Cinco errores comunes en proyectos de simulación y cómo evitarlos

Disclosure: M365.FM host Mirko Peters works at iFAKT GmbH. This page describes the company factually; paid partnerships and links are labelled as advertising.

Por Mirko Peters · 2026-11-11

Los errores en proyectos de simulación cuestan tiempo y confianza. Conoce cinco de los más habituales, desde preguntas poco concretas hasta la validación omitida, con un ejemplo práctico y una lista de verificación.

Traducido automáticamente con IA a partir de la publicación original. Lee el original en inglés

Los errores en los proyectos de simulación son en su mayoría evitables, y la mayoría se cometen antes de construir el primer modelo. Esta guía está pensada para los responsables de planta que patrocinan un proyecto de simulación de fabricación, y para los ingenieros que construyen el modelo, cuando quieren que el trabajo termine en una decisión. Aprenderás cinco errores habituales, extraídos de dos artículos del experto en simulación Averill Law y de la práctica, un ejemplo resuelto con cifras que muestra por qué una sola ejecución no basta, y una lista de verificación para tu próximo proyecto de simulación de fábrica.

Puntos clave

• Cinco errores se repiten en los proyectos de simulación: no tener una pregunta clara, el nivel de detalle incorrecto, datos débiles, falta de validación y confiar en una sola ejecución.
• Un modelo sin una pregunta clara y sin un responsable de decisiones en contacto regular resuelve el problema equivocado, por bueno que sea.
• Empieza de forma sencilla y añade detalle solo cuando la pregunta lo requiera; el detalle innecesario cuesta tiempo y oculta los factores que importan.
• Valida el modelo frente al sistema existente antes de usarlo para previsiones, y conserva las suposiciones por escrito para revisarlas.
• Los eventos aleatorios requieren muchas réplicas: una sola ejecución puede ordenar mal dos alternativas.

Errores en proyectos de simulación: de dónde surgen

Un proyecto de simulación no es un ejercicio de programación. Averill Law, en su artículo sobre cómo llevar a cabo con éxito un estudio de simulación presentado en la Winter Simulation Conference de 2003, enumera 17 errores en cuatro grupos: modelado y validación, software, aleatoriedad y diseño de experimentos. En 2024 amplió la lista a 23 errores en un artículo para la misma conferencia. Señala que la programación representa solo entre el 25 y el 50 por ciento del trabajo en un estudio bien planteado.

Law trabaja en su propia consultora de simulación, Averill M. Law & Associates, por lo que sus listas reflejan la visión de un experto. Coinciden con un artículo práctico de J. Michael Knoll y Joseph Heim, de Genie Industries, sobre la adopción de la simulación de eventos discretos en un entorno de fabricación, que se basa en un único fabricante de tamaño mediano y no informa de ahorros cuantificados.

A partir de estas fuentes y de la práctica habitual, seleccionamos los cinco errores más relevantes para una planta. Esta selección es propia y no es un ranking de los artículos.

Error 1: No tener una pregunta clara ni contacto con quien decide

El primer error es empezar por la herramienta y no por la pregunta. Law incluye entre sus errores los objetivos no definidos y el poco contacto regular con quien toma las decisiones. Cita una advertencia según la cual el mejor modelo para el problema equivocado tendrá poco valor para quien decide. En uno de sus ejemplos, un analista trabajó durante meses sin consultar al general que había hecho la petición, quien abandonó la reunión final a los cinco minutos diciendo que ese no era el problema que le interesaba.

Knoll y Heim añaden una regla práctica: no se debe construir un modelo cuyos resultados no vayan a utilizarse.

Cómo evitarlo. Formula la pregunta como una decisión. "¿Cuál de dos distribuciones de planta produce 3000 unidades por turno?" es una pregunta. "Simulemos la planta" no lo es. Convoca una reunión de arranque con todas las personas afectadas, define quién decide y para cuándo, y acordad reuniones de revisión periódicas durante el proyecto.

Error 2: El nivel de detalle inadecuado

El segundo error consiste en modelar demasiado o demasiado poco. Law considera que un nivel de detalle inadecuado es uno de los errores más habituales, sobre todo para los analistas noveles. Su consejo es incluir solo el detalle necesario para responder a las preguntas de interés, y empezar de forma sencilla para añadir detalle según haga falta. Knoll y Heim coinciden: mantén el alcance acotado y no amplíes un modelo solo porque es posible.

Demasiado detalle retrasa el proyecto y oculta los factores que importan entre una multitud de parámetros. Demasiado poco deja fuera un efecto que querías probar, como un cambio de formato o un buffer.

Cómo evitarlo. Pregúntate, para cada elemento y cada parámetro de entrada del modelo, si cambia la respuesta a la pregunta. Si no, déjalo fuera o usa una regla simple. Anota los supuestos en un modelo conceptual breve, que Law describe como una actividad absolutamente crítica que a menudo se omite, y revísalo con las personas que conocen la línea.

Error 3: Una recogida de datos de simulación deficiente

El tercer error tiene que ver con los datos. Law incluye la mala recogida de datos del sistema entre las trampas habituales, y además advierte de dos errores típicos en el modelado de entradas. El primero es sustituir una entrada aleatoria por su media. En su ejemplo de colas, usar tiempos constantes iguales a las medias elimina la cola por completo, de modo que el modelo no muestra espera donde el sistema real sí la tiene. El segundo es elegir una distribución, como la normal, por costumbre. En uno de sus ejemplos, una distribución normal para los tiempos de servicio produjo un error de salida del 39 % frente a una distribución que se ajustaba mejor.

Los propios datos de planta requieren cuidado. ¿Coincide el motivo de parada en el sistema de ejecución de fabricación con el registro de mantenimiento? Si hay disponible un gemelo digital, es decir, una representación digital mantenida de un recurso físico que se actualiza a partir de observaciones, puede aportar datos actuales. Si no, planifica tiempo para medir.

Cómo evitarlo. Enumera los datos que necesita la pregunta, identifica la fuente y el responsable de cada uno, y recoge la variación, no solo la media. Consulta al menos a dos expertos para las partes importantes del proceso, porque parte de lo que dice la gente será incorrecto.

Error 4: Omitir la validación del modelo de simulación

El cuarto error es confiar en un modelo que nunca se ha comparado con la realidad. Law considera que la comparación de los resultados del modelo con el sistema existente es la técnica de validación más importante, y afirma que también respalda la credibilidad. En su artículo de 2024 presenta un ejemplo de pasta de papel en el que el rendimiento del modelo y el del sistema diferían solo en un 0,4 y un 1,1 %. También recomienda una revisión estructurada de los supuestos con todas las partes interesadas, porque los errores y las omisiones del modelo acabarán apareciendo.

Cómo evitarlo. Construye primero la línea base y compárala con la producción, las paradas y el lead time de la línea real. Pide a los expertos que revisen los resultados de la simulación para comprobar que son razonables, y averigua qué parámetro de entrada mueve más los resultados. Solo entonces usa el modelo para evaluar opciones. Si la línea todavía no existe, compara el modelo con una línea similar o con cálculos, y dilo abiertamente.

Error 5: Tratar una sola ejecución como la verdad

El quinto error es estadístico. Una simulación con eventos aleatorios da un resultado distinto en cada ejecución. Law advierte contra tratar el resultado de una única ejecución como el rendimiento real del modelo. En su ejemplo de una oficina de vehículos a motor, el retraso medio osciló entre 1,83 y 10,37 minutos entre réplicas. También menciona la omisión de un periodo de calentamiento, cuando el estado inicial está vacío y no es representativo, y la comparación de opciones sin intervalos de confianza.

Cómo evitarlo. Ejecuta muchas réplicas independientes, descarta el periodo de calentamiento, planifica los análisis antes de las ejecuciones y compara las opciones mediante rangos o intervalos de confianza, no con cifras aisladas.

Ejemplo: una ejecución frente a cinco réplicas

Este es un ejemplo ilustrativo con cifras supuestas, no un caso medido. Una planta compara dos diseños de buffer, A y B, en un modelo de una línea de empaquetado. La producción por turno de cada diseño en el modelo es la siguiente:

• Diseño A, cinco réplicas: 412, 389, 401, 395 y 393 unidades. La media es 1,990 ÷ 5 = 398 unidades.
• Diseño B, cinco réplicas: 405, 399, 408, 402 y 406 unidades. La media es 2,020 ÷ 5 = 404 unidades.

Si el equipo hubiera ejecutado solo la primera réplica de cada uno, A habría obtenido 412 y B 405, y A parecería 7 unidades mejor. Con cinco réplicas, B es en promedio 6 unidades mejor, y su rango, de 399 a 408, es más estrecho que el de A, que va de 389 a 412. La primera ejecución ordenó los diseños al revés.

Cinco réplicas son un mínimo para una ilustración. Un proyecto real ejecutaría más y calcularía intervalos de confianza. El paso de validación usa la misma idea: si el modelo base da una media de 391 unidades y la línea real promedió 380 unidades por turno durante 20 turnos, el modelo es 11 unidades, o alrededor de un 3%, superior. El equipo decide si eso es suficientemente cercano para la pregunta, y registra la decisión.

Cómo evitar los cinco errores: una lista de verificación

1. Formula la pregunta como una decisión, con quien decide y la fecha.
2. Celebra una reunión de arranque con todas las partes interesadas y acuerda reuniones de revisión. Trata el trabajo como una iteración con puntos de revisión, no como un flujo de trabajo lineal.
3. Empieza simple. Escribe un modelo conceptual breve con las suposiciones y revísalo con los expertos antes de programar.
4. Planifica los datos. Indica la fuente y el responsable de cada dato, y recoge la variación.
5. Valida el modelo base contra la línea real antes de probar opciones.
6. Replica. Ejecuta suficientes réplicas, descarta el periodo de calentamiento e informa los rangos.

Errores comunes

• Tratar el proyecto como si fuera programación. Según Law, la programación es solo una parte del trabajo.
• Dejar que la animación decida. Mirar brevemente la animación no es un experimento.
• Elegir herramientas de simulación solo por el precio. Ajusta la herramienta al problema y a las habilidades de tu equipo, y no uses el software de simulación como una caja negra.
• Falta de documentación. Un modelo sin suposiciones escritas no se puede revisar ni reutilizar.
• Sin responsable tras el proyecto. Un modelo que nadie actualiza queda obsoleto tras el primer cambio.

Cómo puede ayudar el software

iFAKT's Polaris Simulator es un módulo de iFAKT Polaris que prueba virtualmente el sistema de producción, por ejemplo escenarios de capacidad, dotación de personal y buffers, y revela los cuellos de botella antes de hacer cambios. Cualquiera que sea la herramienta que elijas, y antes de usar la simulación para tomar una decisión, comprueba cómo gestiona las réplicas y el periodo de calentamiento, cómo importas datos reales y cómo puedes documentar y revisar las suposiciones. El software no puede sustituir la pregunta ni la validación.

Siguiente paso

Toma tu próximo proyecto de simulación de fabricación, o uno que esté en curso, y revísalo con la lista de verificación anterior. Donde falte una respuesta, habrás encontrado una causa probable de los errores en los proyectos de simulación, y puedes corregirla antes de construir el modelo.