Lors de Simio Sync 2026, un thème commun est ressorti des présentations de Boeing, Chevron, Northwell Health, SimWell et d'autres leaders de l'industrie : la qualité des résultats de simulation est directement liée à l'efficacité avec laquelle les organisations gèrent l'intégration des données et l'automatisation des flux de travail. Comme l'a souligné Jason, ingénieur senior au sein du groupe Consulting and Services de Simio, dans sa présentation sur les exigences fonctionnelles, "la qualité de votre modèle est limitée par la clarté de vos exigences" Ce principe s'étend au-delà des exigences pour englober l'ensemble de l'écosystème de données qui alimente les environnements de simulation modernes.
La conférence a mis en évidence une transformation en cours dans tous les secteurs - de la fabrication aérospatiale à la santé en passant par l'énergie - où les organisations dépassent les processus de données manuels pour passer à des flux de travail de simulation intégrés et automatisés qui fournissent des informations en quelques minutes plutôt qu'en quelques semaines.
Comme cela a été présenté à Sync, les projets de simulation échouent souvent non pas à cause de problèmes de modélisation technique, mais à cause de problèmes fondamentaux de données et d'exigences. Jason Ceresoli de Simio a expliqué : "La plupart des modèles sont construits correctement, suivent les bonnes pratiques et sont techniquement solides. Le vrai problème est qu'ils répondent aux mauvaises questions. Lorsque cela se produit, le champ d'application commence à s'étendre. L'alignement commence à s'effriter et les parties prenantes perdent confiance.
Il poursuit : "Ce que nous voyons généralement, c'est un flux de travail comme celui-ci pour les projets. Vous définissez le problème, vous construisez le modèle et vous produisez des résultats. Et honnêtement, c'est logique. La modélisation est la partie la plus amusante. On a l'impression de progresser. C'est là que nous voulons naturellement passer notre temps en tant que simulateurs et modélisateurs". "Mais lorsque nous sautons la phase structurée des exigences, voici ce qui se passe : Les exigences émergent pendant la construction. Les parties prenantes réagissent à ce qu'elles voient plutôt que de définir leurs besoins en amont, et le champ d'application commence à s'étendre sans contrôle."
Ce défi est aggravé par le fait que la préparation des données consomme historiquement 60 à 80 % du temps consacré aux projets de simulation, ce qui laisse très peu de place à l'analyse et à la prise de décision qui génèrent réellement de la valeur pour l'entreprise.
La présentation de SimWell sur la mise à l'échelle d'une usine de carton ondulé, avec une capacité de production de 2 milliards de pieds carrés par an, a fourni des indications convaincantes sur la simulation basée sur les données. Joanie Robichaud et Akrem Dhahri, consultants en simulation chez SimWell, ainsi que Christian Roy, vice-président des opérations et de la chaîne d'approvisionnement chez Mitchel Lincoln, ont montré comment ils ont relevé un défi de fabrication complexe où des goulets d'étranglement empêchaient l'usine d'atteindre sa capacité théorique.
"La première [raison pour laquelle nous avons choisi Simio] est qu'il est vraiment axé sur les données", a expliqué l'équipe de SimWell. "Il est facile d'avoir un grand nombre de tableaux de données et de les organiser correctement dans le logiciel afin de les utiliser efficacement dans le modèle. Comme nous l'avons mentionné, les commandes sont vraiment personnalisées. Chaque commande est personnalisée en fonction du client. Cela représente donc déjà beaucoup de données."
La structure de leur modèle de simulation illustre l'intégration moderne des données : Les données d'entrée capturaient toutes les données historiques de production - le nombre de fichiers, les caractéristiques des commandes simplifiées en familles selon les distributions, les fluides, les couleurs, les paramètres des équipements, les programmes de production, les temps de cycle, les temps de préparation et la disponibilité de la main-d'œuvre. Le modèle de simulation contenait tous les flux de matériaux, les règles d'acheminement, la logique opérationnelle et les paramètres spécifiques à l'équipement. Les résultats se sont concentrés sur la mesure du débit, l'utilisation de l'équipement, l'analyse de l'état temporel et le suivi de la file d'attente des travaux en cours.
L'équipe de SimWell a largement exploité les capacités d'expérimentation de Simio : "Nous avons beaucoup utilisé l'expérimentation, l'onglet d'expérimentation de Simio. Nous pouvions procéder à des ajustements rapides des paramètres et examiner les variables de réponse et leur évolution. Lorsque nous changions de scénario, nous l'utilisions pour effectuer une analyse de sensibilité... afin d'identifier rapidement les goulets d'étranglement."
Principale innovation en matière d'intégration des données : L'équipe de SimWell a simplifié un système de garage de 65 voies en 15 voies tout en maintenant la capacité totale. En l'absence de données historiques sur les temps de chargement et de déchargement des trains, ils ont créé des équations basées sur la profondeur des piles et les cycles de chargement : "Notre expert système a estimé qu'il s'agissait d'une équation qui dépendait de la profondeur de la pile dans le garage... et du nombre de cycles de chargement nécessaires".
Joanie de SimWell a expliqué le développement de l'équation : "Par exemple, si vous avez une grosse pile comme celle-là, le train a trois convoyeurs. Il suffit donc de pousser cette pile pour qu'elle soit chargée. C'est tout. Mais si vous avez des piles plus petites, vous devez charger chaque convoyeur séparément. Dans ce cas, y est égal à trois cycles de chargement. Et x serait la profondeur".
La présentation de Northwell Health sur l'optimisation du flux de patients dans les services d'urgence a démontré une intégration sophistiquée des données dans les établissements de soins de santé. L'équipe a combiné des données qualitatives et quantitatives pour élaborer un modèle de simulation complet répondant à une augmentation prévue de 10 à 30 % du nombre de patients à la suite de la fermeture d'un hôpital voisin.
Le modèle de Northwell Health comprend neuf types d'entités distinctes basées sur le niveau de triage et le mode d'arrivée, avec des taux d'arrivée personnalisés, des temps de traitement des tâches définis par des distributions statistiques, des probabilités d'acheminement et des plannings hebdomadaires précis de dotation en personnel. Liam Coen, de l'équipe Northwell, explique : "Nous avons éliminé les 5 % de patients les plus importants dans toutes nos distributions en raison de valeurs aberrantes dans la documentation, et nous avons procédé à une validation plus poussée pour comprendre pourquoi c'était approprié", ce qui démontre des processus rigoureux de validation des données.
Leur approche de l'intégration des données : "Nous utilisons un logiciel externe pour ajuster les distributions sur la base de nos données d'entrée... le bleu représente les données réelles, et la ligne rouge est une ligne de données ajustées... une distribution de Pearson six est essentiellement une distribution normale qui est asymétrique vers la gauche."
La présentation de Northwell Health a mis l'accent sur les capacités futures, notant que les fonctions d'intégration Python développées par Simio pourraient simplifier considérablement les processus d'ajustement des distributions, en particulier pour les ensembles de données de soins de santé à grande échelle contenant des dizaines de milliers ou des centaines de milliers de rencontres avec les patients.
La présentation de Chevron, intitulée "From Intuition to Insight : How Chevron Uses Simulation to Improve Engineering and Construction Performance" (De l'intuition à la connaissance : comment Chevron utilise la simulation pour améliorer les performances de l'ingénierie et de la construction), a mis en évidence les défis posés par l'intégration des données dans le cadre de plusieurs types de projets. Nick Wann, conseiller en exécution de projet chez Chevron, a présenté plusieurs études de cas démontrant comment la simulation transforme la prise de décision dans des environnements complexes.
La première étude de cas portait sur la production de 100 dessins isométriques de tuyauterie par semaine pour la fabrication de plates-formes offshore en Corée. "La conséquence de ne pas le faire est que des chantiers de fabrication entiers sont à l'arrêt en attendant les plans d'ingénierie. Les conséquences sont donc très importantes", explique Nick de Chevron. Cet environnement aux enjeux considérables exigeait une intégration précise des données pour modéliser les cycles de vérification et de reprise inhérents aux flux de travail de l'ingénierie.
L'approche de Chevron incluait le suivi de plusieurs étapes du processus - préparation du dessin, vérification, nettoyage, contre-vérification, contrôle de la qualité - chacune étant associée à des probabilités de reprise et à des besoins en ressources. Leur analyse a révélé que les calculs traditionnels ne tenaient pas compte de la variabilité : "Nous avons dit que nous pensions avoir besoin de trois ressources et un tiers pour atteindre 100 ISO par semaine. Mais nous arrondirons à quatre... Eh bien, l'entrepreneur a proposé au propriétaire... quatre ressources à temps plein plus une ressource à temps partiel".
La simulation a validé la demande de l'entrepreneur en incorporant la variabilité du processus que les calculs statiques n'avaient pas prise en compte, démontrant ainsi la valeur de la simulation basée sur les données par rapport aux approches analytiques simplifiées.
Une autre étude de cas présentée dans le cadre de l'exposé portait sur l'optimisation des itinéraires de transport par camion sur un site de remise en état d'une mine. Nick, de Chevron, a fait la démonstration d'une itération rapide entre les résultats de la simulation et la mise en œuvre : "Nous faisions des recommandations à l'entrepreneur. Cependant, ils ont vu ces résultats. Le lendemain, ses chauffeurs ont mis en pratique ce nouvel itinéraire et, le troisième jour, le trafic a été complètement inversé sur le site.
Cet exemple illustre la puissance des flux de données bien intégrés : la simulation a permis de tester des scénarios de sécurité (inversion du trafic pour réduire les interactions entre véhicules), de quantifier l'impact (réduction de 50 % des interactions entre véhicules, augmentation de 6 % de la productivité) et de permettre une mise en œuvre quasi-immédiate.
Nick, de Chevron, a résumé le message principal : "La puissance réside évidemment dans les expériences et les simulations multiples, ainsi que dans la synthèse de toutes ces informations. Les équipes dirigeantes... aiment toujours la simulation. Elles aiment voir les choses bouger. Cela donne de bonnes présentations. Mais le pouvoir réside dans les données.
La présentation de Boeing sur la modélisation du mouvement dynamique du travail a abordé des aspects organisationnels plus larges de l'intégration des données. L'équipe de Boeing a souligné : "Face à ces réalités, les feuilles de calcul et les analyses statiques sont souvent insuffisantes. C'est là que la simulation entre en jeu et brille par la construction d'un modèle réaliste du système de production."
La présentation a également mis l'accent sur la transformation culturelle : "La culture de Boeing est en train de changer. Nous n'en sommes pas encore là, mais la culture est en pleine évolution. Cet élément culturel est essentiel à la réussite de l'intégration des données - les organisations doivent favoriser des environnements dans lesquels "ceux qui sont sur le terrain, ceux qui construisent le produit... veulent faire du bon travail et ont de bonnes idées, de bonnes suggestions". Pour que l'intégration des données soit efficace, il faut recueillir les connaissances des personnes les plus proches des processus modélisés.
De nombreux intervenants ont souligné l'importance des composants réutilisables. L'équipe de SimWell a fait remarquer : "Il s'agit également d'une conception modulaire orientée objet. Ainsi, toutes les presses et tous les trains ont été développés en tant qu'[objets] réutilisables. Il suffit ensuite de les déplacer ou de modifier les paramètres pour avoir une nouvelle presse dans le modèle. Cela a été très rapide, très facile et très efficace.
Les capacités d'expérimentation de Simio ont été régulièrement mises en avant. SimWell a réalisé plus de 100 expériences, permettant une analyse de sensibilité approfondie afin d'identifier rapidement les goulets d'étranglement. Cette capacité d'itération rapide transforme la simulation d'un outil d'analyse ponctuel en un système dynamique d'aide à la décision.
La visualisation de Gantt a été mentionnée à plusieurs reprises comme un outil précieux pour le débogage des modèles au cours du développement. La possibilité de voir le flux de matériel, la formation de goulets d'étranglement et le déplacement des camions suscite l'adhésion des parties prenantes, tandis que l'analyse des données sous-jacentes permet de prendre des décisions concrètes.
L'équipe de Boeing a discuté de la création de "SimBits internes" - des éléments modulaires de logique qui trouvent un écho auprès des utilisateurs finaux au sein de l'entreprise. Un représentant de Boeing a expliqué : "Cette approche de la création de capacités de simulation internes accélère l'adoption et améliore l'intégration des données dans l'ensemble de l'organisation.
Le projet Mitchel Lincoln de SimWell visait à augmenter la capacité de production de 1,4 milliard de pieds carrés à 2 milliards de pieds carrés, soit une augmentation de 43 %. La simulation a identifié que le train (système de manutention) et les presses étaient les principaux goulots d'étranglement qui empêchaient l'usine d'atteindre sa capacité théorique après une mise à niveau de l'onduleuse.
L'approche de l'équipe SimWell en matière d'analyse de la taille des lots, appliquant les principes de la production allégée ("le fameux chaque produit à chaque intervalle de la production allégée"), a démontré comment la simulation guidée par les données permet de tester les stratégies opérationnelles avant de les mettre en œuvre.
La simulation de Northwell Health a révélé l'impact précis des augmentations de volume : pour une augmentation de 20 % du nombre de patients, le délai entre la porte et le fournisseur est passé à 18 minutes en moyenne, le temps de traitement et de libération a augmenté d'environ 12 % pour atteindre un peu plus de 200 minutes, et l'utilisation du personnel infirmier de nuit a atteint 87 %, ce qui en fait un goulot d'étranglement potentiel.
L'équipe de Northwell Health a expliqué sa décision : "Le site a adopté notre recommandation de simulation d'ajouter une équipe de huit heures le dimanche soir, car le volume augmentait progressivement de 7 à 10 % au moment de la mise en œuvre", ce qui représente le passage d'une gestion réactive à une gestion proactive de la capacité des soins de santé.
La simulation de production par dessin ISO de Chevron a permis d'éviter les conflits d'affectation des ressources en quantifiant l'impact de la variabilité des processus. Plutôt que de s'appuyer sur des calculs simplifiés suggérant que quatre vérificateurs à temps plein étaient suffisants, la simulation a validé le besoin de ressources supplémentaires à temps partiel pour tenir compte de la variabilité du monde réel.
Leur étude de cas sur l'optimisation des itinéraires des camions a permis de réduire de 50 % les interactions entre les véhicules (un indicateur du risque de sécurité) tout en augmentant la productivité de 6 %. La rapidité de la mise en œuvre - des résultats de la simulation à la mise en œuvre complète en trois jours - démontre la valeur de la mise en place d'une infrastructure d'intégration des données.
La présentation de Simio sur les exigences fonctionnelles a fourni un cadre pour s'assurer que les projets de simulation apportent une valeur commerciale dès le départ. Jason de Simio a expliqué que l'approche en quatre phases - définir les exigences, construire le modèle, valider, livrer - assure l'alignement avant que le travail de modélisation ne commence.
Questions clés de l'atelier présentées par Jason de Simio :
"Si vous pouviez obtenir quelque chose de cet outil, qu'est-ce que ce serait ? - Cette question amène les parties prenantes à réfléchir aux questions clés
Ce cadre répond directement au défi de l'intégration des données en clarifiant quelles données sont nécessaires et pourquoi avant de commencer la modélisation.
Plusieurs intervenants ont souligné l'importance de la validation avec les experts du domaine. L'équipe de SimWell a travaillé en étroite collaboration avec l'équipe d'exploitation de Mitchel Lincoln pour valider les hypothèses concernant le système de garage à 65 voies, l'exploitation des trains et les caractéristiques des commandes.
L'équipe de Northwell Health a procédé à une cartographie complète des processus des couloirs de nage avec le personnel du service des urgences : "Cette collecte de données qualitatives, associée à une analyse de données quantitatives, a permis de créer des modèles auxquels le personnel a accordé sa confiance et que la direction a adoptés.
L'équipe de Northwell Health a été interrogée sur sa décision de segmenter les patients en neuf types d'entités distinctes. Leur réponse a mis en évidence le compromis : "Ces différences discrètes, ces différences de temps de traitement entre eux... non seulement pour l'ensemble du séjour du patient, mais aussi pour les différentes étapes du processus que nous avons observées."
Cette décision illustre la stratégie d'intégration des données : une granularité suffisante pour saisir les différences significatives, mais pas au point de rendre le modèle difficile à manier ou de rendre les exigences en matière de données impossibles à satisfaire.
L'équipe de Boeing a abordé un défi fondamental dans le domaine de la fabrication complexe : "Compte tenu de ces réalités, les feuilles de calcul et les analyses statiques sont souvent insuffisantes. C'est là que la simulation entre en jeu et brille par la construction d'un modèle réaliste du système de production."
Cette observation a été reprise dans toutes les présentations. L'expérience de Nick de Chevron avec les outils analytiques par rapport à la simulation est instructive : "Lorsque nous avons été initiés au concept de considérer nos projets comme des systèmes de production... nous avons commencé avec quelques outils analytiques... Le problème que nous avons trouvé avec les outils analytiques était qu'ils semblaient être une boîte noire, et personne ne comprenait vraiment ce qui se passait."
Il poursuit : "Nous ne pouvions pas le voir, nous ne pouvions pas le sentir. Nous ne pouvions pas observer le comportement. Ainsi, lorsque nous obtenions des résultats qui allaient à l'encontre de ce que nous attendions, la lumière naturelle est ce que je ne comprends pas. C'est un peu une boîte noire. Je ne vais pas lui faire confiance".
La transparence des modèles de simulation - la capacité d'observer le comportement, de voir les goulets d'étranglement se former et de comprendre les relations de cause à effet - renforce la confiance des parties prenantes, que les calculs statiques ne peuvent égaler.
L'expérience de SimWell a mis en évidence l'importance de prévoir les lacunes en matière de données. Lorsque les données historiques pour le chargement/déchargement des trains n'étaient pas disponibles, ils ont développé des équations d'estimation avec des experts du système plutôt que d'abandonner cet aspect du modèle.
L'approche adoptée par Northwell Health pour traiter les données aberrantes - en éliminant les 5 % les plus importants après avoir validé qu'il s'agissait d'erreurs de documentation plutôt que d'expériences réelles de patients - a démontré une gestion rigoureuse de la qualité des données.
Les présentations ont mis en évidence l'intégration de divers types de données :
Données opérationnelles historiques (enregistrements de production de SimWell)
Cette intégration multi-sources nécessite des capacités organisationnelles allant au-delà du simple logiciel de simulation - elle exige une collaboration interfonctionnelle, une gouvernance des données et des processus de validation systématiques.
SimWell a présenté une intégration Python sophistiquée pour le traitement des données. Akram de SimWell explique : "Au départ, nous avons collecté toutes les données brutes qui se trouvaient dans des fichiers Excel. Certaines d'entre elles étaient des estimations d'experts que nous avons transformées en formules et en différentes choses que nous avons traitées à l'aide d'un script Python. Nous avons ensuite nettoyé les données et effectué l'analyse exploratoire des données."
L'équipe poursuit : "Nous avons extrait les paramètres importants et ajusté la distribution à l'aide du script Python. Ensuite, tout était prêt. Nous avons créé les tableaux d'entrée directement dans Simio... Puis, une fois que nous avons téléchargé ces CSV, nous avons pu les traiter en utilisant à nouveau un script Python, parce que parfois nous exécutions certains scénarios sur un ordinateur, sur l'ordinateur d'Akram, puis j'en exécutais d'autres, et ensuite nous rassemblions le tout sous forme d'agrégats."
Ce flux de travail illustre l'évolution du traitement manuel des données vers un traitement automatisé, basé sur des scripts, qui permet de réaliser des projets de simulation évolutifs.
L'accent mis par Boeing sur la transformation culturelle se retrouve dans tous les efforts d'intégration de données : "Écoutez vos employés, ceux qui sont ici au rez-de-chaussée, ceux qui construisent le produit, ceux qui sont plongés dans... ce qui se passe dans ces avions, ils veulent faire du bon travail et ils ont de bonnes idées".
Une intégration efficace des données ne peut pas être purement technique - elle nécessite des cultures organisationnelles qui valorisent :
la prise de décision basée sur les données
L'accent mis sur la création de SIMbits internes et de composants réutilisables met en évidence un modèle de maturité pour l'adoption de la simulation. Les organisations passent de :
des projets de simulation ad hoc avec des consultants externes
Cette progression nécessite un renforcement délibéré des capacités et un transfert de connaissances, comme l'a souligné l'équipe de Boeing.
Les présentations les plus percutantes de Sync ont mis en évidence l'intégration de la simulation dans les processus d'entreprise :
Le cycle de trois jours de Chevron, depuis les résultats de la simulation jusqu'à la mise en œuvre complète de l'inversion du trafic.
Ces exemples démontrent que la simulation est un outil continu d'aide à la décision plutôt qu'un exercice d'analyse occasionnel.
Bien que les détails spécifiques de l'intégration avancée de Python aient été discutés par l'équipe de SimWell dans leur flux de travail de traitement des données, la référence de Northwell Health aux capacités à venir indique l'évolution continue de la technologie de simulation.
L'objectif reste de permettre une intégration des données plus rapide et plus précise afin que les analystes puissent consacrer du temps à la génération d'idées plutôt qu'à la manipulation des données.
Les présentations de Simio Sync 2026 ont renforcé une vérité fondamentale : la simulation moderne réussit ou échoue en fonction de l'efficacité de l'intégration des données. Des organisations de l'aérospatiale à l'énergie, en passant par les soins de santé, ont démontré qu'il fallait briser les barrières de données :
Des capacités techniques :
Des structures de données flexibles supportant des règles opérationnelles complexes
Capacités organisationnelles :
Collaboration interfonctionnelle entre les modélisateurs et les opérateurs
Intégration des processus :
Définition claire des besoins avant le début de la modélisation
Comme l'a démontré l'équipe SimWell avec plus de 100 expériences, comme l'a montré Northwell Health avec sa planification proactive des capacités, et comme l'a illustré Chevron avec son cycle de mise en œuvre de trois jours, les organisations qui maîtrisent l'intégration des données bénéficient d'avantages concurrentiels significatifs.
L'avenir appartient aux organisations qui considèrent l'intégration des données comme une capacité stratégique plutôt que comme une nécessité technique. Celles qui investissent aujourd'hui dans des architectures de simulation automatisées et bien intégrées seront mieux placées pour tirer parti des volumes de données croissants et de la complexité grandissante des environnements opérationnels modernes.
Le message de Simio Sync 2026 est clair : pour franchir les barrières des données, il ne s'agit pas d'avoir plus de données, mais de les intégrer plus efficacement, de les valider plus rigoureusement et d'agir plus rapidement en fonction des informations recueillies. Les entreprises qui maîtrisent cette intégration seront à la pointe de l'excellence opérationnelle dans leur secteur.