OBM staat voor Organization Behavior Management. OBM is al sinds de jaren zestig de meest wetenschappelijke methode om binnen organisaties ongewenst gedrag terug te dringen en gewenste gedrag te promoten. De kern van OBM is het ABC-model. In het ABC-model staat de A voor Antecedenten. Antecedenten zijn alles wat aan gedrag voorafgaat of wat nodig is om gedrag mogelijk te maken. De B staat voor Behavior, oftewel gedrag. De C staat voor Consequenties. Consequenties is alles wat er gebeurt nadat het gedrag heeft plaatsgevonden. Als mensen iemand proberen te beïnvloeden zijn ze voornamelijk bezig met Antecedenten. Maar enorm veel wetenschappelijk onderzoek laat zien dat ons gedrag voornamelijk wordt beïnvloed door de Consequenties van ons gedrag.
OBM werkt zo goed in het verminderen van ongewenst gedrag en het vermeerderen van gewenst gedrag omdat OBM mensen leert om te denken in termen van Consequenties in plaats van Antecedenten. Wanneer ook jij leert om gebruik te maken van Consequenties in plaats van Antecedenten, vergroot je je invloed enorm.
OBM kent het volgende protocol:
- Specificeer het gewenste gedrag.
- Meet het gewenste en ongewenste gedrag.
- Maak een ABC-analyse die de meetresultaten uit stap (2) begrijpelijk maakt.
- Geef feedback aan de betrokken medewerkers.
- Creëer subdoelen samen met de betrokken medewerkers.
- Pas positieve bekrachtiging toe.
OBM is heel krachtig, maar het kan nog veel beter. Vandaar dat je nog veel meer invloed krijgt door OBM 2.0 te gebruiken. OBM 2.0 is OBM maar dan uitgebreid met cybernetica. In de jaren zeventig van de vorige eeuw is dit al gedaan door professor Dale Brethouwer met zijn Total Performance System. Wij hebben zijn model geactualiseerd met de meest recente kennis rond cybernetica, namelijk het Viable System Model wat een cybernetisch model is en de breintypen die gebaseerd zijn op Cybernetic Big Five Theory.
Bovendien combineren we OBM met Bayesiaanse statistiek. Een van de onvolkomenheden in het oude OBM is dat meetresultaten altijd terugkijken naar het verleden. Het is veel beter om een Bayesiaans netwerkmodel te maken om te voorspellen wat de meetresultaten in de toekomst gaan worden. Wanneer je goed kan voorspellen wat de organisatie gaat doen, dan vergroot je daarmee je invloed op de organisatie.
Daar komt bij dat wij een Bayesiaanse ABC-analyse hebben ontwikkeld. Met een Bayesiaanse ABC-analyse maak je niet alleen begrijpelijk waarom de metingen op een bepaalde waarde zijn uitgekomen, maar kan je ook bewijzen dat je geen positieve of negatieve Consequenties over het hoofd hebt gezien. Bij OBM 1.0 blijft dat een gok, terwijl je met OBM 2.0 aantoont dat je alle relevante Consequenties hebt gevonden.
Een ander probleem met OBM 1.0 is dat bij OBM 1.0 er bijna geen rekening wordt gehouden met de tijd die tussen het gedrag en de beloning zit. Bij OBM 1.0 wordt een onderscheid gemaakt tussen direct, dat wil zeggen binnen 60 seconden, en toekomstig, wat wil zeggen later dan 60 seconden. Daarbij maakt het niks uit of de beloning na 2 minuten of na 20 jaar volgt. Bij OBM 1.0 worden beide Consequenties als even sterk gezien. Maar wetenschappelijk onderzoek laat zien dat ons brein vooral wordt beïnvloed door korte termijn beloningen. Een beloning over 20 jaar maakt veel minder impact dan een beloning die je over 2 minuten krijgt. Bij de Bayesiaanse ABC-analyse van OBM 2.0 wordt dit onderscheid wel gemaakt, omdat de kracht van de Consequenties afneemt naarmate de Consequentie verder in de toekomst ligt.
Hetzelfde geldt voor de grootte van de Consequentie. Bij OBM 1.0 is de kracht van een compliment dat je binnen 60 seconden krijgt net zo groot als de kracht van 100.000 euro die je binnen 60 seconden krijgt. Opnieuw geldt dat de wetenschap iets ander stelt: hoe onverwachter en hoe onverwacht groter de beloning is, hoe meer invloed de beloning heeft. Bij de Bayesiaanse ABC-analyse van OBM 2.0 wordt hier wel rekening gehouden.
Tenslotte maakt OBM alleen maar een onderscheid tussen zekere en onzekere beloningen. Maar de wetenschap heeft laten zien dat er naast zekere en onzekere beloningen ook onverwachte beloningen zijn. Alleen in de Bayesiaanse ABC-analyse van OBM 2.0 wordt hier rekening mee gehouden. Kortom, omdat het ABC-model het hart vormt van OBM en omdat de Bayesiaanse ABC-analyse vele malen beter werkt dan de reguliere ABC-analyse, werkt OBM 2.0 veel beter.
Wanneer je in een aantal video’s wil zien hoe dr. Marius Rietdijk en Joost van der Leij voor een aantal maatschappelijke onderdelen een Bayesiaanse ABC-analyse uitwerken, vul dan het onderstaande formulier in en dan ontvang je deze video’s. Het opvragen van deze video’s is 100% veilig want wij hebben net zo’n hekel aan spam als jij: