Quand la simulation d’usine est-elle rentable ? Cinq cas d’usage typiques

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

Par Mirko Peters · 2026-11-11

Quand recourir à la simulation d’usine : lorsqu’une décision est complexe, coûteuse ou difficile à inverser. Cinq cas d’usage typiques, un exemple de calcul du retour sur investissement et les situations où la simulation n’est pas rentable.

Traduit automatiquement par IA à partir de l'article original. Lire l'original en anglais

Quand recourir à la simulation d’usine relève d’une question de risque et de complexité. Recourez-y lorsqu’une décision concernant un système de production est complexe, coûteuse ou difficile à inverser, et lorsque les événements aléatoires et les interactions entre postes rendent un simple calcul peu fiable. Ce guide s’adresse aux responsables de l’excellence opérationnelle qui doivent décider si une étude vaut l’effort. Il décrit trois tests, cinq cas d’usage typiques, un exemple chiffré du retour d’une étude, ainsi que les situations dans lesquelles la simulation d’usine n’est pas rentable.

Points clés

• La simulation d’usine est rentable lorsqu’une décision est complexe, coûteuse ou difficile à inverser, et lorsque les événements aléatoires et les interactions rendent un simple calcul peu fiable.
• Cinq cas d’usage typiques : nouvelles lignes et implantations, capacité avant un investissement, goulots d’étranglement et stocks tampons, dimensionnement des équipes et des postes, et décisions d’automatisation.
• Une étude est rentable lorsque la valeur d’une meilleure décision multipliée par la probabilité que l’étude modifie la décision est supérieure au coût de l’étude.
• La simulation n’est pas rentable lorsque la question est simple, que les résultats ne seront pas utilisés, que les données sont manquantes ou que le périmètre ne cesse de s’étendre.
• Un modèle a besoin d’un référent qui maîtrise la modélisation, d’un périmètre précis et d’une documentation, faute de quoi il perd sa crédibilité.

Quand recourir à la simulation d’usine : trois tests

La simulation d’usine est un modèle maîtrisé de la façon dont le travail circule dans une partie d’usine, à partir des règles d’exploitation actuelles, des ressources, des commandes et des variations normales. Elle permet ainsi de tester une modification proposée, comme un poste supplémentaire, une nouvelle machine ou un stock tampon réduit, avant de la mettre en œuvre. Le blog d’Autodesk, une source éditeur émanant du créateur du logiciel FlexSim, affirme qu’elle apporte le plus de valeur lorsque les décisions sont complexes, coûteuses ou difficiles à inverser. Les recommandations de TWI, une organisation de recherche et de technologie, vont dans le même sens. Sa page de questions fréquentes indique que les problèmes liés à des effets dynamiques, à des lois de distribution non standard et à des événements aléatoires sont ceux pour lesquels la simulation offrira souvent la solution la plus utile.

À partir de ces sources, nous en dégageons trois tests. Il s’agit de notre propre aide à la planification, et non d’une norme.

1. Enjeux. La décision est-elle coûteuse ou difficile à annuler ? Une machine, un bâtiment ou un nouveau cycle de travail en font partie. Une modification de signalétique ou d’étiquette n’en fait pas partie.
2. Interaction. Les postes, les stocks tampons, les personnes et les commandes s’influencent-ils mutuellement, de sorte qu’une modification déplace le problème ailleurs ? C’est typique d’une ligne avec arrêts et files d’attente.
3. Variation. Les arrêts, les mix de commandes et les heures d’arrivée varient-ils ? Les moyennes masquent les temps d’attente que cette variation provoque.

Si les trois réponses sont positives, la simulation est un bon candidat. Si une seule est positive, essayez d’abord un calcul.

Comment fonctionne la simulation de fabrication : la simulation à événements discrets

La plupart des modèles d'usine reposent sur la simulation à événements discrets. Le modèle de simulation change d'état à des instants précis : une pièce arrive, une machine démarre, un arrêt prend fin. Il suit les files d'attente et les temps d'attente qui en résultent, et fournit la production, le taux d'utilisation et le délai de traversée. Avant de vous y fier, vous le validez par rapport à la ligne réelle. Comme les événements sont aléatoires, vous exécutez de nombreuses réplications et examinez l'éventail des résultats. Vous testez une modification dans le modèle et la comparez à la référence dans les mêmes conditions. L'article de J. Michael Knoll et Joseph Heim, de Genie Industries, présenté à la WSC 2000, sur l'adoption de la simulation à événements discrets, avance un argument également utile : comparer toutes les options dans les mêmes conditions réduit la dépendance à l'opinion individuelle.

En pratique, la simulation de fabrication permet d'utiliser la simulation sur le terrain sans perturber la production. Vous pouvez identifier les goulots d'étranglement sur une chaîne d'assemblage, tester une modification de la planification de la production et observer le comportement du système en pic de charge, le tout dans un environnement virtuel. Un programme d'usine intelligente part souvent des mêmes questions.

Cas d'usage 1 : concevoir une nouvelle ligne ou une nouvelle implantation

Le cas d'usage le plus classique est la conception d'une nouvelle ligne ou d'une nouvelle installation. L'article de Knoll et Heim indique que la simulation permet de modéliser un nombre quelconque de changements d'implantation avant de déplacer le moindre équipement. L'article d'Autodesk cite en premier lieu, parmi ses cas d'usage, le test de nouvelles lignes ou installations et la planification des changements d'implantation.

La question est concrète : l'implantation proposée atteint-elle la production prévue, et où les pièces attendent-elles ? Un modèle de la conception y répond avant l'achat des équipements, et ce même modèle peut ensuite exploiter les données en temps réel de la ligne en service. Il permet aussi de comparer deux implantations dans les mêmes conditions de demande. L'intérêt est maximal lorsque la conception est nouvelle, car il n'existe alors aucune ligne réelle à mesurer et le coût d'une mauvaise implantation est élevé.

Cas d'usage 2 : capacité, débit et optimisation avant un investissement

Le deuxième exemple concerne le test de capacité. Une usine souhaite savoir si une équipe supplémentaire, une deuxième machine ou un changement de série plus rapide permettra d'atteindre l'objectif de production. L'article d'Autodesk cite la planification de la capacité et l'analyse des cadences de production parmi ses applications.

Un modèle intégrant les arrêts réels, les changements de série et le mix de commandes montre la production à attendre, et non la valeur nominale. Il indique aussi si la capacité supplémentaire est réellement exploitée ou si la ligne s'arrête ailleurs. Les enjeux sont ici clairs. Une machine représente un investissement important, et une simulation peut montrer qu'elle n'augmente pas la production si un autre poste limite la ligne.

Cas d'usage 3 : goulots d'étranglement, stocks tampons et encours de production

Le troisième exemple porte sur la recherche du goulot d'étranglement et le dimensionnement des stocks tampons. L'article d'Autodesk cite la recherche des goulots d'étranglement et la réduction des encours de production. Sur une ligne de production soumise à des arrêts aléatoires, le goulot peut se déplacer, et un stock tampon trop petit prive le poste suivant de matière, alors qu'un stock tampon trop grand ajoute du temps d'attente.

Un modèle peut simuler la taille et l'emplacement des stocks tampons à partir des données réelles d'arrêts, des temps de cycle et du taux d'occupation de chaque poste, puis montrer l'effet sur la production et le délai de traversée. Le résultat est un classement des modifications selon leur effet, de sorte que l'équipe commence par celle qui fait le plus progresser la production. Cette approche convient bien aux lignes pour lesquelles un tableur ne fournit que des moyennes.

Cas d'usage 4 : effectifs et plannings d'équipes

Le quatrième exemple concerne les personnes. L'article d'Autodesk cite l'optimisation des effectifs et des plannings d'équipes. La question est de savoir combien d'opérateurs une ligne requiert à chaque moment, et ce qui advient de la production si l'un d'eux est absent, afin d'optimiser le planning.

Un modèle qui intègre l'affectation des ressources, les pauses et les absences permet de comparer des plannings d'équipes. Il montre où l'attente d'une personne limite la production. Cette approche est souvent moins coûteuse que les autres, car le modèle est simple, et la décision se répète à chaque saison. C'est aussi un domaine où les personnes sont directement concernées : impliquez-les dans la construction du modèle.

Cas d'usage 5 : automatisation et autres investissements difficiles à remettre en cause

Le cinquième exemple concerne l'investissement dans l'automatisation, comme un convoyeur, une cellule robotisée ou une flotte de véhicules à guidage automatique. L'article d'Autodesk cite l'automatisation parmi les modifications à planifier. Ces décisions sont coûteuses à annuler et elles introduisent des interactions, par exemple des files d'attente aux postes et de la congestion sur les trajets.

Un modèle peut simuler le nombre de véhicules ou la vitesse d'un convoyeur en période de pointe et en cas de pannes, puis montrer l'effet sur le processus de production et sur les livraisons de la chaîne d'approvisionnement. Un jumeau numérique, c'est-à-dire une représentation numérique entretenue d'une ressource physique, mise à jour à partir d'observations, peut fournir les données actuelles de ce modèle une fois l'usine en service. Avant l'achat, un modèle construit à partir des données de planification suffit généralement.

Cette liste de cinq éléments est notre propre regroupement, fondé sur les sources citées ci-dessus et sur les pratiques courantes. Il ne s'agit pas d'un classement. Une étude peut couvrir plusieurs applications à la fois.

Exemple : une étude de simulation est-elle rentable ?

Il s'agit d'un calcul illustratif reposant sur des chiffres hypothétiques, et non d'un exemple mesuré. Une usine envisage une deuxième machine pour 180 000 € afin d'augmenter la production d'une ligne. Une étude de simulation coûterait 24 000 €, par exemple 20 jours d'ingénierie à 900 € plus 6 000 € de licences.

L'étude peut conduire à une décision différente, par exemple parce que le modèle montre qu'un autre poste limite la ligne, et qu'une modification des stocks tampons et du plan de postes, à moindre coût, donne le même rendement. Supposons que l'usine estime que l'étude modifie la décision dans 1 cas sur 4, soit 25 %. Ce chiffre est une estimation et doit être vérifié à partir de votre propre historique.

• Enjeu en jeu : 180 000 €.
• Probabilité que la décision change : 25 %.
• Valeur espérée de l'étude : 0,25 × 180 000 = 45 000 €.
• Coût de l'étude : 24 000 €.

Le gain espéré est de 45 000 − 24 000 = 21 000 €. La probabilité de seuil de rentabilité est de 24 000 ÷ 180 000, soit environ 13 %. Si vous estimez que l'étude modifie la décision dans plus de 13 % de ces cas, elle est rentable pour cette seule décision. Si le modèle est réutilisé pour des évolutions ultérieures, par exemple deux petites modifications d'une valeur de 20 000 € chacune, le bénéfice augmente sans coût supplémentaire important. Le calcul est simple, mais il oblige l'équipe à énoncer l'enjeu et la probabilité, ce qui est déjà utile.

Quand la simulation n'est pas rentable

La simulation n'est pas toujours l'outil adapté. L'article de Knoll et Heim, qui décrit un seul fabricant de taille moyenne et ne rapporte aucune économie chiffrée, formule des mises en garde pratiques :

• Absence de sponsor technique. Le succès dépend d'un référent doté d'une expérience de modélisation. Sans lui, ce référent n'aura pas de crédibilité.
• Dérive du périmètre. Gardez un périmètre resserré et n'élargissez pas un modèle simplement parce que c'est possible.
• Aucune utilisation des résultats. Un modèle dont les résultats ne seront pas exploités ne doit pas être construit.
• Le mauvais outil. Adaptez le logiciel aux besoins, et non à l'offre la moins chère.

Nous en ajoutons trois. La question peut être suffisamment simple pour un simple calcul. Les données peuvent présenter des lacunes ; la première tâche est alors un audit des données sur les motifs d'arrêt et les temps de cycle, ainsi que sur le flux de travail qui les sous-tend. La décision peut déjà avoir été prise.

Erreurs courantes

• Commencer sans décision à prendre. Un modèle sans question produit des graphiques, non des décisions.
• Tout modéliser. Les détails dont la question n'a pas besoin ajoutent des coûts et affaiblissent la confiance.
• Négliger la validation. Vérifiez que le modèle reproduit la ligne actuelle avant de vous fier à ses prévisions.
• Ne tester qu'un scénario. Les événements aléatoires exigent de nombreuses réplications et une plage de résultats.
• Oublier l'atelier. Les personnes qui connaissent la ligne repèrent dans le modèle les règles qui manquent.
• Prendre le résultat pour une promesse. Le modèle éclaire la décision ; ce sont les personnes qui décident.

Comment les logiciels peuvent aider

Polaris Simulator d'iFAKT est un module d'iFAKT Polaris qui teste virtuellement le système de production, par exemple des scénarios de capacité, d'effectifs et de stocks tampons, et révèle les goulots d'étranglement avant toute modification. D'autres logiciels de simulation de production existent également, avec des atouts différents, et un modèle piloté par les données exige des entrées fiables. Lorsque vous comparez des outils, demandez comment le modèle est construit à partir des données existantes, comment les résultats sont validés, et qui pourra exécuter des scénarios une fois le projet terminé.

Prochaine étape

Appliquez les trois tests (enjeu, interaction et variation) à votre prochaine décision d'investissement. Si elle les satisfait, consignez l'enjeu, le coût d'une étude et la probabilité qu'elle modifie la décision. C'est un moyen court et fondé sur des faits de décider quand recourir à la simulation de production, et cela donne au sponsor une question claire à laquelle répondre.