Cinq erreurs courantes dans les projets de simulation et comment les éviter

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 erreurs commises dans un projet de simulation coûtent du temps et de la confiance. Découvrez cinq erreurs fréquentes, des questions vagues à la validation omise, avec un exemple détaillé et une liste de contrôle.

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

Les erreurs dans un projet de simulation sont pour la plupart évitables, et la plupart sont commises avant la construction du premier modèle. Ce guide s'adresse aux responsables de site qui parrainent un projet de simulation industrielle, ainsi qu'aux ingénieurs qui construisent le modèle, lorsqu'ils veulent que le travail aboutisse à une décision. Vous y découvrirez cinq erreurs courantes, tirées de deux articles du spécialiste de la simulation Averill Law et de la pratique, un exemple chiffré montrant pourquoi une seule exécution ne suffit pas, ainsi qu'une liste de contrôle pour votre prochain projet de simulation d'usine.

Points clés

• Cinq erreurs reviennent dans les projets de simulation : absence de question claire, mauvais niveau de détail, données faibles, absence de validation et confiance accordée à une seule exécution.
• Un modèle sans question claire ni décideur en contact régulier résout le mauvais problème, quelle que soit sa qualité.
• Commencez simple et n'ajoutez du détail que si la question l'exige : le détail superflu coûte du temps et masque les facteurs importants.
• Validez le modèle face au système existant avant de l'utiliser pour des prévisions, et conservez les hypothèses écrites pour les relire.
• Les événements aléatoires exigent de nombreuses réplications : une seule exécution peut classer deux options dans le mauvais ordre.

Erreurs dans les projets de simulation : d'où elles viennent

Un projet de simulation n'est pas un exercice de programmation. Averill Law, dans son article sur la manière de mener une étude de simulation réussie présenté à la Winter Simulation Conference 2003, recense 17 pièges répartis en quatre groupes : modélisation et validation, logiciels, aléa et plan d'expériences. En 2024, il a complété cette liste avec 23 pièges dans un article présenté à la même conférence. Il note que la programmation ne représente que 25 à 50 % du travail d'une étude bien menée.

Law travaille au sein de son propre cabinet de conseil en simulation, Averill M. Law & Associates ; ses listes reflètent donc le point de vue d'un seul expert. Elles rejoignent un article pratique de J. Michael Knoll et Joseph Heim, chez Genie Industries, sur l'adoption de la simulation à événements discrets dans un environnement industriel, fondé sur un seul fabricant de taille moyenne et qui ne chiffre aucune économie.

À partir de ces sources et de la pratique courante, nous retenons cinq erreurs qui comptent le plus pour un site industriel. Cette sélection est la nôtre et ne constitue pas un classement issu des articles.

Erreur 1 : absence de question claire et de contact avec le décideur

La première erreur consiste à commencer par l'outil plutôt que par la question. Law range parmi ses pièges les objectifs mal définis et le peu de contacts réguliers avec le décideur. Il cite un avertissement selon lequel le plus grand modèle appliqué au mauvais problème sera de peu d'utilité pour le décideur. Dans l'un de ses exemples, un analyste a travaillé pendant des mois sans consulter le général à l'origine de la demande, qui a quitté le point d'étape final au bout de cinq minutes en déclarant que ce n'était pas le problème qui l'intéressait.

Knoll et Heim ajoutent une règle pratique : un modèle dont les résultats ne seront pas utilisés ne devrait pas être construit.

Comment l’éviter. Formulez la question comme une décision. « Laquelle de deux dispositions permet de produire 3 000 unités par équipe ? » est une question. « Simulons l’usine » n’en est pas une. Organisez une réunion de lancement avec toutes les personnes concernées, désignez qui décide et à quelle échéance, et convenez de réunions de suivi régulières pendant toute la durée du projet.

Erreur n° 2 : un niveau de détail inadapté

La deuxième erreur consiste à modéliser trop, ou trop peu. Law qualifie le niveau de détail inadapté d’une des erreurs les plus courantes, en particulier chez les nouveaux analystes. Il recommande d’inclure juste assez de détails pour répondre aux questions qui importent, et de commencer simple pour n’ajouter du détail que si nécessaire. Knoll et Heim sont du même avis : limitez strictement le périmètre et n’étendez pas un modèle simplement parce que c’est possible.

Trop de détails retarde le projet et noie les facteurs déterminants dans une multitude de paramètres. Trop peu de détails omet un effet que vous vouliez tester, comme un changement de série ou un stock tampon.

Comment l’éviter. Pour chaque élément et chaque paramètre d’entrée du modèle, demandez-vous s’il modifie la réponse à la question posée. Si ce n’est pas le cas, omettez-le ou remplacez-le par une règle simple. Consignez les hypothèses dans un bref modèle conceptuel, activité que Law juge absolument critique et souvent négligée, et passez-le en revue avec les personnes qui connaissent la ligne.

Erreur n° 3 : une collecte de données de simulation insuffisante

La troisième erreur concerne les données. Law cite la mauvaise collecte des données système parmi les pièges à éviter, et il met également en garde contre deux erreurs typiques de modélisation des entrées. La première consiste à remplacer une entrée aléatoire par sa moyenne. Dans son exemple de file d’attente, l’utilisation de durées constantes égales aux moyennes supprime complètement la file : le modèle n’affiche alors aucune attente là où le système réel en connaît. La seconde consiste à choisir une loi de distribution, comme la loi normale, par habitude. Dans l’un de ses exemples, une loi normale appliquée aux durées de service a produit une erreur de sortie de 39 % par rapport à une distribution mieux ajustée.

Les données de production elles-mêmes demandent de la rigueur. Le motif d’arrêt enregistré dans le système d’exécution de fabrication correspond-il au registre de maintenance ? Si un jumeau numérique, c’est-à-dire une représentation numérique entretenue d’une ressource physique, mise à jour à partir d’observations, est disponible, il peut fournir des données actuelles. Sinon, prévoyez du temps pour la mesure.

Comment l’éviter. Listez les données dont la question a besoin, identifiez la source et le responsable de chaque élément, et collectez la variabilité, pas seulement la moyenne. Faites appel à au moins deux experts pour les parties importantes du processus, car une partie de ce que l’on vous dira sera inexacte.

Erreur n° 4 : négliger la validation du modèle de simulation

La quatrième erreur consiste à faire confiance à un modèle qui n’a jamais été confronté à la réalité. Law considère la comparaison des résultats du modèle avec le système existant comme la technique de validation la plus importante, et précise qu’elle contribue aussi à la crédibilité du modèle. Dans son article de 2024, il donne l’exemple d’une usine de pâte à papier où le débit du modèle et celui du système ne différaient que de 0,4 et 1,1 %. Il recommande également une revue structurée des hypothèses avec toutes les parties prenantes, car les erreurs et omissions du modèle finiront par être découvertes.

Comment l’éviter. Construisez d’abord la référence (baseline) et vérifiez-la par rapport à la production, aux arrêts et au délai de traversée de la ligne réelle. Faites valider les résultats de simulation par des experts pour en vérifier la cohérence, et testez quel paramètre d’entrée influence le plus les résultats. Ce n’est qu’ensuite que vous utiliserez le modèle pour comparer des options. Si la ligne n’existe pas encore, comparez le modèle à une ligne similaire ou à des calculs, et dites-le ouvertement.

Erreur n° 5 : considérer une seule exécution comme la vérité

La cinquième erreur relève de la statistique. Une simulation comportant des événements aléatoires donne un résultat différent à chaque exécution. Law met en garde contre le fait de considérer le résultat d’une seule exécution comme la performance réelle du modèle. Dans son exemple d’un bureau d’immatriculation des véhicules, le délai moyen variait de 1,83 à 10,37 minutes selon les réplications. Il mentionne aussi l’omission d’une période de chauffe, lorsque l’état initial est vide et non représentatif, ainsi que la comparaison d’options sans intervalles de confiance.

Comment l’éviter. Effectuez de nombreuses réplications indépendantes, écartez la période de chauffe, planifiez les analyses avant les exécutions, et comparez les options à l’aide de plages de valeurs ou d’intervalles de confiance, et non de chiffres isolés.

Exemple : une exécution contre cinq réplications

Il s’agit d’un exemple illustratif reposant sur des chiffres supposés, et non d’un cas mesuré. Une usine compare deux conceptions de stock tampon, A et B, dans un modèle de ligne de conditionnement. Le débit par poste de chaque conception dans le modèle est le suivant :

• Conception A, cinq réplications : 412, 389, 401, 395 et 393 unités. La moyenne est de 1 990 ÷ 5 = 398 unités.
• Conception B, cinq réplications : 405, 399, 408, 402 et 406 unités. La moyenne est de 2 020 ÷ 5 = 404 unités.

Si l’équipe n’avait exécuté que la première réplication de chaque conception, A aurait obtenu 412 et B 405 : A paraîtrait donc meilleur de 7 unités. Avec cinq réplications, B est en moyenne meilleur de 6 unités, et sa plage, de 399 à 408, est plus étroite que celle de A, qui va de 389 à 412. La première série d’essais a classé les conceptions dans le mauvais ordre.

Cinq réplications constituent un minimum pour une illustration. Un projet réel en exécuterait davantage et calculerait des intervalles de confiance. L’étape de validation repose sur la même idée : si le modèle de référence donne une moyenne de 391 unités, alors que la ligne réelle a produit en moyenne 380 unités par poste sur 20 postes, le modèle est supérieur de 11 unités, soit environ 3 %. L’équipe décide si cet écart est suffisamment faible pour la question posée, et elle consigne cette décision.

Comment éviter les cinq erreurs : une liste de contrôle

1. Formulez la question sous la forme d’une décision, en précisant le décideur et la date.
2. Organisez une réunion de lancement avec toutes les parties prenantes et convenez de réunions de revue. Considérez le travail comme une itération avec des points de revue, et non comme un flux de travail à sens unique.
3. Commencez simplement. Rédigez un court modèle conceptuel accompagné de ses hypothèses, et faites-le valider par des experts avant de programmer.
4. Planifiez les données. Nommez la source et le propriétaire de chaque donnée, et collectez la variabilité.
5. Validez le modèle de référence par rapport à la ligne réelle avant de tester des options.
6. Répliquez. Exécutez suffisamment de réplications, écartez la phase de chauffe et présentez les plages de valeurs.

Erreurs courantes

• Traiter le projet comme une tâche de programmation. La programmation ne représente qu’une partie du travail, selon Law.
• Laisser l’animation décider. Un bref coup d’œil à l’animation n’est pas une expérience.
• Choisir les outils de simulation uniquement en fonction du prix. Adaptez l’outil au problème et aux compétences de votre équipe, et n’utilisez pas le logiciel de simulation comme une boîte noire.
• Aucune documentation. Un modèle sans hypothèses écrites ne peut ni être relu ni être réutilisé.
• Aucun responsable après le projet. Un modèle que personne ne met à jour devient obsolète dès le premier changement.

Comment les logiciels peuvent aider

iFAKT's Polaris Simulator est un module d’iFAKT Polaris qui teste virtuellement le système de production, par exemple des scénarios de capacité, d’effectifs et de stock tampon, et met en évidence les goulets d’étranglement avant que des modifications ne soient apportées. Quel que soit l’outil choisi, et avant d’utiliser la simulation pour une décision, vérifiez la manière dont il gère les réplications et la phase de chauffe, la façon dont vous importez les données réelles, et la possibilité de documenter et de revoir les hypothèses. Un logiciel ne peut pas remplacer la question ni la validation.

Étape suivante

Prenez votre prochain projet de simulation industrielle, ou celui qui est en cours, et vérifiez-le au regard de la liste de contrôle ci-dessus. Lorsqu’une réponse manque, vous avez identifié une cause probable des erreurs dans les projets de simulation, et vous pouvez la corriger avant la construction du modèle.