Données du modèle de simulation : d’où elles viennent et quelle qualité elles doivent avoir

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

Les données d’un modèle de simulation proviennent de systèmes, de mesures et d’experts. Découvrez les sources, les écarts de qualité habituels et le niveau de qualité requis pour les données d’entrée d’une simulation.

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

Les données nécessaires à la construction d’un modèle de simulation proviennent de trois sources : les systèmes métier et d’atelier, la mesure directe et les personnes qui connaissent la ligne. Le niveau de qualité requis dépend de la question posée, et non d’une norme générale. Ce guide s’adresse aux responsables de l’amélioration continue chargés de fournir les données d’une simulation d’usine. Vous y découvrirez les besoins du modèle, l’origine de chaque donnée, les erreurs fréquentes, un exemple chiffré et un plan en six étapes pour obtenir des données suffisamment fiables.

Points clés

• Un modèle de simulation a besoin des produits et de leurs gammes, des temps de traitement, des ressources, des arrêts, des commandes et des règles d’effectifs ; chaque élément provient d’un système, d’une mesure ou d’un expert.
• Les données proviennent de sources primaires, comme les études chronométriques et l’observation, et de sources secondaires, comme les systèmes ERP, MES et CAO, ainsi que les prévisions.
• Les écarts typiques sont les temps ERP préréglés qui diffèrent des temps réels, les enregistrements en double, les données en décalage avec la réalité et l’absence de variation.
• Les données doivent être suffisamment fiables pour la question posée : vérifiez quelles entrées modifient le plus le résultat et concentrez vos efforts sur celles-ci.
• Utilisez des distributions et des enregistrements réels, et pas seulement des moyennes, car la variation crée les temps d’attente que vous voulez tester.

Données pour la construction d’un modèle de simulation : ce dont le modèle a besoin

Un modèle de flux d’une ligne nécessite six types de données d’entrée. Cette liste est notre propre synthèse des pratiques courantes, et non une norme.

• Produits et gammes. Quel produit passe par quel poste, et dans quel ordre.
• Temps. Temps de traitement par produit et par poste, temps de changement de série, ainsi que la variation de ces deux éléments.
• Ressources. Machines, outils et personnel, leur capacité et leur disponibilité, y compris les pannes et les arrêts planifiés.
• Commandes et demande. Tailles des commandes, assortiment et rythme d’arrivée, issus du carnet de commandes ou d’une prévision.
• Règles. Modèle de postes, temps de pause, règles de séquencement et de lots, et déplacements des opérateurs entre les postes.
• Qualité. Taux de rebut et de retouche, et lieux où les défauts sont détectés.

Le modèle n’a pas besoin de tous les chiffres de l’usine. Il a besoin des chiffres dont dépend la question, ainsi que de la variation, car c’est elle qui crée l’attente que vous voulez simuler et tester. Un modèle ne peut prédire que ce que ses données permettent.

D’où viennent les données d’entrée d’une simulation : la collecte de données en pratique

Un article de Maja Bärring et de ses collègues, présenté à la Winter Simulation Conference 2018, décrit les sources en deux groupes, dans la continuité des travaux antérieurs d’Anders Skoogh et de ses collègues.

• Les données primaires sont recueillies pour l’étude : mesures, études chronométriques et observation sur la ligne.
• Les données secondaires existent déjà. Elles comprennent des références externes telles que les normes industrielles et les experts du domaine, les systèmes métier de l’entreprise comme ERP, MES, PDM et CAO, ainsi que des données propres au projet, comme les prévisions de volumes de production.

Pour un responsable de l’amélioration continue, la collecte de données se présente concrètement ainsi. Le système d’exécution de fabrication (MES) conserve les temps de cycle réels, les événements d’arrêt et les quantités par poste. L’ERP conserve les commandes, les gammes de fabrication et les temps planifiés. Le système de CAO ou de PDM conserve la structure des produits. Les plannings d’équipe relèvent de la planification ou des RH. Les temps de changement de série et la manière réelle de travailler des opérateurs ne se trouvent souvent que par l’observation et en interrogeant les chefs d’équipe.

Pourquoi les données sont souvent insuffisantes

Bärring et ses collègues ont étudié deux entreprises, avec cinq personnes interrogées ; leurs conclusions sont donc indicatives, et non générales. Dans le cas où les données étaient collectées manuellement à partir de l’ERP et de tableurs, ils signalent des problèmes que de nombreuses usines reconnaîtront :

• Des valeurs ERP préconfigurées ont été utilisées à la place des temps réels, de sorte qu’il était impossible de savoir quels temps retenir.
• Le même élément était enregistré à la fois dans le système ERP et dans des tableurs.
• Les libellés étaient incohérents, et les services ne les utilisaient pas de la même manière.
• La réalité évoluait, mais le système, lui, ne suivait pas.

Les auteurs soulignent aussi que les systèmes ERP privilégient les valeurs déterministes aux valeurs stochastiques, si bien que la variabilité dont une simulation a besoin fait souvent défaut. Dans le second cas, l’acquisition automatique a permis d’éviter cinq des huit difficultés qu’ils énumèrent. L’article recommande notamment d’attribuer la responsabilité des données aux fonctions de l’entreprise. Une enquête de Skoogh, Perera et Johansson, publiée dans Simulation Modelling Practice and Theory, révèle qu’environ 80 % des utilisateurs de simulation s’appuient encore sur des procédures très manuelles pour leurs données d’entrée.

Gamme de fabrication et nomenclature dans une simulation

Deux types de données de référence posent souvent problème. La gamme de fabrication indique les opérations nécessaires à un produit, leur ordre, la ressource utilisée et le temps imparti. La nomenclature indique les composants qui entrent dans le produit. Pour un modèle de flux, la gamme constitue généralement l’ossature, et la nomenclature compte lorsque des pièces peuvent manquer ou lorsqu’un poste attend un sous-ensemble.

Les gammes de l’ERP sont souvent des valeurs de planification, définies une fois et rarement mises à jour, ce que décrivent Bärring et ses collègues. Avant d’intégrer une gamme dans un modèle, comparez ses temps aux temps réels issus du MES pour le même produit et le même poste. Vérifiez que l’enchaînement des opérations correspond toujours à l’atelier, et que la nomenclature reflète les variantes réellement fabriquées. Ne comblez pas une lacune avec des données simulées, appelées données synthétiques, sans oublier de les identifier comme telles.

Quelle doit être la qualité des données de simulation ?

La réponse : suffisamment bonne pour la décision. Averill Law, dans son article sur les pièges de la modélisation de simulation, demande que l’on consigne les distributions des données d’entrée et que le modèle soit validé. Il recommande de collecter des données sur toutes les sources possibles d’aléa du système, dans la mesure du possible. Il met en garde contre deux erreurs : remplacer une entrée aléatoire par sa moyenne, ce qui supprime entièrement la file d’attente dans son exemple, et choisir une loi normale par habitude, ce qui a produit, dans l’un de ses exemples, une erreur de sortie de 39 %.

Une façon pratique de décider de l’effort à consacrer consiste à classer les entrées selon leur effet et selon l’incertitude de chaque paramètre. Law recommande aussi une analyse de sensibilité pour identifier les facteurs qui influencent le plus les indicateurs de performance. Cette classification est un outil de planification que nous avons conçu nous-mêmes, et non une norme :

1. Niveau A : mesuré et vérifié. À utiliser pour les entrées qui modifient le plus le résultat, comme le temps de cycle au goulot d’étranglement et le profil des arrêts en amont.
2. Niveau B : extrait d’un système et vérifié sur un échantillon. À utiliser pour les entrées à effet moyen.
3. Niveau C : jugement d’expert. À utiliser pour les entrées à faible effet, en consignant l’hypothèse retenue.

Enfin, vérifiez l’ensemble par une validation : le modèle reproduit-il la production de la ligne réelle ? Si ce n’est pas le cas, examinez d’abord les entrées de niveau A.

Exemple : temps de la gamme contre temps réel

Il s’agit d’un exemple illustratif avec des chiffres supposés, et non d’un cas mesuré. Une ligne fabrique un seul produit. La gamme de l’ERP indique 42 secondes par pièce au goulot d’étranglement. Le MES affiche un temps de cycle réel médian de 47 secondes sur quatre semaines.

• Production horaire avec le temps de la gamme : 3 600 ÷ 42 = 85,7 pièces.
• Production horaire avec le temps réel : 3 600 ÷ 47 = 76,6 pièces.
• La gamme surestime la cadence de 85,7 ÷ 76,6 = environ 12 %. Sur un poste de 8 heures, cela représente environ 686 pièces contre 613, soit un écart de 73 pièces.

Un modèle alimenté par la gamme ferait une prédiction que la ligne n'a jamais atteinte, et toute amélioration mesurée par rapport à ce modèle paraîtrait moins bonne qu'elle ne l'est réellement.

La même logique s'applique aux arrêts. Supposons que le MES enregistre sept arrêts d'une durée de 2, 3, 3, 4, 5, 6 et 40 minutes. La somme est de 63 minutes, la moyenne est donc de 9 minutes, alors que la médiane est de 4 minutes. Un modèle avec un arrêt constant de 9 minutes ne montre jamais l'arrêt de 40 minutes qui vide le stock tampon, et il fait apparaître plus d'arrêts moyens que la ligne n'en connaît réellement. Représentez graphiquement les durées enregistrées, calculez leur dispersion, et utilisez-les directement ou une loi de distribution statistique ajustée sur celles-ci. Estimez ses paramètres à partir des enregistrements.

Bien exploiter les données : un plan en six étapes

1. Listez les questions. La question détermine les données d'entrée dont vous avez besoin.
2. Listez les éléments des six groupes ci-dessus, et indiquez ceux dont dépend le plus la question.
3. Désignez la source et le responsable de chacun, par exemple le MES pour les arrêts, l'ERP pour les commandes, un observateur pour les changements de série.
4. Comparez les sources. Vérifiez les temps de gamme par rapport au MES, et contrôlez que les identifiants et les unités concordent d'un système à l'autre.
5. Mesurez les écarts avec une méthode de niveau A pour les données d'entrée qui comptent, et consignez les hypothèses pour le reste.
6. Validez et conservez les données. Comparez le modèle à la ligne réelle, enregistrez le jeu de données avec une date, et désignez un responsable chargé de le mettre à jour.

Erreurs courantes

• Charger la gamme de l'ERP sans contrôle. Les valeurs planifiées ne sont pas des valeurs réelles.
• Ne travailler qu'avec des moyennes. Chaque donnée d'entrée est une variable dotée d'une dispersion, et non un chiffre unique. La variation crée le temps d'attente, et la moyenne l'efface.
• Tout collecter. Un effort sans question fait perdre un temps que le projet n'a pas, et le volume même masque ce qui compte.
• Mélanger les définitions. Un arrêt, un changement de série ou un cycle peut avoir des sens différents selon les systèmes.
• Absence de responsable. Les chiffres que personne ne maintient sont obsolètes dès le prochain changement.
• Sauter la validation. Sans comparaison avec la ligne réelle, vous ne savez pas si les données d'entrée sont suffisamment fiables.

Comment les logiciels peuvent aider

Un graphe de connaissances qui relie produits, étapes de processus et ressources peut réduire les données en double et contradictoires, car chaque fait n'est stocké qu'une seule fois. Polaris Designer d'iFAKT est un module d'iFAKT Polaris qui construit un graphe de connaissances produit-processus-ressource (PPR) servant de source unique de vérité pour les produits, les étapes de processus et les ressources. Il ne remplace ni la comparaison avec les temps réels, ni la désignation des responsables, ni la validation du modèle. Quel que soit l'outil utilisé, demandez comment il importe les données de votre ERP et de votre MES, et comment les modifications sont suivies.

Prochaine étape

Prenez le poste goulot d'une ligne et comparez le temps de gamme dans l'ERP avec le temps de cycle réel dans le MES sur les quatre dernières semaines. S'ils diffèrent, vous avez trouvé le premier écart dans les données destinées à la construction du modèle de simulation, et vous savez par où commencer.