Wat is evidence-based?
Een begrip dat steeds vaker in de mond wordt genomen bij het veranderen en verbeteren van organisaties is evidence-based. Het is ook de manier van werken waar de The Better Company voor staat. Maar wat is dat nu eigenlijk, evidence-based? Letterlijk betekent het dat je je baseert op bewijs. Dus evidence-based verbeteren, dat is een manier van verbeteren waarbij je uitgaat van geleverd bewijs.
Bewijs is de basis
Maar welk bewijs? Over welke vorm van bewijsvoering gaat het hier? We hebben het hier over bedrijven en organisaties, systemen dus van samenwerkende mensen en teams, waaraan je ‘iets’ wilt veranderen, wilt verbeteren, bijvoorbeeld de mate van alignment, engagement, integriteit of inclusiviteit. Bewijs hier betekent dat als je ‘iets’ wilt bereiken, in de vorm van een betere uitkomst, dat je dan wel het ene maar niet het andere moet doen. Instrumenteel bewijs dus, waarmee je de kans serieus vergroot dat als je een bepaald ‘instrument’ inzet, het een gewenste uitkomst tot gevolg zal hebben.
Om A te bereiken moet je B doen en C laten. Er bestaat een relatie tussen A, B en C, tussen uitkomst A en instrumenten B en C. Het is keer op keer vastgesteld dat als je B inzet, je A krijgt; zet je C in, krijg je geen A. Een zwaar vereenvoudigd voorbeeld, puur ter illustratie: je wilt sterkte creëren door twee planken met een spijker aan elkaar te verbinden. Neem een hamer (B), en je krijgt de spijker in het hout gedreven waarmee de gewenste sterkte ontstaat (A); neem een zaag (C), en je spijker komt het hout niet in (geen A). Dit is een vaststaand gegeven, dit is hoe het werkt, hoe het één wel en het ander niet leidt tot de gewenste uitkomst.
Evidence-based en de rol van de wetenschap
Dat het zo werkt, dat dat keer op keer is vastgesteld en aangetoond: daar, precies daar, zit het bewijs. Maar wie of wat levert dit bewijs? Dat nu is exact de rol van de wetenschap. Van fundamentele wetenschap, maar ook van toegepaste wetenschap zoals in de management-, organisatie- en gedragswetenschap. Om onafhankelijk en objectief bewijs te leveren voor de veronderstelde samenhang tussen de meest uiteenlopende factoren (instrumenten) en variabelen (uitkomsten). De wetenschap is als een pakhuis. Een pakhuis vol kennis van bewezen relaties dat steeds voller raakt. Want de wetenschap staat nooit stil, we weten steeds meer.
Hoe wetenschap werkt
Het wetenschapsbedrijf draait op observatie, het is haar brandstof. Ze beschouwt al het observeerbare (de empirie) in een aanhoudende ambitie om alles wat ze ziet te kunnen verklaren. Waarom gebeurt iets zoals het gebeurt? Kunnen we dat verklaren? Verklaring is de heilige graal van de wetenschap, het is wat haar voortstuwt en het is nooit klaar. In de management-, organisatie- en gedragswetenschap worden organisaties, teams en mensen geobserveerd. Waarom functioneren ze zoals ze doen? Waarom is er in het ene geval meer alignment dan in het andere geval? Waarom is er in dit geval minder engagement dan in dat geval? Hoe zit dat?
De essentie: oorzaak en gevolg
Ook hier wordt de verklaring uiteindelijk gevonden in de bewezen relatie tussen een gewenste uitkomst en de voor die uitkomst verantwoordelijke factoren. “Elke keer als we een organisatie zien in een hoge staat van strategic alignment (SA), dan blijkt dat steeds gepaard te gaan met veel informational justice (IJ) en maar weinig power struggles (PS). En omgekeerd, als de SA ontbreekt, zien we geen IJ en juist veel PS.”, om maar een voorbeeld te noemen. De geobserveerde samenhang tussen SA, IJ en PS is de basis. Maar om van echte kennis te kunnen spreken is het het allerbelangrijkst dat je op basis van alle observaties kunt aantonen, kunt bewijzen dat SA (de uitkomst) hoger of lager scoort omdat IJ en PS (de instrumenten) hoger of lager scoren. Dat SA het gevolg is van IJ en PS en omgekeerd, dat IJ en PS de oorzaak zijn van SA. Voor solide bewijs moet je dit ‘werkingsprincipe’, deze oorzakelijkheid, uiteraard wel voldoende vaak en in uiteenlopende situaties hebben kunnen vaststellen, je hebt kortom voldoende observaties nodig, want je kunt niet over één nacht ijs gaan.
Van verklaren naar voorspellen
Zodra het bewijs is geleverd, is er nieuwe kennis toegevoegd aan het pakhuis van de wetenschap. Vanaf dat moment kunnen we de kennisrichting ook omdraaien: van verklaring naar voorspelling. En voorspellen doen we om nieuwe, gewenste situaties doelgericht te creëren, niet om bestaande situaties te begrijpen. Als we in zijn algemeenheid al weten, op basis van alle organisaties die we tot nu toe gezien hebben, dat IJ en PS de oorzaak zijn van SA, dan kunnen we op basis van die kennis in elke volgende organisatie die we zien effectief gaan ‘bouwen’ aan meer of betere SA.
Succes als logisch en voorspelbaar gevolg
In dit omdraaien van de kennisrichting, in het opschuiven dus van verklaring door onderzoek naar voorspelling door toepassing, precies daarin zit de essentie van evidence-based verbeteren. Je baseert je verbeterintentie letterlijk op geleverd bewijs. Je laat je leiden door bewezen wetenschap. Kom je in een organisatie met waar weinig SA en de wens is om dit te laten groeien, dan is het dus letterlijk wijs om je inspanningen te richten op het vergroten van IJ en het terugdringen van PS. Ga geen andere ‘instrumenten’ inzetten, maar beperk je tot die instrumenten waarvan de ‘werking’ is bewezen. Want dan ga je een voorspelbare impact maken. Dan is succes geen toeval, maar een logisch gevolg.
Evidence-based verbeteren begint altijd met de gewenste uitkomst
Evidence-based verbeteren begint dus altijd met de expliciete vraag naar wát je wilt verbeteren in/aan de organisatie. Welke gewenste uitkomst wil je creëren? Sterkere alignment? Grotere engagement? Meer inclusiviteit? Afhankelijk van het antwoord op die vraag kun je het pakhuis van de wetenschap vervolgens heel gericht raadplegen. Op zoek naar die factoren waarvan al is bewezen dat ze zich verhouden tot de gewenste uitkomst. In het doelgericht creëren van gewenste uitkomsten, spreken we liever over ‘drivers’ (drijfveren) dan over factoren. Om aan te geven dat we te maken hebben met drijvende krachten ‘achter’ een maakbare uitkomst, waarvoor we in actie moeten komen om ze ‘aan’ te kunnen zetten.
Het belang van (goed) meten
Maar als een gewenste uitkomst als strategic alignment (SA) altijd wordt bevorderd door informational justice (IJ) en ondermijnd door power struggles (PS), dan kunnen we toch direct aan de slag? Want overal waar de wens leeft om SA te vergroten, kunnen we dus gelijk specifieke interventies in stelling brengen die bedoeld zijn om IJ te vergroten en PS te verkleinen. Was het maar zo eenvoudig, het ligt helaas iets complexer dan dat. Alleen al in relatie tot alignment heeft de wetenschap tot op heden ruim 40 verschillende drivers geïdentificeerd. Het is onbegonnen werk om je veranderopgave en verbeterinspanningen te moeten richten op 40 verschillende drivers. Het goede nieuws: het is ook niet nodig. Het feit dat we in zijn algemeenheid weten dat er 40 drivers bestaan waarmee je alignment doelgericht kunt ontwikkelen en verstevigen, wil niet zeggen dat ze in een specifiek geval ook alle 40 relevant zijn. In de unieke context van een specifiek geval zijn er doorgaans maar 3 tot 6 drivers van alignment dooslaggevend. Dat zorgt voor een enorme focus, dat maakt de wereld een stuk overzichtelijker. Maar hoe kom je erachter welke 3 tot 6 drivers dat in jouw geval zijn? Door te meten. Maar dan moet je wel goed meten.
Goed meten, hoe doe je dat?
In de allereerste plaats kun je alleen maar goed meten als je meetinstrument gevalideerd is. Een gevalideerd instrument meet de grootheid die je wilt meten in betrouwbare eenheden. Met een weegschaal meet je gewicht in kilogrammen. Met een thermometer meet je temperatuur in graden Celsius. Als je wilt weten wat iets weegt moet je dus geen thermometer gebruiken en een weegschaal, je moet het juiste meetinstrument inzetten. Tegelijkertijd moet het meetinstrument betrouwbaar zijn: de meeteenheid moet kloppen. Als iets 27 kilogram weegt, dan moet je weegschaal precies dat aantal meeteenheden tonen, niet meer en niet minder. Want anders zijn je data onbetrouwbaar en trek je verkeerde conclusies.
Gevalideerde meetinstrumenten voor betrouwbare data
Gewenste uitkomsten als alignment, engagement en inclusiviteit en daaraan ten grondslag liggende drivers, ook daar bestaan gevalideerde meetinstrumenten voor. Ook dat is een belangrijk nut van de wetenschap, van de gedragswetenschap in ons geval: het ontwikkelen en beschikbaar stellen van goed gevalideerde meetinstrumenten voor gedragsconstructen. Neemt het meetinstrument voor gewicht de fysieke vorm aan van een weegschaal en voor temperatuur die van een thermometer, bij gedragsconstructen neemt het meetinstrument de fysieke vorm aan van een meervoudige vraagstelling (doorgaans 4 tot 6 stellingen) die het onderwerp vormt van een interview (kleinschalige meting) of survey (grootschalige meting). Hier geldt precies hetzelfde: alleen als de meervoudige vraagstelling gevalideerd is, dan verzamel je echte data die een betrouwbaar beeld geven van de betreffende uitkomst of driver.
Garbage in, garbage out
Goed meten, met gevalideerde instrumenten, het lijkt triviaal. Maar de praktijk wijst geheel anders uit. Er bestaan veel employee surveys in de markt, bv. voor engagement, die inspelen op pragmatische wensen en praktische bezwaren: de meting mag niet te veel tijd vragen van medewerkers en er moeten vooral ook veel verschillende onderwerpen aan bod komen. De oplossing wordt dan typisch gevonden in het zelf bedenken van korte vraagstellingen of in het inkorten van gevalideerde, meervoudige vraagstellingen. Maar daarmee betaal je wel een fatale prijs: een gemankeerd surveydesign ondermijnt de validiteit van de meting en als de meting niet valide is, dan verkrijg je geen echte data. Als de data niet echt zijn, dan is alles wat je erop baseert onbetrouwbaar: je conclusies, je besluiten. ‘Garbage in, garbage out’, het geldt ook hier.
Goed rekenen, wat vraagt dat?
Goed meten is om nog een andere reden heel erg belangrijk, en wel om te kunnen rekenen. Rekenen kun je alleen met echte, betrouwbare data. En rekenen is nodig om te kunnen komen tot die selectie van 3 tot 6 drivers die in jouw unieke geval het allerbelangrijkst zijn. Zie het maar als een bedieningspaneel met 40 knoppen die je allemaal kunt indrukken om een bepaalde uitkomst te realiseren. In principe zijn alle knoppen relevant, maar welke paar knoppen gaan in jouw geval het verschil maken? Daar achter komen, wat vraagt dat van het meetinstrument? Dat vraagt dat je een geïntegreerd meetinstrument bouwt waarmee je ‘boven water’ – d.w.z. in de zichtbare bovenstroom van de organisatie – meet aan de gewenste uitkomst die je wilt creëren (bv. meer alignment) en waarmee je tegelijkertijd ‘onder water’ – in de minder zichtbare onderstroom van de organisatie – meet aan alle bekende en bewezen drivers die van invloed zijn op de te creëren uitkomst.
Statistisch significante samenhang
Door integraal te meten – bewezen drivers in relatie tot gewenste uitkomsten – verzamel je data over zowel oorzaak als gevolg en kunnen we statistisch toetsen welke oorzaken in de unieke context van een specifiek geval het allerbelangrijkst zijn om aan te gaan ‘sleutelen’ met gerichte verbeterinterventies. Dat zijn namelijk die paar drivers die volgens de data de grootste, de sterkste invloed vertonen op de gemeten uitkomst. Het gaat dus om het vinden en vaststellen van statistisch significante samenhang. Zodat je precies weet op welke knoppen je in jouw unieke geval moet gaan drukken om met voorspelbare impact werk te kunnen maken van een betere uitkomst. Dit is nog steeds evidence-based verbeteren, maar dan getrechterd, met een extreme focus, en daarmee nog krachtiger. Meer bereiken door minder te doen, een atypische consultancy propositie, daar komt het in wezen op neer. Alleen op die 3 tot 6 knoppen willen drukken die in jouw geval iets gaan doen en alle andere knoppen lekker met rust laten. ‘Less is more’.
Kijk nooit naar gemiddelde scores
Kijken naar statistische samenhang, ook dat lijkt triviaal. Maar de praktijk wijst andermaal geheel anders uit. Veel – zo niet alle – employee surveys die wij zien in de markt brengen helemaal geen bewust verband aan tussen uitkomsten en drivers. Er wordt vooral van alles gemeten (we blijven hierna consequent van drivers spreken, ook al is dat vaak niet van toepassing). Het beste wat je dan kunt doen is kijken naar gemiddelde scores op de drivers die je meet. Waarbij die gemiddelde scores vaak worden vergeleken met een externe benchmark samengesteld op het niveau van bv. een bedrijfstak of een land. Overal waar je gemiddeld hoog scoort en/of boven de benchmark scoort, daar zit je goed en hoef je niets te doen. Daar waar je gemiddeld laag scoort en/of onder de benchmark scoort, daar zit je niet goed en moet je gaan verbeteren of veranderen. Een zeer kwalijke en vooral gevaarlijke praktijk in onze visie. Want je mist cruciale informatie om tot de juiste beslissingen te kunnen komen. Wat als je gemiddeld laag scoort op een driver die geen samenhang vertoont met de gewenste uitkomst? Waarbij je dat laatste dus niet weet? Dan ga je veel tijd en energie investeren in een verandering of verbetering die geen effect zal hebben. En wat als je gemiddeld juist hoog scoort op een driver die juist wel samenhang vertoont met de gewenste uitkomst? Waarbij je dat laatste dus ook weer niet weet? Dan zul je besluiten om niets te gaan doen (“We scoren toch al hoog?”), terwijl dat juist wel nodig is, want de gemiddeld hoge score is kennelijk nog niet hoog genoeg.
Wetenschap praktisch gemaakt
Het pakhuis van de wetenschap is groot en wordt steeds groter. Een groeiend arsenaal aan bewezen samenhang (tussen uitkomsten en drivers) en aan gevalideerde meetinstrumenten (voor diezelfde uitkomsten en drivers). Waar moet je zijn om de juiste kennis te vinden voor jouw verbetervraagstuk? Het raadplegen van dit pakhuis, dat is wat The Better Company op tal van managementterreinen al heeft gedaan: 1) Strategic Alignment; 2) Engagement & Happiness; 3) Diversity & Inclusion; 4) Integrity & Compliance; 5) Sustainability; 6) Vitality & Change readiness. Op elk van deze terreinen hebben wij alle relevante drivers geïdentificeerd en in kaart gebracht. En samengebracht in integrale meetinstrumenten die je met recht diagnostisch mag noemen. Elk van deze meetinstrumenten is geschikt gemaakt voor praktische toepassing. Zodat de wetenschap die eraan ten grondslag ligt voor iedereen in de praktijk beschikbaar komt en in elke organisatie gebruikt kan worden voor het realiseren van voorspelbaar betere uitkomsten. Door evidence-based te werken aan een steeds weer betere versie van jezelf, aan het zijn van een Better Company dus. Niet zomaar ingrijpen op basis van mening, hoop, geloof of overtuiging, maar op basis van kennis, data en bewijs. Voor het kunnen maken van een duurzame en voorspelbare impact. Dát is wat Science For Practice mogelijk maakt. En dat is wat The Better Company faciliteert.
