Je vais d'abord vous donner la conclusion. Quand une intégration tombe en panne, la première personne à le savoir ne devrait être ni le client ni le personnel de l'entrepôt. Ce devrait être votre système de supervision. Si votre équipe ne l'apprend que parce qu'un client se plaint, votre supervision n'est que de la décoration. Je le dis avant chaque mise en production, et je le répète le soir de la mise en production, parce que j'ai vu cette défaillance trois fois. Le coût était différent à chaque fois, mais la cause racine était la même à chaque fois : personne n'avait traité l'alerting comme un vrai travail.

La première fois, c'était dans un entrepôt de commerce électronique. L'interface de commandes entre le WMS et la marketplace est tombée en panne à deux heures du matin. Personne ne l'a su. À huit heures, l'entrepôt a ouvert, les préparateurs ont remarqué que les commandes du jour étaient bien moins nombreuses que d'habitude, et quelqu'un a plaisanté en disant qu'ils finiraient tôt. Ce n'est qu'à dix heures, quand le service client a commencé à recevoir des appels demandant pourquoi les commandes n'avaient pas été expédiées depuis deux jours, que quelqu'un s'est rendu compte que l'interface était en panne depuis huit heures. À ce moment-là, l'arriéré avait dépassé un millier de commandes et les téléphones du support étaient saturés. C'était la première fois que je voyais cette défaillance.

La deuxième fois était plus typique, et plus difficile à détecter. L'interface n'a pas échoué complètement ; elle perdait des commandes par intermittence. Le tableau de bord restait au vert, mais chaque jour un faible pourcentage de commandes disparaissait silencieusement. Les clients se plaignaient sporadiquement, l'entrepôt supposait qu'ils n'avaient pas réussi à passer leurs commandes, et il a fallu presque deux semaines pour découvrir que l'interface dépassait son délai d'attente aux heures de pointe, et que certaines commandes n'étaient jamais renvoyées. Une défaillance intermittente est plus difficile à trouver qu'une panne totale, parce qu'elle ne déclenche jamais un seul seuil d'alerte.

La troisième fois, c'était le problème inverse : trop d'alertes. Un téléphone vibrait des dizaines de fois par jour, presque que du bruit. L'ingénieur d'exploitation en a eu assez et a mis le groupe d'alertes en sourdine, si bien que le jour où quelque chose s'est vraiment cassé, l'alerte est partie et personne ne l'a vue. Une supervision mise en sourdine, c'est comme pas de supervision du tout.

Trois défaillances, trois façons de mourir, mais une seule leçon : la façon dont vous configurez la supervision et l'alerting du WMS décide qui est informé en premier quand une intégration tombe en panne.

Ce que la supervision des intégrations WMS doit surveiller : quatre signaux, et il vous les faut tous

Mettre en place la supervision et l'alerting des intégrations WMS commence par décider quoi surveiller. Sur mes projets, je demande aux clients de surveiller au moins quatre signaux.

Le premier est la connectivité. L'interface est-elle joignable, tout simplement ? Sondez l'interface du partenaire selon un planning : un sondage réussi est journalisé, un sondage raté alerte immédiatement. Et le sondage doit vérifier la connectivité métier, pas seulement la connectivité réseau. Il faut une vraie réponse en retour avant de pouvoir la qualifier de saine. Beaucoup de projets ne sondent que le réseau, et le service du partenaire renvoie un code d'erreur pendant que le réseau reste actif, si bien que la supervision passe complètement à côté.

Le deuxième est le taux de réussite. Envoi de commandes, synchronisation des stocks, confirmation d'expédition : chaque interface a besoin de son propre taux de réussite. Quand le taux baisse, même de quelques points de pourcentage, il doit alerter. La perte intermittente de commandes que j'ai décrite plus haut, c'était un taux de réussite qui glissait silencieusement sans que personne ne surveille un seuil. Mon approche consiste à fixer des seuils par interface, plus stricts pour les interfaces principales, plus souples pour les interfaces de support.

Le troisième est la latence. L'interface est en ligne, mais le temps de réponse est passé d'une seconde à dix secondes. C'est un signal d'avertissement, et aux heures de pointe c'est là qu'il compte le plus : une fois que la latence grimpe, les pertes par dépassement de délai suivent immédiatement. Les seuils de latence doivent différer entre les heures de pointe et les heures creuses. Un seul seuil pour toute la journée déclenche de fausses alertes aux heures calmes et alerte trop tard aux heures de pointe.

Le quatrième est l'arriéré. Combien de messages attendent dans la file, non traités ? Dans des conditions normales, l'arriéré devrait fluctuer dans une fourchette de quelques dizaines de commandes. Une fois qu'il dépasse quelques centaines et continue d'augmenter, le côté aval ne peut plus suivre. L'avantage de ce signal est qu'il ne dépend pas de la réponse du partenaire : même si le service du partenaire est complètement silencieux, l'arriéré continue de croître tout seul.

Il vous faut les quatre signaux ensemble. Il en manque un et vous avez un angle mort : la connectivité vous dit si c'est en ligne, le taux de réussite si quelque chose se perd, la latence si c'est assez rapide, l'arriéré si c'est engorgé. Seuls les quatre ensemble vous donnent une image complète de la santé de l'intégration.

Comment configurer la supervision et les alertes des intégrations WMS : sévérité, responsable et moment de la journée

Une fois que vous savez quoi surveiller, l'étape suivante est la configuration des alertes. Ma règle tient en trois expressions : sévérité, responsable et moment de la journée.

La sévérité, c'est diviser les alertes en trois niveaux. Le niveau un, c'est une interface principale en panne, un effondrement du taux de réussite ou un arriéré qui grimpe sans s'arrêter. Cela part par téléphone et par SMS au responsable d'astreinte immédiatement, même au milieu de la nuit. Le niveau deux, c'est une latence au-dessus du seuil ou une petite baisse du taux de réussite, envoyé au groupe de travail pour que l'ingénieur d'astreinte le traite pendant les heures de travail. Le niveau trois est informatif, par exemple un seul dépassement de délai du partenaire qui a réussi lors de la nouvelle tentative automatique. Cela va uniquement dans le journal et ne devrait déranger personne.

Le responsable, c'est que les différents niveaux vont à des personnes différentes. Une alerte de niveau un doit atteindre quelqu'un qui peut prendre des décisions, pas seulement l'ingénieur d'exploitation, mais aussi le responsable d'exploitation. Une panne d'interface affecte l'expédition, donc le responsable d'exploitation doit le savoir tout de suite et décider s'il faut lancer le plan de repli manuel. Les alertes de niveau deux peuvent aller aux ingénieurs d'exploitation et d'implémentation. Les alertes de niveau trois ne vont à personne ; elles sont là pour la réunion de revue.

Le moment de la journée, c'est que les nuits se gèrent différemment des jours : le niveau un obtient une réponse immédiate, de jour comme de nuit, le niveau deux peut attendre le matin. Réveillez quelqu'un à trois heures du matin pour un message informatif deux fois et il mettra le groupe en sourdine, et une fois mis en sourdine, personne ne voit la vraie alerte.

La checklist du soir de mise en production : passez-la point par point

Chaque soir de mise en production, je m'assois avec le client et nous parcourons la liste ci-dessous. J'ai vu cette défaillance trois fois, donc chaque point de la liste a été payé avec de l'argent réel.

Premièrement, le sondage de santé tourne-t-il vraiment ? Cassez l'interface manuellement et vérifiez si l'alerte arrive en quelques minutes. Une alerte qui n'a jamais été testée n'est pas une alerte du tout.

Deuxièmement, les seuils de taux de réussite sont-ils fixés par interface ? Si les interfaces principales et de support partagent un même seuil, séparez-les.

Troisièmement, les seuils de latence sont-ils séparés entre heures de pointe et heures creuses ? Comparez-les aux données de latence de pointe de la semaine dernière.

Quatrièmement, quelle est la ligne d'alerte de l'arriéré ? Combien de commandes, et pendant combien de temps, avant qu'elle n'alerte ? Notez ce nombre à côté du planning d'astreinte.

Cinquièmement, les destinataires des alertes sont-ils corrects ? Le numéro de téléphone de niveau un est-il joignable ? Le planning d'astreinte a-t-il changé, et la liste de notification a-t-elle été mise à jour ? Une liste de contacts périmée est l'un des points de défaillance les plus fréquents.

Sixièmement, y a-t-il une période de silence et une déduplication ? La même panne ne devrait pas alerter dix fois en cinq minutes. Alerter de façon répétée est le moyen le plus rapide de faire mettre le canal en sourdine.

Septièmement, le plan de repli est-il écrit ? Si l'interface est en panne, comment l'entrepôt expédie-t-il manuellement ? Si le stock est désynchronisé, comment l'exploitation le réconcilie-t-elle ? Le point final d'une alerte n'est pas « nous savons ». C'est « quelqu'un agit selon un plan ».

Ce n'est qu'après que ces sept points ont passé le contrôle que je laisse un projet passer en production.

Trois points de défaillance que l'on oublie le plus souvent

Je vais conclure avec trois points de défaillance que l'on oublie le plus souvent. Le premier est de ne superviser que son propre système, pas l'interface du partenaire. Tout peut sembler correct du côté du WMS pendant que le partenaire est en panne, et la supervision doit couvrir les deux côtés, au moins jusqu'à la réponse métier du partenaire.

Le deuxième est des alertes sans responsable. Une alerte arrive dans un groupe, tout le monde peut la voir, et personne ne la traite. Chaque niveau d'alerte a besoin d'un responsable nommé, avec un nom et un numéro de téléphone sur le planning. Un message dans un groupe n'est pas la même chose que quelqu'un qui est responsable.

Le troisième est de ne jamais revoir les alertes après la mise en production. Les journaux d'alertes nécessitent une revue régulière : les seuils qui déclenchent trop souvent de fausses alertes doivent être ajustés, les scénarios qui sont passés entre les mailles doivent être ajoutés. La supervision n'est pas une configuration ponctuelle. Elle doit grandir avec le volume, avec le nombre d'interfaces et avec les changements de partenaires.

Quand une intégration tombe en panne, qui est informé en premier ? La réponse décide si votre entrepôt éteint l'incendie de manière proactive ou s'il subit les reproches passivement. Avec une supervision bien configurée, vous le savez en trois minutes et vous le corrigez avant que le client ne s'en aperçoive. Sans elle, vous l'apprenez huit heures plus tard, quand le mal est fait.

Le soir de la mise en production, parcourez cette liste. Une heure peut vous éviter une panne de huit heures et un arriéré de mille commandes.

Par Lin Xiao, Consultant en implémentation WMS Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.