Valutare lo smart working: cosa ci manca?

Le iniziative di smart working si sono diffuse molto rapidamente nelle organizzazioni pubbliche e private nel nostro paese, rendendo questo approccio uno dei temi di innovazione organizzativa più rilevanti. La ricerca sulle conseguenze di questi processi, tuttavia, si è limitata a indagini ad ampio spettro che registrano le percezioni soggettive, spesso di quegli stessi attori decisionali che hanno promosso questo cambiamento. In ambito organizzativo sappiamo che la sola diffusione di una pratica non implica la sua efficacia, ma soprattutto che in assenza di una valutazione sistematica e basata su evidenze si rischia di non sfruttare appieno il potenziale di trasformazione che essa porta con sé. In questo contributo vogliamo delineare la struttura di un possibile approccio scientifico di valutazione dello smart working a partire dalla fase iniziale pre-adozione.

1. L’importanza della misura dello smart working

Lo smart working è un fenomeno che si è affermato molto rapidamente nel panorama italiano, in parte anche in ragione dell’attenzione ad esso dedicata dalla politica che è intervenuta con la Legge n. 81/2017 che lo definisce come «una modalità di esecuzione del rapporto di lavoro subordinato caratterizzato dall’assenza di vincoli orari o spaziali e un’organizzazione per fasi, cicli e obiettivi, stabilita mediante accordo tra dipendente e datore di lavoro».

La legittimazione normativa ha reso più facile la diffusione di questa forma di innovazione organizzativa, ma ha visto applicazioni molto differenziate, caratterizzate dalla vaghezza pratica e operativa della definizione proposta. Ciò nonostante, nel 2017 l’Osservatorio Smart Working del MIP (la business school internazionale del Politecnico di Milano) mostra la presenza di iniziative di smart working nel 58% delle grandi imprese, nel 24% delle PMI e nel 9% delle PA. Il computo dei lavoratori coinvolti in questa forma di trasformazione del lavoro, sempre per lo stesso Osservatorio, è pari a 480.000. L’indagine effettuata si estende anche a sostenere una presunta maggiore soddisfazione dei lavoratori coinvolti, ma si tratta di un approfondimento su un campione estremamente limitato e con poche evidenze di validità in relazione alle modalità di rilevazione.

I dati dell’Osservatorio Smart Working hanno quindi il pregio di essere gli unici a frequenza di rilevazione ripetuta, ma segnalano alcuni problemi ancora non risolti:

  1. il limite della non chiarezza sulla variabilità temporale del campione di rilevazione;
  2. la disponibilità di dati che riguardano quasi esclusivamente percezioni soggettive e non dati quantitativi oggettivi;
  3. la mancata evidenza dell’impatto dello smart working su temi cruciali quali la produttività e i risultati di business.

Naturalmente, non si tratta di limiti dell’indagine, ma di un’osservazione del fenomeno in termini di pura frequenza di accadimento, che non affronta il nodo centrale che è – a nostro avviso – il seguente: lo smart working conviene?

Proprio i dati molto interessanti riportati dall’Osservatorio Smart Working, quindi, ci spingono a ritenere opportuno un salto di qualità nelle modalità con le quali indagare questo fenomeno e questo breve saggio ha l’obiettivo di fornire alcuni spunti iniziali a ricercatori e professional interessati a farlo.

2. Le prospettive di misurazione di un fenomeno organizzativo

I fenomeni economici, sociali e organizzativi si prestano a logiche di indagine e osservazione diverse. In generale, questi aspetti scontano i limiti dell’interferenza della dimensione del comportamento volontario degli attori, presentando da sempre alcuni dilemmi di non facile soluzione che sono ricondotti alla presenza di una serie di fenomeni, quali le previsioni autoavverantesi, l’effetto aspettativa o l’effetto Hawthorne. Si tratta di fenomeni nei quali l’esito di un processo sociale non è indipendente dagli attori e quindi viola uno dei principi di base per la verifica scientifica.

La misurazione dei fenomeni organizzativi, e in particolare delle pratiche di organizzazione del lavoro, può avvenire quindi in modi differenziati.

La prima è quella che riguarda la frequenza e diffusione di un fenomeno che ci dà indicazioni sulla legittimazione di una pratica organizzativa. Il problema di fondo è che sappiamo come la legittimazione possa derivare da fattori diversi e non sia da ricondurre solo ad una logica funzionalista (una pratica viene adottata perché funziona). Sono in gioco infatti processi sociali in virtù dei quali una pratica organizzativa può semplicemente diventare di moda e per questo diffondersi velocemente. Dal punto di vista degli attori decisionali, sapere che tante altre organizzazioni hanno attivato una data pratica può ridurre le barriere interne e creare una pressione all’isomorfismo. Le pratiche in questo caso si diffondono, superata una certa soglia, anche indipendentemente dalla loro efficacia, come accaduto ad esempio per mode come il talent management.

La seconda fa riferimento alla misurazione indiretta dell’efficacia di una pratica tramite l’accesso alle percezioni soggettive delle persone coinvolte.

Si tratta di una misurazione che sconta limiti importanti. Alcuni legati alla difficoltà di comparare in maniera adeguata le proprie percezioni tra prima e dopo l’utilizzo della pratica dello smart working; altri relativi ad una difficile percezione soggettiva che colga appieno l’impatto differenziale della nuova pratica di lavoro; altri ancora collegati alla considerazione di un campione non sufficientemente rappresentativo.

La terza è quella che manca in tutta la letteratura sui “new ways of working”, come preferiamo chiamarli, visto che a livello internazionale non vi è traccia della locuzione “smart working”: facciamo riferimento alla misura di impatto della pratica sui risultati aziendali. Questa risposta richiede un disegno di ricerca molto più complesso del semplice set di questionari cross-sectional che si usano oggi. Si devono identificare chiaramente uno o più casi, predisporre delle adeguate misure ex-ante, identificare e misurare una serie di variabili di contesto e quindi, dopo aver seguito l’implementazione della pratica di smart working, operare nel tempo delle misurazioni successive che consentano di avere dati per delle analisi di tipo causa-effetto. Ad oggi non risulta nessuna ricerca con queste caratteristiche, tanto che la presupposta superiorità dello smart working è al più una leggenda metropolitana per quanto logicamente ben argomentata.

Non vogliamo con questo criticare lo smart working, ma porre l’attenzione su quello che manca, ovvero una documentazione accurata e scientificamente fondata sulla sua efficacia. Proviamo a fornire alcuni punti di riferimento su cosa andrebbe fatto nel resto dell’articolo.

3. Misurare lo smart working: quantitativamente

Ipotizziamo un sistema organizzativo in un momento t0 sull’asse del tempo con una serie di input (materie prime, capitali, risorse umane, conoscenze, ecc.) che non variano, in un ambiente (clienti, azionisti, fornitori, distributori, regole governative e competitor) stabile e che produce una serie di output (prodotti, servizi, dividendi salari, ecc.).

Figura 1.

Introduciamo ora una variabile A (ad esempio lo smart working). La nostra ipotesi è quella di assistere alla modificazione degli output in un momento T1 successivo all’introduzione di A: a questo punto potremmo chiederci se A è condizione necessaria, sufficiente, o sufficiente e necessaria per il verificarsi di B1. Ma altre variabili C possono intervenire indipendentemente dall’introduzione di A e variare lo stato del sistema e gli output in B1. Variabili intervenienti posso essere individuate in: nuove materie prime, nuovi prodotti, nuove risorse umane, nuovi modelli manageriali, ma anche più semplicemente la modifica demografica della forza lavoro interessata. Sono tutti fattori che devono essere tenuti sotto controllo per non sporcare le relazioni.

Figura 2.

Il tema quindi è quanta varianza di B1 viene spiegata da A e quanta è influenzata da C, ma per calcolare la varianza sarebbe molto utile avere misurazioni almeno su scale ad intervalli (a meno di utilizzare stime di variazione nella frequenza con statistiche non parametriche). Si apre a questo punto il tema della scala di misurazione e quindi della definizione operativa dei fenomeni da osservare.

Ora ipotizziamo come alcune modificazioni nell’ambiente S possano agire sull’output in B1.

Modificazioni nei clienti, nuove o diverse strategie da parte dei competitor, nuove regole competitive possono anch’esse influenzare l’output in B1. Anche in questo caso occorre definire quanta della varianza di B1 viene spiegata da A e quanta dipende dalle altre variabili intervenienti e quanta dalla modificazione di S.

Figura 3.

L’ambiente S può anche agire da variabile indipendente: è il caso delle mode manageriali. Potrebbe esistere il caso in cui per adeguarsi alle richieste dell’ambiente S l’implementazione di alcune pratiche manageriali sia richiesto come condizione per partecipare alla competizione per risorse e mercati. In questo scenario lo smart working diventerebbe la variabile dipendente nel nostro schema e sarebbe quindi l’output e non l’input1.

L’ultimo elemento da considerare è il ruolo dell’osservatore, vale a dire l’elemento umano nel sistema.

Possiamo definire come osservatore interno ogni individuo che appartenendo all’organizzazione sia esposto all’implementazione della varabile indipendente A. Come sottolineato in precedenza, l’individuo percepisce e organizza le informazioni presenti nell’ambiente agendo attivamente sulle sue rappresentazioni. In questo modo la valutazione della variabile indipendente A può subire delle modificazioni sulla base delle strutture percettive e di giudizio. Ad esempio l’annuncio (e non l’implementazione) dello smart working, oppure il fatto di dover dimostrare di poter lavorare in modalità smart working può produrre effetti in B1. Siamo nell’area della valutazione soggettiva, nell’area della soddisfazione e motivazione individuale che sottendono ai risultati in B1.

Figura 4.

L’osservatore esterno può essere considerato nel nostro caso il manager che valuta l’efficacia dell’iniziativa in A rispetto ai parametri di performance (individuale e di gruppo) che è chiamato a verificare attraverso i sistemi di performance management: in questo caso le distorsioni di giudizio e valutazione possono influenzare la valutazione in B1.

4. Una proposta di struttura della misurazione

La misurazione dell’impatto dello smart working è quindi un progetto in sé sia dal punto di vista della ricerca, sia dal punto di vista delle evidenze per le decisioni aziendali. Ci concentriamo ora sulla misurazione per le esigenze aziendali, presentando la sintesi di un modello volto ad aiutare un’organizzazione a misurare l’impatto dello smart working a partire dalla logica presentata nella figura seguente.

Figura 5.

L’approccio proposto prevede un forte coinvolgimento del top management nell’individuazione delle aree di possibile misurazione considerate critiche. La scelta di queste aree e la definizione del peso relativo sono infatti una parte integrante di un approccio moderno allo smart working, visto come iniziativa strategica e non semplice adozione di alcune limitate pratiche di flessibilizzazione del lavoro. Questo coinvolgimento getta le basi per lo sviluppo di una strategia di reporting articolata e finalizzata, ma consente anche di acquisire le risorse per l’investimento nella raccolta di quei dati che non siano ancora disponibili. Lo sviluppo di un progetto siffatto dovrebbe poi condurre sempre a riflettere sull’opportunità di utilizzare logiche avanzate di data analytics per meglio precisare i risultati nel tempo.

La costruzione del modello di reporting richiede di armonizzare due dimensioni:

1. Gli indicatori (cosa misuro):

  • Indicatori percettivi: raccolti con questionari (ad es. survey in uso);
  • KPI: elementi quantitativi e oggettivi, misurabili in logica pre/post;
  • Cruscotto: misuratori aggiuntivi sui quali sviluppare diagnostici ad hoc.

2. Gli stakeholder (per chi misuro):

  • Capi e peers;
  • Smart worker e smart manager worker;
  • Organizzazione;
  • Ambiente e comunità.

L’incrocio tra queste dimensioni consente di definire una struttura della logica di misurazione che risponda alle necessità e alle priorità dell’organizzazione, coinvolgendo tutti gli attori in un percorso di sense-making che spesso manca alle applicazioni più anonime dello smart working, attuate di frequente con una sorta di copia e incolla rispetto ad altri esempi.

La figura seguente presenta un esempio di modello di valutazione dell’impatto dello smart working che può supportare una verifica puntuale delle promesse pre-implementazione della pratica, ma anche guidare a una presa di consapevolezza più accurata il top management. In questo modo, l’applicazione dello smart working diventa un vero progetto di miglioramento organizzativo che può adattarsi in modo dinamico alle diverse esigenze operative e ogni decisione di investimento può essere adeguatamente collegata a una valutazione di impatto che eviti generalizzazioni semplificatorie. La disponibilità di un quadro complessivo per la valutazione dello smart working, condiviso dal top management pone le basi per un percorso virtuoso di azione, verifica e intervento che ne fa una strategia vitale e dinamica e non un’iniziativa sporadica. Un quadro come quello proposto unisce prospettive diverse di valutazione, qualitative e quantitative, oggettive e soggettive, top-down e bottom-up che perseguite nel tempo e messe al centro di una riflessione organizzativa basata sulle evidenze possono rappresentare davvero un vantaggio competitivo per l’impresa. Perché lo smart working deve essere smart in primo luogo nella sua implementazione e nella capacità di raccordarlo con i benefici potenziali per numerosi stakeholder.

Note

1 La diffusione di numerosi premi alle aziende che implementano lo Smart Working e la connotazione positiva che questa pratica ha generalmente rischiano di far perdere di vista i temi più rilevanti di miglioramento della qualità del lavoro, sostituiti da considerazione quasi solo di employer branding e reputazione.

Figura 6

Autore

  • È professore ordinario di Organizzazione aziendale presso l’Università degli Studi di Milano, dove dirige il corso di laurea magistrale in inglese in Management of Human resources and labour studies.
    Si occupa di innovazione organizzativa in rapporto alla diffusione delle tecnologie digitali e delle nuove logiche di analisi dei dati. Supporta manager e organizzazioni nelle transizioni e nell’innovazione organizzativa seguendo l’approccio del collaborative management research.
    Dirige Pathos, il laboratorio di ricerca destinato ai temi dell’intersezione tra persona e tecnologia.

  • Laureato in Psicologia con indirizzo Lavoro e Organizzazioni presso l’Università di Padova, è iscritto all’Ordine degli Psicologi e Psicoterapeuti della Regione Lombardia. Ha maturato esperienze come responsabile formazione, selezione e sviluppo in Beiersdorf Italia e in Sony Europa a Berlino e a livello mondiale è stato responsabile progetti nell’area Talent Management di Microsoft Corporation a Redmond (Seattle, Stati Uniti).
    Attualmente è professore a contratto di Organizational Development and change presso l’Università degli Studi di Milano e Adjunt Faculty Member Organizational Behavior del MIP – Politecnico di Milano.