Voy a darles primero la conclusión. Cuando una integración se cae, la primera persona en enterarse no debería ser el cliente ni el personal del almacén. Debería ser el sistema de monitoreo. Si el equipo solo se entera porque un cliente se queja, el monitoreo es un adorno. Lo digo antes de cada puesta en producción y lo repito la noche de la puesta en producción, porque he visto este fallo tres veces. El costo fue diferente cada vez, pero la causa raíz fue la misma siempre: nadie trató las alertas como un trabajo serio.
La primera vez fue en un almacén de comercio electrónico. La interfaz de pedidos entre el WMS y el marketplace se cayó a las dos de la mañana. Nadie lo supo. A las ocho abrió el almacén, los preparadores notaron que los pedidos del día eran muchos menos de lo habitual, y alguien bromeó con que saldrían temprano. No fue hasta las diez, cuando el servicio al cliente empezó a recibir llamadas preguntando por qué los pedidos no se habían enviado en dos días, que alguien se dio cuenta de que la interfaz llevaba caída ocho horas. Para entonces el atraso ya superaba los mil pedidos y los teléfonos de soporte estaban saturados. Esa fue la primera vez que vi este fallo.
La segunda vez fue más típica, y más difícil de detectar. La interfaz no falló por completo; perdía pedidos de forma intermitente. El panel de control seguía en verde, pero cada día un pequeño porcentaje de pedidos desaparecía silenciosamente. Los clientes se quejaban esporádicamente, el almacén suponía que no habían llegado a hacer sus pedidos, y pasaron casi dos semanas hasta descubrir que la interfaz se agotaba por tiempo de espera en las horas punta, y que algunos pedidos nunca se escribían de vuelta. Un fallo intermitente es más difícil de encontrar que una caída total, porque nunca dispara ningún umbral de alerta.
La tercera vez fue el problema opuesto: demasiadas alertas. Un teléfono vibraba decenas de veces al día, casi todo ruido. El ingeniero de operaciones se hartó y silenció el grupo de alertas, así que el día en que algo se rompió de verdad, la alerta se envió y nadie la vio. Un monitoreo silenciado es lo mismo que no tener monitoreo.
Tres fallos, tres formas de morir, pero una lección: la forma en que configures el monitoreo y las alertas de WMS decide quién se entera primero cuando una integración se cae.
Qué debe vigilar el monitoreo de integraciones de WMS: cuatro señales, y necesitas las cuatro
Configurar el monitoreo y las alertas de integraciones de WMS empieza por decidir qué vigilar. En mis proyectos, pido a los clientes que vigilen al menos cuatro señales.
La primera es la conectividad. ¿Se puede alcanzar la interfaz siquiera? Sondea la interfaz del socio según un horario: un sondeo exitoso queda registrado, un sondeo fallido alerta de inmediato. Y el sondeo debe comprobar la conectividad de negocio, no solo la de red. Necesitas una respuesta real de vuelta antes de poder llamarla saludable. Muchos proyectos solo sondean la red, y el servicio del socio devuelve un código de error mientras la red sigue activa, así que el monitoreo lo pasa por alto por completo.
La segunda es la tasa de éxito. Envío de pedidos, sincronización de inventario, confirmación de envío: cada interfaz necesita su propia tasa de éxito. Cuando la tasa baja, aunque sea unos puntos porcentuales, debe alertar. La pérdida intermitente de pedidos que describí antes era una tasa de éxito deslizándose en silencio sin que nadie vigilara un umbral. Mi enfoque es fijar umbrales por interfaz, más estrictos para las interfaces principales y más laxos para las de apoyo.
La tercera es la latencia. La interfaz está activa, pero el tiempo de respuesta ha pasado de un segundo a diez segundos. Eso es una señal de advertencia, y en las horas punta es cuando más importa: una vez que la latencia sube, las pérdidas por tiempo de espera llegan de inmediato. Los umbrales de latencia deben diferir entre horas punta y horas valle. Un solo umbral para todo el día genera falsas alarmas en las horas tranquilas y alerta demasiado tarde en las horas punta.
La cuarta es el atraso acumulado. ¿Cuántos mensajes hay en la cola, sin procesar? En condiciones normales el atraso debería fluctuar dentro de unas pocas docenas de pedidos. Una vez que supera unos cientos y sigue subiendo, el lado receptor no puede seguir el ritmo. La ventaja de esta señal es que no depende de la respuesta del socio: aunque el servicio del socio guarde completo silencio, el atraso sigue creciendo por sí solo.
Necesitas las cuatro señales juntas. Si falta una, tienes un punto ciego: la conectividad te dice si está activo, la tasa de éxito si se está perdiendo algo, la latencia si es lo bastante rápido, el atraso si está atascado. Solo las cuatro juntas te dan una imagen completa de la salud de la integración.
Cómo configurar el monitoreo y las alertas de integraciones de WMS: severidad, responsable y hora del día
Una vez que sabes qué vigilar, el siguiente paso es cómo configurar las alertas. Mi regla son tres frases: severidad, responsable y hora del día.
Severidad significa dividir las alertas en tres niveles. El nivel uno es una interfaz principal caída, un desplome de la tasa de éxito o un atraso que sube sin parar. Eso sale por teléfono y mensaje de texto al responsable de guardia de inmediato, incluso en mitad de la noche. El nivel dos es latencia por encima del umbral o una pequeña caída de la tasa de éxito, enviado al grupo de trabajo para que el ingeniero de guardia lo atienda durante el horario laboral. El nivel tres es informativo, por ejemplo un único tiempo de espera del socio que tuvo éxito con el reintento automático. Eso va solo al registro y no debería molestar a nadie.
Responsable significa que los distintos niveles van a distintas personas. Una alerta de nivel uno debe llegar a alguien que pueda tomar decisiones, no solo al ingeniero de operaciones, sino también al responsable de operaciones. Una caída de interfaz afecta al envío, así que el responsable de operaciones tiene que saberlo de inmediato y decidir si se pone en marcha el plan manual de respaldo. Las alertas de nivel dos pueden ir a los ingenieros de operaciones y de implementación. Las alertas de nivel tres no van a nadie; están ahí para la reunión de revisión.
Hora del día significa que las noches se gestionan de forma diferente a los días: el nivel uno recibe respuesta inmediata de día o de noche, el nivel dos puede esperar hasta la mañana. Despierta a alguien a las tres de la mañana por un mensaje informativo dos veces y silenciará el grupo, y una vez silenciado, nadie ve la alerta real.
La lista de verificación de la noche de puesta en producción: revísala punto por punto
Cada noche de puesta en producción, me siento con el cliente y recorremos la lista siguiente. He visto este fallo tres veces, así que cada punto de la lista se pagó con dinero real.
Primero, ¿el sondeo de salud está realmente funcionando? Rompe la interfaz manualmente y comprueba si la alerta llega en unos minutos. Una alerta que nunca se ha probado no es una alerta.
Segundo, ¿los umbrales de tasa de éxito están fijados por interfaz? Si las interfaces principales y las de apoyo comparten un umbral, sepáralos.
Tercero, ¿los umbrales de latencia están separados entre horas punta y horas valle? Compáralos con los datos de latencia punta de la semana pasada.
Cuarto, ¿cuál es la línea de alerta del atraso? ¿Cuántos pedidos, y durante cuánto tiempo, antes de que alerte? Escribe ese número junto al turno de guardia.
Quinto, ¿los destinatarios de las alertas son correctos? ¿Se puede contactar con el número de teléfono de nivel uno? ¿Ha cambiado el turno de guardia y se actualizó la lista de notificaciones? Una lista de contactos caducada es uno de los puntos de fallo más comunes.
Sexto, ¿hay un periodo de silencio y deduplicación? El mismo fallo no debería alertar diez veces en cinco minutos. Alertar repetidamente es la forma más rápida de que se silencie el canal.
Séptimo, ¿el plan de respaldo está escrito? Si la interfaz está caída, ¿cómo envía el almacén manualmente? Si el inventario está desincronizado, ¿cómo lo concilia operaciones? El punto final de una alerta no es «lo sabemos». Es «alguien actúa según un plan».
Solo después de que esos siete puntos pasen dejaré que un proyecto salga a producción.
Tres puntos de fallo que la gente pasa por alto con más frecuencia
Voy a cerrar con tres puntos de fallo que la gente pasa por alto con más frecuencia. El primero es monitorear solo tu propio sistema, no la interfaz del socio. Todo puede parecer bien en el lado del WMS mientras el socio está caído, y el monitoreo tiene que cubrir ambos lados, al menos hasta donde llega la respuesta de negocio del socio.
El segundo es alertas sin responsable. Una alerta llega a un grupo, todos pueden verla y nadie la atiende. Cada nivel de alerta necesita un responsable nombrado, con un nombre y un número de teléfono en el turno. Un mensaje en un grupo no es lo mismo que alguien sea responsable.
El tercero es no revisar nunca las alertas después de la puesta en producción. Los registros de alertas necesitan revisión regular: los umbrales que generan demasiadas falsas alarmas hay que ajustarlos, los escenarios que se escaparon hay que añadirlos. El monitoreo no es una configuración de una sola vez. Tiene que crecer con el volumen, con el número de interfaces y con los cambios de socios.
Cuando una integración se cae, ¿quién se entera primero? La respuesta decide si tu almacén apaga el fuego de forma proactiva o asume la culpa de forma pasiva. Con el monitoreo bien configurado, te enteras en tres minutos y lo arreglas antes de que el cliente lo note. Sin él, te enteras ocho horas después, cuando el daño ya está hecho.
La noche de la puesta en producción, recorre esta lista. Una hora puede ahorrarte una caída de ocho horas y un atraso de mil pedidos.
Por Lin Xiao, Consultor de Implementación de WMS Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.







