Dati, AI e problem solving Lean: Mattia si è laureato con una tesi scritta tra l'università e il Gemba

L'AI sta cambiando il modo in cui le aziende risolvono i problemi? Oggi se lo chiedono molti responsabili di produzione. Prima di scegliere un software vale la pena guardare i dati, e su questo tema arriva un contributo concreto.

Il contributo è la tesi con cui Mattia Ballarini si è laureato il 6 ottobre 2026 in Ingegneria Gestionale all'Università di Bologna (relatrice Prof.ssa Cristina Mora). Mattia l'ha scritta mentre lavorava in Leanbet come Junior Leanbet Consultant. Ha alternato le giornate in azienda presso i nostri clienti allo studio della letteratura su Lean 4.0, PDCA e analisi dei dati. È una conferma di qualcosa in cui crediamo: lavorare e studiare si può, e le due cose si rinforzano a vicenda.

Dal Lean Thinking al Digital Lean

Il punto di partenza è che i principi non cambiano. Si tratta sempre di definire il valore per il cliente, eliminare Muda, Muri e Mura, osservare il processo e migliorarlo ciclo dopo ciclo. Quello che l'Industria 4.0 aggiunge è la tempestività dell'informazione. I dati arrivano dalla linea in modo continuo, senza aspettare la trascrizione di fine turno.

La tesi lo dice in modo netto: il Lean stabilisce a cosa servono i dati, la tecnologia rende la loro raccolta più ampia e più rapida. Senza la prima parte, la seconda produce solo informazioni più veloci da interpretare male.

Il framework: quattro strumenti potenziati dai dati

Mattia organizza il "Problem Solving Potenziato" attorno al ciclo PDCA 4.0 e a quattro strumenti:

• A3 digitale: un unico spazio aggiornabile con problema, cause, contromisure, responsabili e risultati. Il ragionamento del team resta tracciabile anche a progetto chiuso.

• Root Cause Analysis data-driven: il Machine Learning aiuta a restringere le ipotesi, ma una correlazione non è una causa. In uno studio citato nella tesi, un algoritmo di causal discovery ha individuato oltre mille possibili relazioni tra variabili di processo, e gli esperti di linea ne hanno confermate solo una parte.

• Dashboard operative real-time: pochi KPI collegati ad azioni concrete, viste diverse per operatore, capo reparto e direzione, alimentate dalla stessa base dati.

• Digital Obeya: un luogo condiviso per decidere anche con team distribuiti. Il rischio da evitare è trasferire nel digitale la stessa frammentazione dei sistemi di origine.

Tra le evidenze raccolte ce n'è una che dice molto sul rapporto tra persone e AI. In un esperimento di ispezione visiva, l'algoritmo è rimasto identico; gli operatori hanno solo ricevuto una spiegazione grafica del suo output. L'accuratezza è passata dall'88,6% al 96,3%. Il beneficio non è venuto da una macchina più precisa, ma da persone che potevano verificarla meglio.

La prova dei fatti: una linea farmaceutica

Nella parte applicativa Mattia analizza, attraverso la documentazione disponibile, un progetto di miglioramento su una linea di riempimento di uno stabilimento farmaceutico. Poi lo legge alla luce del suo framework.

I risultati misurati nel periodo di osservazione sono questi:

• OEE medio: dal 28,6% al 36,0% (+7,4 punti percentuali)

• Disponibilità +6,3 punti, prestazione +5,3 punti, qualità +2,6 punti

• Microfermate: dal 34% al 21% del tempo osservato

Il punto che più ci ha colpito è un altro. Il progetto non usava né AI né Machine Learning. I dati OEE venivano trascritti a mano in Excel e la Visual Board era fisica, aggiornata a mano e discussa in una riunione giornaliera di dieci minuti al cambio turno. Il miglioramento è venuto da A3, PDCA, Pareto, Ishikawa, 5 Why, 5S, SMED e dall'osservazione diretta al Gemba.

C'è poi un dettaglio che chi fa Lean riconosce subito. Dopo l'intervento sulla ghieratrice, la sua quota sulle microfermate è scesa dal 34,5% al 5,3%. Nello stesso tempo la lavatrice, prima quasi invisibile, è diventata il nuovo collo di bottiglia. Rimosso un problema, ne emerge un altro: è il miglioramento continuo che funziona come deve.

Rigore, prima di tutto

Apprezziamo anche l'onestà intellettuale del lavoro. Mattia distingue con cura i risultati misurati dalle stime, le contromisure attuate da quelle solo proposte, la significatività statistica dall'attribuzione causale. Dichiara anche quello che i dati non permettono di dire: senza costi e benefici documentati, per esempio, un ROI non si calcola. È lo stesso atteggiamento che chiediamo ai nostri consulenti davanti a un cliente.

Nuove tecnologie, stesso motore

La conclusione della tesi coincide con quello che portiamo ogni giorno nelle aziende: le tecnologie avanzate ampliano le possibilità di analisi, ma l'organizzazione e il rigore del metodo restano il vero motore del miglioramento continuo. I dati diventano utili quando aiutano a riconoscere le perdite, discutere le cause, assegnare le azioni e verificarne gli esiti.

Mattia non lo ha solo scritto. Lo sta già applicando nelle aziende con cui lavoriamo, tra un PDCA da aggiornare e un flusso di non conformità da far emergere.

Complimenti per la laurea, Mattia.

📩 Studi Ingegneria Gestionale o un percorso affine e vuoi fare esperienza sul campo mentre completi gli studi? Scrivici a recruiting@leanbet.eu per scoprire le opportunità di tirocinio e lavoro in Leanbet.