Analisi dei near miss: come individuare pattern e criticità ricorrenti

Un near miss, osservato da solo, racconta un episodio. Una serie di near miss analizzata nel tempo può raccontare invece come funziona davvero un’organizzazione: dove le barriere cedono più spesso, quali attività espongono a rischi ricorrenti e in quali condizioni aumenta la probabilità che un’anomalia diventi un infortunio.

L’analisi dei near miss serve a riconoscere connessioni che la lettura dei singoli rapporti tende a nascondere. Per farlo non servono necessariamente algoritmi complessi: nelle piccole e medie imprese, una tassonomia coerente, dati sufficientemente puliti e alcune tabelle incrociate possono già far emergere indicazioni operative molto solide.

Questa guida entra nel livello successivo rispetto alla gestione del singolo near miss: non si concentra sulla definizione o sulla segnalazione dell’evento, ma sul modo in cui classificare più segnalazioni, individuare pattern ricorrenti e trasformarli in priorità di intervento.

Che cosa significa analizzare i near miss

Ogni segnalazione richiede una prima analisi individuale. Bisogna ricostruire che cosa è accaduto, quali condizioni hanno contribuito all’evento, quali barriere avrebbero dovuto impedirlo e perché non hanno funzionato come previsto. Questo passaggio serve a gestire il caso e a decidere se occorre un’azione immediata.

L’analisi aggregata risponde però a domande diverse. Lo stesso tipo di deviazione si ripete in reparti differenti? Gli eventi aumentano durante un particolare turno? Più segnalazioni apparentemente diverse coinvolgono la stessa barriera organizzativa? Una determinata attività genera pochi eventi, ma con conseguenze potenziali molto elevate?

È qui che il dato diventa informazione direzionale. Un singolo inciampo può dipendere da una circostanza locale; sei episodi connessi a materiali collocati temporaneamente lungo le vie di passaggio indicano un problema di organizzazione degli spazi. Tre errori durante attività differenti possono avere un’origine comune se si verificano tutti al cambio turno, quando le informazioni passano da una squadra all’altra.

Cluster analysis: significato statistico e uso operativo

In statistica, la cluster analysis comprende tecniche che raggruppano osservazioni simili senza partire da classi già assegnate. Algoritmi come k-means o il clustering gerarchico cercano strutture interne ai dati sulla base delle variabili disponibili e delle misure di distanza scelte.

Nel lavoro HSE il termine viene spesso usato in un senso più ampio: raggruppare le segnalazioni per riconoscere famiglie di eventi, fattori comuni e combinazioni ricorrenti. È un uso legittimo, purché non si confonda una tabella pivot con un modello statistico e non si attribuisca ai numeri una precisione che i dati di partenza non possiedono.

Per molte PMI l’approccio operativo è anche quello più utile. Se le segnalazioni sono alcune decine o poche centinaia, ben classificate, si può ottenere molto incrociando attività, pericolo, conseguenza potenziale, barriera mancante, area e fascia temporale. Una vera analisi algoritmica diventa interessante quando il volume cresce, le variabili sono affidabili e la lettura manuale non è più sufficiente.

Prima dei cluster viene la qualità delle segnalazioni

La qualità del dato rappresenta il limite più frequente dell’analisi. Descrizioni come “disattenzione”, “comportamento scorretto” o “quasi incidente in magazzino” sono troppo generiche per sostenere un’analisi. Non distinguono il fatto osservato dall’interpretazione e non permettono confronti affidabili.

Una segnalazione utile dovrebbe consentire di ricostruire almeno data e luogo, attività in corso, dinamica dell’evento, pericolo coinvolto, possibile conseguenza, barriera prevista e fattori contribuenti. Non tutti i campi devono essere compilati da chi segnala: una parte può essere codificata successivamente da chi analizza, evitando di trasformare il modulo in un ostacolo alla partecipazione.

La distinzione tra testo libero e campi classificati è importante. Il testo conserva il contesto e i dettagli inattesi; le categorie rendono gli eventi confrontabili. Eliminare uno dei due significa perdere, rispettivamente, profondità o capacità di aggregazione.

Near miss nel quadro 2025–2026: tracciamento, analisi e dati aggregati

L’articolo 15 del decreto-legge 31 ottobre 2025, n. 159, convertito con modificazioni dalla Legge 29 dicembre 2025, n. 198, ha introdotto un quadro specifico per i mancati infortuni nelle imprese con più di quindici dipendenti. La norma prevede linee guida ministeriali per identificazione, tracciamento e analisi degli eventi e demanda a un decreto le modalità di comunicazione dei dati aggregati e delle azioni correttive o preventive.

Il Ministero del Lavoro chiarisce inoltre che il mancato infortunio non comporta una denuncia all’INAIL analoga a quella prevista per l’infortunio. Per gli adempimenti operativi occorre verificare gli atti ministeriali vigenti, perché la disciplina rinvia proprio a linee guida e modalità attuative dedicate.

Il nuovo quadro rende ancora più importante la qualità del dato aziendale. Se categorie, descrizioni e azioni cambiano da caso a caso, l’aggregazione perde affidabilità. Un sistema già strutturato per classificare evento, dinamica, fattori di rischio, azioni e stato di chiusura facilita sia l’analisi interna sia eventuali esigenze di reporting aggregato.

La metodologia INAIL CONDIVIDO

INAIL ha sviluppato la metodologia CONDIVIDO adattando il modello Infor.MO all’analisi dei near miss e delle situazioni pericolose. L’istruzione operativa propone una sequenza di segnalazione, analisi e trattamento e utilizza classificazioni strutturate per rendere confrontabili le informazioni raccolte.

Il valore metodologico è particolarmente interessante per le PMI: offre un riferimento per costruire moduli e flussi senza confondere il near miss con una generica non conformità. INAIL definisce il near miss come un incidente avvenuto sul luogo di lavoro senza danno fisico al lavoratore, pur avendone il potenziale; la situazione di pericolo può invece esistere anche senza che si verifichi un incidente.

Questa distinzione migliora anche l’analisi aggregata. Separare evento e condizione pericolosa consente di studiare frequenze, potenziale e fattori causali con maggiore coerenza.

Costruire una tassonomia che aiuti a decidere

Una tassonomia è un insieme controllato di categorie. Deve essere abbastanza preciso da distinguere fenomeni diversi, ma non così dettagliato da produrre decine di classi usate una sola volta. Una buona tassonomia rende visibili le differenze che possono portare a decisioni differenti senza moltiplicare categorie poco utilizzabili.

Dimensione	Esempi di classificazione	Decisione che può supportare
Attività o processo	Carico e scarico, manutenzione, pulizia, produzione	Individuare le fasi operative più esposte
Tipo di evento	Caduta di oggetto, perdita di controllo, contatto mancato, sversamento	Riconoscere dinamiche ricorrenti
Conseguenza potenziale	Lieve, seria, grave o fatale secondo criteri definiti	Dare priorità anche agli eventi senza danno
Barriera assente o inefficace	Protezione, procedura, segregazione, autorizzazione, supervisione	Intervenire sul controllo che avrebbe dovuto fermare l’evento
Fattori contribuenti	Layout, attrezzatura, carico di lavoro, coordinamento, competenza	Formulare ipotesi sulle cause da verificare
Contesto	Reparto, turno, squadra, appaltatore, fase del progetto	Capire dove e quando il fenomeno si concentra

Le definizioni devono essere condivise. Se “errore umano”, “disattenzione” e “mancato rispetto della procedura” vengono assegnati in modo soggettivo, il raggruppamento rifletterà il giudizio di chi compila più che il fenomeno reale. Meglio usare categorie osservabili e riservare l’attribuzione delle cause a un momento successivo di verifica.

Un caso pratico: trenta segnalazioni che sembrano diverse

Immaginiamo un’azienda con magazzino, produzione e manutenzione che raccolga trenta near miss in sei mesi. Letti uno alla volta, gli eventi sembrano eterogenei: un carrello costretto a sterzare, un operatore che inciampa, un pallet urtato, un accesso parzialmente ostruito e alcune manovre interrotte prima del contatto con un pedone.

Una classificazione per “tipo di evento” disperderebbe probabilmente i casi in gruppi differenti. Incrociando però area, fascia oraria, presenza di deposito temporaneo e separazione dei flussi, può emergere un nucleo comune: molti episodi avvengono nel tardo pomeriggio, in prossimità delle zone di scambio tra produzione e magazzino, quando il materiale in attesa occupa spazi non previsti.

Il pattern orienta la verifica senza dimostrare, da solo, la causa. Un sopralluogo mirato può confermare che i volumi aumentano prima della chiusura del turno, che le aree di deposito sono insufficienti e che i percorsi pedonali vengono invasi. La risposta potrà riguardare il dimensionamento delle aree, le regole di accumulo, la sequenza delle movimentazioni o la programmazione dei ritiri.

Questo è il vantaggio dell’analisi aggregata: spostare l’attenzione dall’ultimo comportamento visibile alle condizioni che rendono più probabile il ripetersi dell’evento.

Come individuare pattern con strumenti semplici

Un foglio di calcolo ben costruito è spesso sufficiente per iniziare. Il primo passaggio è ripulire i dati: eliminare duplicati, uniformare nomi e categorie, separare i campi che contengono più informazioni e controllare valori mancanti o incoerenti. Una stessa area registrata come “Magazzino”, “MAG” e “deposito” deve diventare una sola categoria.

Si possono quindi contare gli eventi per processo, dinamica e barriera, poi incrociare due dimensioni con tabelle pivot: attività e barriera, area e turno, conseguenza potenziale e fattore contribuente. È utile osservare non soltanto i gruppi più numerosi, ma anche quelli con pochi casi ad alta potenzialità.

I conteggi assoluti vanno letti con cautela. Dieci segnalazioni in un reparto con cento addetti non significano necessariamente più rischio di quattro segnalazioni in un reparto con dieci addetti. Quando possibile servono denominatori coerenti: ore lavorate, numero di accessi, consegne effettuate, interventi manutentivi o unità prodotte. E un reparto che segnala molto può avere una cultura più matura, non condizioni peggiori.

Infine bisogna tornare ai testi originali. Le tabelle mostrano dove guardare; la descrizione degli episodi aiuta a capire che cosa verificare. Una dashboard può rendere leggibili tendenze e concentrazioni, ma non sostituisce sopralluoghi, colloqui e osservazione del lavoro reale.

Quando serve una vera analisi statistica

Gli algoritmi di clustering possono essere utili quando esiste un numero consistente di osservazioni, le variabili sono codificate con criteri stabili e si vogliono esplorare combinazioni non evidenti. Possono raggruppare eventi sulla base di più caratteristiche contemporaneamente oppure lavorare sul testo delle descrizioni, previa preparazione del linguaggio.

Non esiste però una soglia universale oltre la quale il clustering diventa automaticamente affidabile. Il risultato dipende dalla qualità delle variabili, dalla scala con cui vengono misurate, dalla scelta dell’algoritmo e dal numero di gruppi ricercati. Con pochi dati, categorie sbilanciate o segnalazioni molto standardizzate, il modello può produrre gruppi matematicamente ordinati ma poveri di significato operativo.

Per questo ogni cluster deve essere interpretato da chi conosce processi, attrezzature e contesto. L’algoritmo propone somiglianze; non stabilisce da solo causalità, priorità né misure di prevenzione.

Dal pattern alla decisione

Un pattern è un segnale da verificare, non una sentenza. La sequenza corretta è: osservazione, ipotesi, verifica sul campo, decisione e controllo dell’efficacia. Saltare la verifica espone al rischio di intervenire sulla correlazione più visibile lasciando intatta la causa.

Pattern osservato	Ipotesi da verificare	Verifica utile	Possibile decisione
Eventi concentrati al cambio turno	Passaggio di consegne incompleto	Osservazione e confronto tra registri e attività	Standardizzare le informazioni critiche e le responsabilità
Quasi collisioni presso un incrocio	Visibilità o segregazione insufficienti	Sopralluogo nelle diverse condizioni operative	Modificare layout, precedenze o barriere
Ricorrenza dopo interventi manutentivi	Rimessa in servizio non controllata	Esame dei permessi e delle prove finali	Rafforzare il processo di riconsegna dell’impianto
Molte deviazioni sulla stessa procedura	Metodo incompatibile con il lavoro reale	Confronto tra procedura e sequenza effettiva	Ridisegnare metodo, strumenti o organizzazione

Quando l’azione è definita, deve avere un responsabile, una scadenza, una priorità e un criterio di verifica. Il collegamento con il processo delle azioni correttive HSE evita che il risultato dell’analisi si esaurisca in una presentazione periodica.

Integrare l’analisi con DVR, audit e processi aziendali

I near miss non dovrebbero vivere in un archivio separato. Un gruppo ricorrente può indicare la necessità di riesaminare una misura del DVR, approfondire un tema durante un audit, modificare una procedura, aggiornare un piano di manutenzione o riprogettare un’attività formativa. La decisione dipende dalla natura del pattern, non da una risposta standard.

Anche il riesame periodico della direzione può beneficiare di una lettura aggregata: non una lunga lista di episodi, ma pochi fenomeni prioritari con evidenze, ipotesi verificate, azioni avviate e risultati osservati. In questo modo il dato HSE entra nelle scelte su investimenti, organizzazione e programmazione operativa.

KPI utili per leggere il sistema

Il numero totale di near miss è un indicatore ambiguo: può crescere perché aumenta l’esposizione, ma anche perché le persone segnalano meglio. Conviene affiancarlo a indicatori che descrivano qualità e capacità di risposta.

• percentuale di segnalazioni con dati sufficienti per l’analisi;
• numero e quota di eventi ad alta conseguenza potenziale;
• cluster ricorrenti e loro andamento nel tempo;
• tempo tra segnalazione, analisi e presa in carico;
• percentuale di azioni completate entro la scadenza;
• ricorrenza del fenomeno dopo la chiusura dell’azione.

Questi indicatori si collegano ai più ampi KPI di sicurezza, leading e lagging. Devono però evitare effetti perversi: premiare un reparto perché segnala poco può incentivare il silenzio; fissare obiettivi puramente numerici può moltiplicare segnalazioni di scarso valore.

Gli errori che rendono inutile l’analisi

Categorie troppo numerose impediscono alle ricorrenze di emergere. Modificare continuamente le definizioni senza ricodificare lo storico falsifica i confronti temporali. Anche confondere frequenza e gravità potenziale porta a trascurare segnali rari ma critici.

Altrettanto pericoloso è partire dall’algoritmo invece che dalla domanda. Prima di scegliere uno strumento bisogna sapere quale decisione si vuole sostenere: dove concentrare un audit, quale barriera verificare, quale processo riesaminare o quale investimento valutare. Se la domanda è vaga, anche il risultato sarà difficile da usare.

Infine, i dati non devono diventare un mezzo per individuare colpevoli. Se la classificazione viene percepita come uno strumento disciplinare, le segnalazioni diminuiranno o diventeranno difensive. L’analisi perde così proprio le informazioni necessarie a prevenire eventi più gravi.

Domande frequenti sull’analisi dei near miss

Quanti near miss servono per individuare un pattern?

Non esiste un numero valido per ogni contesto. Anche pochi eventi ad alta potenzialità possono richiedere un approfondimento immediato. Per un’analisi quantitativa servono invece abbastanza osservazioni da confrontare gruppi e periodi senza trarre conclusioni da variazioni casuali.

È necessario acquistare un software?

No. Per iniziare possono bastare un modulo coerente, un foglio di calcolo e regole chiare di classificazione. Un software diventa utile quando deve gestire molti utenti, flussi autorizzativi, scadenze, allegati o volumi di dati difficili da mantenere manualmente.

Il cluster più numeroso è sempre il più importante?

No. Frequenza, conseguenza potenziale, livello di controllo e possibilità di esposizione vanno letti insieme. Un gruppo piccolo associato alla possibile perdita di una barriera critica può avere priorità maggiore di un gruppo numeroso con impatti limitati.

L’analisi aggregata sostituisce l’indagine sul singolo evento?

No. I due livelli rispondono a esigenze complementari. L’indagine individuale ricostruisce la dinamica e gestisce il rischio immediato; l’analisi aggregata cerca ricorrenze e debolezze sistemiche nel tempo.

Dall’analisi alla prevenzione

L’analisi dei near miss produce valore quando collega eventi apparentemente separati a una decisione concreta: verificare una barriera, modificare un layout, approfondire un processo, aggiornare una valutazione dei rischi o riesaminare un’azione già chiusa.

La qualità del risultato dipende dalla disciplina con cui l’organizzazione raccoglie e classifica i dati. Una tassonomia stabile, descrizioni fattuali, valutazione del potenziale e verifica sul campo permettono di trasformare le segnalazioni in conoscenza utilizzabile, senza attribuire ai numeri una precisione che non possiedono.

Nelle PMI questi dati possono entrare nel normale ciclo di sopralluoghi, audit e verifica delle azioni. Nella pagina dedicata al supporto HSE continuativo descrivo come organizzo questo presidio.