在Simio Sync 2026大会上，波音公司、雪佛龙公司、诺斯韦尔健康公司、SimWell公司和其他行业领导者的演讲中出现了一个共同的主题：仿真结果的质量与企业如何有效地处理数据集成和工作流程自动化直接相关。正如 Simio 咨询与服务部高级工程师杰森在功能需求演讲中所强调的，"模型的质量受限于需求的清晰度"。 这一原则超越了需求，涵盖了为现代仿真环境提供数据的整个数据生态系统。
会议展示了从航空制造到医疗保健再到能源等各行各业正在发生的转变，在这些行业中，企业正在从手动数据流程转向集成、自动化的仿真工作流程，从而在几分钟内而不是几周内提供洞察力。
正如在Sync 会议上所介绍的，仿真项目之所以举步维艰，往往不是因为技术建模问题，而是因为基本数据和需求问题。Simio 公司的Jason Ceresoli解释道："大多数模型的建立都是正确的，遵循了良好的实践，在技术上也是合理的。真正的问题在于它们回答了错误的问题。一旦出现这种情况，范围就会开始扩大。一致性开始崩溃，利益相关者失去信心"。
他继续说道："我们通常看到的项目工作流程是这样的。定义问题，建立模型，交付成果。老实说，这样做是有道理的。建模是有趣的部分。感觉就像在进步。作为模拟师和建模师，我们自然希望把时间花在这上面。"但是，当我们跳过结构化的需求阶段时，就会发生以下情况：需求在构建过程中出现。利益相关者会对他们所看到的做出反应，而不是预先定义他们的需求，范围开始不受控制地扩大"。
数据准备工作历来耗费模拟项目 60-80% 的时间，而用于实际推动业务价值的分析和决策的带宽却少得可怜，这一现实使挑战变得更加复杂。
SimWell 介绍了 一家年产量达 20 亿平方英尺的瓦楞纸板厂的规模，为数据驱动的仿真提供了令人信服的见解。SimWell 的仿真顾问 Joanie Robichaud 和 Akrem Dhahri 与 Mitchel Lincoln 运营和供应链副总裁 Christian Roy 共同展示了他们如何应对复杂的制造挑战，其中瓶颈阻碍了工厂达到理论产能。
"SimWell 团队解释说："[我们选择 Simio 的]第一个原因是它确实是数据驱动的。"拥有大量数据表并在软件中很好地组织这些数据，以便在模型中有效地使用它们，是一件非常容易的事情。如前所述，订单确实是定制的。我们的每个订单都是为客户量身定制的。因此，这就意味着需要大量数据。
他们的仿真模型结构是现代数据集成的典范：输入数据包含所有历史生产数据--文件数量、根据分布、流体、颜色、设备参数、生产计划、周期时间、设置时间和劳动力可用性简化为系列的订单特征。仿真模型包含所有物料流、路径规则、操作逻辑和设备特定参数。输出重点是吞吐量测量、设备利用率、时间状态分析和在制品队列跟踪。
SimWell 团队广泛利用了 Simio 的实验功能："我们大量使用了 Simio 的实验和实验选项卡。我们可以快速调整参数，真正查看响应变量及其变化。当我们改变方案时，我们用它来做敏感性分析......真正做到快速识别瓶颈"。
关键数据集成创新：SimWell 团队在保持总容量的前提下，将 65 车道的车库系统简化为 15 车道。在缺乏列车装卸时间历史数据的情况下，他们根据桩深和装载周期创建了方程式："我们的系统专家估计，这是一个取决于车库中桩的深度......并基于需要发生的装载周期数量的方程式"。
SimWell 公司的 Joanie 解释了方程式的开发过程："例如，如果你有一个这样的大堆，火车就有三个传送带。因此，他只需要推动这一个料堆，然后 "嘣 "的一声就装好了。就是这样。但如果你有较小的料堆，你就需要分别装载每条传送带。因此，y 等于三个装载周期。然后 x 就是深度"。
诺斯韦尔健康公司（Northwell Health ）关于优化急诊科患者流量的演讲 展示了医疗机构中复杂的数据整合。他们的团队将定性和定量数据相结合，建立了一个全面的模拟模型，以应对附近医院关闭后预计增加 10-30% 的患者量。
诺斯韦尔健康公司的模型根据分诊级别和到达模式纳入了九种不同的实体类型，并定制了到达率、由统计分布定义的任务流程时间、路由概率以及精确的每周人员配置计划。诺斯韦尔团队的 Liam Coen 解释说："由于文件异常值，我们删除了所有分布中排名前 5%的患者，并进行了进一步验证，以了解为什么这样做是合适的，"他展示了严格的数据验证流程。
他们的数据整合方法："我们使用外部软件根据输入数据拟合分布......蓝色是真实数据，红线是拟合数据线......皮尔逊六分布本质上是向左倾斜的正态分布"。
诺斯韦尔健康公司的演示重点介绍了未来的功能，并指出 Simio 正在开发的 Python 集成功能可以大大简化分布拟合过程，特别是对于包含数万或数十万患者的大规模医疗数据集。
雪佛龙公司的演讲"从直觉到洞察力：雪佛龙如何利用仿真提高工程和建设绩效 "展示了多种项目类型的数据集成挑战。雪佛龙公司的项目执行顾问 Nick Wann 介绍了几个案例研究，展示了仿真如何改变复杂环境中的决策。
第一个案例研究的重点是每周为韩国的海上平台制造生产 100 张管道等距图纸。"不这样做的后果是，整个制造厂都要停工等待工程图纸。雪佛龙公司的尼克解释说："因此，后果实际上是非常严重的。这种高风险的环境需要精确的数据集成，以模拟工程工作流程中固有的检查和返工周期。
雪佛龙公司的方法包括跟踪多个流程步骤--图纸准备、检查、擦洗、复查、质量控制--每个步骤都有相关的返工概率和资源需求。他们的分析表明，传统的计算方法未能考虑到可变性："我们说，实际上我们认为我们需要 3.1/3 的资源才能实现每周 100 个 ISO。但我们会四舍五入到四个......好吧，承包商向业主提议......四个全职资源加上一个兼职资源"。
模拟验证了承包商的要求，将静态计算所忽略的过程可变性纳入其中，证明了数据驱动模拟比简化分析方法更有价值。
演讲中的另一个案例研究侧重于矿山复垦现场的卡车运输路线优化。来自雪佛龙公司的 Nick 演示了从模拟洞察到实施的快速迭代："我们所做的是向承包商提出建议。然而，他们看到了这些结果。第二天，他们的司机就开始练习这条新路线，到第三天，现场的交通就完全扭转了。
这个例子说明了整合良好的数据工作流程的威力：模拟可以测试安全情景（逆向行驶以减少车辆交互），量化影响（车辆交互减少 50%，生产率提高 6%），并实现近乎即时的实施。
来自雪佛龙公司的尼克总结了核心信息："显然，实验和运行多个模拟并总结所有信息才是关键所在。领导团队......总是喜欢模拟。他们喜欢看到东西在移动。这样的演示效果很好。但力量在于数据"。
波音公司 关于动态工作移动建模的演讲 涉及到数据集成的更广泛的组织方面。波音团队强调"鉴于这些现实情况，电子表格和静态分析往往是不够的。而这正是模拟的真正用武之地，它通过建立生产系统的现实模型而大放异彩"。
演讲还强调了文化转型："如今波音公司的文化正在发生变化。虽然还没有到那一步，但文化肯定在崛起"。这种文化因素对于数据集成的成功至关重要--企业必须营造这样一种环境，即 "在基层工作的人，在制造产品的人......都想把工作做好，他们有好的想法。有效的数据集成需要从最接近建模流程的人那里获取知识。
多位发言人强调了可重复使用组件的重要性。SimWell 团队指出"这也是面向对象的模块化设计。因此，所有的压力机和列车都是作为可重复使用的[对象]开发的。最终，我们可以移动它们或更改参数，以便在模型中使用新的压力机。这样做非常快速、简便、高效"。
Simio 的实验能力一直受到重视。SimWell 进行了 100 多次实验，进行了全面的敏感性分析，以快速识别瓶颈。这种快速迭代能力将仿真从一次性分析工具转变为动态决策支持系统。
甘特图可视化被反复提及，认为对开发过程中的模型调试很有价值。由于能够看到材料流动、瓶颈形成和卡车行驶的情况，利益相关者就会买账，而基础数据分析则会推动实际决策。
波音团队讨论了创建 "内部 SimBits"--与公司内部最终用户产生共鸣的模块化逻辑片段。波音公司的一位代表解释说："你们拥有大量有用的模块化逻辑片段，这些片段对于真正的学习绝对至关重要，但有时却无法与公司内的某些最终用户产生共鸣。"这种构建内部仿真能力的方法加快了采用速度，并改进了整个组织的数据集成。
SimWell 的 Mitchel Lincoln 项目旨在将产能从 14 亿平方英尺提高到 20 亿平方英尺，即提高 43%。模拟结果表明，在瓦楞机升级后，列车（物料搬运系统）和压榨机是阻碍工厂达到理论产能的主要瓶颈。
SimWell 团队采用精益生产原则（"精益生产的每个产品每个间隔"）进行批量大小分析，展示了数据驱动模拟如何在实施前测试运营策略。
诺斯韦尔医疗保健公司的模拟分析精确揭示了患者量增加所带来的影响：当患者量增加 20% 时，门到医护人员的时间平均增加到 18 分钟，治疗和出院时间增加约 12%，达到 200 分钟以上，夜间护士利用率达到 87%--将其确定为潜在瓶颈。
诺斯韦尔医疗团队解释了他们的决策："该医疗机构采纳了我们的模拟建议，在周日夜间增加了一个 8 小时的班次，因为在实施该建议时，医疗量逐渐增加了约 7%至 10%。"这体现了医疗容量管理从被动反应到主动出击的转变。
雪佛龙公司的 ISO 图纸生产模拟通过量化流程可变性的影响，防止了资源分配纠纷。模拟验证了对额外兼职资源的需求，以考虑现实世界中的可变性，而不是依赖于简化的计算，即四个全职检查员就足够了。
他们的卡车路线优化案例研究实现了车辆互动（安全风险的代表）减少 50%，同时生产率提高 6%。从模拟结果到全面实施只用了三天时间，这一快速的实施时间证明了数据集成基础设施的价值。
Simio 有关功能需求的演讲为确保仿真项目从一开始就能实现商业价值提供了一个框架。Simio 的 Jason 解释了四阶段方法--定义需求、建立模型、验证、交付--可确保在开始重要建模工作之前实现协调一致。
来自 Simio 的 Jason 介绍了研讨会的主要问题：
"如果你能从这个工具中得到什么，你会是什么？- 让利益相关者思考关键问题
该框架通过在建模开始前明确需要哪些数据以及为什么需要这些数据，直接解决了数据集成的难题。
多位发言人强调了与领域专家进行验证的重要性。SimWell 团队与 Mitchel Lincoln 的运营团队密切合作，验证了有关 65 车道车库系统、列车运行和订单特征的假设。
Northwell Health 的团队与急诊室员工一起进行了全面的泳道流程图绘制："最终形成了 50 个流程步骤、15 个决策点和 10 个不同的角色。"这种定性数据收集与定量数据分析相结合的方法创造出了员工信任、领导采纳的模式。
诺斯韦尔医疗团队被问及他们将患者划分为九种不同实体类型的决定。他们的回答强调了其中的利弊权衡："这些离散的、不同的实体之间的周转时间差异......不仅体现在患者的整体住院时间上，还体现在我们所看到的不同流程步骤上"。
这一决定体现了数据集成策略--足够细化以捕捉有意义的差异，但又不至于使模型变得臃肿或无法满足数据要求。
波音团队提到了复杂制造过程中的一个基本挑战："鉴于这些现实情况，电子表格和静态分析往往是不够的。而这正是模拟的真正用武之地，它可以建立一个逼真的生产系统模型"。
与会者在发言中对这一观点表示赞同。雪佛龙公司的尼克在分析工具与仿真方面的经验很有启发："当我们第一次接触到将我们的项目视为生产系统的概念时......我们开始使用一些分析工具......我们发现分析工具的问题是，它似乎是一个黑盒子，没有人真正了解发生了什么"。
他继续说道：他接着说："我们看不到它，也感觉不到它。我们无法，你知道，我们无法观察到它的行为。因此，当我们得到的结果与直觉或预期相反时，自然光就是我不明白的地方。这有点像个黑盒子我不会相信它"
模拟模型的透明度--能够观察行为、看到瓶颈的形成并理解因果关系--为利益相关者建立了信心，这是静态计算所无法比拟的。
SimWell 的经验强调了规划数据缺口的重要性。当无法获得列车装载/卸载的历史数据时，他们与系统专家一起开发了估算方程，而不是放弃模型的这一方面。
诺斯韦尔健康公司处理数据异常值的方法--在确认数据异常值代表文档错误而非实际患者经历后，对前 5%的数据进行删除--体现了严格的数据质量管理。
演讲展示了不同数据类型的整合：
历史运营数据（SimWell 的生产记录）
这种多源集成所需的组织能力不仅仅是仿真软件，还需要跨职能协作、数据管理和系统验证流程。
SimWell 演示了用于数据处理的复杂 Python 集成。SimWell 的 Akram 解释说："最初，我们收集了 Excel 文件中的所有原始数据。其中一些是专家估计，我们将其转化为公式和不同的东西，并使用 Python 脚本进行处理。然后，我们清理数据，并进行探索性数据分析"。
该团队继续说道："我们仍然使用 Python 脚本提取重要参数并拟合分布。然后一切准备就绪。我们直接在 Simio 中创建了输入表......然后，一旦我们下载了这些 CSV，我们就能够再次使用 Python 脚本对其进行处理，因为有时我们会在 Akram 的电脑上运行一些场景，然后我会运行其他一些场景，然后我们会把所有东西放在一起，就像聚合一样"。
这一工作流程展示了从手动数据处理到基于脚本的自动化数据处理的演变过程，从而实现了可扩展的仿真项目。
波音公司对文化转型的强调在所有数据集成工作中都引起了共鸣："倾听你的员工，那些在底层工作的员工，那些在制造产品的员工，那些在......那些在飞机上工作的员工，他们想把工作做好，他们有好的想法"。
有效的数据集成不可能是纯技术性的，它需要重视数据集成的组织文化：
数据驱动决策
对创建内部 SIMbits 和可重复使用组件的强调，指向了仿真应用的成熟度模型。组织从
与外部顾问开展临时模拟项目
正如波音公司团队所强调的那样，这种进步需要有意识的能力建设和知识转移。
同步会议上最具影响力的演讲展示了与业务流程相结合的模拟：
雪佛龙公司从模拟结果到全面实施交通逆转的三天周期
这些实例表明，模拟是一种持续的决策支持工具，而不是偶尔进行的分析工作。
虽然 SimWell 团队在数据处理工作流程中讨论了具体的 Python 高级集成细节，但 Northwell Health 提及的即将推出的功能表明仿真技术正在不断发展。
。重点仍然是实现更快、更准确的数据集成，这样分析师就可以把时间花在洞察力的生成上，而不是数据处理上。
Simio Sync 2026 大会上的演讲强化了一个基本事实：现代仿真的成败取决于数据集成的有效性。从航空航天到能源医疗，各种组织都表明，打破数据壁垒需要：
技术能力：
支持复杂操作规则的灵活数据结构
组织能力：
建模人员和操作人员之间的跨职能协作
流程整合：
在建模开始前明确需求定义
正如 SimWell 团队以其 100 多项实验所证明的那样，正如诺斯韦尔健康公司以其积极主动的产能规划所证明的那样，正如雪佛龙公司以其三天的实施周期所证明的那样，掌握数据集成的企业获得了显著的竞争优势。
未来属于那些将数据整合视为一种战略能力而非技术必需品的企业。如今，那些投资于自动化、集成度高的模拟架构的企业将发现自己处于更有利的位置，可以在现代运营环境中利用日益增长的数据量和复杂性。
Simio Sync 2026 所传达的信息非常明确：打破数据壁垒并不是要拥有更多数据，而是要更有效地整合数据，更严格地验证数据，并更迅速地根据洞察力采取行动。掌握这种整合方法的公司将在其行业中引领卓越运营。