Anticiper les conséquences de vos décisions

Commencer par le pilier

Simulation de flux : définition et méthodes — ce qu’est un modèle de simulation, les quatre familles de méthodes (événements discrets, Monte-Carlo, dynamique des systèmes, multi-agents), le déroulé d’une étude en quatre phases, et les limites qui font échouer les projets.

Les pages qui détaillent chaque point :

• Définition de la simulation de flux — Définition opératoire : entités, ressources, événements, aléa. Ce qui distingue une simulation d’une prévision, d’une optimisation ou d’un tableur.
• Files d’attente et loi de Little — Pourquoi une file se forme, ce que la loi de Little permet de recouper, et ce que la variabilité coûte en capacité. Formules, conditions et limites.
• Limites et biais d’une simulation de flux — Les biais qui survivent à une validation : données théoriques, précision illusoire, transitoire ignoré, confirmation. Mécanismes et parades concrètes.
• Caler les paramètres par machine learning — Utiliser le machine learning pour analyser les sorties multivariées d’une simulation de flux et retrouver les valeurs des paramètres du modèle.

Les mots du métier

Le glossaire définit 16 termes employés par les pages du site, chacun adossé à une source consultable : ce qu’est une entité, une ressource, un événement, une réplication ; ce que dit la loi de Little ; pourquoi un taux d’occupation de 90 % ne se lit pas comme un taux de 50 %.

• Loi de Little — L = λ × W : le nombre moyen d’entités présentes égale le débit moyen multiplié par le temps moyen passé. Sans hypothèse de loi.
• Taux d’occupation — Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime.
• Réplication — Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.
• Événement — Changement instantané de l’état du modèle : arrivée, fin de service, panne, changement de poste. Il fait avancer l’horloge.
• Analyse de sensibilité — Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure.