Entregables del proyecto

learn menu

El objetivo de Supply Chain Cuantitativa es proporcionar decisiones accionables, siendo un ejemplo arquetípico las cantidades sugeridas para las órdenes de compra. A continuación, aclaramos aún más la forma específica y el mecanismo de entrega de esas decisiones. Establecer expectativas claras para los entregables es un paso importante en el viaje que representa Supply Chain Cuantitativa. Además, los resultados numéricos optimizados no son el único resultado deseable: varios otros resultados, especialmente el monitoreo de la salud de los datos y los KPI de gestión, también deben incluirse en el entregable. En la práctica, los entregables de una iniciativa de Supply Chain Cuantitativa dependen de la flexibilidad de la solución de software utilizada para respaldar la propia iniciativa. Sin embargo, están definidos principalmente por su intención, que es agnóstica de la tecnología utilizada.

Scripts como entregables

Supply Chain Cuantitativa enfatiza las tuberías de extracción de datos totalmente automatizadas. Esto no implica que la configuración del software deba funcionar de forma autónoma. Naturalmente, se desea un alto grado de supervisión cercana siempre que se considere una cadena de suministro a gran escala. Sin embargo, se espera que la tubería de datos esté completamente automatizada en el sentido de que ningún paso en la tubería dependa de una operación manual. De hecho, como se describe en el manifiesto, cuando las operaciones manuales están involucradas en el procesamiento de datos de la cadena de suministro, la solución simplemente no escala en la práctica.

Como consecuencia directa de esta idea, los entregables de una iniciativa de Supply Chain Cuantitativa son invariablemente piezas completas de software. Esto no implica que se espere que el equipo a cargo reimplemente todo: una solución de software dedicada a Supply Chain Cuantitativa ofrece la posibilidad de centrarse estrictamente en los aspectos relevantes de los desafíos de la cadena de suministro. Todas las tecnicidades de bajo nivel, como aprovechar los recursos informáticos distribuidos autoasignados dentro de una plataforma de computación en la nube, se espera que se abstraigan. El equipo no necesita adentrarse en tales asuntos, porque se espera que esos aspectos sean gestionados adecuadamente por la propia herramienta.

Los entregables se materializan como scripts escritos típicamente en un lenguaje de programación capaz de satisfacer los requisitos de la cadena de suministro, al tiempo que ofrecen un alto nivel de productividad. El término “script” se utiliza aquí en lugar de “código fuente”, pero los dos términos están estrechamente relacionados: un “script” enfatiza la idea de un alto grado de abstracción y un enfoque en la tarea en sí, mientras que un “código fuente” enfatiza una perspectiva de nivel inferior, destinada a ser un reflejo preciso del hardware informático en sí. Para Supply Chain Cuantitativa, obviamente es la perspectiva de la cadena de suministro la que importa más, no el hardware informático, que es un aspecto técnico de importancia secundaria.

Durante la última década, el éxito de las interfaces de usuario WYSIWYG (lo que ves es lo que obtienes) para aplicaciones de clientes finales ha llevado a muchos proveedores de software de cadena de suministro a intentar emular este enfoque con una solución WYSIWYG para la planificación y optimización de la cadena de suministro. Sin embargo, la lección del fracaso casi sistemático de este tipo de interfaces es que las cadenas de suministro son complejas y no pueden evitar la necesidad de herramientas programáticas. Según nuestra experiencia, esperar que una herramienta de arrastrar y soltar pueda reflejar adecuadamente las complejas no linealidades involucradas, por ejemplo, en las cantidades mínimas de pedido (MOQ), es ilusorio en el mejor de los casos. Se requiere expresividad programática porque, de lo contrario, el desafío de la cadena de suministro ni siquiera puede expresarse dentro de la herramienta.

Naturalmente, desde la perspectiva del usuario final, los scripts no son lo que los profesionales de la cadena de suministro esperarían ver como un resultado tangible de la iniciativa de Supply Chain Quantitativa. Las personas interactuarán con paneles de control que contienen KPI consolidados y tablas que recopilan decisiones sugeridas. Sin embargo, esos paneles de control son transitorios y desechables. Simplemente se obtienen ejecutando los scripts nuevamente sobre los datos relevantes de la cadena de suministro. 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 típicamente lo que puede ver un usuario final de la solución.

Paneles de control de la salud de los datos

Antes de considerar la entrega de decisiones optimizadas para la cadena de suministro, debemos asegurarnos de que los datos procesados por el sistema que respalda la iniciativa de Supply Chain Quantitativa sean numéricamente y semánticamente correctos. El propósito de los paneles de control de la salud de los datos, o simplemente paneles de control de la salud de los datos, es garantizar un alto grado de confianza en la corrección de los datos, que es naturalmente un requisito esencial para la precisión de todos los resultados numéricos devueltos por la solución. Estos paneles de control también ayudan al equipo de la cadena de suministro a mejorar la calidad de los datos existentes.

Los errores numéricos son directos: el archivo CSV exportado del ERP indica que el producto ABC tiene 42 unidades en stock, mientras que la consola web del ERP informa solo 13 unidades en stock. Aquí es evidente que tenemos números divergentes donde deberían ser iguales. Los paneles de control de la salud de los datos abordan esos problemas relativamente obvios simplemente verificando que los agregados de datos se mantengan dentro de los rangos numéricos esperados.

Los errores semánticos son más sutiles y, en la práctica, mucho más difíciles de identificar. La mayor parte del trabajo realizado durante la preparación de los datos consiste en identificar y abordar todos los errores semánticos. Por ejemplo: el campo stockinv en el ERP podría estar documentado como el stock disponible. Por lo tanto, el equipo de la cadena de suministro asume que esta cantidad nunca puede ser negativa, porque obviamente, si esas unidades están al alcance físico en el estante, tiene que ser una cantidad positiva. Sin embargo, la documentación del ERP también podría ser ligeramente confusa, y esta cantidad habría sido más adecuadamente llamada stock disponible porque cada vez que ocurre un faltante de stock y el cliente emite un backorder, la cantidad puede volverse negativa para reflejar que cierto número de unidades ya están comprometidas con un cliente. Este caso ilustra un error semántico: el número en sí no está mal, es la comprensión del número lo que es aproximada. En la práctica, las aproximaciones semánticas pueden generar muchos comportamientos inconsistentes, que a su vez generan costos de fricción continuos dentro de la cadena de suministro.

Los paneles de control de la salud de los datos consolidan números que permiten a la empresa decidir en el momento si los datos se pueden considerar lo suficientemente buenos o no. De hecho, dado que la solución se utilizará a diario con fines de producción, es imperativo identificar un problema significativo de datos a través de una inspección casi instantánea. De lo contrario, es probable que la cadena de suministro funcione durante días, si no semanas, con datos defectuosos. En este sentido, el panel de control de la salud de los datos es similar a un semáforo: verde pasas, rojo te detienes.

Además, al considerar una cadena de suministro considerable, generalmente hay una cantidad irreducible de datos corruptos o incorrectos. Estos datos surgen a través de entradas manuales defectuosas o a través de casos excepcionales raros en los propios sistemas de la empresa. En la práctica, para cualquier cadena de suministro considerable, no es razonable esperar que los datos de la cadena de suministro sean 100% precisos. En cambio, debemos asegurarnos de que los datos sean lo suficientemente precisos como para mantener los costos de fricción generados por esos errores casi insignificantes.

Por lo tanto, también se espera que los paneles de control de la salud de los datos recopilen estadísticas sobre los errores de datos identificados. Estas estadísticas son fundamentales para establecer que los datos se pueden considerar confiables. Con ese fin, a menudo se solicita la intervención de un Supply Chain Scientist para establecer umbrales de alerta bien elegidos, generalmente asociados con una parada total de la solución. Se debe tener cuidado al establecer los umbrales, porque si son demasiado bajos, la solución no se puede utilizar, ya que se detiene con demasiada frecuencia debido a “problemas de datos identificados”; sin embargo, si son demasiado altos, los costos de fricción generados por los errores de datos pueden volverse significativos y socavar los beneficios que brinda la iniciativa en sí.

Además de la señalización rojo-verde, los paneles de control de la salud de los datos también tienen como objetivo ofrecer información prioritaria sobre los esfuerzos de mejora de los datos. De hecho, muchos puntos de datos pueden ser incorrectos pero también inconsecuentes. Por ejemplo, no importa si el precio de compra de un producto es incorrecto si la demanda del mercado de este producto desapareció hace años, ya que no habrá más pedidos de compra para este producto.

El Supply Chain Quantitativa enfatiza que la resolución detallada de los errores de datos, que puede implicar una cantidad considerable de trabajo manual, debe tener prioridad frente al impacto financiero estimado del propio error de datos en comparación con el costo laboral asociado con la corrección. De hecho, dependiendo de la situación, el costo asociado con la corrección de un solo punto de datos defectuoso varía enormemente y debe tenerse en cuenta en la priorización sugerida. Finalmente, cuando se considera que el costo de las correcciones es más caro que los costos de la cadena de suministro generados por esos errores, el proceso de mejora de los datos puede detenerse.

Paneles de decisiones prioritarias

Como hemos visto, solo las decisiones de la cadena de suministro pueden evaluarse realmente desde una perspectiva cuantitativa. Por lo tanto, no es sorprendente que uno de los principales entregables operativos de una iniciativa de Supply Chain Quantitativa sean los paneles de control que consolidan las decisiones obtenidas como resultado numérico final de toda la canalización de datos. Un panel de control puede ser tan simple como una tabla que enumera para cada producto la cantidad exacta en unidades que se debe volver a pedir de inmediato. Si existen MOQ (cantidades mínimas de pedido) u otras restricciones de pedido alternativas, es posible que las cantidades sugeridas sean cero la mayor parte del tiempo, hasta que se cumplan los umbrales adecuados.

Para simplificar, asumimos aquí que esos resultados numéricos se recopilan en un panel de control, que es una forma específica de interfaz de usuario. Sin embargo, el panel de control en sí es solo una opción, que puede ser relevante o no. En la práctica, se espera que el software que impulsa la iniciativa de Supply Chain Quantitativa sea altamente flexible, es decir, programáticamente flexible, ofreciendo muchas formas de empaquetar esos resultados en varios formatos de datos. Por ejemplo, los resultados numéricos se pueden consolidar en archivos de texto plano, que están destinados a ser importados automáticamente en el ERP principal utilizado para gestionar los activos de la empresa.

Si bien el formato de las decisiones depende en gran medida de la tarea de la cadena de suministro que se aborde, la mayoría de las tareas requieren priorizar esas decisiones. Por ejemplo, el cálculo de las cantidades sugeridas para un pedido de compra se puede descomponer a través de una lista priorizada de unidades a adquirir. La unidad más rentable se clasifica en primer lugar. A medida que el stock tiene rendimientos decrecientes, la segunda unidad adquirida para el mismo producto aborda una fracción decreciente de la demanda del mercado. Por lo tanto, la segunda unidad para este mismo producto puede no ser la segunda entrada en la lista general. En cambio, la segunda unidad más rentable puede estar asociada con otro producto, etc. La lista priorizada de unidades a adquirir es conceptualmente infinita: siempre es posible comprar una unidad más. A medida que la demanda del mercado es finita, todas las unidades compradas se convertirían en stock muerto después de un punto. Convertir esta lista de prioridades en las cantidades finales para la compra solo requiere introducir un criterio de detención y sumar las cantidades por producto. En la práctica, las restricciones de orden no lineales complican aún más esta tarea, pero, para simplificar, dejaremos de lado estas restricciones en esta etapa de la discusión.

Priorizar decisiones es una operación muy natural desde el punto de vista de la Supply Chain Quantitativa. Como cada decisión está asociada con un resultado financiero expresado en dólares, clasificar las decisiones de la más rentable a la menos rentable es sencillo. Por lo tanto, muchos, si no la mayoría, de los paneles de control que recopilan las decisiones de la cadena de suministro sugeridas se pueden esperar, en la práctica, que sean listas priorizadas de decisiones. Estos paneles de control contienen listas con decisiones altamente rentables enumeradas en la parte superior y decisiones muy poco rentables enumeradas en la parte inferior. Alternativamente, los profesionales de la cadena de suministro pueden decidir truncar las listas cuando las decisiones no son rentables. Sin embargo, a menudo se pueden obtener ideas al poder inspeccionar las decisiones que están justo por debajo del umbral de rentabilidad, incluso si la empresa obviamente no se espera que actúe sobre esas entradas no rentables.

Para poder ofrecer este tipo de paneles de control basados en decisiones, la solución de software que respalda la Supply Chain Quantitativa debe explorar numéricamente vastas cantidades de decisiones posibles. Por ejemplo, la solución debe ser capaz de considerar el impacto financiero de comprar cada unidad individual, unidad por unidad, para cada producto en cada ubicación. No es sorprendente que esta operación pueda requerir recursos informáticos sustanciales. Afortunadamente, hoy en día, el hardware informático es capaz de manejar incluso las cadenas de suministro globales más grandes. Suponiendo que la solución de software subyacente esté adecuadamente diseñada para la Supply Chain Quantitativa, la escalabilidad del procesamiento de datos no debería ser un problema para los equipos de la cadena de suministro.

Desglosando los resultados numéricos

Los sistemas despectivamente llamados cajas negras en la cadena de suministro, y en otros campos también, son sistemas que generan resultados que los profesionales que interactúan con esos sistemas no pueden explicar. La Supply Chain Quantitativa, con su enfoque específico en una canalización de datos automatizada, también corre el riesgo de entregar lo que los equipos de la cadena de suministro clasificarían como “cajas negras”. De hecho, las implicaciones financieras de las decisiones de la cadena de suministro son muy importantes para una empresa y, si bien un sistema más nuevo puede mejorar la situación, también puede crear desastres. Si bien la automatización es muy deseable, no significa que se espere que el equipo de la cadena de suministro no tenga un conocimiento profundo de lo que se está entregando a través de la canalización de datos que respalda la iniciativa de Supply Chain Quantitativa.

El término “desglosar” se refiere al esfuerzo necesario para hacer que la solución sea completamente transparente en beneficio de los equipos de la cadena de suministro. Este enfoque enfatiza que ninguna tecnología es transparente por diseño. La transparencia es el resultado final de un esfuerzo específico, que forma parte de la propia iniciativa. Incluso una simple regresión lineal puede generar resultados desconcertantes en la práctica. Dejando de lado a algunas personas excepcionales, la mayoría de las personas no tienen una comprensión intuitiva de cuál es la salida “esperada” del modelo lineal cuando están involucradas 4 dimensiones o más. Sin embargo, los problemas de la cadena de suministro a menudo involucran docenas de variables, si no cientos. Por lo tanto, incluso los modelos estadísticos simplistas son de facto cajas negras para los profesionales de la cadena de suministro. Naturalmente, cuando se utilizan algoritmos de aprendizaje automático, como se recomienda en la Supply Chain Quantitativa, dejan a los profesionales aún más en la oscuridad.

Si bien el efecto de la caja negra es un problema real, una solución realista no radica en simplificar el procesamiento de datos en cálculos que sean inmediatamente intuitivos para la mente humana. Este enfoque es una receta para una extrema ineficiencia, que destruye por completo todos los beneficios de los recursos informáticos modernos, que se pueden utilizar para abordar la complejidad cruda de las cadenas de suministro modernas. Simplificar el proceso no es la respuesta. Desglosar lo es.

Incluso las recomendaciones de cadena de suministro más complejas pueden hacerse en gran medida transparentes para los profesionales de la cadena de suministro, simplemente descomponiendo los cálculos internos con indicadores financieros bien elegidos, que representan los impulsores económicos que respaldan la recomendación en sí. Por ejemplo, en lugar de simplemente mostrar una tabla con dos columnas de producto y cantidad como una orden de compra sugerida, la tabla debe 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 falta de stock (si no se pasa ningún pedido), el costo financiero esperado de exceso de stock (riesgo asociado con el pedido sugerido), etc. Las columnas se diseñan para brindar al equipo de la cadena de suministro rápidas comprobaciones de cordura de las cantidades sugeridas. A través de las columnas, el equipo puede establecer rápidamente la confianza en el resultado numérico e identificar algunas de las debilidades de una solución que necesita mejoras adicionales.

Ampliar los paneles de control con fines de desglose es en parte un arte. Generar millones de números es fácil, incluso teniendo acceso a no más recursos informáticos de los que están disponibles en un teléfono inteligente. Sin embargo, generar 10 números dignos de ser examinados a diario es muy difícil. Por lo tanto, el desafío principal es identificar una docena o menos de KPI que sean suficientes para arrojar luz sobre las decisiones recomendadas de la cadena de suministro. Los buenos KPI generalmente requieren mucho trabajo; no deben ser definiciones ingenuas, que suelen ser engañosas en la cadena de suministro. Por ejemplo, incluso una columna tan simple como el “precio unitario de compra” puede ser muy engañosa si el proveedor ofrece descuentos por volumen, lo que hace que el precio de compra dependa de la cantidad que se está comprando.

Paneles de control estratégicos

Si bien el enfoque en decisiones a pequeña escala es necesario, ya que es uno de los pocos enfoques que se presta a evaluaciones de rendimiento cuantitativas, es posible que la cadena de suministro también deba ajustarse de manera más grande y disruptiva para aumentar el rendimiento a su próximo nivel. Por ejemplo, comprar más unidades de stock bien elegidas aumenta marginalmente el nivel de servicio. Sin embargo, en algún momento, el almacén está lleno y no se puede comprar ninguna unidad adicional. En esta situación, se debe considerar un almacén más grande. Para evaluar el impacto de levantar esta limitación, podemos eliminar la restricción de capacidad del almacén de los cálculos y evaluar el beneficio financiero general de operar con un almacén arbitrariamente grande. La gestión de la cadena de suministro puede entonces vigilar el indicador financiero asociado con el costo de fricción impuesto por la capacidad del almacén y decidir cuándo es el momento de considerar aumentar la capacidad de almacenamiento.

Típicamente, las cadenas de suministro operan en base a numerosas restricciones que no se pueden revisar a diario. Estas restricciones pueden incluir capital de trabajo, capacidad de almacenamiento, retrasos en el transporte, rendimiento de la producción, etc. Cada restricción está asociada con un costo de oportunidad implícito para la cadena de suministro, que generalmente se traduce en más stock, más retrasos o más faltantes de stock. El costo de oportunidad se puede evaluar a través de las ganancias de rendimiento que se obtendrían al eliminar o debilitar la restricción en sí. Si bien algunas de estas simulaciones pueden resultar difíciles de implementar, con frecuencia no son más difíciles que optimizar las decisiones de rutina, es decir, establecer las cantidades de pedido de compra.

La Supply Chain Quantitativa enfatiza que los costos de oportunidad asociados con esas restricciones deben formar parte del flujo de datos de producción y, por lo general, deben materializarse con paneles de control dedicados, que están específicamente destinados a ayudar a la gestión de la cadena de suministro a decidir cuándo es el momento de realizar cambios más grandes en su cadena de suministro. Estos tipos de paneles de control se conocen como paneles de control estratégicos. Este enfoque difiere de la práctica tradicional de la cadena de suministro que enfatiza las iniciativas ad hoc cuando siente que la cadena de suministro está a punto de alcanzar un límite operativo. De hecho, los KPI entregados por los paneles de control estratégicos se actualizan a diario, o con mayor frecuencia si es necesario, al igual que el resto del flujo de datos. No necesitan hacer un esfuerzo de último minuto, porque están actualizados y listos para aprovechar las ideas obtenidas de una iniciativa de larga duración.

Los paneles de control estratégicos respaldan el proceso de toma de decisiones de la gestión de la cadena de suministro. Como forman parte del flujo de datos, cuando el mercado comienza a evolucionar a un ritmo más rápido de lo habitual, los KPI se mantienen actualizados sobre la situación actual de la empresa. Este enfoque evita las trampas tradicionales asociadas con investigaciones ad hoc que inevitablemente agregan más retrasos a problemas que ya están atrasados. Este enfoque también mitiga en gran medida el problema alternativo, que son decisiones estratégicas apresuradas que resultan no ser rentables, una condición lamentable que podría haberse anticipado desde el principio.

Paneles de control de inspección

Las cadenas de suministro son complejas e impredecibles. Estas propiedades hacen que la depuración del flujo de datos sea una tarea desafiante. Sin embargo, este flujo de datos es la columna vertebral de la iniciativa de Supply Chain Quantitativa. Los errores en el procesamiento de datos, o errores, pueden ocurrir en cualquier parte del flujo de datos. Peor aún, el tipo de problema más frecuente no es la fórmula incorrecta, sino la ambigüedad semántica. Por ejemplo, al comienzo del flujo de datos, la variable stockinv puede referirse al stock disponible (donde los valores negativos son posibles), mientras que más adelante, la misma variable se utiliza con una interpretación de stock en mano (donde se esperan valores 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 perjudiciales, hasta una corrupción silenciosa y generalizada de las decisiones de la cadena de suministro.

Como las cadenas de suministro casi siempre están construidas a partir de una combinación única de soluciones de software establecidas a lo largo de los años, no hay esperanza de acceder a una solución de software “probada” que esté libre de errores. De hecho, la mayoría de los problemas surgen en los límites del sistema, al reconciliar datos provenientes de diferentes sistemas, o incluso al reconciliar datos provenientes de diferentes módulos dentro del mismo sistema. Por lo tanto, no importa cuán probada pueda ser la solución de software, la herramienta debe poder admitir fácilmente el proceso de depuración, ya que este tipo de problemas inevitablemente ocurrirán.

El propósito de los paneles de control de inspección es proporcionar vistas detalladas para una inspección minuciosa de los conjuntos de datos de la cadena de suministro. Sin embargo, estos paneles de control no son simplemente desgloses para inspeccionar las tablas de datos de entrada. Este tipo de desglose, o enfoques similares de segmentación de datos, no captarían la esencia. Las cadenas de suministro se tratan de flujos: flujo de materiales, flujo de pagos, etc. Algunos de los problemas de datos más graves ocurren cuando se “pierde” la continuidad del flujo de datos. Por ejemplo, al mover mercancías del almacén A al almacén B, la base de datos del almacén B podría no tener algunas entradas de productos, lo que genera sutiles corrupciones de datos, ya que las unidades que provienen del almacén A se reciben en el almacén B sin estar correctamente asociadas a su producto. Cuando los resultados numéricos parecen extraños, estos paneles de control de inspección son la opción preferida para que el Supply Chain Scientist realice una rápida investigación de datos de muestra.

En la práctica, un panel de control de inspección proporciona un punto de entrada de bajo nivel, como un código de producto o un SKU, y consolida todos los datos asociados con este punto de entrada en una sola vista. Cuando los bienes fluyen a través de muchas ubicaciones, como ocurre en las cadenas de suministro aeroespaciales, el panel de control de inspección generalmente intenta reconstituir las trayectorias de los bienes, que pueden haber transitado no solo por múltiples ubicaciones físicas, sino también por múltiples sistemas. Al reunir todos estos datos en un solo lugar, el Supply Chain Scientist puede evaluar si los datos tienen sentido: ¿es posible identificar de dónde provienen los bienes que se están enviando? ¿Los movimientos de stock están alineados con las políticas oficiales de la cadena de suministro, etc.? El panel de control de inspección es una herramienta de “depuración” ya que está diseñada para reunir los datos que están estrechamente relacionados, no desde un punto de vista de TI, sino desde un punto de vista de la cadena de suministro.

Uno de los problemas más extraños que Lokad enfrentó al investigar conjuntos de datos de la cadena de suministro fue el caso de las piezas teletransportadas. La empresa, en este caso una aerolínea, tenía piezas de aviones almacenadas tanto en Europa continental como en el sur de Asia. Como la seguridad de las aeronaves es un requisito absoluto para operar, la empresa mantenía registros impecables de movimiento de stock para todas sus piezas. Sin embargo, utilizando un panel de control de inspectores recién diseñado, el equipo de Lokad se dio cuenta de que algunas piezas se estaban moviendo de Asia a Europa y viceversa, supuestamente en solo 2 o 3 minutos. Como las piezas de aviones eran transportadas por aviones, se esperaba que el tiempo de transporte fuera de al menos una docena de horas, ciertamente no minutos. Inmediatamente sospechamos algún problema de zona horaria u otro problema de tiempo de la computadora, pero los registros de tiempo también resultaron ser impecables. Luego, al investigar más los datos, pareció que las piezas que habían sido teletransportadas en realidad se estaban utilizando y montando en aviones en su lugar de aterrizaje, un hallazgo aún más desconcertante. Al permitir que los equipos de la cadena de suministro echen un vistazo a los paneles de control de los inspectores, finalmente se descubrió el misterio. Las piezas teletransportadas eran ruedas de avión que consistían en dos medias ruedas más un neumático. La rueda podía desmontarse desmontando las dos medias ruedas y el neumático. En el caso más extremo, si se quitaban las dos medias ruedas y los neumáticos, no quedaba nada físicamente. Por lo tanto, la rueda completamente desmontada podía volver a montarse libremente en cualquier lugar, sin importar su ubicación original.

Los paneles de control de los inspectores son el equivalente a nivel de bajo nivel del panel de control de la salud de los datos. Se centran en datos completamente desagregados, mientras que los paneles de control de la salud de los datos suelen adoptar una postura más general sobre los datos. Además, los paneles de control de los inspectores suelen ser una parte integral del esfuerzo de whiteboxing. Cuando se enfrentan a lo que parece ser una recomendación desconcertante, los profesionales de la cadena de suministro deben examinar de cerca un SKU o un producto para determinar si la decisión recomendada es razonable o no. El panel de control del inspector se ajusta típicamente para este propósito, incluyendo muchos resultados intermedios que contribuyen al cálculo de la recomendación final.