Monitoraggio dei KPI di simulazione manifatturiera: confrontare gli scenari in modo corretto

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

By Mirko Peters · 2026-11-12

Il monitoraggio dei KPI della simulazione manifatturiera parte da pochi KPI definiti come li definisce il tuo stabilimento. Scopri come eseguire gli scenari, leggere i risultati e riportarli.

Automatically translated with AI from the original post. Read the English original

Il monitoraggio dei KPI della simulazione manifatturiera significa scegliere un piccolo insieme di indicatori di prestazione prima di costruire il modello, calcolarli nel modello esattamente come li calcola lo stabilimento, e confrontare gli scenari su questi numeri. Se le definizioni differono tra modello e stabilimento, i risultati non sono affidabili, per quanto bella sia la dashboard. Questo articolo è rivolto ai responsabili di stabilimento e agli ingegneri di processo che conducono studi di simulazione, o che devono leggerne i risultati e prendere decisioni in base a essi.

Punti chiave

• Il monitoraggio dei KPI di simulazione significa scegliere alcuni KPI prima di costruire il modello e calcolarli esattamente come li calcola lo stabilimento.
• La norma ISO 22400-2 mostra il metodo: ogni KPI è descritto dalla sua formula, dai suoi elementi, dal suo comportamento temporale e dalla sua unità di misura.
• una singola esecuzione di simulazione è un solo campione, quindi usa diverse repliche e riporta una media con un intervallo di confidenza.
• Cambia una sola cosa per scenario, confronta gli scenari con le stesse definizioni di KPI e verifica prima la baseline rispetto a un periodo reale passato.
• I risultati della simulazione non sono in tempo reale, quindi una dashboard alimentata da essi deve essere aggiornata dopo ogni gruppo di esecuzioni ed etichettata per scenario.

Che cos'è il monitoraggio dei KPI della simulazione manifatturiera?

Un modello di simulazione produce moltissimi dati grezzi: ogni pezzo, ogni attesa, ogni stato di ogni macchina nel tempo simulato. Il monitoraggio dei KPI trasforma questi dati in una manciata di numeri che le persone possono confrontare. Mentre la simulazione di fabbrica risponde alla domanda «che cosa succede se cambiamo questo?», i KPI dicono quanto, con termini che lo stabilimento già usa.

Ci sono due modi in cui questo può andare storto. Nel primo, il team misura ciò che è più facile ottenere dal software del modello e finisce con cifre che nessuno in stabilimento riconosce. Nel secondo, il team copia una lunga lista di KPI da un modello di dashboard, e lo studio si perde in numeri che non hanno nulla a che fare con la decisione.

La soluzione è la stessa in entrambi i casi. Parti dalla decisione, ad esempio «aggiungiamo un secondo turno sulla linea di montaggio o acquistiamo una seconda macchina?», e chiediti quali numeri ti farebbero preferire un'opzione all'altra. Quelli sono i tuoi KPI.

Quali KPI servono in uno studio di simulazione?

Mantieni la lista breve. Da cinque a sette sono più che sufficienti. Ecco alcune scelte comuni; quali contano davvero dipende dalla tua domanda:

1. Throughput. Unità buone prodotte per ora, turno o settimana.
2. Lead time. Quanto tempo impiega un ordine o un pezzo dal rilascio al completamento.
3. Lavoro in corso (WIP). Quanto materiale si trova nel sistema in un dato momento. Spesso varia insieme al lead time.
4. Utilizzo delle risorse. Quanta parte del tempo disponibile macchine e persone sono occupate. Osserva il collo di bottiglia e la risorsa che lo precede o lo segue.
5. Tempo di attesa e lunghezza della coda davanti al collo di bottiglia.
6. Consegna puntuale, se il modello include le date di consegna.
7. OEE, se le perdite delle attrezzature sono il limite.

Sull'OEE, sii preciso. Il Lean Enterprise Institute descrive l'overall equipment effectiveness come una metrica di total productive maintenance che moltiplica i tassi di disponibilità, prestazione e qualità, e afferma che di solito si concentra sulle sei grandi perdite: guasti, regolazioni, fermi minori, riduzioni di velocità, scarti e rilavorazioni. Un OEE ha senso in una simulazione solo se il modello contiene quelle perdite, come il comportamento dei guasti, i cambi di formato e i tassi di scarto. Se non le contiene, un valore OEE calcolato dal modello è una supposizione con la virgola. Su una linea multiprodotto con un cambio formato lungo, l'OEE può inoltre nascondere ciò che determina costi e consegne, quindi affiancalo al lead time o alla consegna puntuale.

Resisti ai KPI che il modello non può influenzare. Se i tuoi scenari cambiano il turno di lavoro, un punteggio di soddisfazione del cliente non ha posto nello studio.

Come definisci i KPI in modo che modello e stabilimento siano d'accordo?

Prima della prima esecuzione, scrivi una scheda KPI di una pagina. Per ogni KPI, indica:

• il nome e la domanda a cui risponde,
• la formula e i suoi elementi,
• la base temporale, ad esempio per turno, per settimana di calendario o per ora di produzione pianificata,
• l'unità di misura,
• da dove proviene il valore reale in stabilimento,
• chi è il responsabile della definizione.

È la disciplina che seguono gli standard in questo ambito. La pagina ISO dedicata alla ISO 22400-2, che definisce gli indicatori chiave di prestazione per la gestione delle operazioni di produzione, afferma che ogni KPI è descritto dalla sua formula e dai suoi elementi, dal suo comportamento temporale, dalla sua unità o dimensione, dal suo gruppo di utenti e dalla metodologia di produzione a cui appartiene. La pagina che ho letto descrive la bozza della seconda edizione che sostituirà la versione del 2014, quindi verifica l'edizione in vigore se intendi citare lo standard. Non devi adottare lo standard per trarre vantaggio dalla sua abitudine: una definizione precisa per ogni KPI.

La maggior parte dei disaccordi nasce dal tempo. La "disponibilità" cambia a seconda della risposta alla domanda "disponibile su quanto?". La descrizione dell'OEE data da LEI misura i fermi dovuti a guasti e cambi formato rispetto al tempo pianificato, quindi il tempo pianificato deve essere definito con chiarezza nella tua scheda. Include la manutenzione programmata? Le pause? Un turno che il calendario indica come non lavorativo? Stabilisci questo punto prima di costruire il modello, perché cambia ogni risultato.

Poi esegui il controllo che dà valore alla scheda: calcola gli stessi KPI su un periodo passato reale usando i dati di stabilimento, e confrontali con ciò che produce il modello quando gli fornisci quel periodo.

Come eseguire gli scenari e leggere i risultati?

Un'esecuzione di simulazione è un campione casuale. Guasti, tempi di arrivo e tempi di lavorazione variano, quindi due esecuzioni dello stesso scenario danno due risposte diverse. Tratta una singola esecuzione come un aneddoto.

1. Valida la baseline. Esegui il modello per un periodo che conosci e confronta i KPI con la realtà. Se il modello non riesce a riprodurre il passato entro un intervallo accettabile, correggi il modello prima di testare qualsiasi modifica.
2. Usa le repliche. Esegui ogni scenario più volte con flussi casuali indipendenti. Una lezione del MIT sul disegno di esperimenti di simulazione descrive come fissare il numero di repliche in base a un obiettivo di precisione: si continua finché l'intervallo di confidenza è sufficientemente stretto rispetto alla stima. Osserva inoltre che con meno di 30 repliche per l'intervallo si usa la distribuzione t di Student.
3. Gestisci il warm-up. Per uno stabilimento che lavora in continuo, il modello parte vuoto e ha bisogno di tempo per raggiungere il funzionamento normale. La stessa lezione descrive di scartare la prima parte di ogni replica e menziona il metodo di Welch per scegliere quanto scartare. Se la tua domanda riguarda un periodo definito, come un singolo lotto di ordini, avvia il modello nello stato in cui si trova lo stabilimento in quel momento.
4. Cambia una cosa per scenario. Se lo scenario B aggiunge una macchina e modifica al tempo stesso il turno e la dimensione del lotto, non saprai quale delle due modifiche abbia prodotto quale effetto.
5. Riporta intervalli. "La produttività aumenta dal 4% al 9%" è più onesto di "aumenta del 6,5%". Se gli intervalli di due scenari si sovrappongono in larga misura, dillo: i dati non permettono di distinguerli.
6. Guarda l'intero flusso. Un guadagno su una macchina può spostare il collo di bottiglia altrove. Controlla utilizzo e code lungo tutto il flusso, non solo nella postazione che hai modificato.

Tieni un registro degli scenari: un elenco con il nome dello scenario, cosa è cambiato, le ipotesi, il numero di repliche e la data. Senza, dopo sei mesi nessuno ricorda perché è stato scelto lo scenario 7.

Come mostri i KPI della simulazione ai responsabili?

I responsabili hanno bisogno del confronto, non dei dati grezzi. Funziona bene una pagina semplice: la baseline e ogni scenario affiancati, per gli stessi pochi KPI, con l'intervallo di variazione e una nota su cosa cambia in ciascuno scenario.

In un ambiente Microsoft, una strada comune è caricare una tabella dei risultati in Power BI. Ogni riga riporta lo scenario, la replica, il nome del KPI e il valore, il che consente di costruire il confronto e filtrare per scenario. La documentazione Microsoft sull'aggiornamento dei dati spiega che i dati importati in un modello semantico sono una copia a un determinato momento, quindi bisogna aggiornarli per vedere i nuovi dati. Per i risultati di simulazione questo si adatta bene: aggiorni dopo un lotto di esecuzioni, e non prima.

Da qui derivano due indicazioni pratiche:

• Contrassegna ogni visualizzazione come risultato di uno scenario, con la data dell'ultima esecuzione. I numeri previsionali accanto a quelli reali dell'impianto invitano a fraintendimenti.
• Confronta pianificato e effettivo più avanti, quando la modifica è in funzione, usando le stesse definizioni dei KPI. È lì che il foglio dei KPI ripaga l'impegno.

Se vuoi una vista in tempo reale dell'impianto affiancata al modello, è un progetto a parte con un proprio flusso di dati. Consideralo la fase successiva, una volta che i KPI della simulazione sono affidabili.

Come mantieni il modello affidabile nel tempo?

Un modello corretto a marzo può essere sbagliato a settembre, perché il processo è cambiato.

• Ricalibra. Confronta i KPI del modello con quelli effettivi ogni trimestre, o dopo ogni cambiamento importante, e correggi gli input se si discostano.
• Assegna un responsabile agli input. Tempi di ciclo, tempi di setup, comportamento dei guasti e calendari dei turni hanno bisogno di un responsabile nominato che li aggiorni. Tratta i dati di simulazione come un prodotto che ha un manutentore.
• Includi le persone dove conta. Gli operatori modificano i risultati con assenze, competenze e variazioni nel ritmo di lavoro. Non serve modellare la fatica per vedere questo effetto: usare una variazione realistica dei tempi di ciclo e il personale effettivo per turno ti porta già gran parte della strada. Chiedi ai capiturno se le ipotesi del modello ti sembrano corrette.
• Rivedi gli obiettivi. Non portare nel modello un benchmark di un altro stabilimento senza verificare se si adatta al tuo mix di prodotti. Usa prima la tua baseline.

Errori comuni

• Partire dalla dashboard. Stabilisci prima i KPI e la domanda a cui rispondere.
• Troppi KPI. Una pagina con venti numeri non verrà letta.
• Definizioni diverse tra modello e impianto. In quel caso nessun confronto è possibile.
• Una sola esecuzione per scenario. La casualità deciderà la conclusione al posto tuo.
• Saltare la verifica della baseline. Se il modello non riproduce il passato, le sue previsioni non hanno fondamento.
• Modificare più cose per scenario. Non impari nulla sulla causa.
• Presentare le previsioni come dati in tempo reale. Etichetta chiaramente i risultati degli scenari.
• Nessun responsabile per gli input del modello. Input obsoleti producono risposte sbagliate ma sicure di sé.

Dove si inserisce Polaris

Per questo tipo di studio, iFAKT Polaris offre due moduli da considerare. iFAKT descrive il Polaris Simulator come uno strumento che testa virtualmente il sistema produttivo prima di prendere decisioni reali, con scenari di capacità, personale e buffer, e mostra nel tempo colli di bottiglia e squilibri di utilizzo. Il Polaris Analyzer fornisce dashboard dei KPI su tutti i moduli e confronta i valori pianificati e quelli effettivi. Come per qualsiasi strumento, verifica che le definizioni dei KPI al suo interno corrispondano alle tue e provalo prima su una sola linea.

Argomenti correlati da approfondire

• Gerarchie di KPI. Come i valori di linea, turno, reparto e stabilimento si aggregano senza ricalcolarli a ogni livello.
• Fonti dati per il modello. Quali dati di ERP, macchine e processi manuali alimentano il modello, e come verificarne la qualità.
• Normalizzare tra stabilimenti. Come confrontare siti con livelli di automazione diversi senza penalizzare gli impianti ad alta varietà di prodotto.
• Variabilità della forza lavoro nei modelli. Quali effetti di operatori e turni vale la pena modellare, e quali aggiungono complessità senza benefici.
• Dal piano al consuntivo. Come confrontare lo scenario scelto con i KPI reali una volta che la modifica è entrata in produzione.

Prossimo passo

Il monitoraggio dei KPI nelle simulazioni di produzione ripaga quando il modello e lo stabilimento parlano gli stessi numeri. Prendi la prossima domanda di simulazione, scrivi la scheda dei KPI in una pagina con formula, base temporale e unità di misura, e verificala su un periodo passato reale prima di eseguire il primo scenario.