Entregables de proyecto en la cadena de suministro cuantitativa

Entregables de proyecto











Inicio » Recursos » Aquí

El objetivo de la cadena de suministro cuantitativa es entregar decisiones ejecutables; un ejemplo típico es el de cantidades sugeridas de pedidos de compra. A continuación, aclaramos un poco más la forma específica y el mecanismo de entrega de esas decisiones. El establecimiento de expectativas claras para los entregables es un paso importante en el recorrido que representa la cadena de suministro cuantitativa. Además, los resultados numéricos optimizados no son el único resultado deseable: existen otros resultados, principalmente KPI de monitoreo y gestión del estado de los datos, que deberían incluirse también en el entregable. En la práctica, los entregables de la cadena de suministro cuantitativa dependen de la flexibilidad de la solución de software que se utilice para respaldar la iniciativa misma. No obstante, estos se definen principalmente por su intención, que es independiente de la tecnología que se utilice.

Scripts como entregables

La cadena de suministro cuantitativa se concentra en los pipelines de datos completamente automatizados. Esto no implica que la configuración de software deba ejecutarse de modo autónomo: cuando se considera una cadena de suministro de gran escala, es deseable un alto grado de supervisión. Sin embargo, se espera que el pipeline de datos esté completamente automatizado, es decir, que ningún paso individual del pipeline dependa de una operación manual. De hecho, como se explicó en el manifiesto, cada vez hay operaciones manuales involucradas en el respaldo del procesamiento de datos en la cadena de suministro, la solución no es escalable en la práctica.

Como consecuencia directa de este dato estratégico, los entregables de una iniciativa de cadena de suministro cuantitativa son invariablemente piezas de software completas. Esto no implica que se espere que el equipo a cargo reimplemente todo: una solución de software dedicada a la cadena de suministro cuantitativa ofrece la posibilidad de concentrarse estrictamente en los aspectos relevantes de los desafíos relacionados con la cadena de suministro. Se espera que todas las tecnicidades de bajo nivel, como aprovechar los recursos de computación distribuidos autoasignados dentro de una plataforma de computación en la nube, se abstraigan. El equipo no debe detenerse en estos asuntos, porque se espera que sea la herramienta misma la que los gestione adecuadamente.

Los entregables se materializan como scripts, generalmente escritos en un lenguaje de programación capaz de satisfacer los requisitos de la cadena de suministro al tiempo que proporciona un alto nivel de productividad. El término script se utiliza aquí en lugar de código fuente, pero ambos términos están relacionados: un script enfatiza la idea de un alto grado de abstracción y una concentración en la tarea en sí, mientras que código fuente pone el énfasis en una perspectiva de nivel más bajo que tiene como objetivo ser un reflejo preciso del hardware de computación. Para la cadena de suministro cuantitativa, es claramente la perspectiva de cadena de suministro la que más importa, no el hardware de computación, que es un aspecto técnico de importancia secundaria.

Durante la última década, el éxito de las interfaces de usuario WYSIWYG (lo que ve es lo que obtiene) para las aplicaciones de cliente final ha hecho que muchos proveedores de software de cadena de suministro intentaran emular este abordaje con una solución WYSIWYG para la planificación y la optimización de la cadena de suministro. Sin embargo, la lección que deja el fracaso casi sistemático de estos tipos de interfaces es que las cadenas de suministro son complejas y no pueden eludir la necesidad de herramientas programáticas. En nuestra experiencia, esperar que una herramienta de arrastrar y soltar pueda reflejar adecuadamente las no linealidades complejas involucradas en, por ejemplo, MOQ (cantidades de orden mínima) que se superponen, es, como mínimo, ilusorio. La expresividad programática es necesaria porque, de lo contrario, el desafío de cadena de suministro no podría ni siquiera expresarse dentro de la herramienta.

Naturalmente, desde la perspectiva del usuario final, los scripts no son lo que los profesionales de cadena de suministro esperarían ver como resultado tangible de la iniciativa de cadena de suministro cuantitativa. La gente interactuará con paneles de información que contienen KPI consolidados y tablas que reúnen decisiones sugeridas. Sin embargo, estos paneles de información son transitorios y desechables. Se obtienen simplemente ejecutando de nuevo los scripts sobre los datos de cadena de suministro relevantes. Si bien la distinción es un poco sutil, es importante no confundir el script, que representa el entregable real, con su expresión numérica, que es generalmente lo que usted puede ver como usuario final de la solución.

Paneles de información del estado de los datos

Antes de considerar entregar decisiones optimizadas para la cadena de suministro, debemos asegurarnos de que los datos procesados por el sistema que respaldan la iniciativa de cadena de suministro cuantitativa sean correctos, tanto numérica como semánticamente. El objetivo de los paneles de información de monitoreo de estado de los datos, o simplemente paneles de información de estado de los datos, es asegurar un alto grado de confianza en la corrección de los datos, que es un requisito esencial para la precisión de todos los resultados numéricos elaborados por la solución. Estos paneles de información también ayudan al equipo de cadena de suministro a mejorar la calidad de los datos existentes.

Los errores numéricos son claros: el archivo CSV exportado del ERP indica que el producto ABC tiene 42 unidades de stock, mientras que la consola web del ERP reporta solo 13 unidades en stock. Es evidente que tenemos números divergentes que deberían ser iguales. Los paneles de información de estado de los datos abordan estos problemas relativamente obvios verificando simplemente que los agregados de datos se mantengan dentro de los rangos numéricos esperados.

Los errores semánticos son más sutiles y, en la práctica, más difíciles de identificar. La mayor parte del trabajo realizado durante la preparación de datos consiste en realidad en identificar y corregir todos los errores semánticos. Por ejemplo: el campo stockinv en el ERP puede estar documentado como el stock disponible en anaquel. Por lo tanto, el equipo de cadena de suministro supone que esta cantidad nunca podrá ser negativa, porque, obviamente, si esas unidades están físicamente disponibles en anaquel, tienen que representar una cantidad positiva. Sin embargo, la documentación del ERP también puede resultar ser un tanto engañosa, y hubiera sido mejor que esta cantidad se denominara stock disponible, porque cuando se produce un desabastecimiento y el cliente realiza un pedido pendiente, la cantidad puede volverse negativa para reflejar que una determinada cantidad de unidades se le deben a un cliente. Este caso ilustra un error semántico: el número no es erróneo de por sí, es la interpretación del número que es aproximada. En la práctica, las aproximaciones semánticas pueden generar comportamientos incongruentes, que, a su vez, generan costos de fricción continuos dentro de la cadena de suministro.

Los paneles de información de estado de los datos consolidan números que le permiten a la empresa decidir en el momento si se puede confiar en que los datos son lo suficientemente buenos o no. De hecho, debido a que la solución se utilizará a diario para la producción, es imperativo que un problema de datos significativo se identifique a través de una inspección casi instantánea. De lo contrario, es posible que la cadena de suministro acabe operando durante días, si no semanas, con datos incorrectos. En este sentido, el panel de información de estado de los datos puede compararse con un semáforo: si está verde, puede avanzar, pero si está rojo, debe detenerse.

Además, cuando se piensa en una cadena de suministro de dimensiones importantes, generalmente existe una cantidad irreducible de datos corruptos o de algún modo incorrectos. Estos datos surgen de entradas manuales incorrectas o a través de casos extremos raros en los sistemas de la empresa misma. En la práctica, para cualquier cadena de suministro de dimensiones considerables, no es razonable esperar que los datos sean 100 % precisos. En cambio, debemos asegurarnos de que los datos sean lo suficientemente precisos como para que los costos de fricción generados por esos errores resulten casi insignificantes.

Por lo tanto, se espera que los paneles de información de estado de los datos también recopilen estadísticas sobre los errores de datos identificados. Esas estadísticas son instrumentales para establecer si los datos son confiables. Con esta finalidad, a menudo se recurre a un experto en cadena de suministro para que establezca umbrales de alerta bien elegidos, generalmente asociados con una detención inmediata de la solución. Es necesario tener cuidado al establecer los umbrales, porque, si son demasiado bajos, la solución es inutilizable, ya que se detiene demasiado a menudo por problemas identificados en los datos; y sin son demasiado altos, los costos de fricción generados por los errores de los datos pueden volverse significativos y socavar los beneficios que aporta la iniciativa misma.

Más allá de la señalización roja-verde, los paneles de información de estado de los datos están diseñados para ofrecer datos estratégicos priorizados sobre los esfuerzos de mejora de los datos. De hecho, muchos puntos de datos pueden ser incorrectos, pero también intrascendentes. Por ejemplo, no importa si el precio de compra de un producto es incorrecto si la demanda de mercado de ese producto desapareció hace años, ya que no habrá pedidos de compra futuros de ese producto.

La cadena de suministro cuantitativa enfatiza que la resolución detallada de los errores de los datos, que implica una cantidad considerable de trabajo manual, debería priorizarse en relación con el impacto financiero estimado del error de datos mismo con respecto al costo de trabajo que implicaría la corrección. De hecho, según la situación, el costo de la corrección de un solo punto de datos incorrecto varía enormemente y debe tenerse en cuenta en la priorización sugerida. Por último, cuando el costo de las correcciones resulta superior a los costos de cadena de suministro generados por esos errores, el proceso de mejora de los datos puede detenerse.

Paneles de información de decisiones priorizadas

Como hemos visto, solo las decisiones de cadena de suministro pueden evaluarse realmente desde una perspectiva cuantitativa. Por lo tanto, no sorprende que uno de los entregables operativos clave de una iniciativa de cadena de suministro sean los paneles de información que consolidan las decisiones obtenidas del resultado numérico final de todo el pipeline de datos. Un panel de información de este tipo puede ser simple como una tabla que enumera para cada producto la cantidad exacta de unidades que deben reordenarse inmediatamente. Si hay MOQ (cantidades de orden mínima) presentes —o cualquier otra limitación de pedido alternativa— las cantidades sugeridas pueden ser iguales a cero la mayor parte del tiempo, hasta que se registran los umbrales adecuados.

Para simplificar, suponemos aquí que esos resultados numéricos se reúnen en un panel de información, que es una forma específica de interfaz de usuario. Sin embargo, el panel de información mismo es solo una opción que puede ser relevante o no. En la práctica, se espera que el software que potencia la iniciativa de cadena de suministro cuantitativa sea altamente flexible; es decir, programáticamente flexible, ofreciendo varias maneras de empaquetar esos resultados en diferentes formatos de datos. Por ejemplo, los resultados numéricos pueden consolidarse con archivos de texto planos que están pensados para ser importados automáticamente al ERP primario utilizado para gestionar los activos de la empresa.

Si bien el formato de las decisiones depende en gran medida de la tarea de cadena de suministro que se está abordando, la mayoría de las tareas requiere priorización de esas decisiones. Por ejemplo, la acción de calcular cantidades sugeridas para un pedido de compra puede descomponerse en una lista priorizada de unidades por comprar. La unidad más rentable se clasifica en primer lugar. Debido a que el stock viene con retornos decrecientes, la segunda unidad comprada del mismo producto aborda una fracción decreciente de la demanda del mercado. Por lo tanto, la segunda unidad de este mismo producto puede no ser la segunda entrada en la lista en conjunto. En cambio, la segunda unidad más rentable puede estar asociada con otro producto, etc. La lista priorizada de unidades por comprar, a nivel conceptual, no tiene fin: siempre es posible comprar una unidad más. Debido a que la demanda del mercado es finita, todas las unidades compradas se convertirían en stock muerto en algún momento. Convertir esta lista de prioridades en cantidades finales por comprar solo requiere la introducción de un criterio de detención y el resumen de las cantidades por producto. En la práctica, las limitaciones de pedido no lineales complican aún más esta tarea, pero, para simplificar, hemos dejado de lado esas limitaciones por el momento.

La priorización de decisiones es una operación muy natural desde un punto de vista de cadena de suministro cuantitativa. Debido a que cada decisión se asocia con un resultado financiero expresado en dólares, la clasificación de las decisiones de la más rentable a la menos rentable es bastante sencillo. Por lo tanto, puede esperarse que, en la práctica, muchos, si no la mayor parte de los paneles de información que compilan las decisiones sugeridas de cadena de suministro, sean listas priorizadas de decisiones. Esos paneles de información contienen listas con decisiones altamente rentables ubicadas en la parte superior y las menos rentables ubicadas en la parte inferior. Como alternativa, los profesionales de la cadena de suministro pueden decidir truncar las listas cuando las decisiones no sean rentables. Sin embargo, a menudo es posible obtener datos estratégicos de la inspección de decisiones que se ubican por debajo del umbral de rentabilidad, aunque obviamente no se espera que la empresa actúe sobre esas entradas no rentables.

Para entregar este tipo de paneles de información impulsados por decisiones, la solución de software que respalda la cadena de suministro cuantitativa debe explorar numéricamente una gran cantidad de decisiones posibles. Por ejemplo, la solución debería poder considerar el impacto financiero de comprar cada unidad, una por una, de cada producto individual en cada ubicación. No sorprende que esta operación requiera una cantidad importante de recursos informáticos. Afortunadamente, en la actualidad, el hardware de computación es capaz de gestionar incluso las cadenas de suministro globales más grandes. Suponiendo que la solución de software subyacente tenga una arquitectura adecuada para la cadena de suministro cuantitativa, la escalabilidad del procesamiento de datos no debería representar un problema para los equipos de cadena de suministro.

Pruebas de caja blanca sobre los resultados numéricos

Los sistemas que se denominan en tono un poco sarcástico como de caja negra en la cadena de suministro y en otros ámbitos son sistemas que generan resultados que no pueden ser explicados por los profesionales que interactúan con esos sistemas. La cadena de suministro cuantitativa, al concentrarse específica en un pipeline de datos automatizado, también corre el riesgo de entregar lo que los equipos de cadena de suministro clasificarían como cajas negras. De hecho, las implicaciones financieras de las decisiones de cadena de suministro son muy importantes para una empresa y, si bien un sistema más nuevo puede mejorar la situación, también puede potencialmente causar desastres. Si bien la automatización es altamente deseable, esto no significa que se espere que el equipo de cadena de suministro tenga un conocimiento acabado de lo que entrega el pipeline de datos que respalda la iniciativa de cadena de suministro cuantitativa.

El concepto de prueba de caja blanca hace referencia al esfuerzo necesario para hacer que la solución sea totalmente transparente para el beneficio de los equipos de cadena de suministro. Este método enfatiza que ninguna tecnología es transparente por diseño. La transparencia es el resultado final de un esfuerzo específico, parte de la iniciativa misma. De hecho, incluso una regresión lineal simple genera resultados confusos en la práctica. Con la excepción de algunos individuos excepcionales, la mayoría de las personas no tienen un conocimiento intuitivo del resultado esperado del modelo lineal cuando hay cuatro o más dimensiones en juego. Sin embargo, los problemas de la cadena de suministro a menudo implican decenas de variables, si no cientos. Por lo tanto, incluso los modelos estadísticos simplistas son de facto cajas negras para los expertos en cadena de suministro. Naturalmente, cuando se utilizan algoritmos de machine learning, como se recomienda para la cadena de suministro cuantitativa, estos dejan a los expertos aún más perdidos.

Si bien el efecto de caja negra es un problema real, una solución realista no es realista por simplificar el procesamiento de datos convirtiéndolo en cálculos que sean inmediatamente comprensibles para la mente humana. Este abordaje es la receta perfecta para una ineficiencia extrema, que destruye por completo todos los beneficios de los recursos informáticos modernos, que pueden utilizarse para hacer frente a la complejidad de las cadenas de suministro modernas. Simplificar el proceso al extremo no es la respuesta. La respuesta son las pruebas de caja blanca.

Hasta las recomendaciones de cadena de suministro más complejas pueden volverse transparentes para los profesionales de la cadena de suministro mediante la simple descomposición de los cálculos internos con indicadores financieros bien elegidos que representen los impulsores económicos que respaldan la recomendación en sí. Por ejemplo, en lugar de simplemente mostrar una tabla vacía con dos columnas, producto y cantidad, como un pedido de compra sugerido, la tabla debería incluir un par de columnas que ayuden a la toma de decisiones. Esas columnas adicionales pueden incluir el stock actual, la demanda total en el último mes, el tiempo de entrega esperado, el costo financiero esperado de los desabastecimientos (si no se envía ningún pedido), el costo financiero esperado del stock excedente (riesgo asociado con el pedido sugerido), etc. Las columnas se diseñan para ofrecer al equipo de cadena de suministro verificaciones de estado de las cantidades sugeridas. A través de las columnas, el equipo puede establecer rápidamente la fiabilidad del resultado numérico e identificar algunas de las debilidades de una solución que necesitan mejoras.

La ampliación de los paneles de información para las pruebas de caja blanca es, en cierta medida, un arte. La generación de millones de números es fácil, aún con un acceso a recursos informáticos limitados como los de un teléfono inteligente. Lo que es difícil, en cambio, es la generación de 10 números a los que valga la pena observar a diario. Por lo tanto, el desafío central es identificar una docena o menos de KPI que sean suficientes para aclarar las decisiones de cadena de suministro recomendadas. Los buenos KPI generalmente requieren mucho trabajo: no deberían ser definiciones ingenuas, que generalmente resultan ser engañosas en la cadena de suministro. Por ejemplo, una columna tan simple como el precio de compra unitario puede ser altamente engañosa si el proveedor ofrece descuentos por volumen, es decir, hace que el precio de compra dependa de la cantidad que se compra.

Paneles de información estratégicos

Si es necesario concentrarse en las decisiones de pequeña escala —ya que es uno de los pocos métodos que se presta a las evaluaciones de rendimiento cuantitativo—, es posible que la cadena de suministro también necesite algunos ajustes más grandes y disruptivos para llevar el rendimiento al siguiente nivel. Por ejemplo, la compra de más unidades de stock bien elegidas aumenta marginalmente el nivel de servicio. Sin embargo, en algún punto, el almacén se llena, y no pueden comprarse más unidades adicionales. En esta situación, debería considerarse un almacén más grande. Para evaluar el impacto de eliminar esta limitación, podemos eliminar de los cálculos la limitación de capacidad de almacén y evaluar la ventaja financiera global de operar con un almacén arbitrario, más grande. La dirección de la cadena de suministro puede mantener vigilado el indicador financiero asociado con el costo de fricción impuesto por la capacidad de almacén misma y luego decidir cuándo es hora de considerar un aumento de la capacidad de almacenamiento.

Generalmente, las cadenas de suministro operan de acuerdo con varias limitaciones que no pueden revisarse a diario. Esas limitaciones pueden incluir capital circulante, capacidad de almacenamiento, retrasos de transporte, rendimiento de producción, etc. Cada limitación se asocia con un costo de oportunidad implícito para la cadena de suministro, que generalmente se traduce en más stock, más retrasos o más situaciones de desabastecimiento. El costo de oportunidad puede evaluarse a través de las ganancias de rendimiento que se obtendrían eliminando o reduciendo la limitación en sí. Si bien algunas de estas simulaciones resultan ser difíciles de implementar, a menudo, no son más difíciles que la optimización de las decisiones de rutina, por ejemplo, establecer las cantidades de pedido de compra.

La cadena de suministro cuantitativa pone el énfasis en que los costos de oportunidad asociados con esas limitaciones deberían ser parte del pipeline de datos de producción, y generalmente deberían materializarse con paneles de información dedicados que estén específicamente diseñados para ayudar a la dirección de cadena de suministro a decidir cuándo es hora de aportar cambios más importantes a su cadena de suministro. Estos tipos de paneles de información reciben el nombre de paneles de información estratégicos. Este método difiere de la práctica de cadena de suministro tradicional que pone el énfasis en las iniciativas ad-hoc cuando siente que la cadena de suministro está por alcanzar un límite operativo. De hecho, los KPI entregados por los paneles de información estratégicos se actualizan a diario, o con más frecuencia si fuera necesario, al igual que el resto del pipeline de datos. La dirección no necesita hacer esfuerzos de último momento y como último recurso, porque está actualizada y lista para capitalizar los datos estratégicos obtenidos de una iniciativa probada.

Los paneles de información estratégicos respaldan el proceso de toma de decisiones de la dirección de cadena de suministro. Debido a que son parte del pipeline de datos, cuando el mercado comienza a evolucionar a un ritmo más acelerado que el habitual, los KPI se mantienen actualizados con la situación actual de la empresa. Este abordaje evita los inconvenientes tradicionales asociados con las investigaciones ad-hoc, que invariablemente retrasan aún más problemas ya atrasados. Este abordaje, además, mitiga en gran parte el problema alternativo: las decisiones estratégicas apresuradas que se vuelven no rentables, un problema lamentable que podría anticiparse desde el comienzo.

Paneles de información Inspector

Las cadenas de suministro son complejas y erráticas. Esas propiedades hacen que la depuración del pipeline de datos resulte un temible desafío. Sin embargo, el pipeline de datos es la médula espinal de la iniciativa de cadena de suministro cuantitativa. Los errores de procesamiento de datos, o bugs, pueden aparecer en cualquier lugar dentro del pipeline de datos. Aún peor: el tipo de problema más frecuente no es la fórmula incorrecta sino la semántica ambigua. Por ejemplo, al comienzo del pipeline, la variable stockinv puede hacer referencia al stock disponible (donde los valores negativos son posibles) mientras que, más adelante, la misma variable se utiliza para hacer referencia al stock disponible en anaquel (en el que se espera que los valores sean positivos). La interpretación ambigua de la variable stockinv puede generar una amplia variedad de comportamientos incorrectos que van desde bloqueos del sistema —que son obvios, y por lo tanto, solo moderadamente dañinos— hasta corrupción silenciosa y generalizada de las decisiones de la cadena de suministro.

Debido a que las cadenas de suministro casi siempre se construyen a partir de una combinación única de soluciones de software establecidas a lo largo de los años, no hay esperanza de obtener acceso a una solución de software probada que no tenga ningún bug. De hecho, la mayoría de los problemas surgen en los límites del sistema, al reconciliar datos que se originan de diferentes sistemas o incluso al reconciliar datos que se originan de diferentes módulos dentro del mismo sistema. Por lo tanto, sin importar cuán probada pueda ser la solución de software, las herramientas deben poder respaldar el proceso de depuración, ya que es muy probable que es produzcan que ese tipo de problemas.

La finalidad de los paneles de información inspector es proporcionar vistas detalladas para la inspección minuciosa de los conjuntos de datos de la cadena de suministro. No obstante, los paneles de información no son simples exploraciones detalladas para inspeccionar las tablas de datos de entrada. Una exploración detallada de ese tipo, o abordajes similares de segmentación y desglose de los datos, se alejarían de la cuestión. Las cadenas de suministro tienen que ver con los flujos: flujo de materiales, flujo de pagos, etc. Algunos de los problemas de datos más graves suceden cuando la continuidad del flujo se pierde lógicamente. Por ejemplo, al mover productos del almacén A al almacén B, a la base de datos del almacén B podrían faltarle algunas entradas de producto, lo que generaría una corrupción sutil en los datos, ya que las unidades que se originan en el almacén A se reciben en el almacén B sin vincularse adecuadamente a su producto. Cuando los resultados numéricos parecen extraños, esos paneles de información Inspector son la opción a la que el experto en cadena de suministro debe recurrir para hacer una investigación de muestra rápida de los datos.

En la práctica, un panel de información Inspector proporciona un punto de entrada de bajo nivel, como un código de producto o una SKU, y consolida todos los datos asociados a ese punto de entrada en una vista única. Cuando los productos fluyen entre muchas ubicaciones, como sucede en las cadenas de suministro del sector aeronáutico, por ejemplo, el panel de información Inspector generalmente intenta reconstruir las trayectorias de los productos, que pueden haber transitado no solo varias ubicaciones físicas, sino también varios sistemas. Al reunir todos esos datos en un solo lugar, el experto en cadena de suministro puede evaluar si los datos tienen sentido: ¿es posible identificar el lugar de origen de los productos que se envían? ¿Los movimientos de stock están alineados con las políticas de cadena de suministro oficiales?, etc. El panel de información Inspector es una herramienta de depuración, ya que está diseñada para reunir los datos que están fuertemente vinculados, no desde un punto vista de TI, sino desde un punto de vista de cadena de suministro.

Uno de los problemas más extraños que Lokad ha enfrentado al investigar conjuntos de datos de la cadena de suministro fue el caso de las piezas teletransportadas. La empresa, una aerolínea, tenía piezas de aviones almacenadas tanto en Europa continental como en Asia del Sur. Debido a que la seguridad de los aviones es un requisito esencial para operar, la empresa mantenía registros de movimiento de stock impecables para todas sus piezas. Aún así, utilizando un panel de información Inspector recientemente diseñado, el equipo de Lokad se dio cuenta de que algunas piezas estaban pasando de Asia a Europa, y viceversa, en 2 o 3 minutos. Debido a que las piezas de aviones se transportaban por avión, se esperaba que el tiempo de transporte fuera de al menos algunas docenas de horas, claramente no minutos. Inmediatamente sospechamos que podía tratarse de los husos horarios o de algún otro problema informático relacionado con el tiempo, pero los registros de tiempo también eran impecables. Luego, investigando más en detalle los datos, resultó ser que las piezas que se habían teletransportado en realidad se estaban utilizando y montando en aviones en el lugar del aterrizaje, un hallazgo que resultó ser aún más desconcertante. Al dejar que los equipos de cadena de suministro le echaran un vistazo a los paneles de información Inspector, finalmente se develó el misterio. Las piezas teletransportadas eran ruedas de avión, formadas por medias ruedas ruedas más un neumático. La rueda podía desmontarse separando las dos medias ruedas y el neumático. En el caso más extremo, si las dos medias ruedas y el neumático se quitaban, no quedaba nada físico. Por lo tanto, la rueda completamente desmontada podía montarse de nuevo libremente en cualquier lugar, ignorando por completo su ubicación original.

Los paneles de información Inspector son la contrapartida de nivel bajo de los paneles de información de estado. Se concentran en datos completamente desagregados, mientras que los paneles de información de estado de los datos generalmente toman una posición de nivel más alto con respecto a los datos. Además, los paneles de información Inspector generalmente son una parte integral del esfuerzo de prueba de caja blanca. De hecho, al enfrentarse a lo que parece ser una recomendación confusa, los profesionales de cadena de suministro deben mirar maś atentamente una SKU o un producto para darse cuenta de si la decisión recomendada es razonable o no. El panel de información Inspector generalmente se ajusta para este preciso fin, incluyendo muchos resultados intermedios que contribuyen al cálculo de la recomendación final.