominé pour notre prix des valeurs d'entreprise, et nous avons établi une nouvelle politique exigeant 95% de confiance statistique pour les changements d'algorithme. Notre relation de travail est devenue beaucoup plus forte."

Note de l'Intervieweur : 10/10