Correlazione non è causalità: perché i tuoi modelli predittivi non bastano per decidere

Ogni mattina, i responsabili delle operations e della supply chain si trovano davanti a cruscotti digitali ricchi di indicatori predittivi. Gli algoritmi stimano la domanda della prossima settimana, segnalano il rischio di guasto su una linea di montaggio o suggeriscono quale fornitore potrebbe accumulare ritardi nelle consegne. Negli ultimi anni, gli investimenti in sistemi di machine learning hanno moltiplicato la capacità di calcolo all’interno delle aziende manifatturiere. Nonostante questa abbondanza di previsioni, molte decisioni correttive continuano a produrre risultati deludenti. Si alza la scorta di sicurezza su un codice critico e il magazzino collassa senza che il livello di servizio migliori; si modifica la sequenza di pianificazione per ridurre gli scarti e i fermi impianto aumentano per motivi apparentemente inspiegabili.

La ragione di questo scollamento risiede in un equivoco metodologico frequente nelle aziende: considerare la capacità di previsione come garanzia di efficacia decisionale. Un modello predittivo standard individua schemi statistici nei dati storici. Registra che a un determinato evento A si accompagna con alta probabilità l’evento B. Questo tipo di associazione statistica è utile quando l’obiettivo consiste nell’anticipare un evento passivo, come stimare il carico di lavoro del lunedì mattina. Quando però il manager deve intervenire per cambiare l’esito dei fatti, la correlazione statistica smette di funzionare. L’introduzione della causalità machine learning nei processi decisionali industriali risponde proprio a questa urgenza: distinguere ciò che semplicemente accade insieme da ciò che risponde a una precisa relazione di causa ed effetto.

In un contesto operativo caratterizzato da margini compressi, variabilità dei tempi di approvvigionamento e costi energetici instabili, le scelte di gestione non possono reggersi su correlazioni passeggere. Un intervento sui processi costa denaro, impiega ore di lavoro e modifica equilibri consolidati tra reparti. Capire perché i modelli tradizionali falliscono quando si passa dall’osservazione passiva all’azione attiva è il primo passo per costruire sistemi operativi solidi e capaci di generare valore reale.

Correlazione vs Causalità: la distinzione che cambia tutto

La differenza tra previsione e intervento è tutta qui. Un modello di previsione risponde a una domanda descrittiva: dato ciò che osservo, cosa accadrà probabilmente dopo? Un decisore operativo deve rispondere a un’altra domanda: se modifico questo parametro, cosa succede al sistema?

Nel campo della correlazione causazione data science, questa separazione corrisponde alla differenza tra vedere e fare. Quando osserviamo un dato storico, vediamo il comportamento del sistema in determinate condizioni passate. Se notiamo che nei giorni in cui le presse registrano temperature più elevate si verifica anche un aumento del 15% dei pezzi difettosi, il modello statistico assocerà l’alta temperatura allo scarto. Un approccio superficiale porterebbe a investire in costosi impianti di condizionamento ausiliari per abbassare la temperatura dell’olio. Se tuttavia la temperatura sale semplicemente perché la pressa sta lavorando lotti di materiale più duro e ad alta resistenza, l’intervento termico non ridurrà gli scarti. Il vero fattore causale era la durezza della lega, mentre l’innalzamento termico era solo un sintomo.

Nelle operations, intervenire su un sintomo correlato anziché sulla causa reale produce tre conseguenze immediate:

• Spreco di risorse finanziarie e tempo di manutenzione per attuare modifiche inefficaci;
• Sensazione diffusa di sfiducia del personale operativo verso i sistemi di analisi dati;
• Persistenza del problema originario, che continua a degradare l’efficienza complessiva degli impianti (OEE).

Un algoritmo di apprendimento automatico classico ottimizza una funzione di perdita basata sulla correlazione. Se trova una scorciatoia statistica nei dati per ridurre l’errore di previsione, la sfrutterà sempre, anche se priva di fondamento fisico o logico. Nelle decisioni di pianificazione, basarsi su queste scorciatoie porta a decisioni errate. Cambiare la logica con cui si assegnano i turni o si dimensionano i buffer di produzione richiede modelli capaci di stimare gli effetti dell’intervento, non semplici calcolatori di probabilità condizionata.

Il problema dell’omophily nel viral marketing

L’incapacità dei modelli associativi di guidare le scelte operative non è un problema esclusivo delle fabbriche. La letteratura scientifica sulle reti sociali e sul marketing analizza da tempo questo fenomeno attraverso il concetto di omofilia. In una rete, gli individui tendono ad aggregarsi e a interagire con persone che condividono caratteristiche, preferenze e comportamenti simili. Quando un gruppo di individui compie la medesima azione, è complicato distinguere se si tratti di influenza sociale (contagio da pari) o se l’azione derivi da caratteristiche condivise preesistenti.

Questo fenomeno ha un’analogia precisa nei sistemi produttivi e nelle reti di fornitura. Immaginiamo tre fornitori critici che consegnano con ritardi simili nello stesso periodo dell’anno. Un modello predittivo potrebbe ipotizzare una dipendenza logistica tra loro o dedurre che il comportamento di un fornitore stia influenzando gli altri. Nella realtà, i tre fornitori condividono la stessa area geografica per l’approvvigionamento delle materie prime o affrontano le medesime strozzature doganali. Attribuire il ritardo a un fattore imitativo o a una relazione diretta porterebbe a contrattazioni errate, mentre la causa comune risiede altrove.

Il caso Aral et al. 2009 (700% overestimation)

Un lavoro fondamentale che ha dimostrato la pericolosità di questo fraintendimento è lo studio condotto da Sinan Aral, Lev Muchnik e Arun Sundararajan nel 2009. I ricercatori hanno analizzato l’adozione di un’applicazione commerciale all’interno di una vasta rete di utenti, confrontando i modelli statistici convenzionali con un metodo sperimentale controllato per distinguere l’influenza sociale reale dall’omofilia.

I modelli tradizionali di marketing basati sulla sola correlazione attribuivano l’adozione dell’applicazione all’influenza dei contatti personali. I dati mostravano chiaramente che gli utenti con amici che avevano scaricato l’applicazione erano molto più propensi a scaricarla a loro volta. Tuttavia, applicando metodologie capaci di isolare i fattori di confondimento e le caratteristiche individuali, lo studio ha rivelato che i modelli convenzionali sovrastimavano l’effetto di contagio tra pari di oltre il 700%. Gran parte dell’effetto attribuito al passaparola derivava in realtà da preferenze individuali simili e dall’esposizione agli stessi stimoli esterni.

Le implicazioni pratiche di questo risultato sono pesanti per chi gestisce budget aziendali. Se un’azienda investe capitale incentivando determinati nodi della rete convinta di scatenare una reazione a catena moltiplicata per sette, spreca budget. Nel contesto delle operations manifatturiere accade lo stesso: incentivare un capo reparto o un fornitore ritenuto snodo catalizzatore di buone pratiche non genera l’effetto trascinamento previsto se i miglioramenti osservati nei suoi colleghi erano in realtà dovuti all’adozione contemporanea di nuovi utensili o a una diversa composizione degli ordini.

Studi osservazionali e i loro limiti

La quasi totalità dei dati presenti nei sistemi ERP, MES e WMS aziendali è costituita da dati osservazionali. Si tratta di registrazioni di ciò che è accaduto durante le normali operazioni di fabbrica, dove le decisioni sono state prese da operatori, pianificatori e responsabili di turno sulla base delle procedure aziendali o della loro esperienza personale. Non sono dati generati da esperimenti scientifici bilanciati.

Questo introduce un ostacolo strutturale noto come distorsione da selezione (selection bias). Se i pezzi più complessi e a rischio di rottura vengono sistematicamente assegnati al centro di lavoro più moderno guidato dall’operatore più esperto, i registri storici mostreranno che quella specifica macchina presenta tassi di scarto superiori rispetto a una macchina datata impiegata solo per lavorazioni banali. Un algoritmo predittivo non addestrato all’inferenza causale dedurrà che la nuova macchina lavora peggio della vecchia. Qualsiasi decisione basata su questa evidenza osservazionale, come dirottare ordini complessi sulla macchina vecchia per ridurre gli scarti, produrrà un disastro operativo.

I dati osservazionali contengono quasi sempre fattori di confondimento non misurati o parzialmente registrati. Tra questi troviamo variazioni nella temperatura ambiente del capannone, piccoli lotti di materia prima fuori specifica tollerati per urgenza, oppure cali di tensione nella rete elettrica. Se l’analisi statistica non isola questi elementi, le relazioni stimate risulteranno distorte, portando a interventi controproducenti.

Lo studio OMOP in campo medico

I rischi dei dati puramente osservazionali sono stati documentati in modo rigoroso dall’Osservatorio OMOP (Observational Medical Outcomes Partnership). Questo consorzio ha analizzato banche dati sanitarie contenenti milioni di cartelle cliniche elettroniche per valutare l’efficacia e la sicurezza di diversi farmaci già in commercio.

I ricercatori hanno applicato molteplici metodologie di analisi statistica e predittiva comunemente accettate sugli stessi identici dati storici, con l’obiettivo di verificare se determinati principi attivi aumentassero o riducessero il rischio di eventi avversi, come problemi epatici o cardiovascolari. Il risultato fu allarmante: a seconda del metodo di correzione statistica utilizzato, lo stesso farmaco appariva benefico, completamente neutro oppure letale. I dati storici non erano corrotti; riflettevano abitudini prescrittive complesse, dove i pazienti più gravi ricevevano sistematicamente terapie diverse rispetto a pazienti stabili.

Per un direttore di stabilimento, l’esperienza OMOP contiene una lezione chiara. Raccogliere terabyte di telemetria da centinaia di sensori IoT posizionati sulle linee non mette l’azienda al riparo da conclusioni diametralmente opposte e sbagliate. Se i parametri di taglio o le velocità di avanzamento vengono modificate dagli operatori in base a segnali che non finiscono nel database, il modello predittivo interpreterà l’effetto di quelle micro-azioni umane come proprietà intrinseche del macchinario, fornendo suggerimenti operativi privi di coerenza.

Il framework counterfactual

Per superare i limiti dell’osservazione passiva, la teoria statistica moderna ha formalizzato il framework dei risultati potenziali (potential outcomes), noto anche come approccio controfattuale. Formulato principalmente dagli statistici Jerzy Neyman e Donald Rubin, e successivamente ampliato da Judea Pearl, questo impianto logico impone una regola precisa per qualsiasi valutazione decisionale: dobbiamo confrontare ciò che è accaduto a seguito di una decisione con ciò che sarebbe accaduto, alla stessa entità e nello stesso istante, se avessimo preso una decisione diversa.

L’evento che non si è verificato nella realtà prende il nome di controfattuale. Se decidiamo di fermare una linea per due ore per eseguire una manutenzione preventiva straordinaria, possiamo osservare la disponibilità della linea nei giorni successivi. Ciò che non potremo mai osservare direttamente è quale sarebbe stata la disponibilità della stessa linea negli stessi identici giorni senza quella fermata. Questo limite intrinseco costituisce il problema fondamentale dell’inferenza causale.

Il compito delle metodologie decisionali basate sulla causalità consiste nello stimare questo scenario controfattuale in modo scientifico, eliminando i fattori di disturbo. Nel contesto industriale, il pensiero controfattuale impedisce alla direzione di attribuirsi meriti per miglioramenti dovuti al caso o, al contrario, di bocciare iniziative valide ostacolate da eventi esterni concomitanti.

VT = EB trattato – EB non trattato

Nel framework controfattuale, l’efficacia di qualsiasi modifica operativa viene espressa formalmente attraverso il Valore del Trattamento (Treatment Effect). Tale valore corrisponde alla differenza tra il Beneficio Atteso nel caso in cui l’unità riceva il trattamento e il Beneficio Atteso nel caso in cui la medesima unità non lo riceva.

Tradotto nel linguaggio della produzione industriale:

Il Valore del Trattamento è pari al beneficio atteso applicando l’intervento correttivo meno il beneficio atteso mantenendo lo stato invariato.

Prendiamo il caso della gestione dei magazzini polmone tra due reparti a flusso disomogeneo. L’intervento consiste nell’introdurre una politica kanban elettronica su una famiglia di particolari critici. L’errore tipico consiste nel confrontare il livello di servizio del reparto dopo l’installazione del kanban con il livello di servizio registrato sei mesi prima. Se nel frattempo la domanda di mercato è scesa del 30%, il miglioramento del flusso non può essere ascritto alla nuova logica di gestione: le code si sarebbero ridotte comunque a causa del calo di carico.

Il vero valore dell’intervento risiede nel differenziale tra le prestazioni ottenute col kanban e quelle che si sarebbero registrate nello stesso periodo di riferimento continuando con la schedulazione tradizionale. Stimare con rigore questo delta controfattuale evita che il management continui a investire in software complessi che danno l’illusione di funzionare solo perché introdotti in periodi operativamente favorevoli.

Quando usare l’A/B test

Il metodo più pulito per stimare il valore del trattamento ed eliminare i fattori di confondimento resta la sperimentazione randomizzata controllata, diffusa nell’industria digitale sotto il nome di A/B testing. Dividendo casualmente le unità soggette a un intervento in due gruppi (trattamento e controllo), la randomizzazione garantisce che tutte le caratteristiche, sia quelle note sia quelle non osservate, si distribuiscano in modo uniforme tra i due insiemi. In questo modo, qualsiasi differenza riscontrata nell’esito finale potrà essere attribuita con certezza all’intervento.

Nel mondo industriale, l’adozione degli A/B test decisioni richiede un’attenta valutazione di fattibilità tecnica ed economica. Non tutti i contesti operativi tollerano la randomizzazione.

Ambito operativo	Fattibilità A/B testing	Vincoli principali	Metodologia alternativa consigliata
Algoritmi di riordino a magazzino	Alta	Nessun rischio impiantistico, classi di materiali omogenee	A/B test su codici a rotazione comparabile
Parametri di processo su linee parallele	Media	Richiede linee gemelle con stesso mix produttivo	Differenza nelle differenze (Difference-in-Differences)
Layout fisico di reparto o stabilimento	Bassa / Nulla	Costi di inversione elevati, tempi lunghi, impatto sulla sicurezza	Controlli sintetici (Synthetic Control)
Strategie di manutenzione preventiva	Media	Rischio di guasti catastrofici sul gruppo di controllo	Discontinuità di regressione (Regression Discontinuity)

Quando non è possibile eseguire una sperimentazione casuale a causa di vincoli fisici, costi di setup proibitivi o questioni di sicurezza degli operatori, l’ingegneria dei dati deve ricorrere ai quasi-esperimenti. Tecniche come il metodo della differenza nelle differenze consentono di monitorare l’evoluzione temporale di una linea modificata rispetto a una linea non trattata, sottraendo i trend comuni di fondo. I metodi basati sui controlli sintetici, invece, combinano statisticamente diversi reparti o stabilimenti non trattati per costruire un controfattuale artificiale realistico della linea su cui si è deciso di intervenire.

L’errore sta nel considerare l’A/B test uno strumento riservato esclusivamente allo sviluppo di piattaforme web. Assegnare casualmente due logiche di sequenziamento degli ordini su macchine analoghe per un mese costa pochissimo e protegge l’azienda dal rischio di varare riorganizzazioni globali basate su pure congetture statistiche.

Errori comuni nelle decisioni guidate dai dati

Nelle aziende di produzione meccanica, plastica e alimentare in cui lavoro, i team di miglioramento continuo e pianificazione cadono quasi sempre nelle stesse tre trappole.

Il primo errore consiste nel confondere l’accuratezza predittiva con l’efficacia dell’azione. Un modello di machine learning con un indice di determinazione elevato o un’area sotto la curva impeccabile dimostra soltanto che le variabili storiche fornite sono ottime per calcolare un valore atteso. Non indica minimamente cosa succederà se forziamo manualmente una di quelle variabili. Adottare decisioni strategiche basandosi sul presupposto che una buona previsione coincida con una buona manovra espone l’azienda a deviazioni operative gravi.

Il secondo errore riguarda l’accettazione passiva dei dati aggregati senza controllo dei fattori di bilanciamento. Si verifica frequentemente quando si analizzano le prestazioni dei turni di lavoro. Spesso il turno notturno presenta una produttività oraria inferiore rispetto ai turni diurni. L’istinto porta a colpevolizzare la vigilanza o la composizione della squadra notturna. Un’analisi causale dettagliata mostra quasi sempre che di notte si concentrano i lotti residui, le manutenzioni non programmate o i cambi stampo complessi lasciati in sospeso dal turno precedente. Riorganizzare il personale senza aver controllato la natura del carico assegnato produce solo malcontento e non risolve l’inefficienza.

Il terzo errore risiede nella modifica simultanea di troppi parametri di processo. Nelle fasi di difficoltà operativa, sotto la pressione dei clienti o della direzione generale, i responsabili tendono ad applicare contemporaneamente più correttivi: cambiano fornitore dell’utensile, modificano la velocità di linea e variano la temperatura del processo. Quando la settimana seguente i dati mostrano un rientro dei parametri di conformità, nessuno è in grado di comprendere quale delle modifiche abbia effettivamente risolto il problema e quale abbia invece introdotto un costo inutile o un rischio futuro. Senza un isolamento rigoroso delle leve causali, l’apprendimento organizzativo si arresta.

Conclusione

I modelli predittivi mantengono un ruolo legittimo e prezioso all’interno della fabbrica: permettono di anticipare i colli di bottiglia, prevedere il consumo di ricambi critici e calibrare le risorse in funzione della domanda attesa. Tuttavia, la previsione statistica esaurisce il suo compito non appena il decisore prende in mano la situazione per modificare l’andamento degli eventi. Gestire un’azienda manifatturiera significa intervenire attivamente sul sistema fisico; per farlo con cognizione di causa servono strumenti capaci di modellare gli effetti diretti e indiretti delle nostre scelte.

La corretta gestione dei processi produttivi richiede che la comprensione della logica di causa ed effetto preceda l’automazione dei modelli matematici. I dati storici non contengono informazioni esplicite su scenari che non si sono mai verificati o su scelte che non sono mai state tentate. Affidarsi a modelli di apprendimento automatico che ignorano i principi dell’inferenza causale significa guidare l’impianto guardando solo nello specchietto retrovisore.

Per una PMI, passare da un approccio predittivo a uno causale serve soprattutto a capire dove conviene mettere i soldi. Se non sai stimare cosa sarebbe successo senza il tuo intervento, non sai nemmeno se è servito.

Richiedi consulenza

Se desideri valutare la robustezza dei sistemi predittivi già presenti nei tuoi reparti o vuoi impostare una strategia di decision making basata sull’inferenza causale per ottimizzare pianificazione, scorte e manutenzione nella tua azienda, contattaci per un confronto operativo sul campo con i nostri consulenti esperti in data science industriale e metodologie lean.