ผลงานของพนักงานเป็นการกระจายแบบเกาส์เซียนจริงหรือ?
(timdellinger.substack.com)- การบริหารผลงานแบบ Fortune 500 อาศัย สมมติฐานแบบเกาส์เซียน ว่าผลงานของพนักงานกระจายเป็นทรงระฆัง แต่หากผลงานจริงใกล้เคียงกับ การกระจายแบบ Pareto เหตุผลรองรับการประเมินแบบบังคับจัดสัดส่วนก็จะสั่นคลอน
- บทความเชื่อม ทฤษฎีค่าจ้างตามผลิตภาพส่วนเพิ่ม ซึ่งมองว่าค่าจ้างเชื่อมโยงกับมูลค่าที่คาดหวังจากพนักงาน เข้ากับลักษณะแบบ Pareto ของการกระจายค่าจ้างในสหรัฐ เพื่อเสนอว่าผลงานภายในแถบเงินเดือนเดียวกันก็อาจกระจายแบบไม่สมมาตรได้
- ในมุมมองแบบ Pareto จะไม่มี 10% ล่าง ที่ต้องตัดออกทุกปีเกิดขึ้นอย่างเป็นธรรมชาติ และพนักงานที่ทำผลงานต่ำกว่าค่าคาดหวังที่ระดับค่ามัธยฐานของแถบเงินเดือนมีอยู่ราว 65%
- ผู้ที่มีผลงานต่ำไม่ควรถูกมองว่าเป็นกลุ่มที่ต้องคัดออกตามสัดส่วนคงที่ แต่ควรถูกมองเป็นกรณียกเว้นอย่างเช่น ความผิดพลาดในการจ้างงาน และในแถบเงินเดือนเดียวกัน ผู้มีผลงานต่ำพบได้บ่อยกว่าผู้มีผลงานสูงถึง 3 เท่า
- ระบบบริหารผลงานควรพิจารณาต้นทุนการเลิกจ้างและการจ้างทดแทน การบรรลุเป้าหมาย อคติในการประเมิน อิทธิพลของผู้จัดการ และความผันผวนของผลงานตามเวลาไปพร้อมกัน โดยการเลิกจ้างรายปีแบบบังคับจัดสัดส่วนยังขาดหลักฐานทางสถิติรองรับ
เหตุใดสมมติฐานแบบเกาส์เซียนจึงเริ่มสั่นคลอน
- บริษัทขนาดใหญ่จำนวนมากประเมินผลงานพนักงานทุกปีเพื่อตัดสินโบนัส การเลื่อนขั้น และการจ้างงานต่อในอนาคต
- วิธีบริหารผลงานแบบทั่วไปมักรวมขั้นตอนการจัดพนักงานลงใน vitality curve
- แนวทางของ General Electric ช่วงต้นทศวรรษ 1980 มักถูกอ้างถึงในรูปแบบ 10-70-20
- 20% แรกจะได้รับรางวัลทางการเงิน ส่วน 10% ล่างจะเป็นเป้าหมายของการคัดออก
- สมมติฐานโดยนัยของวิธีนี้คือผลงานของพนักงานเป็นไปตาม โค้งระฆังแบบเกาส์เซียน
- มีปัจจัยบางอย่างที่ทำให้นึกถึงสมมติฐานแบบเกาส์เซียนได้
- IQ, ความมีวินัยในตนเองในบุคลิกภาพ Big Five, และส่วนสูง ล้วนมีการกระจายแบบเกาส์เซียน และอาจมีพลังในการพยากรณ์ผลงานการทำงาน
- ผลรวมหรือการประกอบกันของตัวแปรแบบเกาส์เซียนหลายตัวก็อาจยังเป็นเกาส์เซียนได้
- แต่ก็ยากจะมองว่าพนักงานที่ได้รับเงินเดือนจากบริษัทครอบคลุมไปถึงปลายล่างสุดของเส้นโค้งผลงานทั้งหมด และความสมมาตรที่ว่ามีพนักงานจำนวนหนึ่งสร้างผลกระทบเชิงบวกมหาศาล ก็ต้องมีอีกจำนวนหนึ่งสร้างผลกระทบเชิงลบในขนาดเท่ากันนั้นก็ไม่สอดคล้องกับประสบการณ์จริง
มองผลงานพนักงานผ่านการกระจายแบบ Pareto
- หากมองผลกระทบของพนักงานในหน่วยมูลค่าเงินดอลลาร์ ก็สามารถเชื่อมโยง ทฤษฎีค่าจ้างตามผลิตภาพส่วนเพิ่ม เข้ากับการกระจายค่าจ้างได้
- ทฤษฎีค่าจ้างตามผลิตภาพส่วนเพิ่มมองว่าจำนวนเงินที่บริษัทพร้อมจ่ายให้พนักงานนั้นเชื่อมโยงโดยเนื้อแท้กับมูลค่าที่บริษัทคาดหวังจากพนักงานคนนั้น
- ในเศรษฐศาสตร์จุลภาค การกระจายค่าจ้างบางครั้งถูกอธิบายด้วย การกระจายแบบ Pareto ซึ่งมีลักษณะเป็นการกระจายแบบกฎกำลัง
- หากค่าจ้างที่นายจ้างในสหรัฐจ่ายภายในแถบเงินเดือนเดียวกันรวมกันเป็นการกระจายแบบ Pareto ก็อาจตีความได้ว่าผลงานของพนักงานก็มีรูปแบบการกระจายเช่นเดียวกัน
- ช่วงเงินเดือนขั้นต่ำและขั้นสูงที่แสดงในประกาศรับสมัครงานของบริษัทเป็นเบาะแสสำหรับประมาณขนาดของแถบเงินเดือนได้
นัยเชิงปฏิบัติที่เกิดจากการประเมินแบบบังคับจัดสัดส่วน
- ในมุมมองเปอร์เซ็นไทล์แบบ Pareto จะไม่มี 10% ล่างที่ต่ำสุดอย่างชัดเจน แยกตัวออกมาเองเหมือนในมุมมองแบบเกาส์เซียน
- 10% ล่างไม่ได้แตกต่างจาก 10% ถัดไปอย่างมีนัยสำคัญ
- จึงไม่เห็นจุดตัดที่ชัดเจนสำหรับการคัด “พนักงานที่แย่ที่สุด” ออก
- พนักงานที่ทำผลงานต่ำกว่าเส้นฐานที่เชื่อมกับค่าคาดหวัง ณ ค่ามัธยฐานของแถบเงินเดือนมีราว 65%
- ผู้มีผลงานต่ำมีอยู่จริงในบริษัทใหญ่ แต่ควรถูกมองเป็น ความผิดพลาดในการจ้างงาน มากกว่าจะเป็นสัดส่วนล่างที่หลีกเลี่ยงไม่ได้ของการกระจาย
- ความผิดพลาดในการจ้างงานต้องได้รับการจัดการ แต่ยากจะมองว่ามันถูกกำหนดไว้เป็นสัดส่วนตายตัว
- วิธีที่บังคับให้ผู้จัดการซึ่งจ้างคนได้ดีต้องลดคนลงตามโควตาอาจเป็นปัญหา
- สัดส่วนของคนที่จะได้รับรางวัลทางการเงินเพิ่มเติมก็ไม่ได้ปรากฏชัดจากกราฟ Pareto เช่นกัน
- กลุ่มบน 35% ที่ทำผลงานสูงกว่าค่าคาดหวังที่ระดับค่ามัธยฐานของเงินเดือนอาจเป็นจุดเริ่มต้นได้
- การแบ่งโบนัสแบบละเอียดกว่าเดิมเป็น “good - better - best” ดูสมเหตุสมผลกว่าสูตรดั้งเดิมของ GE
- ผู้สมัครเลื่อนตำแหน่งอาจถูกมองเป็น ค่าผิดปกติ มากกว่าจะเป็นช่วงธรรมชาติในแจกแจงทั่วไป
- คนกลุ่มนี้อาจยังได้รับค่าตอบแทนต่ำกว่าความเป็นจริงแม้อยู่ใกล้เพดานของแถบเงินเดือนปัจจุบันแล้ว
- การเลื่อนตำแหน่งจึงถูกมองได้ว่าเป็นวิธีแก้ความไร้ประสิทธิภาพเล็ก ๆ ของตลาดลักษณะนี้
ข้อจำกัดของการเลิกจ้างและการจ้างทดแทน
- ภายในแถบเงินเดือนเดียวกัน ผู้มีผลงานต่ำ พบได้บ่อยกว่าผู้มีผลงานสูงถึง 3 เท่า
- ความคาดหวังแบบเกาส์เซียน ที่ว่าถ้าไล่ 10% ล่างออกแล้วจะหาคนที่ดีกว่ามากมาแทนได้ เป็นความคาดหวังที่ไม่แม่นยำ
- คนทดแทนที่มีโอกาสมากที่สุดอาจไม่ได้เก่งกว่าพนักงานที่ถูกเลิกจ้างอย่างมีนัยสำคัญ
- ไม่มี 10% ล่างที่เป็นเนื้อแท้ซึ่งต้องถูกกำจัดทุกปี
- ควรเปิดทางให้ผู้จัดการระบุความผิดพลาดในการจ้างงานเมื่อเห็นว่าสามารถทำให้ทีมดีขึ้นได้ แต่ไม่ควรกำหนดสัดส่วนเป้าหมายบนสมมติฐานทางสถิติที่ผิด
องค์ประกอบที่หายไปในการออกแบบระบบบริหารผลงาน
-
การมอนิเตอร์
- ระบบตัดสินใจเชิงสถิติที่มีต้นทุนสูงต้องได้รับ การมอนิเตอร์ ว่าบรรลุเป้าหมายหรือไม่ และยังทำงานได้ต่อเนื่องเมื่อเวลาผ่านไปหรือไม่
- คำถามที่ควรตรวจสอบมีดังนี้
- บริษัทกำลังจัดประเภทคนอย่างไม่แม่นยำอยู่หรือไม่
- ผู้จัดการกำลังจ้างแพะรับบาปเพื่อปกป้องสมาชิกทีมที่มีคุณค่าหรือไม่
- มีความแตกต่างด้านผลงานจริงระหว่างคนที่ถูกเลิกจ้างกับคนที่ยังคงอยู่หรือไม่
-
การวิเคราะห์ต้นทุนแบบทฤษฎีการตัดสินใจ
- กระบวนการบริหารผลงานเองก็ใช้เวลาและแรงงานจำนวนมาก
- หากบริษัทเลิกจ้างคน 10% จะเกิดต้นทุนอย่างเช่น ค่าชดเชยเลิกจ้าง
- การจ้างทดแทนก็มีต้นทุนสูง และต้นทุนรวมของกระบวนการจ้างงานทั้งหมดอาจประเมินได้คร่าว ๆ ว่าเท่ากับ เงินเดือน 1 ปี
- พนักงานที่เพิ่งจ้างใหม่ตามสถิติอาจอยู่กับบริษัท 3~5 ปี
- จึงต้องพิจารณาว่าการเพิ่มขึ้นของผลงานมากกว่าต้นทุนรวมของกระบวนการหรือไม่ และระบบบริหารผลงานที่เข้มข้นน้อยกว่าจะดีกว่าหรือไม่
-
มุมมองตามแกนเวลา
- การบริหารผลงานมักเป็น ภาพสแนปชอตรายปี
- หากพนักงานคนหนึ่งทำผลงานยอดเยี่ยมมา 3 ปีแล้วมีปีหนึ่งที่ตกลง ต้องตัดสินใจว่าจะคัดออกทันทีหรือดูความเหมาะสมในระยะยาว
-
ความไม่แน่นอนของสิ่งที่กำลังวัด
- ต้องตรวจสอบว่าการประเมินผลงานกำลังวัดผลงานจริงหรือไม่
- หากพนักงานที่มีอัตราความสำเร็จต่ำได้รับงานที่ยากที่สุด การประเมินนั้นก็อาจกำลังวัดไม่ใช่ผลงาน แต่เป็น วิธีจัดสรรโปรเจกต์
- หากพนักงานที่มีบุคลิกเปิดเผยได้รับคะแนนดีกว่าแม้มีผลงานเท่ากัน การประเมินก็อาจกำลังวัดไม่ใช่ผลงาน แต่เป็นลักษณะบุคลิกภาพและอคติของผู้จัดการ
- ปัจจัยสำคัญของผลงานพนักงานอาจไม่ได้อยู่ที่ความสามารถหรือความพยายาม แต่อยู่ที่ว่าผู้จัดการสร้างเงื่อนไขให้พวกเขาประสบความสำเร็จได้หรือไม่
- ผู้จัดการใหม่อาจยังไม่ชำนาญพอในการแย่งชิงช่องคะแนนผลงานที่เอื้อต่อทีมตนเองในรอบบริหารผลงานครั้งแรก
- ในกรณีนี้ การประเมินไม่ได้สะท้อนแค่ผลงานของพนักงาน แต่ยังสะท้อนพลังการโน้มน้าวและทุนทางการเมืองภายในองค์กรของผู้จัดการด้วย
บทสรุป: ก่อนจะไล่ 10% ล่างออก ต้องตรวจสอบและคำนวณต้นทุนก่อน
- การบริหารผลงานที่ใช้กันในบริษัทใหญ่จำนวนมากในปี 2024 ใกล้เคียงกับ เทคโนโลยีเก่า ที่ต้องได้รับการอัปเดต
- หากละทิ้งสมมติฐานแบบเกาส์เซียนและใช้การกระจายแบบ Pareto ก็ไม่มีเหตุผลทางสถิติรองรับการเลิกจ้าง 10% ล่างทุกปี
- บริษัทควรมองความผิดพลาดในการจ้างงานเป็นค่าผิดปกติ และพิจารณาให้รอบคอบว่าการเลิกจ้างคน 10% ทุกปีคุ้มค่าหรือไม่
- เนื่องจากต้นทุนของการบริหารผลงานสูง จึงจำเป็นต้องมีทั้งการมอนิเตอร์และการวิเคราะห์ต้นทุนเพื่อวัดว่าบรรลุเป้าหมายจริงหรือไม่
- ในช่วงต้นทศวรรษ 1980 ซึ่งเป็นยุคที่ระบบบริหารผลงานสมัยใหม่ของ GE ถือกำเนิดขึ้น ยังมีสมมติฐานว่าหากไม่ทำผิดพลาดใหญ่ คนหนึ่งจะอยู่กับบริษัทเดียวได้ตลอดชีวิตการทำงาน
- ผ่านมา 40 ปี พนักงานเปลี่ยนงานกันบ่อยขึ้น ดังนั้นเพียงให้โบนัสที่ต่ำจนน่าอับอายกับผู้มีผลงานต่ำ ก็อาจเป็น “ไม้เรียว” ที่เพียงพอและอาจดีต่อทุกฝ่ายมากกว่า
ข้อมูลและงานวิจัยที่สนับสนุนสมมติฐาน Pareto
- ข้อมูลจากช่วงต้นถึงกลางศตวรรษที่ 20 สนับสนุนว่าผลงานของพนักงาน ไม่ได้เป็นแบบเกาส์เซียน
- ในปี 1957 William Shockley วิเคราะห์สิ่งพิมพ์ทางวิทยาศาสตร์และสิทธิบัตรจาก Los Alamos, Brookhaven และ Bell Labs ช่วงต้นทศวรรษ 1950
- ข้อสรุปคือผลงานไม่ได้เป็นแบบเกาส์เซียน
- เขาตีความตามทฤษฎีส่วนตัวว่าเป็นการกระจายแบบลอจ์นอร์มัล ซึ่งสามารถมีรูปร่างคล้าย Pareto ได้
- ในปี 1970 Clarence Zener ทบทวนทั้งข้อมูลของ Shockley ข้อมูลสิ่งพิมพ์อื่น ๆ และตัวอย่าง นักเขียน 6,891 คน ที่ชื่อขึ้นต้นด้วย A หรือ B จาก Chemical Abstracts ช่วงปี 1907~1916
- ประเด็นถกเถียงคือ Log-Normal กับ Pareto แต่คำตอบที่ชัดเจนคือมันไม่ใช่เกาส์เซียน
- Herman Aguinis ศึกษาข้อมูลจากกีฬา บันเทิง การเมือง และการตีพิมพ์ในวารสาร Materials Science
- เขาเห็นว่าทิศทางของข้อมูลสอดคล้องกัน แต่ยังไม่ใช่ชุดข้อมูลชี้ขาด
- เพราะข้อมูลเน้นผลผลิตตลอดช่วงชีวิตการทำงาน จึงอาจสะท้อนความยาวของอาชีพมากกว่าผลผลิตรายปี
- วรรณกรรมยุคใหม่ดูเหมือนแทบลืมงานของ Zener และ Shockley ไปแล้ว และบทความประเภท “ไม่ใช่เกาส์เซียน” ก็มักถูกมองว่ายังขาดข้อเสนอเชิงรูปธรรมว่าควรทำอะไรต่อ
สมมติฐานในการคำนวณและผลข้างเคียงของการบังคับจัดสัดส่วน
-
แถบเงินเดือนและพารามิเตอร์ของการกระจาย
- แถบเงินเดือนในประกาศรับสมัครงานของบริษัทให้ช่วงขั้นต่ำและขั้นสูง
- ค่าต่ำสุดของแถบเงินเดือนโดยทั่วไปมีแนวโน้มอยู่ที่ประมาณ 0.65 เท่า ของค่าสูงสุด
- ตัวอย่างแถบเงินเดือน 78.1 → 121.2 สามารถมองได้ว่ามีจุดกึ่งกลางที่ 100 และ min/max = 0.65
- ใช้ค่า Pareto alpha เป็น 1.75 ซึ่งสอดคล้องกับข้อมูลค่าจ้างรายบุคคลในสหรัฐ
- สามารถตรวจสอบไขว้กับค่าสัมประสิทธิ์ Gini ของรายได้ส่วนบุคคลในสหรัฐที่มักอ้างถึงที่ 0.4 และสมการ
G = 1/(2a-1) - ในการเปรียบเทียบกับเกาส์เซียน กำหนดให้ขอบแถบเงินเดือนเป็น 3 sigma
- แม้ใช้ 2.5 sigma ก็ได้ผลใกล้เคียงกัน
- ในสถานการณ์ 3 sigma ค่า 7.06 และในสถานการณ์ 2.5 sigma ค่า 8.48 จะสอดคล้องกับแถบเงินเดือน 100 ± 21.2
- กราฟถูกสร้างด้วย n=25,000
- การกระจายแบบ Pareto มีคุณสมบัติ scale-invariant และ self-similar ดังนั้นค่าศูนย์กลาง 100 จึงเป็นเพียงค่าตามอำเภอใจ สิ่งสำคัญคือสัดส่วนของความกว้างแถบเงินเดือน
-
“rolling up” และการจัดประเภทผิดพลาด
- แนวปฏิบัติที่เชื่อว่าหากรวมกลุ่มการประเมินย่อยหลายกลุ่มเข้าด้วยกัน การบังคับจัดสัดส่วนจะยุติธรรมขึ้นโดยรวม เป็นสิ่งที่สามารถตรวจสอบได้ด้วยการจำลอง
- มีการจำลองโดยสมมติว่าผลงานพนักงานกระจายแบบเกาส์เซียน และผู้จัดการประเมินผลงานได้อย่างสมบูรณ์แบบราวปาฏิหาริย์
- อันดับผลงานถูกสร้างขึ้นอย่างแม่นยำ
- ใช้จุดตัดแบบ Welch GE คือ 10% ล่างและ 20% บน
- สำหรับแต่ละขนาดโคฮอร์ต มีการจำลองรอบประเมินผลงานรายปี 32 ครั้ง
- มีการคำนวณสัดส่วนของพนักงานที่ตามเกณฑ์วัตถุประสงค์ควรได้ระดับสูงกว่า แต่กลับถูกจัดให้ต่ำกว่าด้วยวิธี rank-and-chop
- โดยไม่ขึ้นกับขนาดโคฮอร์ต มีแนวโน้มว่าประมาณ 2.5% จะถูกจัดประเภทผิดอย่างไม่เป็นธรรม และแม้โคฮอร์ตมีขนาดหลายร้อยคน การจัดผิด 5% ก็ยังพบได้บ่อย
- หากรวมพนักงานที่ถูกจัดขึ้นสูงอย่างไม่เป็นธรรมด้วย ตัวเลขการจัดประเภทผิดจะเพิ่มขึ้นราวสองเท่า
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
ข้ออ้างที่ว่า การจัดการผลการปฏิบัติงาน แบบองค์กรใหญ่ในปี 2024 เป็นเทคโนโลยีที่ล้าสมัยและจำเป็นต้องอัปเดตนั้นมีข้อผิดพลาดพื้นฐานอยู่หลายประการ
ข้อแรก มันสมมติว่าพนักงานจะได้รับค่าตอบแทนตามมูลค่าที่ “ตนเอง” หาให้บริษัทได้ แต่ผู้จ้างงานมักพยายามจ่ายค่าตอบแทนขั้นต่ำที่สุดที่พอรับได้ โดยอาศัยเงื่อนไขอย่างความไม่สมมาตรของข้อมูลและการแจกแจงปกติ ความเป็นธรรมจึงคาดหวังได้ยาก และถ้าพูดตรง ๆ ก็จะทำให้ขวัญกำลังใจตก จึงมักปล่อยให้พนักงานไม่รู้ ขณะเดียวกันก็รวบรวมประวัติค่าตอบแทนผ่านช่องทางอย่าง Work Number
ข้อสอง มันสมมติว่าบริษัทต้องการตัดคน 5% ล่างออกเสมอเพื่อให้คล่องตัว แต่ในความเป็นจริง ผลผลิตรวม สำคัญกว่า ดาวเด่นรายบุคคล พนักงานทำความสะอาดหรือพนักงานคาเฟ่จะสร้างรายได้โดยตรงได้สักเท่าไร? วิศวกรรมก็เช่นกัน งานที่ไม่โดดเด่นต้องมีคนทำ ไม่เช่นนั้นบริษัทจะกลายเป็นองค์กรที่พังแต่มีคนเก่งบนกระดาษเท่านั้น
นอกจากนี้ยังมีกราฟดังกราฟหนึ่งที่เป็นที่รู้จัก ซึ่งแสดงว่าผลผลิตรวมของแรงงานและรายได้เฉลี่ยเคยเพิ่มขึ้นไปพร้อมกันจนถึงทศวรรษ 1970 แล้วหลังจากนั้นก็แยกออกจากกัน ตลอด 50 ปีที่ผ่านมา ทั้งในระดับมหภาคและจุลภาค ผลิตภาพเพิ่มขึ้นต่อเนื่อง แต่รายได้กลับแบนราบกว่ามาก
ถ้าลดคน 5% ล่างขององค์กรลง ซึ่งในกรณีของผมคือวิศวกร 2–3 คน ก็อาจไม่ได้รับอนุมัติให้จ้างกลับมาเติมเต็มอีก ผมอาจต้องลดระดับตำแหน่งจาก L5 เป็น L4 เพื่อเอาใจทีมการเงิน หรือไปจ้างต่างประเทศ หรือเปลี่ยนตำแหน่งประจำเป็นสัญญาจ้าง
อีกทั้งยังต้องเตรียมรับมือการลดพนักงาน (RIF) ดังนั้นถ้ามี 5% ล่างที่สามารถชี้ชื่อได้ทันที ก็จะเป็นประโยชน์เมื่อหัวหน้าบอกว่า “ขอชื่อมา” ด้วยเหตุนี้ มูลค่าของเวลาวิศวกรที่ถูกจัดสรรอยู่ตอนนี้จึงสูงกว่ามากเมื่อเทียบกับอีกไม่กี่เดือนข้างหน้า การบริหารที่ผลักคนออกอย่างแข็งขันย่อมทำให้ผู้จัดการพอใจ ดังนั้นมูลค่านั้นจึงไม่เป็นศูนย์ แต่ตอนนี้ชัดเจนว่า แม้แต่ผู้มีผลงานต่ำก็จำเป็น
หากมีวิธีวิเศษในการติดตามผลิตภาพได้อย่างแม่นยำ เราอาจเห็นภาพที่ใกล้เคียงกับ กฎของ Price หรือการแจกแจงแบบพาเรโต ที่คนทำงาน 20% สร้างผลลัพธ์ 80% ตามที่บทความนี้กล่าว แต่ไม่ได้หมายความว่าอีก 80% ที่เหลือไม่จำเป็น และประเด็นนี้เชื่อมโยงกับข้อโต้แย้งที่สอง
การจ่ายเงินให้พนักงานเท่ากับสิ่งที่พนักงาน “หาให้” บริษัทนั้นไม่สอดคล้องกับระบบเศรษฐกิจที่บริษัทต้องการทำกำไร การให้ค่าตอบแทนตามสิ่งที่ “สมควรได้รับ” จากผลงานก็อาจไม่ใช่เรื่องพึงประสงค์เช่นกัน เพราะภายในบริษัทก็น่าจะเกิดพลวัตความเหลื่อมล้ำทางรายได้แบบเดียวกัน
บริษัทใหญ่มีผลของการเฉลี่ยอยู่ ผลงานของแต่ละคนถูกเฉลี่ย แต่ความรับผิดชอบก็ถูกเฉลี่ยด้วย สิ่งนี้ดีหรือไม่ดีขึ้นอยู่กับแต่ละคน และผมคิดว่า Paul Graham อธิบายไว้ได้ดีในบทความของเขาว่างานประจำคืออะไร และทำไมบางคนจึงชอบสตาร์ทอัป
[1] https://www.kienbaum.com/blog/prices-law-and-the-trouble-of-...
[2] https://paulgraham.com/wealth.html
หากบริษัทบังคับลดคนกลุ่มล่างหรือมีนโยบายเลิกจ้างตามสถิติสำหรับกลุ่มงานใดกลุ่มงานหนึ่ง หรือแม้จะปิดบังแต่ในทางปฏิบัติทำเช่นนั้นจริง ปีถัดไปก็ควรห้ามการจัดสรร H1B ให้กลุ่มงานนั้น
ประเด็นหลักคือ ถ้าบริษัทตัดสินแล้วว่าสามารถอยู่ได้โดยไม่มีแรงงาน X% ก็ไม่มีสิทธิ์นำแรงงานต่างชาติเข้ามา H1B เป็นระบบที่มีไว้ช่วยเติมตำแหน่งที่หาคนยาก แต่ถ้ากำลังเลิกจ้างหรือปลดคนจำนวนมาก นั่นแปลว่าบริษัทน่าจะหาคนมาทำงานตำแหน่งนั้นได้อย่างแน่นอน
ตัวอย่างเช่น เพื่อนของผมต้องทำฟีเจอร์หนึ่ง ซึ่งถ้าเป็นแอปแยกเดี่ยวคงใช้เวลา 1–2 สัปดาห์ แต่ในทีมเบราว์เซอร์กลับใช้เวลา 2 ปี เพราะต้องประสานทั้งเคสขอบและคณะกรรมการมาตรฐาน ทุกคนคิดว่าเป็นงานที่ควรเสร็จใน 1–2 สัปดาห์ ทั้งที่เป็นเรื่องนอกเหนือการควบคุมของเขา แต่เขากลับได้รับการประเมินไม่ดี
ผมรู้สึกว่าต้องมีความสมดุล ซูเปอร์สตาร์มีอยู่จริง และในการประเมินจากเพื่อนร่วมงานก็ชี้ตัวได้ง่าย แต่เราเป็นทีมเดียวกัน งานมีมาก และทุกคนไม่สามารถรับแต่งานที่มี “อิทธิพล” โดดเด่นสะดุดตาได้
คำว่า “IQ มีการแจกแจงแบบปกติ” เพิ่งชัดเจนขึ้นหลังจากเคยเห็นที่ไหนสักแห่ง แต่จริง ๆ แล้วไม่ใช่ว่า IQ มีการแจกแจงแบบปกติ หากแต่การแจกแจงถูกสร้างให้เป็นแบบนั้น
ถ้ามีโจทย์ IQ 1,000 ข้อ ก็ให้คนจำนวนมากลองทำ แล้วคัด 100 ข้อที่ทำให้เกิดการแจกแจงแบบปกติขึ้นมา นั่นคือวิธีสร้างแบบทดสอบ IQ
เรื่องนี้ไม่ได้ไร้เหตุผลเสียทีเดียว ถ้าเลือกคำถาม 100 ข้อที่ง่ายเกินไป ทุกคนก็จะเข้าไปอยู่ในหมวด “รู้ค่อนข้างมาก” ทำให้ข้อมูลมีน้อย จะทำให้เป็นการแจกแจงแบบสม่ำเสมอก็ได้ และยังอาจเป็นแบบทดสอบที่ไวและมีประโยชน์อยู่ แต่ถ้ากังวลเรื่องความแม่นยำของการทดสอบ การแจกแจงแบบปกติก็สะดวกกว่า เปอร์เซ็นไทล์ที่ 50 กับ 55 ไม่ได้ต่างกันมากนัก และโดยทั่วไปผู้คนสนใจความต่าง 5% ระหว่างเปอร์เซ็นไทล์ที่ 90 กับ 95 มากกว่า
เพียงแต่ดูเหมือนคนจะไม่ค่อยใส่ใจความต่างระหว่างเปอร์เซ็นไทล์ที่ 10 กับ 5 ซึ่งจริง ๆ แล้วอาจบ่งชี้การแจกแจงแบบพาเรโตได้ แต่ผมมองว่าน่าจะสะท้อนประเด็นเรื่องความสนใจทางสังคมมากกว่า อย่างไรก็ดี แม้จะเป็นประเด็นปลีกย่อย แต่ก็คล้ายกับสิ่งที่บทความนี้พูดถึงอยู่ดี
ถ้าการเพิ่มความสามารถของสมองที่จำเป็นในการไปจาก IQ 100 เป็น 130 คือ x การไปจาก 130 เป็น 170 อาจต้องใช้ 3x และการไปจาก 170 เป็น 171 อาจต้องใช้ 9x เมื่อเทียบกับฐาน 100
เพราะไม่มีค่าการวัดสติปัญญาแบบสัมบูรณ์ จึงจำเป็นต้องใช้สเกลเชิงสัมพัทธ์ และปรุงแต่งคะแนนให้เป็นการแจกแจงแบบปกติ
หากวันหนึ่งวิทยาการคอมพิวเตอร์พัฒนาไปถึงระดับที่สามารถตัดสินทางคณิตศาสตร์ได้ว่า สติปัญญาสัมบูรณ์ขั้นต่ำ ที่จำเป็นต่อการแก้ปัญหาเฉพาะอย่างคือเท่าไร นั่นจะเป็นความสำเร็จมหาศาล
แม้ควบคุมปัจจัยอย่างภูมิหลังทางเศรษฐกิจและสังคมแล้ว ก็ยังทำนายสิ่งเหล่านี้ได้ค่อนข้างแม่นยำ
วิธีที่แบบทดสอบถูกประกอบขึ้นโดยรวมแล้วเป็นคนละเรื่องกับว่าผลลัพธ์ทำนายสิ่งที่เราสนใจได้แม่นยำหรือไม่ IQ ถูกใช้เพราะ มันทำงานในฐานะเครื่องมือวัด
ถ้าคิดว่ามีเครื่องมือวัดที่ดีกว่า ก็เสนอออกมาแล้วรับรางวัลและคำชื่นชมมากมายได้เลย ตลอดหลายทศวรรษมีคนฉลาดจำนวนมากพยายามแล้ว แต่ยังไม่พบ
ถ้าอย่างนั้น เป็นไปได้ไหมว่าจะมีประชากรกลุ่มเล็ก ๆ ที่ทำคะแนนอยู่ระดับบนเมื่อดูทั้ง 1,000 ข้อ แต่เพราะข้อที่ถูกเลือกมา ทำให้ในแบบทดสอบ IQ สุดท้ายได้แค่ค่าเฉลี่ย? ถ้าเป็นอย่างนั้น ครั้งหน้าที่ต้องสอบ IQ ผมจะใช้เป็นข้ออ้างเลย แค่เจอการแจกแจงผิดแบบเท่านั้นเอง
ถ้าข้ออ้างแบบนี้มาจาก ข้อมูลเชิงประจักษ์ มากกว่าการใช้วาทศิลป์ล้วน ๆ ผมคงเชื่อได้มากกว่านี้ ดูเหมือนตรวจสอบได้พอสมควร และก็น่าจะมีข้อมูลผลิตภาพตามอุตสาหกรรมอยู่มากแล้ว
ต่อให้พรสวรรค์ของมนุษย์เป็นไปตามการแจกแจงแบบพาเรโต ซึ่งก็ยังไม่ชัดเจน คนที่บริษัทจ้างเข้ามาเป็นประชากรย่อยที่ถูกคัดเลือกจากประชากรทั้งหมด จึงมีแนวโน้มที่จะมีการแจกแจงต่างออกไปตามวิธีคัดเลือกและงานที่ทำ
การแจกแจงแบบง่าย ๆ เช่นนี้ไม่น่าจะนำไปใช้ทั่วไปได้กับทุกบริษัทและทุกอุตสาหกรรม ตัวอย่างเช่น การแจกแจงผลิตภาพของพนักงาน AWS หรือ Google ไม่มีทางเหมือนกับพนักงาน McDonalds หรือ Wal*Mart เพราะกระบวนการจ้างงานและลักษณะงานต่างกัน
ต้องเอาข้อมูลจริงภายในบริษัทและอุตสาหกรรมมาก่อน จึงค่อยเสนอข้ออ้างได้ ไม่อย่างนั้นก็ใกล้เคียงกับปราสาททรายที่ไม่มีฐานมั่นคง
อย่างน้อยผู้เขียนบทความนี้ หากอ่านเชิงอรรถ ก็เสนอหลักฐานทางสถิติหลายอย่างสนับสนุนความเชื่อของตน
IQ เป็นที่รู้กันว่ามีการแจกแจงแบบปกติ แต่ไม่ใช่เพราะ “สติปัญญา” ของมนุษย์มีการแจกแจงแบบปกติ หากเป็นเพราะนิยามไว้อย่างนั้น ตั้งแต่นิยามสติปัญญาก็ยากอยู่แล้ว
ถ้าดูเรตติ้ง Elo ในบอร์ดเกม แม้จะไม่นับว่ามันเป็นตัวแทนสติปัญญาที่แย่แค่ไหน มันก็ไม่ได้เป็นไปตามการแจกแจงแบบปกติ Elo ตั้งสมมติฐานการแจกแจงแบบปกติกับผลการแข่งขัน แต่ไม่ได้ตั้งกับการแจกแจงของประชากร
นี่เป็นหลักฐานที่ดีว่าความถนัดหรือทักษะในขอบเขตทางปัญญาไม่ได้มีการแจกแจงแบบปกติ แต่เท่าที่จำได้ ก็ไม่ได้เป็นแบบพาเรโตเช่นกัน
ผมคิดเสมอว่าควรทำให้ดีที่สุด และอย่างที่ Tyler Cowen พูดไว้ว่า ค่าเฉลี่ยจบลงแล้ว แต่โดยเฉพาะข้ออ้างนี้ ถ้ามี ข้อมูลเชิงประจักษ์ มารองรับก็คงดีกว่ามาก
สิ่งหนึ่งที่ผมชอบตอนทำงานที่ Netflix คือสมมติฐานตั้งต้นที่ว่า ทุกคนเป็น ผู้มีผลงานระดับสูงสุด หากไม่ใช่ผู้มีผลงานระดับสูงสุด ก็รับเงินชดเชยแล้วออกไป
อุปมาคือทีมกีฬา ในทีมกีฬาอาชีพมีทั้งผู้เล่นที่เก่งมากและผู้เล่นที่ยิ่งใหญ่ มีซูเปอร์สตาร์ด้วย แต่ถ้าอย่างน้อยไม่ได้เก่งมากจริง ๆ ก็อยู่ในทีมไม่ได้
ผลงานกับค่าตอบแทนถูกแยกออกจากกันโดยสิ้นเชิง และนั่นก็เป็นข้อดีอีกอย่าง การประเมินผลงานเป็นการประเมินแบบ 360 องศาจากเพื่อนร่วมงาน ส่วนค่าตอบแทนส่วนใหญ่ HR จะกำหนดจากต้นทุนการจ้างคนใหม่ แล้วปรับทุกคนขึ้นไปถึงระดับนั้น
อย่างน้อยที่ Netflix เมื่อ 10 ปีก่อน ก็ยากที่จะมองว่าผลงานมีการกระจายตัว เพราะทุกคนอยู่ใน 10% แรกของอุตสาหกรรม
อีกอย่าง ผมไม่เคยเห็นวิธีที่ดีในการวัดว่าใครเป็นผู้มีผลงานระดับสูงสุดและใครไม่ใช่ แม้ในบทบาทเดียวกัน แต่ละคนก็ถนัดไม่เหมือนกัน ในงานบางอย่าง Joe อาจเก่งที่สุด แต่ในงานอื่น Mary อาจเก่งที่สุดก็ได้ ผมมองว่าในงานความรู้ แทบเป็นไปไม่ได้ที่จะวัดสิ่งนี้อย่างเสถียรและเป็นภววิสัย
ถ้าจะเหน็บ Netflix เบา ๆ ในฐานะลูกค้า พวกเขาทำได้แย่มากกับพื้นฐานที่สุดของธุรกิจ นั่นคือการสร้างคอนเทนต์ที่ดี และโดยเฉพาะการไม่ยกเลิกคอนเทนต์ที่ดี ผมว่าจะไม่พูดว่าการไลฟ์สตรีมใหญ่ ๆ ล่าสุดมันเลวร้ายแค่ไหน แต่ก็พูดไปแล้ว
ลองทำการทดลองทางความคิดดู สมมติว่า Netflix กำลังโกหก และพนักงานจริง ๆ ไม่ได้อยู่ใน 10% แรกของอุตสาหกรรม สมมติว่าความจริงคือ Netflix จ่ายสูงกว่าค่าเฉลี่ยอุตสาหกรรมนิดหน่อย จึงดึงดูดคนที่เก่งกว่าค่าเฉลี่ยเล็กน้อย
แต่ถ้าทำให้พนักงานเหล่านั้นเชื่อว่าตนไม่ใช่แค่สูงกว่าค่าเฉลี่ย แต่เป็น ผู้เล่น NFL ระดับเอลีต พวกเขาก็จะรู้สึกว่าต้องทำงานเหมือนนักกีฬาระดับเอลีต Netflix จัดการอัตตาให้พนักงานทำงานนานกว่าและหนักกว่าอุตสาหกรรม
ข้อความว่า “มีแต่คนระดับอัจฉริยะ/นักกีฬาอาชีพเท่านั้นที่ทำงานที่นี่ได้” สร้างแรงจูงใจได้มากกว่า “ถ้าไม่ทำโอทีให้ตายเพื่อให้ถึงโควตา ก็โดนไล่ออก” มาก เพราะนี่คือการจัดการศักดิ์ศรีในตนเอง
ผมคิดว่าการทดลองทางความคิดนี้ใกล้ความจริงมากกว่าที่ Netflix หรือพนักงานที่หลงใหลในวัฒนธรรมนั้นยอมรับ วัฒนธรรม “นักกีฬาอาชีพ” ของ Netflix คือการชักจูงทางจิตวิทยาที่เป็นอันตรายต่อแรงงาน
จากประสบการณ์ของผม ในสภาพแวดล้อมองค์กร ป้ายกำกับแบบนี้มักเชื่อมโยงกับพลวัตทางสังคมและเซนส์ทางการเมือง มากกว่าผลลัพธ์จริง คนที่เครือข่ายในบริษัทอ่อนหรือไม่เข้าร่วมการเมืองภายใน อาจถูกตราหน้าว่าผลงานต่ำโดยไม่เกี่ยวกับผลงานจริง ส่วนคนที่เก่งเรื่องเน็ตเวิร์กในที่ทำงานอาจถูกมองว่าเป็นผู้มีผลงานระดับสูงสุด
การสัมภาษณ์ของบริษัทแบบนี้ก็มักตกอยู่ในรูปแบบที่เป็นปัญหา ผู้สัมภาษณ์โยนคำถามยาก ๆ ที่เพิ่งไปค้นมา หรือคำถามที่สอดคล้องกับความรู้เฉพาะทางแคบ ๆ จากการทำบทบาทเดิมมาหลายปี การสัมภาษณ์เชิงเทคนิคกลายเป็นเกมทายความรู้เฉพาะ แทนที่จะประเมินความสามารถในการแก้ปัญหา ความสามารถด้านวิศวกรรมในวงกว้าง หรือแนวคิดเรื่องผลงาน
พูดตรง ๆ มีกี่คนกันที่แยกความรู้สึกส่วนตัวออกจากการประเมินผลงานได้จริง ๆ ต่อให้มีกระบวนการประเมินที่มีโครงสร้าง หากผู้ประเมินไม่ชอบใครเป็นการส่วนตัว แต่คนนั้นทำงานยอดเยี่ยมอย่างสม่ำเสมอ เขาจะให้คะแนนสูงไหม?
ผมคิดว่าแรงงานกับทุนก็ควรแข่งขันกันแบบนี้แหละ แต่ถ้าจะให้เป็นไปได้จริง อาจต้องทำให้การปฏิบัติทางภาษีอยู่ในระดับเดียวกัน
ข้อมูลและแนวคิดน่าสนใจ และก็สอดคล้องกับประสบการณ์เชิงเกร็ดเล็กเกร็ดน้อยของผมที่เคยเจอในฐานะเพื่อนร่วมงานที่ BigCo
แต่จากประสบการณ์ของผม การประเมินผลงานพนักงาน ใกล้เคียงกับการเมืองมากกว่าข้อมูล
สุดท้ายแล้ว ผู้บริหารจำนวนมากใน BigCo ทุกวันนี้ต้องการโควตาเลิกจ้าง 10% เป็นอาวุธหรือเป็นวิธีลดคนแบบนุ่มนวล และ “ข้อมูล” ก็ทำหน้าที่เป็นใบมะเดื่อที่ทำให้เรื่องนั้นเกิดขึ้นได้ ถ้ามองในแง่ดี มันถูกมองเป็นกลไกที่บังคับให้ผู้จัดการต้องหาให้เจอ แม้องค์กรจะไม่มีผู้มีผลงานต่ำก็ตาม ไม่ว่าแบบไหน สุดท้ายก็ไม่มีฐานอะไรนอกจากอคติยืนยันความเชื่อของตนเอง
ความเข้มงวดของการประเมินผลงานแทบจะผูกอยู่กับทิศทางของบริษัทและสภาพตลาดแรงงาน ช่วงเวลาที่ดีราวปี 2021 แม้แต่บริษัทที่เคยมีความคาดหวังด้านผลงานแน่นมากก็ผ่อนคลายข้อกำหนดลง
ดูเหมือนเป็นข้ออ้างลอย ๆ ที่จัดวางมาอย่างดี เพราะข้ามประเด็นหลักที่สนใจอย่าง ผลงานพนักงาน ไปแบบคร่าว ๆ ถ้าไม่ให้นิยามสิ่งนั้น ก็ไม่รู้ว่ากราฟกำลังแสดงอะไร
ผมเคยทำโมเดลเรื่องนี้ที่งานก่อนหน้า และสรุปว่าเพราะข้อผิดพลาดในการวัดและผลของการคัดกรองพนักงานในแต่ละปี วิธี rank-and-yank แบบ Welch จึงนำไปสู่การเลิกจ้างแบบแทบจะสุ่มในทางปฏิบัติ
ผลงานคือ “การทำให้สิ่งที่บริษัทให้รางวัลในกระบวนการประเมินผลงานมองเห็นได้”
ในทางทฤษฎี แต่ละบทบาทในบริษัทควรมีรายการความสำเร็จที่คาดหวังไว้อย่างชัดเจน น่าเสียดายที่บ่อยครั้งไม่เป็นเช่นนั้น
อย่างไรก็ดี สิ่งที่พูดถูกคือ ความเป็นอัตวิสัยของผลงาน และการไม่มีมาตรวัดเชิงตัวเลขที่ชัดเจน คือความยากของกระบวนการทั้งหมด
จำนวนเงินที่ผู้จัดการยอมแมตช์ให้คือคุณค่าที่บริษัทรับรู้ สิ่งที่บริษัททำจริง ๆ คือจะยอมแมตช์ข้อเสนอหรือไม่ เป็นสิ่งที่รู้ได้ชัดเจน และพฤติกรรมนั้นก็สื่อถึง คุณค่าต่อบริษัท ไม่ว่าใครจะพูดอะไรในฤดูกาลประเมินผลงานก็ตาม
ประเด็นนี้ควรย้ำต่อไป เผื่อว่าจะมีสักกี่คนได้ยิน แต่เรื่องผลงานของพนักงานยังมีปัญหาสำคัญอีกอย่างหนึ่ง หากจะแบ่งโบนัสกัน ภายใต้สมมติฐานว่าสามารถวัดได้อย่างแม่นยำ ผลงานในหนึ่งปี อาจเป็นเกณฑ์ที่ใช้ได้
แต่การรักษาพนักงานไว้และการเลื่อนตำแหน่งคือการทำนายผลงานในอนาคต และอาจต้องทำนายไปถึงผลงานในบทบาทงานที่หลากหลายด้วย เรื่องนี้ยากกว่ามากและไม่ได้สะท้อนอยู่ในผลลัพธ์ของ 1 ปีที่ผ่านมาได้ดีนัก
ในวงการกีฬาก็เกิดเรื่องแบบนี้บ่อย ๆ ผู้เล่นบางคนทำผลงานดีในปีหนึ่งจนได้สัญญาระยะยาวมูลค่ามหาศาล แต่หลังจากนั้นกลับฟอร์มตก ในทางกลับกัน NBA Golden State Warriors ซึ่งเป็นหนึ่งในราชวงศ์ที่ดีกว่าในรอบ 10 ปีที่ผ่านมา สามารถรั้งหนึ่งในผู้เล่นที่ยิ่งใหญ่ที่สุดในประวัติศาสตร์ไว้ได้ด้วยค่าตอบแทนต่ำ เพราะช่วงต้นอาชีพเขาเจ็บข้อเท้าหลายครั้งจนทีมอื่น ๆ กลัว
ผลงานปีเดียวไม่ได้สะท้อนความสามารถเฉลี่ยที่แท้จริงของคนคนนั้นเสมอไป และเมื่อการเลื่อนตำแหน่งกับระดับความรับผิดชอบเปลี่ยนไป ตำแหน่งของเขาใน การแจกแจงแบบพาเรโต ก็ไม่น่าจะเหมือนเดิมด้วย
ในมุมบริษัท หากต้องการได้ข้อมูลที่ใช้กับการคาดการณ์ระยะยาวได้ อาจต้องรักษาทุกคนไว้ให้อย่างน้อย 5 ปี และให้รับผิดชอบงานหลากหลายระหว่างนั้น
โดยเฉพาะบริษัทเทคโนโลยีที่มักประเมินการเลื่อนตำแหน่งและขึ้นเงินเดือนจากงานในครึ่งปีที่ผ่านมา ไม่ใช่จากรูปแบบความสำเร็จซ้ำ ๆ ในงานและบริบทที่หลากหลายตลอดหลายปี และแม้แต่แบบนั้นก็ต้องอยู่ในทีมที่ถูกต้อง งานที่ถูกต้อง จังหวะที่ถูกต้อง และภายใต้ผู้นำที่ถูกต้อง ถึงจะได้เลื่อนตำแหน่ง
ด้วยเหตุนี้คนที่ทำผลงานยอดเยี่ยมจึงย้ายไปที่อื่น คนทำความสะอาด คนดูแลบำรุงรักษา และนักดับเพลิง ขององค์กรทำให้บริษัทเดินหน้าได้อย่างมีประสิทธิภาพ แต่ไม่ได้รับรางวัล ความเคารพ หรือการยอมรับจากผู้นำอย่างเหมาะสม ผู้นำมองคนเหล่านี้ว่าเป็น “ผู้มีผลงานไม่ดี” และไม่เข้าใจความสำคัญของการมีคนเก่งทำงานในโปรเจกต์ที่ไม่ได้โดดเด่น
คนที่ได้ประโยชน์จากการประเมินผลงานมีเพียงผู้ถือหุ้นที่ราคาหุ้นพุ่งตอนมีการปลดคน กับคนที่เล่นเกมกับระบบเพื่อเป้าหมายทางการเมืองของตัวเองเท่านั้น คนเก่งระดับสูงสุดมักไม่รุ่งในระบบแบบนี้ เพราะพวกเขามัวทำงานที่มีความหมายและสำคัญจริง ๆ
https://www.essentiallysports.com/nba-active-basketball-news...
https://marginalrevolution.com/marginalrevolution/2024/08/go...
บทความนี้ไม่ค่อยน่าเชื่อถือเท่าไร ผู้เขียนเองก็ยอมรับเหตุผลข้อหนึ่งอยู่แล้ว
ในบริษัทขนาดใหญ่มีคนผลงานต่ำ ทุกคนเคยเห็น และผู้เขียนบอกว่ามองคนเหล่านั้นว่าเป็นความผิดพลาดในการจ้างงาน แต่ก็กล่าวว่าไม่มีหลักฐานชัดเจนว่าสัดส่วนหนึ่ง ๆ เป็นความผิดพลาดในการจ้างงาน
แต่เราคาดหวังได้ว่ามีสัดส่วนหนึ่งของ ความผิดพลาดในการจ้างงาน และมันไม่ใช่เรื่องแบบสองขั้ว แต่เป็นสเปกตรัมต่อเนื่อง ยังมีปัจจัยอื่นอีกมาก เช่น คนที่ตอนจ้างเข้ามาดีมาก แต่หมดความสนใจแล้วทำไปวัน ๆ หรือหมดไฟ, คนที่การเลื่อนตำแหน่งหรือโยกย้ายไม่เหมาะ จนทำได้ไม่ดีในระดับหรือบทบาทใหม่
ตรงนี้การแจกแจงแบบพาเรโตไม่ได้เกี่ยวข้องมากนัก กระบวนการจ้างงานไม่ได้พยายามดึงชิ้นส่วนของตลาดแรงงานทั้งหมดที่มีเส้นตัดชัดเจนมาใช้ แต่เป็นการพยายามทำให้ผลงานที่ได้จากเงินเดือนระดับหนึ่งสูงสุดสำหรับแต่ละตำแหน่ง และไม่มีเหตุผลว่าทำไมข้อผิดพลาดในการประเมินผลงานต่ำหรือสูงเกินไปจึงจะไม่ค่อนข้างสมมาตร
เมื่อดูจากการที่มีปัจจัยหลายอย่างพัวพันกัน การแจกแจงปกติ จึงเป็นสมมติฐานที่สมเหตุสมผลกว่ามากเมื่อเทียบกับสมมติฐานว่าตัดเอาส่วนหนึ่งของการแจกแจงแบบพาเรโตมา
การที่ A ไม่ชอบ B ไม่ได้หมายความว่า A หรือ B ไม่เหมาะจะทำงานในบริษัท แต่โดยทั่วไปมันมักลงเอยด้วยการที่ลูกน้องถูกทำให้ดูเหมือนเป็นผู้มีผลงานต่ำ หรือไม่ได้รับทรัพยากรที่จำเป็นต่อการสร้างผลงาน
บทความนี้เหมือนกำลังพูดว่า “ถ้าวัดผลงานพนักงานแล้วพบว่าเข้ากับ การแจกแจงแบบพาเรโต ได้ดีกว่าการแจกแจงปกติ คงจะเจ๋งดีใช่ไหม?”
มันเจ๋งตรงไหน? เราสามารถตั้งสมมติฐานถึงนัยของเรื่องที่ไม่น่าจะเกิดขึ้นสารพัดอย่างได้ แต่โดยส่วนตัว ผมคิดว่าถ้า P = NP คงจะเจ๋งกว่ามาก
แยกกันอีกเรื่อง การถูกเลิกจ้างเป็นเรื่องเจ็บปวด และการถูกเขี่ยออกทั้งที่เป็นคนผลงานสูงยิ่งเจ็บปวดยิ่งกว่า ความจริงคือ “วิทยาการข้อมูล” ไม่ได้ช่วยให้รับมือกับความเศร้าได้เหมือนการอ่าน Dostoevsky ดังนั้นต่อให้ทำงานเป็นนักพัฒนาซอฟต์แวร์ การได้ A ในวิชาการศึกษาทั่วไปก็อาจมีคุณค่า
ในฐานะพนักงาน วิธีที่เราคาดหวังต่อ การจัดการผลการปฏิบัติงาน มาจากระบบการให้เกรดในโรงเรียน
น่าสนใจที่เกรดในโรงเรียน โดยเฉพาะวิชาที่ง่าย มักไม่ได้เป็นไปตามการแจกแจงปกติ ในคาบพลศึกษาของผม ผมคิดว่ามากกว่า 95% น่าจะได้ A ส่วนในวิชาเคมีอินทรีย์ น่าจะมีเพียง 5–10% ที่ได้ A
เช่นเดียวกัน งานบางตำแหน่งก็ทำให้ดีได้ง่ายกว่ามาก
ดังนั้นโดยพื้นฐานแล้ว เราควรคาดได้ว่าพนักงานธุรการทุกคนสามารถมีผลงานที่ “ยอดเยี่ยม” ได้ กล่าวคือทำทุกอย่างที่ได้รับมอบหมายสำเร็จทั้งหมด ในทางกลับกัน คนที่มีขอบเขตความรับผิดชอบสำคัญกว่านั้น แค่ทำผลงานได้สูงกว่าค่าเฉลี่ยเล็กน้อยก็อาจมีความหมายต่อบริษัทมากกว่า 10 เท่า
ตัวอย่างเช่น ถ้าผมรับผิดชอบโปรเจกต์ที่ต้องร่วมงานกับแผนก X เป็นจำนวนมาก แต่แผนก X มีงานล้นมืออยู่แล้ว งานของฝั่งนั้นจึงเสร็จไม่ทันเวลา ทำให้ผลงานของผมแย่ลง การสื่อสารไปกลับแต่ละครั้งกินเวลาครึ่งสัปดาห์ และผมต้องใช้เวลาครึ่งหนึ่งไปอย่างไร้ประสิทธิผลโดยไม่ใช่ความผิดของผมเอง ในทางกลับกัน ฝั่งนั้นอาจมีประสิทธิผล 110% แต่กำลังทำให้องค์กรโดยรวมลุกเป็นไฟอยู่ก็ได้ ถ้าดูแค่ตัวชี้วัดนั้น ก็ควรไล่ผมออกแล้วเพิ่มคนให้แผนก X แต่ในความเป็นจริง อาจแค่ต้องจ้างคนเพิ่มให้ฝั่งนั้นหรือปรับโครงสร้างแผนกก็ได้
อีกความต่างคือ ในโรงเรียน นักเรียนมักได้รับงานที่เหมือนกันหรือเทียบเคียงกันได้ ที่งานปัจจุบัน ในฐานะ คนรับผิดชอบปัญหายาก ผมมั่นใจว่าเป็นไปไม่ได้เลยที่จะเปรียบเทียบงานของผมกับเพื่อนร่วมงานที่จัดการปัญหาทั่วไป มันไม่ใช่กีฬาชนิดเดียวกันด้วยซ้ำ ถ้าไม่เข้าใจโดเมนของปัญหาเลย จะเริ่มเปรียบเทียบ productivity กันจากตรงไหนได้