Cinque errori comuni nei progetti di simulazione e come evitarli

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

Gli errori nei progetti di simulazione costano tempo e fiducia. Scopri cinque errori frequenti, dalle domande vaghe alla validazione saltata, con un esempio pratico e una checklist.

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

Gli errori nei progetti di simulazione sono in gran parte evitabili, e la maggior parte nasce prima di costruire il primo modello. Questa guida è rivolta ai responsabili di stabilimento che sponsorizzano un progetto di simulazione manifatturiera e agli ingegneri che costruiscono il modello, quando vogliono che il lavoro si concluda con una decisione. Scoprirai cinque errori comuni, tratti da due articoli dell'esperto di simulazione Averill Law e dalla pratica, un esempio svolto con numeri che mostra perché una sola esecuzione non basta, e una checklist per il tuo prossimo progetto di simulazione di fabbrica.

Punti chiave

• Cinque errori ricorrono nei progetti di simulazione: nessuna domanda chiara, il livello di dettaglio sbagliato, dati deboli, assenza di validazione e fiducia in una sola esecuzione.
• Un modello senza una domanda chiara e un decisore in contatto regolare risolve il problema sbagliato, per quanto sia ben fatto.
• Parti semplice e aggiungi dettaglio solo quando la domanda lo richiede; il dettaglio superfluo costa tempo e nasconde i fattori che contano.
• Valida il modello rispetto al sistema esistente prima di usarlo per le previsioni, e conserva le ipotesi scritte per la revisione.
• Gli eventi casuali richiedono molte repliche: una sola esecuzione può ordinare male due alternative.

Errori nei progetti di simulazione: da dove nascono

Un progetto di simulazione non è un esercizio di programmazione. Averill Law, nel suo articolo su come condurre con successo uno studio di simulazione alla Winter Simulation Conference del 2003, elenca 17 insidie in quattro gruppi: modellazione e validazione, software, casualità e progettazione degli esperimenti. Nel 2024 ha ampliato l'elenco a 23 insidie in un articolo per la stessa conferenza. Osserva che la programmazione rappresenta solo dal 25 al 50 per cento del lavoro in uno studio ben condotto.

Law lavora presso la propria società di consulenza in simulazione, Averill M. Law & Associates, quindi i suoi elenchi riflettono il punto di vista di un esperto. Concordano con un articolo pratico di J. Michael Knoll e Joseph Heim di Genie Industries sull' adozione della simulazione a eventi discreti in un ambiente manifatturiero, basato su un unico produttore di medie dimensioni, che non riporta risparmi quantificati.

Da queste fonti e dalla pratica comune selezioniamo cinque errori particolarmente rilevanti per uno stabilimento. Questa selezione è nostra e non una classifica degli articoli.

Errore 1: nessuna domanda chiara e nessun contatto con il decisore

Il primo errore è partire dallo strumento, non dalla domanda. Law elenca tra le sue insidie obiettivi non definiti e scarso contatto regolare con il decisore. Cita un monito secondo cui il modello più raffinato per il problema sbagliato avrà scarso valore per chi deve decidere. In uno dei suoi esempi, un analista ha lavorato per mesi senza consultare il generale che aveva richiesto lo studio; questi, alla presentazione finale, se n'è andato dopo cinque minuti dicendo che non era il problema che gli interessava.

Knoll e Heim aggiungono una regola pratica: un modello i cui risultati non verranno usati non dovrebbe essere costruito.

Come evitarlo. Formula la domanda come una decisione. "Quale dei due layout produce 3.000 unità per turno?" è una domanda. "Simuliamo lo stabilimento" non lo è. Organizza una riunione di avvio con tutti quelli coinvolti, stabilisci chi decide e entro quando, e concordate riunioni di revisione periodiche durante il progetto.

Errore 2: il livello di dettaglio sbagliato

Il secondo errore è modellare troppo o troppo poco. Law considera un livello di dettaglio inappropriato uno degli errori più comuni, soprattutto per gli analisti alle prime armi. Il suo consiglio è di includere solo il dettaglio necessario a rispondere alle domande di interesse, partendo da un modello semplice e aggiungendo dettagli solo quando servono. Anche Knoll e Heim sono d'accordo: mantieni il perimetro ristretto e non ampliare un modello solo perché è possibile.

Troppo dettaglio rallenta il progetto e nasconde i fattori che contano in mezzo a una folla di parametri. Troppo poco, invece, lascia fuori un effetto che volevi testare, come un cambio di produzione o un buffer.

Come evitarlo. Chiediti, per ogni elemento e per ogni parametro di input del modello, se cambia la risposta alla domanda. Se non la cambia, eliminalo o usa una regola semplice. Documenta le ipotesi in un breve modello concettuale, che Law definisce un'attività assolutamente critica e spesso saltata, e rivedilo con le persone che conoscono la linea.

Errore 3: raccolta dei dati di simulazione inadeguata

Il terzo errore riguarda i dati. Law include la scarsa raccolta dei dati di sistema tra le insidie e avverte anche di due errori tipici nella modellazione degli input. Il primo è sostituire un input casuale con la sua media. Nel suo esempio di coda, usare tempi costanti uguali alle medie elimina completamente la coda, quindi il modello non mostra attese dove il sistema reale le ha. Il secondo è scegliere una distribuzione, come quella normale, per abitudine. In uno dei suoi esempi, una distribuzione normale per i tempi di servizio ha prodotto un errore di output del 39 per cento rispetto a una distribuzione che si adattava meglio.

I dati dello stabilimento richiedono attenzione. La causa di fermo nel sistema di esecuzione della produzione corrisponde al registro di manutenzione? Se è disponibile un gemello digitale, cioè una rappresentazione digitale mantenuta di una risorsa fisica e aggiornata tramite osservazioni, può fornire dati correnti. In caso contrario, prevedi del tempo per le misurazioni.

Come evitarlo. Elenca i dati di cui ha bisogno la domanda, individua la fonte e il responsabile di ciascun dato e raccogli la variabilità, non solo la media. Per le parti importanti del processo coinvolgi almeno due esperti, perché parte di ciò che le persone dicono sarà sbagliata.

Errore 4: saltare la validazione del modello di simulazione

Il quarto errore è fidarsi di un modello che non è mai stato confrontato con la realtà. Law considera il confronto tra l'output del modello e il sistema esistente la tecnica di validazione più importante e sostiene che contribuisce anche alla credibilità. Nel suo articolo del 2024 riporta un esempio su una cartiera in cui la produttività del modello e quella del sistema differivano solo dello 0,4 e dell'1,1 per cento. Raccomanda inoltre una revisione strutturata delle ipotesi con tutti gli stakeholder, perché errori e omissioni nel modello verranno comunque individuati.

Come evitarlo. Costruisci prima la baseline e confrontala con output, fermi e lead time della linea reale. Fai verificare i risultati della simulazione da esperti per la plausibilità e testa quale parametro di input muove di più i risultati. Solo dopo usa il modello per valutare le opzioni. Se la linea non esiste ancora, confronta il modello con una linea simile o con dei calcoli, e dillo apertamente.

Errore 5: considerare una sola esecuzione come verità

Il quinto errore è statistico. Una simulazione con eventi casuali produce un risultato diverso a ogni esecuzione. Law mette in guardia dal trattare l'output di una singola esecuzione come la vera prestazione del modello. Nel suo esempio di un ufficio motorizzazione, il ritardo medio andava da 1,83 a 10,37 minuti tra una replica e l'altra. Elenca anche l'omissione di un periodo di riscaldamento, quando lo stato iniziale è vuoto e non rappresentativo, e il confronto tra opzioni senza intervalli di confidenza.

Come evitarlo. Esegui molte repliche indipendenti, scarta il periodo di riscaldamento, pianifica le analisi prima delle esecuzioni e confronta le opzioni usando intervalli o intervalli di confidenza, non numeri singoli.

Esempio: una esecuzione contro cinque repliche

Questo è un esempio illustrativo con numeri ipotetici, non un caso misurato. Uno stabilimento confronta due progetti di buffer, A e B, in un modello di una linea di confezionamento. La produzione per turno di ciascun progetto nel modello è:

• Progetto A, cinque repliche: 412, 389, 401, 395 e 393 unità. La media è 1.990 ÷ 5 = 398 unità.
• Progetto B, cinque repliche: 405, 399, 408, 402 e 406 unità. La media è 2.020 ÷ 5 = 404 unità.

Se il team avesse eseguito solo la prima replica di ciascuno, A avrebbe ottenuto 412 e B 405, e A sembrerebbe migliore di 7 unità. Con cinque repliche, B è in media migliore di 6 unità, e il suo intervallo, da 399 a 408, è più stretto di quello di A, che va da 389 a 412. La prima serie di esecuzioni ha quindi classificato i progetti in ordine invertito.

Cinque repliche sono un minimo per un'illustrazione. Un progetto reale ne eseguirebbe di più e calcolerebbe gli intervalli di confidenza. Lo stesso principio vale per la fase di validazione: se il modello di base dà una media di 391 unità e la linea reale ha prodotto in media 380 unità per turno su 20 turni, il modello è più alto di 11 unità, cioè circa il 3%. Il team decide se questo scarto è sufficientemente piccolo per la domanda posta, e ne registra la decisione.

Come evitare i cinque errori: una checklist

1. Scrivi la domanda come una decisione, indicando chi decide e la data.
2. Organizza un kick-off con tutti gli stakeholder e concorda le riunioni di revisione. Tratta il lavoro come un processo iterativo con punti di verifica, non come un flusso di lavoro unidirezionale.
3. Parti semplice. Scrivi un modello concettuale breve con le ipotesi, e discutilo con gli esperti prima di programmare.
4. Pianifica i dati. Indica la fonte e il responsabile di ciascun dato, e raccogli la variabilità.
5. Valida il modello di base rispetto alla linea reale prima di testare le alternative.
6. Replica. Esegui un numero sufficiente di repliche, escludi il periodo di riscaldamento e riporta gli intervalli.

Errori comuni

• Considerare il progetto come una questione di programmazione. La programmazione è solo una parte del lavoro, secondo la legge di Law.
• Lasciare che sia l'animazione a decidere. Un rapido sguardo all'animazione non è un esperimento.
• Scegliere gli strumenti di simulazione solo in base al prezzo. Adatta lo strumento al problema e alle competenze del tuo team, e non usare il software di simulazione come una scatola nera.
• Nessuna documentazione. Un modello senza ipotesi scritte non può essere revisionato né riutilizzato.
• Nessun responsabile dopo il progetto. Un modello che nessuno aggiorna è obsoleto già dopo la prima modifica.

Come può aiutare il software

Polaris Simulator di iFAKT è un modulo di iFAKT Polaris che testa virtualmente il sistema produttivo, ad esempio scenari di capacità, personale e buffer, e rivela i colli di bottiglia prima che vengano apportate modifiche. Qualunque strumento tu scelga, e prima di usare la simulazione per una decisione, verifica come gestisce repliche e periodo di riscaldamento, come importi i dati reali e come puoi documentare e rivedere le ipotesi. Il software non può sostituire la domanda né la validazione.

Prossimo passo

Prendi il tuo prossimo progetto di simulazione manifatturiera, o uno già in corso, e verificalo con la checklist sopra. Dove manca una risposta, hai individuato una probabile causa degli errori nei progetti di simulazione, e puoi correggerla prima che il modello venga costruito.