Perché i near-miss sono i dati di sicurezza più preziosi che non stai utilizzando
Non è successo nulla.
Il carrello elevatore è passato vicino a un pedone, ma non c'è stata alcuna collisione.
Un operatore è entrato per pochi secondi in un'area riservata, ma nessuno si è fatto male.
Un pallet ha temporaneamente ostruito un percorso di sicurezza, ma è stato spostato prima di creare un problema.
Un lavoratore si è avvicinato a una macchina senza i DPI previsti, ma la situazione è stata corretta immediatamente.
Dal punto di vista della reportistica tradizionale sulla sicurezza, questi eventi possono scomparire quasi con la stessa rapidità con cui si sono verificati.
Nessun infortunio.
Nessun incidente.
Nessun fermo.
Nessuna segnalazione formale.
Ma dal punto di vista della prevenzione possono contenere alcune delle informazioni più preziose disponibili all'interno dello stabilimento.
Sono i near-miss, i mancati incidenti.
E quando vengono rilevati, contestualizzati e analizzati come pattern anziché come eventi isolati, possono aiutare i team HSE a comprendere dove il rischio sta aumentando prima che si verifichi un incidente.
Gli incidenti ci raccontano ciò che è già successo
Gli indicatori tradizionali di sicurezza sono essenziali.
Numero di infortuni.
Incidenti con perdita di giornate lavorative.
Frequenza degli incidenti.
Indici di gravità.
Giorni senza incidenti.
Questi KPI aiutano le organizzazioni a comprendere le performance storiche della sicurezza.
Ma hanno una caratteristica comune:
misurano generalmente gli eventi dopo che qualcosa è già andato storto.
Un incidente è quindi un indicatore lagging.
Ci dice che un rischio si è trasformato in un evento reale.
I near-miss offrono una prospettiva diversa.
Possono rivelare le condizioni che si presentano ripetutamente prima che avvenga un incidente.
Un carrello elevatore che passa troppo vicino ai pedoni.
Operatori che entrano ripetutamente in una zona pericolosa.
Uscite di emergenza frequentemente ostruite.
DPI non utilizzati in modo coerente.
Interazioni non sicure attorno a macchinari in movimento.
Nessuna di queste situazioni significa che un incidente avverrà sicuramente.
Ma l'esposizione ripetuta può indicare dove il sistema di sicurezza merita attenzione.
Un near-miss può essere casuale. Cinquanta sono un pattern.
Immaginiamo un'intersezione all'interno di un magazzino.
Un carrello elevatore passa vicino a un pedone una volta.
Potrebbe essere un evento isolato.
Ora immaginiamo che interazioni simili si verifichino 38 volte nell'arco di due settimane.
Principalmente tra le 14:00 e le 16:00.
Quasi sempre nella stessa intersezione.
Soprattutto quando aumenta l'attività della logistica in uscita.
La domanda sulla sicurezza cambia.
Non è più semplicemente:
“Si è verificato un incidente?”
Diventa:
“Perché in questo punto si verificano ripetutamente interazioni rischiose?”
Forse il percorso pedonale è posizionato male.
Forse la visibilità è limitata.
Forse lo staging temporaneo dei materiali blocca il percorso abituale.
Forse il traffico aumenta durante una particolare finestra produttiva.
Forse la segnaletica a pavimento non è più adeguata al flusso logistico reale.
Il singolo evento fornisce poche informazioni.
Il pattern fornisce contesto.
Il problema: la maggior parte dei near-miss non viene registrata
La segnalazione tradizionale dei near-miss dipende spesso dalla capacità delle persone di notare un evento e dalla decisione di segnalarlo.
Questo crea un limite inevitabile.
Molti eventi sono troppo brevi.
Alcuni sembrano insignificanti.
Altri avvengono in aree senza supervisori.
Altri ancora diventano parte della routine quotidiana.
Un lavoratore può pensare:
“Non è successo nulla, quindi non c'è niente da segnalare.”
Nel tempo, segnali potenzialmente utili rimangono invisibili.
Questo non significa che i dipendenti si comportino in modo irresponsabile.
Significa semplicemente che una segnalazione manuale non può realisticamente catturare ogni interazione che avviene in un ambiente manifatturiero complesso.
Le moderne tecnologie Smart Safety possono contribuire a colmare parte di questo gap di visibilità.
La Computer Vision può trasformare gli eventi in dati di sicurezza
La Computer Vision può analizzare continuamente specifiche aree operative e individuare eventi di sicurezza predefiniti.
Ad esempio:
prossimità tra pedoni e carrelli elevatori;
accesso a zone riservate;
ostruzione delle vie di emergenza;
mancanza di DPI nelle aree previste;
presenza non sicura vicino ai macchinari;
traffico attraverso intersezioni definite come pericolose.
L'obiettivo non dovrebbe essere semplicemente generare più alert.
Se ogni evento diventa un allarme, si rischia rapidamente l'alert fatigue.
L'opportunità più interessante consiste nel trasformare le singole osservazioni in dati strutturati sulla sicurezza.
Dove è avvenuto l'evento?
Quando?
Con quale frequenza?
In quali condizioni operative?
Lo stesso pattern sta aumentando?
Si verifica durante determinati turni?
È concentrato attorno a specifiche attività produttive o logistiche?
In questo modo la Computer Vision passa dall'essere un semplice rilevatore di eventi a diventare una fonte di intelligence preventiva sulla sicurezza.
Dai singoli eventi ai pattern di rischio
Supponiamo che un sistema Smart Safety rilevi ripetuti eventi di prossimità tra carrelli elevatori e pedoni.
Analizzare un singolo evento fornisce informazioni limitate.
Analizzare centinaia di osservazioni nel tempo può invece rivelare dei pattern.
Forse il 70% delle interazioni avviene in due intersezioni.
Forse una posizione diventa particolarmente problematica durante il cambio turno.
Forse un'altra diventa critica quando viene temporaneamente depositato del materiale nelle vicinanze.
Forse il numero di eventi cresce significativamente durante i periodi di maggiore attività logistica.
Ora il team HSE dispone di qualcosa su cui agire.
Non di una previsione secondo cui un incidente avverrà sicuramente.
Ma dell'evidenza che l'esposizione a un determinato rischio è ricorrente.
La distinzione è importante.
La Predictive Safety non dovrebbe pretendere di prevedere con certezza i singoli incidenti.
Il suo valore consiste nell'identificare condizioni e pattern associati a un rischio maggiore.
La frequenza da sola non basta
Non tutti i near-miss devono avere la stessa priorità.
Un evento frequente ma con conseguenze potenziali limitate può richiedere attenzione.
Anche un'interazione rara ma potenzialmente molto grave può richiedere un'indagine immediata.
I team HSE hanno quindi bisogno di qualcosa di più del semplice conteggio degli eventi.
La prioritizzazione del rischio può considerare diverse dimensioni:
Frequenza — quanto spesso si verifica la situazione?
Esposizione — quante persone o attività sono esposte?
Gravità potenziale — cosa potrebbe accadere se l'evento diventasse un incidente?
Ricorrenza — il pattern è stabile, sta aumentando o diminuendo?
Posizione — l'evento è concentrato in una determinata area?
Tempo — si verifica durante particolari turni o attività?
L'obiettivo non è creare un punteggio artificiale che sostituisca il giudizio professionale.
È aiutare i team HSE a capire dove un approfondimento potrebbe generare il maggiore valore preventivo.
Una heatmap può mostrare ciò che i report sugli incidenti non vedono
Immaginiamo di analizzare una mappa delle aree produttive e logistiche.
Nell'ultimo mese non è stato registrato alcun incidente.
Le statistiche tradizionali sembrano quindi positive.
Ma i dati sui near-miss raccontano qualcosa di diverso.
Un'intersezione del magazzino presenta una concentrazione insolitamente elevata di interazioni tra pedoni e carrelli.
Una seconda area mostra ripetuti accessi a una zona macchina riservata.
Un'altra registra frequenti ostruzioni temporanee di un percorso di sicurezza.
Nessuno si è fatto male.
Ed è proprio per questo che queste informazioni sono preziose.
L'organizzazione ha l'opportunità di intervenire prima che le statistiche cambino in peggio.
I dati sui near-miss devono migliorare l'ambiente, non semplicemente monitorarlo
Lo scopo della Smart Safety non dovrebbe essere controllare più da vicino i lavoratori.
Dovrebbe essere comprendere come l'ambiente di lavoro crea o amplifica il rischio.
Se in una determinata intersezione si verificano near-miss ricorrenti, la soluzione potrebbe non essere dire ai lavoratori di “prestare più attenzione”.
L'intervento migliore potrebbe consistere nel ridisegnare il flusso del traffico.
Aggiungere una separazione fisica.
Spostare lo staging dei materiali.
Migliorare la visibilità.
Modificare i percorsi pedonali.
Cambiare le tempistiche delle attività produttive o logistiche.
Aggiungere sistemi di avviso.
Rivedere una procedura.
I dati di sicurezza più utili spesso indirizzano verso miglioramenti del sistema, non verso la ricerca di colpe individuali.
Questa distinzione è fondamentale per costruire fiducia attorno alle tecnologie di sicurezza.
Privacy e governance sono fondamentali
L'utilizzo della Computer Vision sul luogo di lavoro richiede una governance attenta.
L'obiettivo deve essere chiaramente definito.
Quali eventi di sicurezza vengono rilevati?
Perché vengono raccolte queste informazioni?
Per quanto tempo vengono conservate?
Chi può accedervi?
È davvero necessario identificare le singole persone?
In molti scenari di safety analytics, il valore operativo deriva dalla comprensione di pattern aggregati piuttosto che dall'identificazione dei singoli individui.
Ad esempio:
27 interazioni rischiose si sono verificate nell'Intersezione B.
La maggior parte durante il turno pomeridiano.
La frequenza è aumentata dopo una modifica del layout logistico.
Queste informazioni possono supportare azioni preventive senza trasformare gli analytics di sicurezza in uno strumento di sorveglianza dei lavoratori.
La tecnologia dovrebbe rafforzare il sistema di sicurezza rispettando le persone che lavorano al suo interno.
L'esperienza del team HSE rimane centrale
L'AI può individuare pattern difficili da osservare manualmente.
Ma un pattern non si spiega da solo.
Se i near-miss aumentano vicino a un'area produttiva, il team HSE deve ancora comprenderne il motivo.
È responsabile il layout?
È aumentato il volume produttivo?
È cambiato il flusso dei materiali?
Gli operatori stanno utilizzando una scorciatoia non prevista?
La visibilità è insufficiente?
Una procedura è poco realistica nelle condizioni operative effettive?
L'AI può aiutare a rispondere alla domanda:
Dove dovremmo guardare?
L'esperienza umana determina:
Cosa dovremmo fare?
La tecnologia amplia la visibilità.
Le persone forniscono il giudizio operativo.
Misurare se gli interventi di sicurezza funzionano davvero
I dati sui near-miss offrono anche un'altra opportunità.
Possono aiutare a misurare l'effetto degli interventi preventivi.
Supponiamo che il team HSE individui ripetute interazioni tra carrelli e pedoni in una determinata intersezione.
L'azienda modifica il layout e installa una barriera fisica per separare il percorso pedonale.
Cosa succede dopo?
Se nelle settimane successive il numero di interazioni rischiose diminuisce significativamente, il team ottiene un'evidenza dell'efficacia dell'intervento.
Se il pattern rimane invariato, potrebbe essere necessario approfondire ulteriormente.
Si crea così un ciclo di miglioramento continuo:
Rilevare → Analizzare → Intervenire → Misurare → Migliorare
La sicurezza diventa qualcosa di più della semplice reportistica.
Diventa un processo di miglioramento operativo.
Dagli indicatori lagging ai segnali leading
Una strategia di sicurezza matura necessita di entrambe le prospettive.
Gli indicatori lagging rimangono importanti.
Le organizzazioni devono comprendere gli incidenti, gli infortuni e le relative conseguenze.
Ma i leading indicator offrono l'opportunità di agire prima.
Near-miss.
Interazioni non sicure ricorrenti.
Pattern di esposizione.
Accessi a zone riservate.
Mancanze ricorrenti di DPI.
Aree di sicurezza ostruite.
Questi segnali non prevedono il futuro con certezza.
Forniscono evidenze su dove il rischio sta emergendo ripetutamente.
L'evento più sicuro è quello che non diventa mai un incidente
Il processo tradizionale di sicurezza spesso inizia con un evento.
Avviene un incidente.
Viene segnalato.
Le cause vengono analizzate.
Vengono introdotte azioni correttive.
L'organizzazione impara.
La near-miss intelligence offre la possibilità di anticipare questo processo.
L'evento viene rilevato.
Il pattern viene identificato.
Il rischio viene analizzato.
Viene intrapresa un'azione preventiva.
E, idealmente, l'incidente non avviene mai.
Questa è la vera promessa della Predictive Safety.
Non prevedere esattamente quando qualcuno subirà un infortunio.
Ma fornire ai team HSE segnali migliori su dove potrebbe essere necessario intervenire prima che accada.
Conclusioni
Le fabbriche generano già molte più informazioni sulla sicurezza di quante ne compaiano nei tradizionali report sugli incidenti.
Gran parte di queste informazioni si trova nei piccoli eventi che scompaiono perché non è successo nulla.
Un carrello è passato vicino a un pedone.
Qualcuno è entrato in una zona riservata.
Un percorso di sicurezza è stato temporaneamente ostruito.
Si è verificata un'interazione non sicura attorno a una macchina.
Singolarmente, questi eventi possono sembrare insignificanti.
Collettivamente, possono mostrare come il rischio si sviluppa all'interno dello stabilimento.
Le funzionalità Smart Safety integrate in soluzioni come SkyMes possono contribuire a trasformare queste osservazioni in informazioni strutturate, permettendo ai team HSE di individuare pattern ricorrenti, analizzare le aree con maggiore esposizione e verificare se gli interventi preventivi stanno realmente riducendo il rischio.
Perché aspettare un incidente offre una certezza.
Comprendere i near-miss offre qualcosa di più prezioso:
la possibilità di intervenire prima che quella certezza arrivi.