Suivi des KPI de simulation de production : comparer les scénarios de façon équitable

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 · 2026-11-12

Le suivi des KPI de simulation de production commence par quelques indicateurs définis comme votre usine les définit. Découvrez comment exécuter des scénarios, interpréter les résultats et les restituer.

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

Le suivi des KPI de simulation de production consiste à choisir un petit ensemble d’indicateurs de performance avant de construire le modèle, à les calculer dans le modèle exactement comme l’usine les calcule, puis à comparer les scénarios sur ces valeurs. Si les définitions diffèrent entre le modèle et l’usine, les résultats ne sont pas fiables, quelle que soit la qualité du tableau de bord. Cet article s’adresse aux responsables de site et aux ingénieurs de procédés qui mènent des études de simulation ou qui doivent en interpréter les résultats et prendre des décisions à partir de ceux-ci.

Points clés

• Le suivi des KPI de simulation consiste à choisir quelques indicateurs avant la construction du modèle, puis à les calculer exactement comme l’usine le fait.
• La norme ISO 22400-2 illustre cette rigueur : chaque KPI est décrit par sa formule, ses éléments, son comportement temporel et son unité.
• Une seule exécution de simulation ne constitue qu’un échantillon : utilisez donc plusieurs réplications et présentez une moyenne accompagnée d’un intervalle de confiance.
• Ne modifiez qu’un seul paramètre par scénario, comparez les scénarios sur les mêmes définitions de KPI et vérifiez d’abord la situation de référence par rapport à une période passée réelle.
• Les résultats de simulation ne sont pas des données en temps réel : un tableau de bord alimenté par ces résultats doit donc être actualisé après chaque série d’exécutions et étiqueté par scénario.

Qu’est-ce que le suivi des KPI de simulation de production ?

Un modèle de simulation produit une grande quantité de données brutes : chaque pièce, chaque attente, chaque état des machines sur la durée simulée. Le suivi des KPI transforme ces données en quelques chiffres comparables. Là où la simulation d’usine répond à la question « que se passe-t-il si nous modifions ceci ? », les KPI indiquent dans quelle mesure, selon des termes que l’usine utilise déjà.

Cette démarche peut échouer de deux façons. Dans la première, l’équipe mesure ce qui est facile à extraire du logiciel de modélisation et aboutit à des chiffres que personne à l’usine ne reconnaît. Dans la seconde, l’équipe reprend une longue liste de KPI issue d’un modèle de tableau de bord, et l’étude se noie dans des chiffres sans lien avec la décision.

La solution est la même dans les deux cas. Partez de la décision, par exemple « faut-il ajouter une deuxième équipe sur la ligne d’assemblage ou acheter une deuxième machine ? », et demandez-vous quels chiffres vous feraient choisir une option plutôt qu’une autre. Ce sont là vos KPI.

Quels KPI retenir dans une étude de simulation ?

Gardez une liste courte : cinq à sept indicateurs suffisent. Voici les choix courants ; ceux qui comptent vraiment dépendent de votre question :

1. Débit. Nombre de bonnes unités produites par heure, par équipe ou par semaine.
2. Délai de traversée. Durée nécessaire à une commande ou à une pièce pour aller de la mise en lancement à la fin de fabrication.
3. Encours (WIP). Quantité présente dans le système à un instant donné. Il évolue souvent de pair avec le délai de traversée.
4. Taux d’utilisation des ressources. Part du temps disponible pendant laquelle machines et opérateurs sont occupés. Observez le goulot d’étranglement ainsi que la ressource qui le suit immédiatement.
5. Temps d’attente et longueur des files en amont du goulot d’étranglement.
6. Livraison à date, si le modèle intègre des dates d’échéance.
7. TRS, si les pertes d’équipement constituent la contrainte.

Sur l’OEE, soyez précis. Le Lean Enterprise Institute décrit l’efficacité globale des équipements (TRS) comme une métrique de maintenance productive totale qui multiplie les taux de disponibilité, de performance et de qualité. Il indique qu’elle vise généralement les six grandes pertes : pannes, réglages, arrêts mineurs, ralentissements, rebuts et retouches. L’OEE n’a de sens dans une simulation que si le modèle intègre ces pertes, notamment le comportement en cas de panne, les changements de série et les taux de rebut. Sinon, une valeur d’OEE issue du modèle n’est qu’une estimation avec une virgule. Sur une ligne multiproduit avec un changement de série long, l’OEE peut aussi masquer ce qui pilote les coûts et les délais. Associez-le donc au délai de fabrication ou au taux de livraison à temps.

Renoncez aux indicateurs sur lesquels le modèle n’a aucune prise. Si vos scénarios modifient le schéma d’équipes, un score de satisfaction client n’a pas sa place dans l’étude.

Comment définir les indicateurs pour que le modèle et l’usine s’accordent ?

Rédigez une fiche d’indicateurs d’une page avant la première exécution. Pour chaque indicateur, précisez :

• le nom et la question auxquelles il répond,
• la formule et ses éléments,
• la base temporelle, par exemple par équipe, par semaine calendaire ou par heure de production planifiée,
• l’unité,
• l’origine de la valeur réelle dans l’usine,
• la personne responsable de la définition.

C’est la discipline que suivent les normes de ce domaine. La page ISO consacrée à l’ISO 22400-2, qui définit les indicateurs clés de performance pour le pilotage des opérations de fabrication, indique que chaque indicateur est décrit par sa formule et ses éléments, son comportement dans le temps, son unité ou sa dimension, son groupe d’utilisateurs et la méthode de production à laquelle il se rattache. La page que j’ai consultée décrit le projet de seconde édition, qui remplacera la version de 2014 ; vérifiez donc l’édition en vigueur si vous comptez citer la norme. Vous n’êtes pas obligé d’adopter la norme pour en tirer profit : une définition précise par indicateur.

La plupart des désaccords viennent du temps. La « disponibilité » change selon la réponse à la question « disponible sur quelle base ? ». La description de l’OEE par le LEI mesure les arrêts dus aux pannes et aux changements de série par rapport au temps planifié. Le temps planifié doit donc être clairement défini dans votre fiche. Inclut-il la maintenance préventive ? Les pauses ? Une équipe que le calendrier indique comme non travaillée ? Tranchez ces points avant de construire le modèle, car ils modifient chaque résultat.

Effectuez ensuite le contrôle qui donne sa valeur à la fiche : calculez les mêmes indicateurs sur une période passée réelle à partir des données de l’usine, puis comparez-les à ceux que produit le modèle lorsque vous lui fournissez cette période.

Comment lancer des scénarios et lire les résultats ?

Une exécution de simulation est un échantillon aléatoire. Pannes, heures d’arrivée et durées de traitement varient ; deux exécutions du même scénario donnent donc deux réponses différentes. Considérez une exécution unique comme une anecdote.

1. Validez la base de référence. Exécutez le modèle sur une période que vous connaissez et comparez les indicateurs à la réalité. Si le modèle ne reproduit pas le passé dans un intervalle acceptable, corrigez-le avant de tester la moindre modification.
2. Utilisez des réplications. Exécutez chaque scénario plusieurs fois avec des flux aléatoires indépendants. Un cours du MIT sur la conception d’expériences de simulation décrit la détermination du nombre de réplications selon un objectif de précision : on poursuit jusqu’à ce que l’intervalle de confiance soit suffisamment étroit par rapport à l’estimation. Il précise aussi qu’avec moins de 30 réplications, on utilise la loi de Student pour calculer l’intervalle.
3. Gérez la période d’échauffement. Pour une usine qui fonctionne en continu, le modèle démarre vide et a besoin de temps pour atteindre un fonctionnement normal. Le même cours décrit l’élimination de la première partie de chaque réplication et mentionne la méthode de Welch pour choisir la durée à éliminer. Si votre question porte sur une période définie, par exemple un lot de commandes, démarrez le modèle dans l’état où se trouve l’usine à ce moment-là.
4. Modifiez une seule chose par scénario. Si le scénario B ajoute une machine, modifie le schéma d’équipes et la taille des lots, vous ne saurez pas lequel de ces changements a produit quel effet.
5. Présentez des fourchettes. « Le débit augmente de 4 % à 9 % » est plus honnête que « le débit augmente de 6,5 % ». Si les intervalles de deux scénarios se chevauchent largement, dites que les données ne permettent pas de les distinguer.
6. Regardez l’ensemble du flux. Un gain sur une machine peut déplacer le goulot d’étranglement ailleurs. Vérifiez le taux d’utilisation et les files d’attente tout au long du flux, et pas seulement au poste que vous avez modifié.

Tenez un registre des scénarios : une liste comprenant le nom du scénario, ce qui a changé, les hypothèses, le nombre de réplications et la date. Sans cela, personne ne se souviendra dans six mois pourquoi le scénario 7 a été retenu.

Comment présenter les KPI de simulation aux managers ?

Les managers ont besoin de la comparaison, et non des résultats bruts. Une page simple fonctionne bien : la référence et chaque scénario côte à côte, pour les mêmes quelques KPI, avec la plage de valeurs et une note décrivant ce que change chaque scénario.

Dans un environnement Microsoft, une voie courante consiste à charger un tableau de résultats dans Power BI. Chaque ligne contient le scénario, la réplication, le nom du KPI et la valeur, ce qui permet de construire la comparaison et de filtrer par scénario. La documentation de Microsoft sur l’actualisation des données explique que les données importées dans un modèle sémantique constituent une copie à un instant donné, et qu’il faut donc les actualiser pour voir les nouvelles données. Pour les résultats de simulation, cela convient bien : vous actualisez après un lot d’exécutions, et non avant.

Deux points pratiques en découlent :

• Marquez chaque visuel comme un résultat de scénario, avec la date de la dernière exécution. Des chiffres prévisionnels affichés à côté de chiffres d’atelier en temps réel invitent à une mauvaise interprétation.
• Présentez ensuite le planifié par rapport au réel, une fois la modification en place, en utilisant les mêmes définitions de KPI. C’est là que la fiche KPI prend toute son utilité.

Si vous souhaitez une vue en temps réel de l’atelier à côté du modèle, c’est un chantier distinct, avec son propre flux de données. Considérez-le comme la phase suivante, une fois les KPI de simulation jugés fiables.

Comment garder le modèle fiable dans la durée ?

Un modèle juste en mars peut être faux en septembre, car le processus a évolué.

• Recalibrez. Comparez les KPI du modèle aux KPI réels chaque trimestre, ou après tout changement majeur, et ajustez les données d’entrée en cas de dérive.
• Désignez un responsable des données d’entrée. Les temps de cycle, les temps de réglage, le comportement en cas de panne et les calendriers d’équipes ont besoin d’un propriétaire identifié qui les met à jour. Traitez les données de simulation comme un produit doté d’un mainteneur.
• Intégrez les opérateurs là où c’est important. Les opérateurs modifient les résultats par leurs absences, leurs compétences et leurs variations de rythme de travail. Il n’est pas nécessaire de modéliser la fatigue pour en tenir compte : une variation réaliste des temps de cycle et les effectifs réels par équipe permettent déjà d’aller très loin. Demandez aux chefs d’équipe si les hypothèses du modèle vous semblent justes.
• Revoyez vos objectifs. N’intégrez pas dans votre modèle un benchmark issu d’une autre usine sans vérifier qu’il correspond à votre gamme de produits. Commencez par votre propre référence.

Erreurs courantes

• Commencer par le tableau de bord. Définissez d’abord les KPI et la question à laquelle il doit répondre.
• Trop de KPI. Une page comportant vingt chiffres ne sera pas lue.
• Des définitions différentes entre le modèle et l’usine. Dans ce cas, aucune comparaison n’est possible.
• Une seule exécution par scénario. Le hasard tranchera à votre place.
• Négliger la vérification de la référence. Si le modèle ne parvient pas à reproduire le passé, ses prévisions n’ont aucun fondement.
• Modifier plusieurs éléments par scénario. Vous ne pouvez alors rien conclure sur la cause.
• Présenter des prévisions comme des données en direct. Identifiez clairement les résultats de scénarios.
• Aucun responsable des données d’entrée du modèle. D’anciennes données produisent des réponses erronées, mais assurées.

Où se situe Polaris

Pour ce type d’étude, iFAKT Polaris propose deux modules à examiner. iFAKT décrit le Polaris Simulator comme un outil qui teste virtuellement le système de production avant les décisions réelles, avec des scénarios de capacité, d’effectifs et de stocks tampons, et qui met en évidence les goulots d’étranglement et les déséquilibres d’utilisation au fil du temps. Le Polaris Analyzer fournit des tableaux de bord KPI pour l’ensemble des modules et compare les valeurs planifiées et réelles. Comme pour tout outil, vérifiez que les définitions de KPI qu’il utilise correspondent aux vôtres, et commencez par le tester sur une seule ligne.

Sujets connexes à explorer

• Hiérarchies de KPI. Comment les valeurs par ligne, équipe, service et usine se consolident sans recalcul à chaque niveau.
• Sources de données pour le modèle. Quelles données de l’ERP, des machines et des saisies manuelles alimentent le modèle, et comment en vérifier la qualité.
• Normaliser entre les usines. Comment comparer des sites au niveau d’automatisation différent sans pénaliser les usines à forte variété de produits.
• Variation de la main-d’œuvre dans les modèles. Quels effets liés aux opérateurs et aux équipes méritent d’être modélisés, et lesquels ajoutent de la complexité sans apporter de valeur.
• Du plan au réel. Comment comparer le scénario retenu aux KPI réels une fois le changement en production.

Prochaine étape

Le suivi des KPI de simulation de production est rentable lorsque le modèle et l’usine parlent les mêmes chiffres. Prenez votre prochaine question de simulation, rédigez la fiche KPI sur une page avec la formule, la base temporelle et l’unité, puis vérifiez-la sur une période passée réelle avant de lancer le premier scénario.