Dati per il modello di simulazione: da dove arrivano e quanto devono essere buoni

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 · 2026-11-11

I dati per un modello di simulazione arrivano da sistemi, misurazioni ed esperti. Vediamo le fonti, i gap di qualità più comuni e quanto devono essere buoni i dati di input della simulazione.

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

I dati per costruire il modello di simulazione arrivano da tre fonti: sistemi aziendali e di stabilimento, misurazione diretta e le persone che conoscono la linea. Quanto devono essere buoni dipende dalla domanda a cui devi rispondere, non da uno standard generico. Questa guida è pensata per i responsabili del miglioramento continuo a cui viene chiesto di fornire i dati per una simulazione di fabbrica. Vedrai di cosa ha bisogno il modello, da dove arriva ciascun elemento, cosa va solitamente storto, un esempio svolto con numeri e un piano in sei passi per ottenere dati sufficientemente buoni.

Punti chiave

• Un modello di simulazione richiede prodotti e percorsi di lavorazione, tempi di processo, risorse, fermate, ordini e regole di turno; ogni elemento arriva da un sistema, da una misurazione o da un esperto.
• I dati provengono da fonti primarie, come studi a cronometro e osservazione, e da fonti secondarie, come i sistemi ERP, MES e CAD e le previsioni.
• I gap tipici sono tempi preimpostati nell'ERP diversi da quelli reali, record duplicati, dati che non riflettono la realtà e variabilità mancante.
• Gli input devono essere sufficientemente buoni per la domanda: verifica quali incidono di più sul risultato e concentra lì il tuo impegno.
• Usa distribuzioni e registrazioni reali, non solo medie, perché la variabilità genera il tempo di attesa che vuoi testare.

Dati per il modello di simulazione: di cosa ha bisogno

Un modello di flusso di una linea richiede sei tipi di input. Questo elenco è una nostra sintesi delle pratiche comuni, non uno standard.

• Prodotti e percorsi di lavorazione. Quale prodotto passa per quale stazione e in quale ordine.
• Tempi. Tempo di processo per prodotto e stazione, tempi di cambio formato e la variabilità di entrambi.
• Risorse. Macchine, attrezzature e persone, con la loro capacità e disponibilità, incluse le avarie e le fermate pianificate.
• Ordini e domanda. Dimensione degli ordini, mix e andamento degli arrivi, dal portafoglio ordini o da una previsione.
• Regole. Modello di turni, pause, regole di sequenziamento e di lotto, e come gli operatori si spostano tra le stazioni.
• Qualità. Tassi di scarto e di rilavorazione, e dove vengono rilevati i difetti.

Il modello non ha bisogno di ogni numero dello stabilimento. Ha bisogno dei numeri da cui dipende la domanda e della variabilità, perché la variabilità genera l'attesa che vuoi simulare e testare. Un modello può prevedere solo ciò che i suoi dati consentono.

Da dove arrivano i dati di input della simulazione: la raccolta dati nella pratica

Un articolo di Maja Bärring e colleghi alla Winter Simulation Conference 2018 descrive le fonti in due gruppi, seguendo un lavoro precedente di Anders Skoogh e colleghi.

• I dati primari vengono raccolti appositamente per lo studio: misurazioni, studi a cronometro e osservazione in linea.
• I dati secondari esistono già. Comprendono riferimenti esterni come standard industriali ed esperti di dominio, sistemi aziendali come ERP, MES, PDM e CAD, e dati specifici del progetto come le previsioni dei volumi di produzione.

Per un responsabile del miglioramento continuo, la raccolta dei dati nella pratica si presenta così. Il sistema di esecuzione della produzione (MES) contiene i tempi ciclo effettivi, gli eventi di fermo e le quantità per stazione. L'ERP contiene ordini, cicli di lavorazione e tempi pianificati. Il sistema CAD o PDM contiene la struttura del prodotto. I piani turni si trovano presso la pianificazione o le risorse umane. I tempi di cambio formato e il modo in cui gli operatori lavorano davvero si ricavano spesso solo per osservazione e chiedendo ai capiturno.

Perché i dati spesso non sono sufficientemente buoni

Bärring e colleghi hanno studiato due aziende con cinque intervistati, quindi i risultati sono indicativi, non generali. Nel caso in cui i dati venivano raccolti manualmente da ERP e fogli di calcolo, riportano problemi che molti stabilimenti riconosceranno:

• Sono stati usati valori predefiniti dell'ERP al posto dei tempi effettivi, per cui non era chiaro quali tempi utilizzare.
• Lo stesso articolo era memorizzato sia nel sistema ERP sia nei fogli di calcolo.
• Le etichette erano incoerenti e i reparti usavano convenzioni diverse.
• La realtà cambiava, ma il sistema no.

Gli autori notano inoltre che i sistemi ERP privilegiano valori deterministici rispetto a quelli stocastici, per cui spesso manca la variabilità di cui una simulazione ha bisogno. Nel secondo caso, l'acquisizione automatica ha evitato cinque delle otto criticità da loro elencate. Il lavoro raccomanda, tra l'altro, di assegnare la responsabilità dei dati alle funzioni interne all'azienda. Un'indagine di Skoogh, Perera e Johansson pubblicata su Simulation Modelling Practice and Theory ha rilevato che circa l'80 per cento degli utenti di simulazione si affida ancora a procedure altamente manuali per i dati di input.

Cicli di lavorazione e distinta base in una simulazione

Due tipi di dati anagrafici generano spesso problemi. Il ciclo di lavorazione indica quali operazioni servono a un prodotto, in quale ordine, su quale risorsa e con quale tempo. La distinta base indica quali componenti entrano nel prodotto. Per un modello di flusso, il ciclo di lavorazione è di solito la struttura portante, mentre la distinta base conta quando dei componenti possono mancare o quando una stazione attende un sottogruppo.

I cicli nell'ERP sono spesso valori di pianificazione, impostati una volta e raramente aggiornati, ed è proprio il problema descritto da Bärring e colleghi. Prima di caricare un ciclo di lavorazione in un modello, confronta i suoi tempi con i tempi effettivi del MES per lo stesso prodotto e la stessa stazione. Verifica che la sequenza delle operazioni corrisponda ancora a quella in reparto e che la distinta base mostri le varianti che realmente produci. Non colmare una lacuna con dati simulati, detti anche dati sintetici, dimenticando di etichettarli.

Quanto deve essere buona la qualità dei dati di simulazione?

La risposta è: abbastanza buona per la decisione. Averill Law, nel suo articolo sulle insidie nella modellazione di simulazione, chiede la registrazione delle distribuzioni dei dati di input e la validazione, e raccomanda di raccogliere dati su tutte le possibili fonti di casualità del sistema, se possibile. Mette in guardia da due errori: sostituire un input casuale con la sua media, che nel suo esempio elimina completamente la coda, e scegliere una distribuzione normale per abitudine, che in uno dei suoi esempi ha prodotto un errore di output del 39 per cento.

Un modo pratico per decidere quanto impegno investire è classificare gli input in base al loro effetto e all'incertezza di ciascun parametro. Law raccomanda inoltre l'analisi di sensitività per capire quali fattori influiscono di più sulle misure di prestazione. Questa classificazione è un nostro strumento di pianificazione, non uno standard:

1. Grado A: misurato e verificato. Usalo per gli input che incidono di più sul risultato, come il tempo ciclo del collo di bottiglia e la sequenza dei fermi che lo precedono.
2. Grado B: preso da un sistema e verificato su un campione. Usalo per gli input con un effetto medio.
3. Grado C: giudizio di esperti. Usalo per gli input con effetto ridotto, e documenta l'ipotesi adottata.

Infine, verifica l'intero insieme con la validazione: il modello riproduce l'output della linea reale? Se non lo fa, controlla per prima cosa gli input di grado A.

Esempio: tempo da ciclo di lavorazione rispetto al tempo effettivo

Si tratta di un esempio illustrativo con numeri ipotetici, non di un caso misurato. Una linea produce un solo prodotto. Il ciclo di lavorazione nell'ERP indica 42 secondi per pezzo nella stazione collo di bottiglia. Il MES mostra un tempo ciclo effettivo mediano di 47 secondi nell'arco di quattro settimane.

• Produzione oraria con il tempo da ciclo di lavorazione: 3.600 ÷ 42 = 85,7 pezzi.
• Produzione oraria con il tempo effettivo: 3.600 ÷ 47 = 76,6 pezzi.
• La routing sovrastima la cadenza del 12 per cento circa: 85,7 ÷ 76,6 = circa 12 per cento. In un turno di 8 ore, questo significa circa 686 pezzi contro 613, con uno scarto di 73 pezzi.

Un modello alimentato con la routing farebbe una previsione che la linea non ha mai raggiunto, e qualsiasi miglioramento misurato rispetto ad essa sembrerebbe peggiore di quanto sia in realtà.

La stessa logica vale per le fermate. Supponiamo che il MES registri sette fermate con durate di 2, 3, 3, 4, 5, 6 e 40 minuti. La somma è 63 minuti, quindi la media è 9 minuti, mentre la mediana è 4 minuti. Un modello con una fermata costante di 9 minuti non mostra mai la fermata di 40 minuti che svuota il buffer, e mostra più fermate di media durata di quante ne abbia realmente la linea. Rappresenta graficamente le durate registrate, calcolane la dispersione e usale direttamente oppure usa una distribuzione statistica adattata ad esse. Stima i suoi parametri a partire dai dati registrati.

Usare bene i dati: un piano in sei passi

1. Elenca le domande. La domanda determina quali dati ti servono.
2. Elenca gli elementi dei sei gruppi sopra indicati, e segna quelli da cui la domanda dipende maggiormente.
3. Indica fonte e responsabile per ciascuno, ad esempio il MES per le fermate, l'ERP per gli ordini, un osservatore per i cambi formato.
4. Confronta le fonti. Verifica i tempi di routing con il MES e controlla che identificativi e unità di misura corrispondano tra i sistemi.
5. Misura i divari con il metodo di grado A per i dati che contano, e registra le ipotesi per il resto.
6. Valida e conserva i dati. Confronta il modello con la linea reale, archivia l'insieme dei dati con una data e nomina un responsabile del loro aggiornamento.

Errori comuni

• Caricare la routing dell'ERP senza verifica. I valori pianificati non sono valori effettivi.
• Usare solo le medie. Ogni dato in ingresso è una variabile con una dispersione, non un numero singolo. È la variazione a generare il tempo di attesa, e la media lo elimina.
• Raccogliere tutto. Lo sforzo senza una domanda fa perdere tempo che il progetto non ha, e la quantità stessa nasconde ciò che conta.
• Mescolare definizioni. Una fermata, un cambio formato o un ciclo possono significare cose diverse nei vari sistemi.
• Nessun responsabile. I dati che nessuno aggiorna diventano obsoleti alla modifica successiva.
• Saltare la validazione. Senza un confronto con la linea reale, non sai se i dati in ingresso sono sufficientemente buoni.

Come può aiutare il software

Un knowledge graph che collega prodotti, fasi di processo e risorse può ridurre i dati duplicati e in conflitto, perché ogni fatto è memorizzato una sola volta. Polaris Designer di iFAKT è un modulo di iFAKT Polaris che costruisce un knowledge graph prodotto-processo-risorsa (PPR) come unica fonte di verità per prodotti, fasi di processo e risorse. Non sostituisce il confronto con i tempi effettivi, i responsabili o la validazione del modello. Qualunque strumento tu usi, chiedi come importa i dati da ERP e MES e come vengono tracciate le modifiche.

Prossimo passo

Prendi la stazione collo di bottiglia di una linea e confronta il tempo di routing nell'ERP con il tempo di ciclo effettivo nel MES degli ultimi quattro settimane. Se differiscono, hai trovato la prima lacuna nei dati per la costruzione del modello di simulazione, e sai da dove iniziare.