Problem solving e decision making nell’ambiente di Industria 4.0

Quali sono le due forme con le quali la necessità di competenze in materia di problem solving può manifestarsi?


La possibilità di personalizzare i prodotti e di fornire servizi a margine della vendita contribuisce a rendere il livello di complessità dei sistemi e del lavoro molto più elevata, con conseguenze sui livelli decisionali e di ingaggio di lavoratori e manager. Per questa ragione, se sono sì importanti le competenze tecniche richieste dall’innovazione introdotta, sono allo stesso modo importanti due competenze trasversali: il problem solving e il decision making.

Tra le caratteristiche principali del paradigma, e quindi della realtà dei sistemi produttivi, di Industria 4.0 troviamo il venire meno di una produzione standard. La possibilità di personalizzare i prodotti e di fornire servizi a margine della vendita contribuisce a rendere il livello di complessità dei sistemi e del lavoro molto più elevata, con conseguenze sui processi decisionali e di ingaggio di lavoratori e manager. Per questa ragione, se sono sì importanti le competenze tecniche richieste dall’innovazione introdotta, sono allo stesso modo importanti due competenze trasversali: il problem solving e il decision making. Si tratta di competenze tra loro complementari poiché corrispondono, nell’ordine, alla capacità di identificare la radice e la causa dei problemi che insorgono (soprattutto i problemi imprevisti e inattesi) e, conseguentemente, a quella di saper prendere le decisioni in grado di condurre alla soluzione.

Il problem solving può assumere una forma duplice, in relazione ai gradi di difficoltà e di imprevedibilità che lo sollecitano. Una prima forma più ordinaria, che riguarda la risoluzione di problemi prevedibili, ossia problemi già emersi in passato e per i quali si conoscono le soluzioni e risultano quindi semplici da affrontare. Questa prima forma di problemi sarà sempre più residuale nel contesto di Industria 4.0 nel quale, attraverso il machine learning, i sistemi produttivi saranno in grado, mediante intelligenza artificiale, di prevenire i problemi e di imparare le soluzioni da mettere in pratica. Vi è poi una seconda evenienza da cui si genera la necessità di attività di problem solving ed è legata a problemi più complessi, non sopraggiunti precedentemente e che richiedono soluzioni non standard. Non si tratta unicamente di problemi di natura tecnica, giacché questi ultimi nel lungo periodo saranno anch’essi riassorbiti dalle potenzialità del machine learning, ma riguardano soprattutto problemi di natura relazionale, legati al rapporto con i clienti (sia in fase di progettazione che in fase di erogazione di servizi post vendita) e al rapporto con la filiera. Immaginiamo la richiesta di un prodotto altamente personalizzato che necessita di un riassetto di alcuni elementi dei processi produttivi, o un errore nell’erogazione di un servizio a cui consegue una insoddisfazione del consumatore. Per risolvere un problema di questo tipo è necessario un insieme di competenze trasversali che conducano ad una raccolta delle informazioni e quindi alla capacità di comprensione delle radici del problema e non solo alle sue manifestazioni di superficie, all’individuazione delle potenziali soluzioni analizzandone i pro e i contro, all’individuazione dei criteri con cui optare per una soluzione o per un’altra. Definiamo decision making proprio la capacità di saper coniugare questi elementi fondamentali per la risoluzione di un problema in tempi brevissimi.

Vi sono alcuni elementi chiave che contribuiscono alla costruzione di tali competenze trasversali:

Intuizione: da intendersi non solo come dote innata che contribuisce a cogliere rapidamente i problemi, a partire da un dettaglio, e ad individuare di conseguenza le soluzioni. Ma è da intendersi soprattutto come un bagaglio di esperienza dei processi tale per cui chi ne è dotato, a fronte di una complicazione o di una richiesta imprevista, riesce a intuire le cause ed ipotizzare soluzioni senza necessariamente avere una conoscenza di tipo tecnico dei processi, piuttosto in virtù del fatto che per anni si è occupato di loro. Ciò potrebbe sembrare in contraddizione con le continue novità indotte nei processi e nei macchinari per Industria 4.0, ma è stato mostrato [1] come l’elemento dell’esperienza risulti centrale anche a fronte di un ambiente mutato: l’esperienza renderebbe più facile cogliere i nessi tra le diverse componenti grazie al raffronto con situazioni analoghe vissute in passato.

Ragionamento: si tratta di un elemento che è insieme consequenziale e complementare all’intuizione. Infatti, se l’intuizione aiuta nel decision making rapido, a fronte di problemi che richiedono una soluzione immediata, il ragionamento è la capacità di unire i diversi elementi forniti dall’osservazione e dall’intuizione costruendo uno schema mentale più complesso e composito, che permetta di elaborare soluzioni per problemi più complessi.

Vi sono poi alcune situazioni e condizioni che rendono più difficile l’esercizio del decision making, in particolare:

Carenza o sovrabbondanza di informazioni: entrambi questi scenari speculari possono condurre ad una mancanza di lucidità nel valutare gli elementi che in un caso non sono sufficienti e, nell’altro, creano confusione per il loro vasto numero.

Mancanza di comunicazione e coordinamento: tra le cause principali dell’assenza di informazioni e quindi della difficoltà a prendere decisioni troviamo la mancanza di comunicazione o la difficoltà di coordinamento tra gli attori. Si tratta di un limite che, se non affrontato, rischia di essere enfatizzato dal contesto di Industria 4.0, perché la numerosità degli attori in gioco all’interno dei processi decisionali e gli intrecci di comunicazione delle informazioni possono, se non ottimizzati, creare difficoltà invece di risolverle.

Punti di forza e punti di debolezza devono poi essere posti in relazione con le singole personalità dei collaboratori e con le loro competenze tecniche che restano un requisito fondamentale, anche se non sufficiente, a maturare competenze in ambito problem solving e decision making. La differenza tra queste ultime ed altre competenze trasversali legate in modo quasi totale alle attitudini individuali è infatti che in queste il fattore esperienziale è fondamentale, sarà quindi necessario individuare modalità di selezione dei collaboratori che siano in grado di far emergere i gradi di esperienza maturata, anche in esperienze lavorative passate non per forza analoghe.

Note e riferimenti

[1] S. Pfeiffer, A. Suphan, The Labouring Capacity Index: Living Labouring Capacity and Experience as Resources on the Road to Industry 4.0, Universitat Hohenheim Working Paper 2, 2015


Il problem solving può assumere una forma duplice, in relazione ai gradi di difficoltà e di imprevedibilità che lo sollecitano.
Una prima forma più ordinaria, che riguarda la risoluzione di problemi prevedibili, ossia problemi già emersi in passato e per i quali si conoscono le soluzioni e risultano quindi semplici da affrontare. Questa prima forma di problemi sarà sempre più residuale nel contesto di Industria 4.0 nel quale, attraverso il machine learning, i sistemi produttivi saranno in grado, mediante intelligenza artificiale, di prevenire i problemi e di imparare le soluzioni da mettere in pratica.
Vi è poi una seconda evenienza da cui si genera la necessità di attività di problem solving ed è legata a problemi più complessi, non sopraggiunti precedentemente e che richiedono soluzioni non standard [n.d.r. riguardano soprattutto problemi di natura relazionale, legati al rapporto con i clienti].

Comments are closed.