Introduzione
Perché alcune organizzazioni migliorano continuamente i propri processi, mentre altre, pur disponendo degli stessi dati e delle stesse tecnologie, continuano a ripetere gli stessi problemi?
È una domanda che oggi molti manager si stanno ponendo. Negli ultimi anni le organizzazioni hanno investito in modo significativo nella digitalizzazione dei processi aziendali. ERP, CRM, sistemi MES, piattaforme di workflow e applicazioni verticali registrano ogni giorno milioni di eventi: ordini inseriti, approvazioni, spedizioni, pagamenti, richieste di assistenza, cambi di stato, tempi di attraversamento.
Paradossalmente, mentre cresce la quantità di dati disponibili, non sempre aumenta la capacità di comprendere come i processi funzionino realmente.
Le procedure descrivono come il processo dovrebbe svolgersi. I sistemi informativi registrano come è stato eseguito. L’esperienza delle persone racconta perché determinate decisioni siano state prese. Molto spesso, però, queste tre prospettive rimangono separate.
È proprio da questa distanza che nascono inefficienze, ritardi, costi nascosti e opportunità di miglioramento non colte.
In questo contesto il Process Mining sta assumendo un ruolo sempre più centrale. Analizzando automaticamente i dati generati dai sistemi informativi, questa tecnologia consente di ricostruire il flusso reale delle attività, evidenziando varianti operative, colli di bottiglia, rilavorazioni e tempi di attesa che difficilmente emergerebbero attraverso analisi tradizionali.
Parallelamente, l’evoluzione dell’Intelligenza Artificiale permette oggi di individuare pattern ricorrenti, formulare ipotesi interpretative, simulare scenari e supportare decisioni sempre più complesse.
Di fronte a queste innovazioni, qualcuno potrebbe chiedersi se approcci consolidati come il Lean Thinking siano destinati a perdere rilevanza.
La nostra esperienza suggerisce esattamente il contrario. Quanto più aumenta la capacità delle organizzazioni di osservare i propri processi, tanto più diventa importante possedere un metodo capace di interpretare ciò che emerge, distinguere le cause dai sintomi e trasformare le informazioni in miglioramento continuo.
La vera sfida, quindi, non consiste nello scegliere tra Process Mining, Artificial Intelligence e Lean Thinking, ma nel comprenderne la complementarità.
Il futuro della Process Excellence non appartiene alla tecnologia più avanzata, bensì alle organizzazioni capaci di integrare tre competenze fondamentali:
- Rendere visibili i processi
- Comprenderne il funzionamento
- Trasformare questa conoscenza in miglioramento continuo
Quando vedere i processi non basta più
Per molti anni il miglioramento dei processi è partito da strumenti relativamente semplici: interviste, workshop interfunzionali, Value Stream Mapping, osservazioni sul campo, raccolta di dati campionari.
Questi strumenti continuano a rappresentare un patrimonio metodologico fondamentale. Tuttavia, la crescente complessità delle organizzazioni rende sempre più difficile ottenere una rappresentazione completa del funzionamento reale dei processi.
Pensiamo, ad esempio, al ciclo Order-to-Cash di un’azienda manifatturiera.
Un ordine cliente può attraversare numerosi sistemi informativi, coinvolgere reparti differenti, generare eccezioni, modifiche, approvazioni straordinarie, rilavorazioni amministrative e attività manuali distribuite su sedi diverse.
Nella documentazione aziendale questo processo appare spesso lineare. Nella realtà può svilupparsi attraverso decine di percorsi differenti.
La conseguenza è nota a molti manager, le decisioni vengono spesso prese sulla base di:
- procedure formalizzate ma non realmente applicate
- percezioni individuali
- analisi limitate a pochi casi
- indicatori aggregati che nascondono la variabilità
In altre parole, si osservano i risultati senza riuscire a comprendere pienamente il comportamento del processo che li ha generati.
È proprio questo il problema che il Process Mining affronta in modo innovativo.
Analizzando automaticamente gli event log presenti nei sistemi informativi, esso ricostruisce il flusso effettivamente seguito da ogni pratica, ordine o richiesta, mostrando ciò che accade realmente e non soltanto ciò che era stato progettato.
Per la prima volta diventa possibile osservare, con continuità e su grandi volumi di dati:
- quali varianti operative vengono realmente utilizzate
- dove si concentrano attese e rilavorazioni
- quali eccezioni rallentano il processo
- come cambia il comportamento tra clienti, prodotti, stabilimenti o mercati.
Il contributo del Process Mining è quindi straordinario. Non perché sostituisca gli strumenti tradizionali di analisi. Ma perché rende finalmente visibile una parte della realtà che fino a pochi anni fa rimaneva sostanzialmente invisibile.
È un cambiamento importante, ma non ancora sufficiente perché vedere un processo non significa automaticamente comprenderlo.
Ed è proprio qui che inizia il vero lavoro manageriale.
Che cosa il Process Mining può vedere… e che cosa non può vedere
L’entusiasmo che oggi circonda il Process Mining è pienamente comprensibile.
Per la prima volta le aziende dispongono di una tecnologia capace di ricostruire automaticamente il comportamento reale dei processi, evidenziando deviazioni, tempi di attraversamento, colli di bottiglia e rilavorazioni con un livello di dettaglio fino a pochi anni fa impensabile.
Questa capacità rappresenta un enorme passo avanti rispetto ad analisi basate esclusivamente su interviste, workshop o campionamenti.
Ma proprio perché il Process Mining è così potente, è importante comprenderne con precisione anche i confini. Ogni tecnologia osserva la realtà attraverso una determinata “lente”.
Il Process Mining osserva gli eventi registrati nei sistemi informativi.
- Vede ciò che è stato eseguito
- Misura quando è accaduto
- Ricostruisce il percorso seguito
- Confronta migliaia o milioni di casi
- Identifica anomalie statistiche
Ma non può sapere perché le persone abbiano preso una determinata decisione.
- Non può leggere il contesto organizzativo
- Non conosce gli accordi informali tra funzioni
- Non distingue una deviazione necessaria da una cattiva abitudine
- Non coglie il livello di competenza degli operatori
- Non percepisce la qualità della collaborazione tra uffici
In altre parole, osserva con straordinaria precisione il comportamento del processo, ma non il significato organizzativo di quel comportamento.
È una distinzione apparentemente sottile, ma decisiva. Perché il rischio non è raccogliere pochi dati. Il rischio è attribuire automaticamente un significato manageriale a ciò che, in realtà, rappresenta soltanto un’evidenza operativa. Ad esempio:
- Un percorso alternativo può essere inefficiente. Oppure può essere la soluzione intelligente adottata da persone esperte per risolvere un problema che il processo standard non aveva previsto.
- Una rilavorazione può rappresentare uno spreco. Oppure un controllo aggiuntivo richiesto da un cliente strategico.
- Un tempo di attraversamento elevato può dipendere da un collo di bottiglia. Oppure da una precisa scelta commerciale.
I dati mostrano che cosa è accaduto, la comprensione del contesto spiega perché. Ed è proprio in questo spazio che entra in gioco il contributo delle persone.
Dal Gemba fisico al Digital Gemba
Nel Lean Thinking esiste un principio tanto semplice quanto rivoluzionario: per comprendere un processo bisogna andare a vedere dove il valore viene realmente creato.
È il concetto di Gemba.
Per decenni questa idea ha significato osservare direttamente il lavoro, parlare con gli operatori, verificare i fatti, distinguere le ipotesi dalla realtà.
Oggi la trasformazione digitale amplia profondamente questo principio. Accanto al Gemba fisico si affianca infatti un nuovo spazio di osservazione: quello generato dai dati.
Possiamo immaginarlo come un Digital Gemba. Non è un luogo, è la rappresentazione digitale del comportamento reale dei processi.
È qui che il Process Mining offre un contributo straordinario, perché permette di:
- osservare milioni di eventi contemporaneamente
- seguire ogni ordine, ogni pratica, ogni richiesta lungo il suo intero ciclo di vita
- individuare pattern invisibili all’osservazione umana
Ma il Digital Gemba non sostituisce il Gemba tradizionale, lo completa.
Un responsabile di processo che osservasse esclusivamente le dashboard rischierebbe di perdere tutto ciò che i dati non possono registrare. Allo stesso modo, limitarsi all’osservazione diretta significherebbe rinunciare a una quantità di informazioni ormai indispensabile.
La nuova competenza manageriale consiste quindi nel saper frequentare entrambi questi luoghi:
- Il Gemba fisico permette di comprendere persone, relazioni, competenze, motivazioni e modalità operative
- Il Digital Gemba rende visibili la struttura reale dei processi, le loro varianti e il loro comportamento nel tempo
Solo dall’integrazione di queste due prospettive nasce una comprensione realmente completa.
È probabilmente questa una delle evoluzioni più significative del Lean Thinking nell’era digitale: non cambiano i principi, si amplia la capacità di osservazione.
Tabella 1 – Due prospettive complementari sul processo
Questa prospettiva porta anche a riconsiderare il ruolo stesso del manager. Per molti anni la difficoltà consisteva nel reperire dati affidabili, oggi, sempre più spesso, il problema è l’opposto. I dati sono disponibili, ciò che manca è la capacità di trasformarli in conoscenza condivisa e in decisioni efficaci.
È qui che il Process Mining incontra il suo naturale complemento nel Lean Thinking, perché osservare rappresenta soltanto il primo passo del miglioramento.
- Comprendere le cause
- Sperimentare soluzioni
- Coinvolgere le persone
- Standardizzare i risultati
Sono attività che nessun algoritmo può svolgere autonomamente. Ed è proprio questo il terreno sul quale il Lean continua a esprimere tutto il proprio valore.
Dall’informazione alla conoscenza: perché il Lean Thinking diventa ancora più importante
Se il Process Mining rende i processi più visibili, l’Intelligenza Artificiale rende la loro analisi più rapida e più profonda.
Algoritmi di Machine Learning possono individuare correlazioni difficilmente riconoscibili dall’osservazione umana, identificare anomalie ricorrenti, stimare la probabilità di ritardi, suggerire le possibili cause di determinate deviazioni e simulare l’effetto di interventi alternativi.
È un cambiamento significativo. Per molti anni il limite delle organizzazioni era rappresentato dalla scarsità di informazioni, oggi il limite rischia di diventare l’opposto.
Disponiamo di una quantità crescente di dati, analisi, indicatori e suggerimenti automatici, ma non sempre riusciamo a trasformarli in decisioni migliori. È qui che il ruolo del management cambia profondamente.
La domanda non è più: “Come posso raccogliere più dati?”
Diventa invece: “Come posso utilizzare questa conoscenza per migliorare realmente il processo?”
È una domanda che cambia completamente la prospettiva. Perché il miglioramento non nasce dalla disponibilità di informazioni. Nasce dalla capacità delle persone di interpretarle, discuterle, sperimentare nuove soluzioni e apprendere dai risultati ottenuti.
Da questo punto di vista, l’Intelligenza Artificiale non sostituisce il Lean Thinking. Ne amplifica il potenziale.
L’Intelligenza Artificiale accelera l’analisi dei processi, individua pattern ricorrenti e suggerisce possibili interpretazioni. Il Lean Thinking interviene su un piano diverso ma complementare: aiuta l’organizzazione a verificare tali ipotesi, comprendere le cause profonde, coinvolgere le persone nella ricerca delle soluzioni e trasformare gli apprendimenti in nuovi standard operativi.
- Il Lean verifica se quei pattern rappresentino realmente un problema e quale intervento possa eliminarne le cause.
- L’AI può suggerire una soluzione.
- Sono le persone che decidono se quella soluzione sia coerente con gli obiettivi dell’organizzazione, con il cliente e con il contesto operativo.
Questa distinzione è fondamentale perché evita due errori speculari.
Il primo consiste nel considerare l’Intelligenza Artificiale come un semplice strumento informatico, limitandone il valore a un’automazione più sofisticata.
Il secondo, forse ancora più pericoloso, consiste nell’attribuirle capacità decisionali che appartengono invece alla responsabilità manageriale.
L’AI può supportare una decisione, non può sostituire il giudizio organizzativo.
Quando il dato non racconta tutta la storia
Immaginiamo che il Process Mining evidenzi un’elevata variabilità nel tempo di evasione degli ordini.
L’Intelligenza Artificiale rileva che il fenomeno è particolarmente frequente per alcune categorie di clienti e suggerisce una correlazione con il numero di modifiche richieste dopo l’inserimento dell’ordine.
L’informazione è preziosa, ma è solo il punto di partenza. Per comprenderne il significato sarà necessario coinvolgere chi lavora quotidianamente nel processo.
Potrebbe emergere, ad esempio, che alcuni clienti strategici richiedono abitualmente personalizzazioni dell’ultimo minuto. Oppure che il configuratore commerciale non raccoglie tutte le informazioni necessarie nella fase iniziale. O ancora che determinate verifiche vengono ripetute perché esistono dubbi interpretativi tra ufficio tecnico e produzione.
Nessuna di queste informazioni compare nei log di sistema, sono conoscenze costruite nel tempo dalle persone: esperienze, competenze, accordi informali, pratiche operative.
È quella che molti studiosi definiscono conoscenza tacita: un patrimonio spesso invisibile ai sistemi informativi, ma determinante per comprendere il funzionamento reale dell’organizzazione.
Ed è proprio qui che il Lean Thinking continua a offrire un contributo insostituibile.
Il Gemba, il confronto interdisciplinare, il problem solving strutturato, i “5 Perché”, il ciclo PDCA non servono semplicemente a risolvere problemi, servono a trasformare informazioni disperse in conoscenza organizzativa condivisa. In altre parole, aiutano l’organizzazione a imparare.
Dalla Data-driven Company alla Learning-driven Company
Negli ultimi anni si è parlato molto di Data-driven Company. L’espressione sottolinea un principio corretto: le decisioni dovrebbero essere supportate dai dati e non soltanto dall’intuizione.
Tuttavia, esiste un rischio. Confondere la disponibilità di dati con la capacità di apprendere. Un’organizzazione può essere estremamente ricca di informazioni e continuare a ripetere gli stessi errori. Può possedere dashboard sofisticate senza modificare realmente i propri comportamenti. Può investire in algoritmi avanzati senza sviluppare una cultura del miglioramento.
Per tutti questi motivi riteniamo più utile parlare di Learning-driven Company.
Una Learning-driven Company non investe in dati, Process Mining e Intelligenza Artificiale solo per sapere di più. Investe in queste tecnologie per imparare più rapidamente
Ogni anomalia diventa un’occasione per comprendere il processo, ogni deviazione alimenta una riflessione collettiva, ogni esperimento produce nuova conoscenza, ogni miglioramento viene standardizzato affinché diventi patrimonio dell’organizzazione.
In questa prospettiva cambia anche il significato stesso della tecnologia: il suo valore non consiste semplicemente nel fornire informazioni più accurate, bensì consiste nell’accelerare la capacità di apprendimento dell’intera organizzazione.
È probabilmente questa la trasformazione più importante che la Process Excellence sta vivendo. Non una transizione dalla gestione dei processi alla gestione dei dati. Ma una transizione dalla disponibilità di informazioni alla capacità di apprendere continuamente.
Tabella 2 – Le tre competenze complementari per la Process Excellence
Nessuna di queste tre capacità è sufficiente da sola. È la loro integrazione che definisce una nuova idea di Process Excellence.
Il Process Mining rende visibili i processi, l’AI accelera la comprensione, il Lean Thinking trasforma questa conoscenza in cambiamento organizzativo attraverso le persone.
Dalla tecnologia alla capacità organizzativa: un nuovo modello di Process Excellence
Molte organizzazioni stanno oggi investendo in piattaforme di Process Mining e soluzioni di Intelligenza Artificiale con l’obiettivo di aumentare l’efficienza dei propri processi. L’investimento tecnologico rappresenta certamente una condizione importante. Ma non è sufficiente.
La storia del management insegna che nessuna innovazione produce risultati duraturi se non modifica anche il modo in cui le persone osservano, comprendono e governano il lavoro.
Per questo motivo la domanda che un management team dovrebbe porsi non è: “Quale piattaforma scegliere?”
Ma piuttosto: “La nostra organizzazione è pronta a trasformare ciò che scoprirà in un nuovo modo di lavorare?” “Come le nostre persone saranno in grado di differenziarci e sviluppare vantaggi competitivi sostenibili?”
Sono domande meno tecnologiche, ma decisamente più strategiche.
Molte iniziative di miglioramento falliscono non perché manchino i dati, ma perché manca un processo organizzativo capace di trasformare le evidenze in decisioni condivise. Le dashboard vengono consultate, i report vengono discussi, le anomalie vengono identificate. Poi tutto continua come prima.
La differenza tra un’organizzazione orientata ai dati e un’organizzazione orientata al miglioramento risiede proprio qui.
- La prima produce conoscenza.
- La seconda modifica sistematicamente il proprio comportamento collettivo, verso il miglioramento.
Ed è esattamente questo il contributo che il Lean Thinking continua a offrire. Il miglioramento continuo non è una tecnica. È una disciplina organizzativa.
Significa creare un metodo attraverso il quale osservazioni, dati, intuizioni ed esperienze confluiscano in un ciclo permanente di apprendimento. Il PDCA rappresenta ancora oggi una delle sintesi più efficaci di questo approccio e descrive un meccanismo di apprendimento che rimane sorprendentemente attuale anche nell’era dell’AI.
La nuova responsabilità del management
L’introduzione di Process Mining e Intelligenza Artificiale modifica profondamente anche il ruolo dei manager. Per molti anni la loro esperienza consisteva soprattutto nel prendere decisioni in condizioni di informazione limitata.
Oggi accade sempre più spesso il contrario: Le informazioni sono abbondanti, le analisi sono immediate, gli indicatori sono aggiornati in tempo reale.
La vera difficoltà consiste nel selezionare ciò che conta davvero, nel distinguere correlazioni da cause, nel comprendere quali problemi meritino realmente attenzione e nel coinvolgere le persone nella ricerca delle soluzioni che poi dovranno essere implementate.
Il valore aggiunto del management si sposta quindi dall’elaborazione dei dati alla costruzione di cultura d’azienda e del miglioramento.
In questo scenario il leader non è colui che possiede tutte le risposte. È colui che crea le condizioni affinché l’organizzazione impari più velocemente.
In altre parole, il manager diventa sempre meno “controllore” e sempre più architetto dell’apprendimento organizzativo.
Tabella 3 – Dall’informazione al miglioramento continuo
Questa sequenza evidenzia come il vero risultato non sia la disponibilità di informazioni più accurate, bensì l’aumento della capacità dell’organizzazione di apprendere e migliorare nel tempo.
Conclusioni
Per molti anni il miglioramento dei processi è stato limitato dalla difficoltà di osservare ciò che accadeva realmente nelle organizzazioni. Oggi questa barriera si sta rapidamente riducendo.
Il Process Mining rende visibili fenomeni che fino a poco tempo fa rimanevano nascosti.
L’Intelligenza Artificiale accelera l’analisi, individua pattern ricorrenti e supporta l’interpretazione di grandi quantità di dati.
Queste tecnologie rappresentano un’opportunità straordinaria, ma il loro valore non risiede semplicemente nella capacità di produrre informazioni più dettagliate. Risiede nella possibilità di sviluppare organizzazioni che imparano più rapidamente. Ed è proprio qui che il Lean Thinking ritrova tutta la propria attualità come disciplina capace di trasformare dati, esperienza e competenze in miglioramento continuo.
La Process Excellence del futuro non sarà definita dalla tecnologia più sofisticata. Sarà definita dalla capacità di integrare tre competenze fondamentali:
- rendere visibili i processi;
- comprenderne il significato;
- trasformare questa conoscenza in apprendimento organizzativo e miglioramento continuo.
In questa prospettiva, Process Mining, Intelligenza Artificiale e Lean Thinking non rappresentano approcci alternativi, ma competenze complementari. Il primo rende visibili i processi, la seconda ne accelera la comprensione, il terzo trasforma questa conoscenza in miglioramento continuo.
Non si tratta quindi di scegliere tra approcci alternativi. Si tratta di costruire organizzazioni nelle quali tecnologia e persone contribuiscano, insieme, a generare una capacità di miglioramento sempre più diffusa, sistematica e sostenibile.
Perché, in definitiva, la vera innovazione non consiste nel raccogliere più dati. Consiste nell’imparare meglio da ciò che i dati ci raccontano.
