Vou dar a conclusão primeiro. Quando uma integração cai, a primeira pessoa a saber não deveria ser o cliente nem o pessoal do armazém. Deveria ser o seu sistema de monitoramento. Se a sua equipe só fica sabendo porque um cliente reclama, o seu monitoramento é decoração. Eu digo isso antes de cada entrada em produção, e repito na noite da entrada em produção, porque já vi essa falha três vezes. O custo foi diferente a cada vez, mas a causa raiz foi a mesma sempre: ninguém tratou os alertas como um trabalho sério.

A primeira vez foi em um armazém de comércio eletrônico. A interface de pedidos entre o WMS e o marketplace caiu às duas da manhã. Ninguém soube. Às oito o armazém abriu, os separadores notaram que os pedidos do dia eram bem menos do que o habitual, e alguém brincou que sairiam cedo. Só às dez, quando o atendimento ao cliente começou a receber ligações perguntando por que os pedidos não tinham sido enviados há dois dias, é que alguém percebeu que a interface estava fora do ar há oito horas. A essa altura o atraso já passava de mil pedidos e os telefones de suporte estavam sobrecarregados. Essa foi a primeira vez que vi essa falha.

A segunda vez foi mais típica, e mais difícil de detectar. A interface não falhou por completo; perdia pedidos de forma intermitente. O painel continuava verde, mas todos os dias uma pequena porcentagem de pedidos desaparecia silenciosamente. Os clientes reclamavam esporadicamente, o armazém supunha que eles não tinham conseguido fazer seus pedidos, e levou quase duas semanas para descobrir que a interface estava estourando o tempo limite nos horários de pico, e que alguns pedidos nunca eram gravados de volta. Uma falha intermitente é mais difícil de encontrar do que uma pane total, porque ela nunca dispara nenhum limite de alerta.

A terceira vez foi o problema oposto: alertas demais. Um telefone vibrava dezenas de vezes por dia, quase tudo ruído. O engenheiro de operações se cansou e silenciou o grupo de alertas, então no dia em que algo quebrou de verdade, o alerta foi enviado e ninguém o viu. Monitoramento silenciado é o mesmo que nenhum monitoramento.

Três falhas, três formas de morrer, mas uma lição: a forma como você configura o monitoramento e os alertas de WMS decide quem fica sabendo primeiro quando uma integração cai.

O que o monitoramento de integrações de WMS deve observar: quatro sinais, e você precisa de todos eles

Configurar o monitoramento e os alertas de integrações de WMS começa por decidir o que observar. Nos meus projetos, peço aos clientes que observem pelo menos quatro sinais.

O primeiro é a conectividade. A interface pode ser alcançada? Faça sondagens na interface do parceiro conforme um cronograma: uma sondagem bem-sucedida é registrada, uma sondagem que falha alerta imediatamente. E a sondagem precisa verificar a conectividade de negócio, não apenas a conectividade de rede. Você precisa de uma resposta real de volta antes de poder chamá-la de saudável. Muitos projetos sondam apenas a rede, e o serviço do parceiro devolve um código de erro enquanto a rede continua ativa, de modo que o monitoramento perde isso por completo.

O segundo é a taxa de sucesso. Envio de pedidos, sincronização de estoque, confirmação de envio: cada interface precisa da sua própria taxa de sucesso. Quando a taxa cai, mesmo que por alguns pontos percentuais, ela deve alertar. A perda intermitente de pedidos que descrevi antes era uma taxa de sucesso deslizando em silêncio sem que ninguém observasse um limite. Minha abordagem é definir limites por interface, mais rígidos para as interfaces principais, mais flexíveis para as de apoio.

O terceiro é a latência. A interface está no ar, mas o tempo de resposta passou de um segundo para dez segundos. Isso é um sinal de alerta, e nos horários de pico é quando mais importa: uma vez que a latência sobe, as perdas por tempo limite seguem imediatamente. Os limites de latência precisam diferir entre pico e fora de pico. Um único limite para o dia inteiro gera alarmes falsos nas horas tranquilas e alerta tarde demais no pico.

O quarto é o atraso acumulado. Quantas mensagens estão paradas na fila, sem processamento? Em condições normais o atraso deveria flutuar dentro de algumas dezenas de pedidos. Uma vez que passa de algumas centenas e continua subindo, o lado de destino não consegue acompanhar. A vantagem desse sinal é que ele não depende da resposta do parceiro: mesmo que o serviço do parceiro fique completamente em silêncio, o atraso continua crescendo sozinho.

Você precisa dos quatro sinais juntos. Falta um e você tem um ponto cego: a conectividade diz se está no ar, a taxa de sucesso se algo está se perdendo, a latência se é rápido o bastante, o atraso se está congestionado. Só os quatro juntos dão uma visão completa da saúde da integração.

Como configurar o monitoramento e os alertas de integrações de WMS: severidade, responsável e hora do dia

Uma vez que você sabe o que observar, o próximo passo é como configurar os alertas. Minha regra são três frases: severidade, responsável e hora do dia.

Severidade significa dividir os alertas em três níveis. O nível um é uma interface principal fora do ar, um colapso da taxa de sucesso ou um atraso que sobe sem parar. Isso sai por telefone e mensagem de texto para o responsável de plantão imediatamente, mesmo no meio da noite. O nível dois é latência acima do limite ou uma pequena queda na taxa de sucesso, enviado ao grupo de trabalho para o engenheiro de plantão resolver durante o horário comercial. O nível três é informativo, por exemplo um único tempo limite do parceiro que teve sucesso na nova tentativa automática. Isso vai só para o registro e não deveria incomodar ninguém.

Responsável significa que níveis diferentes vão para pessoas diferentes. Um alerta de nível um precisa chegar a alguém que possa tomar decisões, não apenas ao engenheiro de operações, mas também ao líder de operações. Uma pane de interface afeta o envio, então o líder de operações precisa saber na hora e decidir se aciona o plano manual de contingência. Alertas de nível dois podem ir para os engenheiros de operações e de implementação. Alertas de nível três não vão para ninguém; estão lá para a reunião de revisão.

Hora do dia significa que as noites são tratadas de forma diferente dos dias: o nível um recebe resposta imediata de dia ou de noite, o nível dois pode esperar até a manhã. Acorde alguém às três da manhã por uma mensagem informativa duas vezes e a pessoa vai silenciar o grupo, e uma vez silenciado, ninguém vê o alerta real.

O checklist da noite de entrada em produção: passe por ele item por item

Toda noite de entrada em produção, eu me sento com o cliente e percorremos a lista abaixo. Já vi essa falha três vezes, então cada item da lista foi pago com dinheiro de verdade.

Primeiro, a sondagem de saúde está realmente funcionando? Quebre a interface manualmente e verifique se o alerta chega em poucos minutos. Um alerta que nunca foi testado não é alerta nenhum.

Segundo, os limites de taxa de sucesso estão definidos por interface? Se as interfaces principais e as de apoio compartilham um mesmo limite, separe-os.

Terceiro, os limites de latência estão separados entre pico e fora de pico? Compare-os com os dados de latência de pico da semana passada.

Quarto, qual é a linha de alerta do atraso? Quantos pedidos, e por quanto tempo, antes de alertar? Anote esse número ao lado da escala de plantão.

Quinto, os destinatários dos alertas estão corretos? O número de telefone de nível um pode ser contatado? A escala de plantão mudou, e a lista de notificações foi atualizada? Uma lista de contatos vencida é um dos pontos de falha mais comuns.

Sexto, há um período de silêncio e deduplicação? A mesma falha não deveria alertar dez vezes em cinco minutos. Alertar repetidamente é a forma mais rápida de fazer o canal ser silenciado.

Sétimo, o plano de contingência está escrito? Se a interface estiver fora do ar, como o armazém envia manualmente? Se o estoque estiver fora de sincronia, como as operações o reconciliam? O ponto final de um alerta não é "nós sabemos". É "alguém age conforme um plano".

Somente depois que esses sete itens passarem é que eu deixo um projeto entrar em produção.

Três pontos de falha que as pessoas mais costumam ignorar

Vou encerrar com três pontos de falha que as pessoas mais costumam ignorar. O primeiro é monitorar apenas o seu próprio sistema, e não a interface do parceiro. Tudo pode parecer bem do lado do WMS enquanto o parceiro está fora do ar, e o monitoramento precisa cobrir os dois lados, pelo menos até onde vai a resposta de negócio do parceiro.

O segundo é alertas sem responsável. Um alerta chega a um grupo, todos podem vê-lo, e ninguém o resolve. Cada nível de alerta precisa de um responsável nomeado, com nome e número de telefone na escala. Uma mensagem em um grupo não é o mesmo que alguém ser responsável.

O terceiro é nunca revisar os alertas depois da entrada em produção. Os registros de alertas precisam de revisão regular: limites que geram alarmes falsos com muita frequência precisam ser ajustados, cenários que passaram despercebidos precisam ser adicionados. Monitoramento não é uma configuração única. Ele precisa crescer com o volume, com o número de interfaces e com as mudanças de parceiros.

Quando uma integração cai, quem fica sabendo primeiro? A resposta decide se o seu armazém apaga o incêndio de forma proativa ou assume a culpa de forma passiva. Com o monitoramento bem configurado, você sabe em três minutos e corrige antes que o cliente perceba. Sem ele, você fica sabendo oito horas depois, quando o dano já está feito.

Na noite da entrada em produção, percorra esta lista. Uma hora pode poupar você de uma pane de oito horas e de um atraso de mil pedidos.

Por Lin Xiao, Consultor de Implementação de WMS Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.