Single, double & triple loop learning | Leren van fouten

Reflecteren kun je leren: de drie niveaus van leren

Vind de root-cause van jouw probleem met triple loop learning
Geschreven door
Pak problemen bij de wortel aan met triple loop learning: investeer nu in blijvend leren en continu verbeteren.

Leer 'Datacratisch werken'

Sta stil bij single loop tot en met triple loop learning

Volgens de theorie van Argyris en Schön kunnen we drie verschillende niveaus van leren onderscheiden. Het gaat hier om single, double en triple loop learning. Aan de hand van een eenvoudig voorbeeld uit de dagelijks praktijk maak ik hier de verschillen duidelijk. Het hele idee achter triple loop learning is dat je op die manier de root cause kan achterhalen. Zo kan je het probleem bij de wortel aanpakken: niet alleen maar de brandjes blussen maar juist ook nadenken hoe je brand in het vervolg kunt voorkomen.

De single loop en de lekke band

Als een fietser een lekke band krijgt, dan is het zaak dat hij zijn band plakt. Dit is een eerste vorm van iets doen met de feedback die je krijgt doordat je gewaarwordt dat je harder moet trappen en je opeens alle steentjes op de weg voelt. Je plan is om van A naar B te komen (plan), je fietst van A naar B (do), je merkt ineens dat je zwaarder moet trappen, onderzoekt het euvel en ziet dat je band lek is (check).

Je besluit vervolgens om de band te repareren (act). Er ontstaat een nieuwe PDCA: het plan om je band te plakken, de band plakken en vullen met lucht, checken door in de band te knijpen en dan weer de act: je besluit om in de single loop te blijven, of je gaat het hogerop zoeken. Dit is wat we wel single loop learning noemen (Argyris & Schön, 1978).

Maar wat als iemand in één week drie keer een lekke band krijgt? Vindt er dan ook een vólgende vorm van leren plaats? Of blijf je dan steken in de eerste vorm van leren, in single loop learning?

In de case van de hotelmanager was duidelijk dat de reserveringsmanager van het hotel na het zoveelste incident op dit basale leerniveau bleef hangen. Elke klacht werd “gerepareerd” met een mok als “Wiedergutmachung”. Elk band werd bij wijze van spreken opnieuw geplakt. Hoe vaak er in korte tijd ook een band lek ging.

Stoot je niet twee keer aan dezelfde steen

Komt een euvel meerdere keren in korte tijd voor, dan is het zaak om op zoek te gaan naar de onderliggende problematiek. Zoals Mark de Kort bij de gemeente Rotterdam op zoek ging naar de onderliggende problematiek achter de vraag hoeveel mensen nu eigenlijk uitvielen, nádat ze weer aan werk waren geholpen? Immers: wat heeft het voor zin om bij wijze van spreken duizend bewegingen naar werk te maken als je dit niet afzet tegen het aantal mensen dat weer uit het arbeidsproces valt. Dan blijkt dat zo’n getal niet meer en niet minder is dan duizend keer een bandje plakken. Weinig zinvol als je weet dat de helft van die mensen morgen weer een lekke band krijgt. Oftewel: neem je in je leerproces mee of en hoe vaak mensen terugvallen in de problematiek waar ze eerder al inzaten?

Herken de patronen als trigger om op te schalen

Als een organisatie in single loop learning blijft hangen, dan word je als medewerker die patronen ziet niet alleen moedeloos, maar voelt het werk dat je doet ook aan als zinloos. Het is niet ondenkbaar dat medewerkers op den duur het gedrag vertonen van “aangeleerde hulpeloosheid”, of zelfs in een slachtofferrol kruipen. Dan hebben we nog niet gesproken over de mensen die van het kastje naar de muur worden gestuurd. Voor hen is het helemaal vaak “een foute film” waar ze lijdzaam figureren, inclusief allerlei Kafka-achtige taferelen, zoals aanvragen die niet gehonoreerd kunnen worden omdat de eerdere aanvraag nog niet verwerkt is. Dit soort patronen dienen als trigger om op te schalen naar double of triple loop learning.

Wat is double loop learning?

Het tweede niveau van leren wordt ook wel double loop learning genoemd: daarbij ga je kijken wat de onderliggende oorzaak is van de constatering dat je steeds met een lekke band staat. Je ziet bijvoorbeeld dat er op de route naar je werk op een traject heel veel glas ligt. Dan is het effectiever om één keer dat glas van de weg te vegen dan om steeds bandjes te blijven plakken.

Bij gemeente Rotterdam draaide het niet alleen om de pijl die aangaf hoeveel mensen weer aan het werk waren geholpen, maar ook om de pijl die aangaf hoeveel mensen weer uit het arbeidsproces vielen en opnieuw in een uitkeringssituatie terecht kwamen.

Bij double loop leren ga je zoeken naar de oorzaken die roet in het eten gooien waardoor een bepaalde groep telkens uitvalt en hiervoor ga je andere programma’s aanbieden, zodat er meer mensen naar werk zullen worden begeleid.

Wat is triple loop learning?

Als de problematiek aan blijft houden, is het vervolgens raadzaam om nog fanatieker te gaan graven en naar de dieper gelegen oorzaken te zoeken. In het voorbeeld van de lekke band ga je dan zien dat er in de straat steeds weer kapot glas op de weg ligt. Dat de oorzaak daarvan een kroeg is waar de glazen regelmatig omvallen of stuk worden gegooid.

Triple loop learning draait niet primair om het leerproces, maar over de vraag hoe je vanuit data tot steeds betere beslissingen komt.

Triple loop learning gaat er dan over dat het niet zinnig is om steeds banden te plakken én dat het vermoeiend is om steeds het glas weg te vegen. Je zult moeten interveniëren op de gehele context, bijvoorbeeld op het beleid van het gebruik van glas op het terras van die kroeg. De omslag naar plastic bekers kan dan een triple loop learning interventie zijn, die niet alleen jouw fietsband beschermt, maar alle banden en zelfs de (verkeers)veiligheid van een heel stadsdeel bevordert. Daarnaast kan het een hoop frustratie en tijd schelen.

Vanuit triple loop learning kun je ook besluiten om uit het stadsdeel te vertrekken waar veel kroegen staan en te verhuizen naar een andere wijk. In de case van gemeente Rotterdam vond ook een vorm van triple loop learning plaats, doordat Mark de Kort en zijn mensen zich gingen afvragen wat er nu werkelijk nodig is om mensen duurzaam aan werk te helpen (zie figuur 2, linksonder: Hoe beslissen we wat juist is?).

Root-cause analyse: pak de onderliggende oorzaak aan

Door de context mee te nemen, blijkt bijvoorbeeld uit de cijfers dat als mensen worstelen met een verslavingsproblematiek, het helemaal geen zin heeft om ze duurzaam naar werk te brengen. Dan is het zaak om eerst die verslaving aan te pakken in plaats van de professionals te vermoeien met een onhaalbare target. Het leidt alleen maar tot perverse prikkels als je consulenten louter afrekent op het aantal mensen uit de doelgroep dat ze weer naar werk hebben begeleid. Zowel de professional als de data vertellen je immers dat de kans groot is dat deze mensen direct toch weer terugvallen. Deze wetenschap kun en mag je niet negeren.

Bij triple loop learning heb je met andere woorden altijd de mogelijkheid om een bestaand proces stop te zetten, zeker wanneer je het niet onder controle krijgt. Dan ga je iets geheel anders proberen dat veel meer strookt met je nieuwe principe, je nieuwe inzicht. In het geval van Mark de Kort en NPRZ gaat het erom de doelstelling van “meer mensen duurzaam naar werk” soepel om te vormen naar “doen wat nodig is”.

Verschillende niveaus van leren
Figuur 1: Verschillende niveaus van leren.

Het opschalen van telkens weer bandjes plakken (single loop learning als acute problemsolving), naar: kijken waar je de glassplinters van het wegdek moet vegen (double loop learning op basis van patronen en inzichten), naar: interveniëren op het gebruik van glas op het terras (triple loop learning op basis van context) is wat we root cause analysis noemen.

Hoe ga je van data naar besluitvorming?

Passen we dit model van single loop, double loop en triple loop learning verder toe op datacratische organisaties, dan gaat het niet enkel meer over het leerproces, maar over de vraag hoe je vanuit data tot steeds betere beslissingen komt. In bovenstaande figuur 1 zie je hoe je vanuit data tot informatie (info) komt en hoe die steeds beter gevoed wordt met ervaring (experience).

Ook dien je de data geautomatiseerd te verrijken met de gerealiseerde prestaties. Vanuit deze groeiende bron van kennis (knowledge) kom je tot een steeds betere kwaliteit van beslissingen (decision). Elk nieuw besluit leidt vervolgens weer tot het steeds scherper bijstellen van de actie (action) én wordt zichtbaar in een verbetering van prestaties.

Van data naar besluitvorming
Figuur 2: Van data naar besluitvorming.

Een kleine oefening

Toegepast op het voorbeeld van de lekke band is dit de oefening om uiteindelijk tot betere besluitvorming te komen:

  • Besluit: beslis hoe je naar je werk gaat, bijvoorbeeld op de fiets of met de auto.
  • Actie: naar je werk fietsen.
  • Prestatie: op tijd op het werk komen.
  • Reflectie & analyse: toen ik langs kroeg X reed, kreeg ik een lekke band en kwam ik te laat op kantoor.
  • Ervaring: het is nu al de derde keer dat ik ter hoogte van kroeg X of Y een lekke band kreeg.
  • Data: aantal kroegen in de wijk, aantal lekke banden en het exacte aantal keren dat je niet op tijd je werk kwam.
  • Informatie: hier zitten vijf kroegen met een terras pal tegen het fietspad aan.
  • Kennis: op trajecten met veel kroegen met een terras tegen het fietspad aan, krijg je vooral na een uitgaansavond vaak een lekke band.

Lokale kennis is cruciaal voor continu verbeteren

Wat is nu het verband met PDCA? De P koppel je aan het nemen van een besluit, de D koppel je aan de daadwerkelijke actie en data, de C koppel je aan reflectie & analyse van informatie en de A koppel je aan (lokale) kennis en ervaring. Het is goed om je te beseffen dat achter elke handeling een beslissing zit of schuilgaat, zelfs de kleinste. En uit bovenstaand voorbeeld blijkt ook dat lokale kennis cruciaal is voor continu verbeteren.

Maak je performance SMART

Zodra je de performance gaat meten, is het van belang om die performance ook SMART te maken. Pas dan kun je er data aan koppelen, die doorsijpelt naar informatie en kennis. Met andere woorden: spreek vooraf met elkaar af wat het gewenste gedrag is dat je wilt zien gedurende de performance. SMART staat dan voor:

  • Specifiek
  • Meetbaar
  • Aanvaardbaar
  • Resultaatgebonden
  • Tijdgebonden

Door de performance SMART te maken en ook alle definities ondubbelzinnig strak te trekken, zorg je dat er geen ruis meer kan zitten tussen de beschrijving en verwachting vooraf en de observatie en meting van de werkelijke performance.

Conclusie

Reflecteren op leren kun je leren. Er zijn drie niveaus van leren te onderscheiden om je gedrag te veranderen: single-loop, double-loop en triple-loop. Organisaties en managers dienen zich te realiseren dat de PDCA-cyclus in feite een leercyclus is, waarbij je uitgaande van data tot steeds betere beslissingen komt.

Opleidingen
Kennisbank
Advies
Interim

Deze organisaties gingen je voor

Word nu ook klant

Wil je ook klant bij ons worden? Wij helpen je maar wat graag verder met single, double & triple loop learning (leren van fouten) of andere zaken waar je slimmer van wordt.

Daan van Beek, Eindbaas & specialist in continu verbeteren

DAAN VAN BEEK MSc

Eindbaas & auteur van het boek 'De intelligente, datagedreven organisatie'

neem contact met mij op

Fact sheet

Organisaties geholpen
___
Trainingen & workshops
___
Deelnemers opgeleid
___
Beoordeling klanten
8,9
Consultants & docenten
___
Kantoren
3
Jaar ervaring
16
EDIT POST