Le défi
par Oroselfia Sánchez et Idalia Flores (Universidad Nacional Autónoma de México)
Présenté lors de la Conférence sur la simulation hivernale 2017
Les organisations collectent des données à différentes périodes afin de pouvoir les utiliser à des fins de gestion et d'affaires. Cependant, les données ne se présentent pas toujours sous la forme la plus appropriée pour l'analyse et doivent souvent être préparées, ce pour quoi il existe une variété de méthodes, y compris la simulation. Cet article présente un cas où la simulation est utilisée comme outil pour obtenir des informations sur la demande, sur la base de données historiques. Grâce à la simulation, nous extrayons les événements de demande les plus fréquents pour deux types d'emplois, ainsi que les événements les plus défavorables. Le modèle de simulation est basé sur les données historiques d'une compagnie pétrolière privée opérant au Mexique. En outre, nous montrons comment les résultats de la simulation améliorent les informations sur les données du tableau de bord enregistrées au cours d'une année de travail.
1 Introduction
Les organisations enregistrent généralement les données relatives à la demande afin de les utiliser pour prévoir les éventuels besoins futurs et d'être en mesure d'éviter ou de prévenir les risques tels que les pénalités, les retards, les capacités insuffisantes, entre autres. Toutefois, ces données doivent normalement être prétraitées pour répondre aux exigences de l'analyse.
Pour ce faire, de nombreuses organisations disposent de systèmes d'enregistrement robustes dans lesquels les employés enregistrent les données en temps voulu ; cependant, chaque étape d'une opération n'est pas toujours enregistrée. Il s'agit d'un problème persistant dans plusieurs organisations, ce qui signifie que les données historiques doivent être préparées avant d'être analysées. Mais que se passe-t-il lorsque les informations enregistrées doivent être utilisées mais qu'elles ne se présentent pas sous la forme appropriée pour l'analyse ? De nos jours, de nombreuses entreprises préfèrent ne pas utiliser ces informations, tandis que d'autres recourent à diverses méthodes pour obtenir autant d'informations que possible afin de planifier leurs activités futures ; des méthodes telles que les réseaux (Zou et al. 2011), le lissage exponentiel (Mohammed et al. 2017), les modèles de séries chronologiques (Qiu et al. 2016), les modèles causaux et stochastiques (Ma et al. 2015) et les simulations (Chen et al. 2010).
La véracité des informations peut ouvrir la possibilité d'une planification plus précise des ressources, du budget et d'éventuelles nouvelles implantations, de nouveaux postes de travail ou de la programmation des activités. Dans cet article, les données historiques d'un tableau de bord sont analysées et préparées à l'aide de la méthode de simulation, qui nous permet de générer un grand nombre de scénarios différents pour les entités du modèle. L'objectif de cette analyse est d'identifier les risques en obtenant des événements de demande qui peuvent être présentés jour par jour pour chaque mois de l'année.
2 Données historiques disponibles pour la demande
Les données relatives à la demande que nous avons analysées sont les données historiques d'une organisation qui cimente des puits de pétrole dans différents États du Mexique. Fondamentalement, elle offre deux types de services : le premier est le travail de cimentation (i) qui comprend la conception de la boue de ciment et la construction d'un mur circulaire à l'intérieur du puits de pétrole, tandis que le second se réfère au travail de pompage (j), qui consiste à louer des ressources. Afin de répondre à la demande des deux services, l'organisation utilise les mêmes ressources pour les deux types de services, i et j. Le nombre total de chaque type de travail par mois au cours d'une année est enregistré sur un tableau de bord, dont les données sont présentées dans le tableau 1.
Dans la pratique, le tableau de bord est utilisé par l'organisation pour prévoir le comportement futur de son travail. Il n'est pas rare de commettre des erreurs qui signifient qu'il y a une insuffisance ou un excès de ressources à certains endroits. Cela se produit parce que le nombre total de travaux enregistrés ne montre pas les événements possibles qui pourraient se produire jour après jour ou la fréquence de chaque événement. Par exemple, le tableau 1 ne permet pas de voir combien de travaux ont été demandés à l'entreprise le 3 juillet, ni combien de jours par mois les ressources ont été utilisées au maximum de leur capacité. Ces détails sont omis dans ce type d'enregistrements.
Dans le présent document, à partir des données du tableau de bord, un modèle est établi pour obtenir des informations sur les événements qui permettront à l'organisation de mieux comprendre le comportement de sa demande. En particulier les événements les plus fréquents et ceux qui ne se produisent que sporadiquement mais qui pourraient entraîner des risques opérationnels pour l'organisation, tels que des retards, des pénalités et la non-conformité.
La solution
3 Modèle de simulation de la demande
L'objectif du modèle de simulation est de générer les événements les plus fréquents et de trouver ceux qui pourraient être critiques pour l'entreprise. Le modèle de simulation de la demande est exécuté pour chaque mois de l'année où la demande a été simulée selon les données du tableau 1.
3.1 Aspects pertinents du modèle de simulation
SIMIO est la plateforme de simulation que nous avons choisie pour exécuter le modèle car ses caractéristiques sont adaptées au développement du modèle et à son utilisation ultérieure avec d'autres modèles. Le modèle de simulation comporte des serveurs qui génèrent des entités, représentant les emplois i et j. Chaque serveur répond à des distributions qui respectent les données du tableau de bord (tableau 1). Les deux serveurs sont connectés à un Sink qui compte le nombre d'emplois de chaque type par jour. Le modèle permet d'obtenir mensuellement le nombre de jours pendant lesquels se déroulent les travaux i de cimentation et j de pompage.
Le modèle enregistre les résultats à partir du jour 1200 pour les besoins du rapport. Les résultats de la simulation ont été déterminés après 1000 jours de simulation.
Les résultats de la validation du modèle sont illustrés en comparant le tableau 2 au tableau 1, qui donne les moyennes des exécutions du modèle par travail pour chaque mois.
Outre le modèle de simulation, un modèle mathématique a été construit, ce qui nous permet de comparer les événements résultants.
2 Conception de la simulation
Le système consiste en un "monde virtuel" réaliste en 3D du campus de Bethesda du NIH qui peut être utilisé dans une variété d'applications pour mieux comprendre et améliorer la planification et la prestation de services. D'un point de vue visuel, le modèle est conçu pour être visualisé et pour interagir avec un écran d'ordinateur ou du matériel de RV. En outre, des résultats quantitatifs peuvent être fournis par le biais d'expériences/scénarios.
Le modèle permet également de s'exercer à un scénario d'urgence ou à un processus particulier d'exploitation du campus de manière plus détaillée. Les scénarios d'urgence envisagés initialement sont l'évacuation d'un bâtiment ou d'un campus et un scénario de tireur actif. Le système est conçu de manière à permettre à l'utilisateur de comprendre comment un tel scénario pourrait se dérouler dans un bâtiment particulier du campus et la manière dont le scénario a un impact et interagit avec les opérations sur l'ensemble du campus.
Les premiers systèmes d'exploitation du campus inclus sont l'accès du personnel et des visiteurs, et le système de bus-navette. Le système est conçu de manière à représenter avec précision les entrées et les sorties de ces processus et l'interaction avec l'ensemble du campus, et a la capacité de suivre un individu tout au long du système (par exemple, un visiteur entre en voiture sur le campus, passe l'inspection de sécurité, se gare, se rend dans un bâtiment, participe à un exercice d'évacuation, retourne au bâtiment, retourne à son véhicule et quitte le campus).
Ce modèle est utilisé pour expérimenter des changements dans les services afin de mieux adapter la capacité à la demande, contribuant ainsi à l'utilisation rentable de ressources budgétaires limitées et à la planification de scénarios émergents, tels que la fermeture des routes du campus, l'évacuation des bâtiments, d'une partie ou de l'ensemble du campus, ou un scénario de tireur actif.
3 Approche de la modélisation
Un modèle de base est développé à un niveau élevé, de sorte que des processus ou opérations particuliers puissent être représentés à un niveau granulaire et que des niveaux de détail plus importants puissent être ajoutés si nécessaire, à la fois d'un point de vue visuel et analytique. Les modèles plus détaillés permettent de développer et d'informer les paramètres de temps de traitement à utiliser dans le modèle principal. De cette manière, des modèles détaillés peuvent être développés et construits si nécessaire.
Ce modèle de base consiste en un modèle 3D réaliste du réseau routier et piétonnier du campus, des bâtiments du campus avec les entrées/sorties des bâtiments représentées. Ce modèle de base comprend plusieurs sous-systèmes du campus développés précédemment comme des modèles indépendants qui sont maintenant intégrés dans un seul modèle. Ces systèmes comprennent l'accès au campus, un système de navettes, la circulation sur le campus (à la fois en temps normal et lors d'une évacuation), et des scénarios de tirs actifs.
Par exemple, dans le modèle de base, un bâtiment est représenté comme une "boîte noire" avec des entrées et des sorties définies. De cette façon, un bâtiment a un nombre défini d'endroits où les occupants peuvent entrer/sortir, et des processus plus détaillés à l'intérieur du bâtiment peuvent être développés dans un sous-modèle séparé qui peut être exécuté indépendamment ou interfacé avec le modèle plus large (par exemple, une évacuation de bâtiment ou un scénario de tireur actif). Le modèle actuel a été développé en utilisant le logiciel de simulation Simio en collaboration avec le partenaire de Simio, Mosimtec, LLC. La modélisation 3D a été réalisée à l'aide de Trimble Sketchup et de données provenant d'ORF et d'Open Street Maps. Des approches antérieures de modélisation de ces sous-systèmes ont été développées dans Arena.
L'impact commercial
3.2 Résultats du modèle de simulation
Le modèle de simulation génère une combinaison des emplois i et j avec la fréquence correspondante de chaque événement pour chaque mois de l'année. Cette combinaison d'un certain nombre de tâches nous permet de regrouper les événements les plus fréquents et de comprendre la demande par mois. En même temps, les informations sur les événements nous fournissent des informations utiles pour la gestion des ressources.
Grâce aux informations détaillées disponibles, il est possible de connaître les événements ou les scénarios qui ne sont pas fréquents mais qui peuvent se produire certains jours de l'année. La figure 1 montre également des événements proches de la région de probabilité des événements, mais avec une différence de temps dans la fréquence obtenue. Ces événements peuvent être analysés dans le but de savoir comment l'organisation réagira s'ils se produisent et, par conséquent, un plan d'action peut être formulé.
Figure 1. Nombre d'emplois i et j générés dans la simulation de janvier. L'importance de la préparation des données à l'aide de la méthodologie présentée dans ce document réside dans le fait que la connaissance des détails de l'information peut permettre d'éviter les risques opérationnels en réduisant le facteur de surprise du système.
4 Conclusion et discussion
En raison de l'évolution de l'environnement et de la résilience que les systèmes doivent avoir par rapport à leur propre réalité, des approches et des outils plus robustes peuvent offrir de meilleurs résultats. En ce sens, l'identification des risques, en utilisant des outils qui fournissent des informations plus détaillées sur un système, permet de mieux comprendre les différentes situations de risque auxquelles l'organisation peut être confrontée. La simulation est un outil qui nous permet d'analyser un système et ses informations mieux et plus rapidement, en permettant l'émulation de changements inattendus avec le comportement possible d'un système.
Cet outil de simulation a permis d'éviter des coûts importants dans l'ensemble des NIH et d'améliorer les efforts de planification d'urgence ayant un impact sur la vie et le bien-être des NIH. Les projets réalisés ont permis à la recherche de se poursuivre sans interruption et de prendre des décisions éclairées ayant un impact sur la sécurité et la sûreté des NIH et de la communauté environnante.
Le développement et l'analyse des mesures de sortie fournies par la simulation ont permis aux décideurs de mieux comprendre l'impact des changements apportés au système sur la prestation de services, ainsi que de mieux identifier, comprendre et atténuer les risques identifiés grâce à l'expérimentation du large éventail de scénarios que la simulation est capable de fournir.
Grâce à cette approche modulaire et évolutive, il est possible d'intégrer d'autres systèmes de campus et de recherche dans ce modèle et de permettre aux décideurs de mieux comprendre comment les systèmes interagissent les uns avec les autres et ont un impact sur des objectifs plus larges. Bien que ces modèles aient été développés spécifiquement pour les NIH, d'autres agences et organisations peuvent tirer parti de ces approches pour résoudre des problèmes similaires. 4480 Rodriguez et
REMERCIEMENTS
L'équipe de l'OQM souhaite remercier les responsables des NIH et de l'ORS/ORF ainsi que les nombreux membres du personnel qui ont soutenu ce projet.