Hiệu suất nhân viên có thực sự tuân theo phân phối Gaussian?
(timdellinger.substack.com)- Quản trị hiệu suất kiểu Fortune 500 dựa vào giả định Gaussian rằng hiệu suất nhân viên phân bố theo hình chuông, nhưng nếu hiệu suất gần với phân phối Pareto hơn thì cơ sở của đánh giá phân phối cưỡng bức sẽ bị lung lay
- Bài viết kết hợp lý thuyết tiền lương theo năng suất cận biên, theo đó tiền lương gắn với giá trị kỳ vọng của nhân viên, với tính chất Pareto của phân phối tiền lương ở Mỹ để lập luận rằng hiệu suất trong cùng một dải lương cũng có thể phân bố bất đối xứng
- Theo góc nhìn Pareto, không tự nhiên xuất hiện 10% thấp nhất phải bị cắt bỏ mỗi năm, và khoảng 65% nhân viên có hiệu suất thấp hơn mức kỳ vọng ở trung vị của dải lương
- Người có hiệu suất thấp nên được xem là ngoại lệ như sai sót tuyển dụng hơn là nhóm phải bị loại theo tỷ lệ cố định, và trong cùng một dải lương thì người có hiệu suất thấp phổ biến gấp 3 lần người có hiệu suất cao
- Hệ thống quản trị hiệu suất cần xem xét cả chi phí sa thải và tuyển thay thế, việc đạt mục tiêu, thiên lệch đánh giá, ảnh hưởng của quản lý và biến động hiệu suất theo thời gian; việc sa thải hằng năm theo phân phối cưỡng bức thiếu cơ sở thống kê
Vì sao giả định Gaussian bị lung lay
- Nhiều tập đoàn lớn đánh giá hiệu suất nhân viên mỗi năm để quyết định thưởng, thăng cấp và khả năng tiếp tục được tuyển dụng
- Cách quản trị hiệu suất điển hình bao gồm quy trình xếp nhân viên vào vitality curve
- Cách làm của General Electric đầu thập niên 1980 thường được trích dẫn với mô hình 10-70-20
- 20% đứng đầu nhận thưởng tài chính, còn 10% cuối là đối tượng bị loại bỏ
- Giả định ngầm của cách làm này là hiệu suất nhân viên tuân theo đường cong chuông Gaussian
- Cũng có những yếu tố gợi đến giả định Gaussian
- IQ, tính tận tâm trong Big Five và chiều cao đều tuân theo phân phối Gaussian và có thể có giá trị dự báo với hiệu quả công việc
- Tổng hoặc tổ hợp của nhiều biến Gaussian cũng có thể là Gaussian
- Nhưng khó có thể cho rằng nhân viên đang nhận lương doanh nghiệp bao gồm cả phần đáy của toàn bộ đường cong hiệu suất, và tính đối xứng rằng cứ mỗi nhân viên tạo ra tác động dương lớn thì lại có một nhân viên tạo ra tác động âm lớn tương đương cũng không phù hợp với kinh nghiệm thực tế
Nhìn hiệu suất nhân viên qua phân phối Pareto
- Nếu nhìn tác động của nhân viên bằng giá trị dollar, có thể liên hệ giữa lý thuyết tiền lương theo năng suất cận biên và phân phối tiền lương
- Lý thuyết tiền lương theo năng suất cận biên cho rằng số tiền công ty sẵn sàng trả cho một nhân viên về bản chất gắn với giá trị mà họ kỳ vọng từ nhân viên đó
- Trong vi kinh tế học, phân phối tiền lương đôi khi được xử lý như phân phối Pareto, mang đặc tính của phân phối luật lũy thừa
- Nếu tiền lương mà các nhà tuyển dụng tại Mỹ trả trong cùng một dải lương tạo thành phân phối Pareto ở cấp tổng thể, thì hiệu suất nhân viên cũng có thể phân bố theo cùng hình dạng đó
- Mức lương tối thiểu và tối đa hiển thị trong tin tuyển dụng của doanh nghiệp là manh mối để ước lượng quy mô dải lương
Hàm ý thực tiễn của đánh giá phân phối cưỡng bức
- Theo góc nhìn phần trăm vị Pareto, không có 10% thấp nhất cực đoan nào tự nhiên tách ra như trong góc nhìn Gaussian
- 10% thấp nhất không khác biệt nhiều so với 10% kế tiếp
- Không thấy một ngưỡng cắt rõ ràng để loại bỏ nhân viên “thấp nhất”
- Khoảng 65% nhân viên có hiệu suất dưới mức chuẩn gắn với mức kỳ vọng ở trung vị của dải lương
- Người có hiệu suất thấp vẫn tồn tại trong các tập đoàn lớn, nhưng nên được xem là sai sót tuyển dụng hơn là một tỷ lệ thấp tất yếu của phân phối
- Cần xử lý sai sót tuyển dụng, nhưng khó có thể nói rằng chúng luôn cố định ở một tỷ lệ nhất định
- Cách làm buộc cả những quản lý tuyển người tốt cũng phải cắt giảm nhân sự có thể là vấn đề
- Tỷ lệ được nhận thưởng thêm cũng không hiện ra rõ ràng trên đồ thị Pareto
- Nhóm 35% đứng đầu có hiệu suất cao hơn mức kỳ vọng ở trung vị lương có thể là điểm khởi đầu
- Cách chia thưởng “good - better - best” chi tiết hơn công thức gốc của GE có vẻ hợp lý
- Ứng viên thăng chức nên được xem là ngoại lệ hơn là một vùng tự nhiên trong phân phối chung
- Họ có thể đang bị trả thấp hơn giá trị thực ngay cả ở phần trên của dải lương hiện tại
- Thăng chức được xử lý như một cách giải quyết những kém hiệu quả nhỏ của thị trường
Giới hạn của sa thải và tuyển thay thế
- Trong cùng một dải lương, người có hiệu suất thấp phổ biến gấp 3 lần người có hiệu suất cao
- Kỳ vọng kiểu Gaussian rằng sa thải 10% cuối sẽ giúp tuyển được người tốt hơn rất nhiều là không chính xác
- Nhân sự thay thế có xác suất cao nhất chưa chắc tốt hơn đáng kể so với nhân viên bị sa thải
- Không tồn tại một nhóm 10% cuối nội tại phải bị loại bỏ mỗi năm
- Nên để quản lý nhận diện sai sót tuyển dụng khi họ thấy có thể cải thiện đội ngũ, thay vì áp chỉ tiêu tỷ lệ dựa trên giả định thống kê sai
Những yếu tố còn thiếu trong thiết kế hệ thống quản trị hiệu suất
-
Giám sát
- Hệ thống ra quyết định dựa trên thống kê vốn rất tốn kém cần được giám sát để xem có đạt mục tiêu và tiếp tục hoạt động hiệu quả theo thời gian hay không
- Những câu hỏi cần kiểm tra gồm:
- Công ty có đang phân loại con người một cách thiếu chính xác không
- Quản lý có đang tuyển “vật tế thần” để bảo vệ những thành viên có giá trị trong nhóm không
- Có khác biệt hiệu suất thực sự giữa người bị sa thải và người được giữ lại không
-
Phân tích chi phí theo lý thuyết quyết định
- Bản thân quy trình quản trị hiệu suất đã tốn rất nhiều thời gian và công sức
- Nếu sa thải 10% nhân sự, công ty sẽ phát sinh các chi phí như trợ cấp thôi việc
- Tuyển thay thế cũng rất tốn kém; tổng chi phí toàn bộ quy trình tuyển dụng có thể xem xấp xỉ một năm lương
- Về mặt thống kê, nhân viên mới được tuyển có thể ở lại công ty từ 3 đến 5 năm
- Cần cân nhắc liệu phần tăng hiệu suất có lớn hơn chi phí của toàn bộ quy trình hay không, và liệu một hệ thống quản trị hiệu suất ít khắc nghiệt hơn có tốt hơn không
-
Góc nhìn theo trục thời gian
- Quản trị hiệu suất thường là ảnh chụp nhanh theo từng năm
- Nếu một nhân viên xuất sắc suốt 3 năm rồi sa sút trong 1 năm, cần quyết định xem có loại bỏ ngay hay đánh giá mức độ phù hợp dài hạn
-
Bất định của đối tượng đo lường
- Cần xác nhận rằng đánh giá hiệu suất có thực sự đo lường hiệu suất hay không
- Nếu một nhân viên có tỷ lệ thành công thấp vì được giao những nhiệm vụ khó nhất, thì đánh giá đó đang đo cách phân công dự án chứ không phải hiệu suất
- Nếu nhân viên hướng ngoại nhận đánh giá tốt hơn dù có cùng kết quả, thì đánh giá có thể đang đo đặc điểm tính cách và thiên lệch của quản lý chứ không phải hiệu suất
- Một yếu tố lớn của hiệu suất nhân viên có thể không phải năng lực hay nỗ lực, mà là việc quản lý có tạo ra điều kiện để họ thành công hay không
- Quản lý mới có thể kém tối ưu hơn trong việc giành được các “slot” hiệu suất có lợi cho cấp dưới trong chu kỳ đánh giá đầu tiên
- Trong trường hợp đó, đánh giá không chỉ phản ánh hiệu suất nhân viên mà còn phản ánh khả năng thuyết phục và vốn chính trị nội bộ của quản lý
Kết luận: trước khi sa thải 10% cuối, hãy kiểm chứng và tính chi phí
- Quản trị hiệu suất đang được nhiều tập đoàn lớn sử dụng trong năm 2024 gần như là một công nghệ cũ cần được cập nhật
- Nếu từ bỏ giả định Gaussian và thay bằng phân phối Pareto, sẽ không còn cơ sở thống kê để sa thải 10% thấp nhất mỗi năm
- Doanh nghiệp nên xem sai sót tuyển dụng là ngoại lệ và cân nhắc liệu việc sa thải 10% lao động mỗi năm có thật sự đáng giá hay không
- Vì chi phí của quản trị hiệu suất rất lớn, cần có giám sát và phân tích chi phí để đo xem hệ thống có đạt mục tiêu hay không
- Khi hệ thống quản trị hiệu suất hiện đại ra đời ở GE đầu thập niên 1980, có một giả định rằng nếu không mắc sai lầm lớn thì một người sẽ làm việc trọn đời ở cùng một công ty
- Sau 40 năm, nhân viên chuyển việc thường xuyên hơn, nên chỉ cần trao cho người có hiệu suất thấp một khoản thưởng nhỏ đến mức mang tính xúc phạm cũng có thể là một “cây gậy” đủ mạnh và lành mạnh hơn cho tất cả mọi người
Dữ liệu và tài liệu ủng hộ giả thuyết Pareto
- Dữ liệu từ đầu đến giữa thế kỷ 20 ủng hộ quan điểm rằng hiệu suất nhân viên không phải Gaussian
- Năm 1957, William Shockley phân tích các công bố khoa học và bằng sáng chế tại Los Alamos, Brookhaven và Bell Labs đầu thập niên 1950
- Kết luận là hiệu suất không phải Gaussian
- Theo lý thuyết cá nhân của ông, ông xem nó là phân phối log-normal; log-normal có thể có hình dạng gần giống Pareto
- Năm 1970, Clarence Zener cùng xem lại dữ liệu của Shockley, các dữ liệu công bố khác và mẫu 6.891 tác giả có tên bắt đầu bằng A hoặc B trong Chemical Abstracts giai đoạn 1907~1916
- Tranh luận xoay quanh Log-Normal và Pareto, nhưng điểm rõ ràng là câu trả lời không phải Gaussian
- Herman Aguinis xem xét dữ liệu từ thể thao, giải trí, chính trị và công bố trên các tạp chí Materials Science
- Ông cho rằng dữ liệu đúng về mặt định hướng nhưng chưa phải bộ dữ liệu mang tính quyết định
- Vì tập trung vào tổng sản lượng trọn đời, nó có thể phản ánh độ dài sự nghiệp nhiều hơn là sản lượng hằng năm
- Tài liệu hiện đại dường như gần như đã quên các bài của Zener và Shockley; các bài viết nói rằng “không phải Gaussian” bị đánh giá là thiếu đề xuất cụ thể về việc nên làm gì tiếp theo
Các giả định tính toán và tác dụng phụ của phân phối cưỡng bức
-
Dải lương và tham số phân phối
- Dải lương trong tin tuyển dụng của doanh nghiệp cung cấp khoảng tối thiểu và tối đa
- Mức tối thiểu của dải lương nói chung có xu hướng bằng khoảng 0.65 lần mức tối đa
- Ví dụ dải lương 78.1 → 121.2 có thể được xem là lấy 100 làm trung tâm và min/max = 0.65
- Alpha của Pareto dùng giá trị 1.75 để khớp với dữ liệu lương cá nhân tại Mỹ
- Có thể đối chiếu chéo bằng hệ số Gini thu nhập cá nhân ở Mỹ thường được trích dẫn là 0.4 và công thức
G = 1/(2a-1) - Trong so sánh Gaussian, biên ngoài của dải lương được giả định là 3 sigma
- Dùng 2.5 sigma cũng cho kết quả tương tự
- Ở kịch bản 3 sigma thì 7.06, còn ở kịch bản 2.5 sigma thì 8.48 phù hợp với dải lương 100 ± 21.2
- Biểu đồ được tạo với n=25,000
- Vì phân phối Pareto là bất biến theo tỷ lệ và tự đồng dạng nên giá trị trung tâm 100 chỉ là tùy ý; điều quan trọng là tỷ lệ độ rộng của dải lương
-
“rolling up” và phân loại sai
- Thực hành gộp nhiều nhóm đánh giá nhỏ với kỳ vọng toàn cục sẽ khớp công bằng với phân phối cưỡng bức là điều có thể kiểm chứng bằng mô phỏng
- Bài viết thực hiện mô phỏng với giả định hiệu suất nhân viên tuân theo phân phối Gaussian và quản lý đánh giá hiệu suất một cách hoàn hảo như phép màu
- Thứ hạng hiệu suất được tạo ra chính xác
- Dùng ngưỡng Welch GE là 10% thấp nhất và 20% cao nhất
- Với mỗi kích thước cohort, mô phỏng 32 lần đánh giá hiệu suất hằng năm
- Tính tỷ lệ nhân viên lẽ ra được vào hạng cao hơn nếu dùng tiêu chuẩn khách quan nhưng lại rơi vào hạng thấp hơn theo cách rank-and-chop
- Bất kể kích thước cohort, khoảng 2.5% có khả năng bị phân loại sai một cách bất công, và ngay cả khi cohort có hàng trăm người thì mức 5% phân loại sai vẫn thường xuyên xuất hiện
- Nếu tính cả những nhân viên được xếp sai theo hướng có lợi, tỷ lệ phân loại sai xấp xỉ gấp đôi
1 bình luận
Các ý kiến trên Hacker News
Lập luận rằng quản lý hiệu suất kiểu doanh nghiệp lớn năm 2024 là một công nghệ lỗi thời cần được cập nhật có vài sai lầm căn bản
Thứ nhất, nó giả định rằng nhân viên được trả công tương ứng với số tiền họ “cá nhân” kiếm về cho công ty, nhưng nhà tuyển dụng lại tìm cách tận dụng các điều kiện như bất cân xứng thông tin và phân phối chuẩn để trả mức thù lao tối thiểu trong khả năng chấp nhận được. Khó có thể kỳ vọng sự công bằng, và nếu nói thẳng điều đó thì tinh thần sẽ sa sút, nên họ hành động theo kiểu để nhân viên không biết, đồng thời thu thập lịch sử thù lao qua các kênh như Work Number
Thứ hai, nó giả định rằng công ty luôn muốn tinh gọn bằng cách cắt bỏ 5% cuối bảng, nhưng trên thực tế năng suất tổng hợp quan trọng hơn ngôi sao cá nhân. Nhân viên vệ sinh hay nhân viên quán cà phê trực tiếp tạo ra bao nhiêu doanh thu? Kỹ thuật cũng vậy: phải có người làm những việc không nổi bật; nếu không, công ty sẽ trở thành một tổ chức hỏng hóc chỉ có nhân tài xuất sắc trên giấy
Nói thêm, có một biểu đồ nổi tiếng cho thấy tổng năng suất lao động và thu nhập trung bình cùng tăng cho đến thập niên 1970 rồi sau đó tách rời. Trong 50 năm qua, cả ở tầm vĩ mô lẫn vi mô, năng suất vẫn tiếp tục tăng, nhưng thu nhập thì phẳng hơn nhiều
Nếu cắt 5% cuối của tổ chức, tức trong trường hợp của tôi là 2–3 kỹ sư, có thể tôi sẽ không được bổ sung lại. Để làm hài lòng bộ phận tài chính, có thể phải hạ L5 xuống L4, hoặc tuyển ở nước ngoài, hoặc chuyển nhân viên chính thức thành hợp đồng
Ngoài ra còn phải chuẩn bị cho cắt giảm nhân sự (RIF), nên nếu có sẵn 5% cuối bảng có thể nêu tên ngay thì sẽ có lợi khi cấp trên nói “đưa tên đây”. Vì vậy, giá trị thời gian của các kỹ sư đang được phân bổ hiện tại cao hơn nhiều so với vài tháng sau. Việc quản lý chủ động cho người ra đi làm các nhà quản lý hài lòng nên giá trị đó không về 0, nhưng hiện giờ rõ ràng là ngay cả người hiệu suất thấp cũng cần thiết
Nếu có một phương pháp kỳ diệu để theo dõi chính xác năng suất, rất có thể ta sẽ thấy bức tranh gần với định luật Price hoặc phân phối Pareto, như bài viết nói rằng 20% người lao động tạo ra 80% kết quả. Nhưng điều đó không có nghĩa là 80% còn lại là không cần thiết, và điểm này liên hệ với luận điểm thứ hai
Trả cho nhân viên đúng bằng những gì họ “kiếm về” cho công ty không phù hợp với một hệ thống kinh tế nơi công ty muốn tạo lợi nhuận. Trả công “đúng mức đáng nhận” theo đóng góp cũng có thể không phải là điều đáng mong muốn. Dường như ngay trong công ty cũng sẽ xuất hiện cùng động lực bất bình đẳng thu nhập
Ở các doanh nghiệp lớn có hiệu ứng bình quân hóa. Đóng góp cá nhân được bình quân hóa, nhưng trách nhiệm cũng vậy. Điều này tốt hay xấu tùy mỗi người, và tôi cho rằng Paul Graham đã giải thích rất hay trong bài viết về nơi làm việc là gì và vì sao một số người thích startup hơn
[1] https://www.kienbaum.com/blog/prices-law-and-the-trouble-of-...
[2] https://paulgraham.com/wealth.html
Nếu họ đã áp dụng chính sách bắt buộc cắt giảm nhóm cuối bảng hoặc sa thải dựa trên thống kê đối với một nhóm chức năng cụ thể, hoặc dù che giấu nhưng trên thực tế đã làm như vậy, thì năm sau nên chặn phân bổ H1B cho nhóm chức năng đó
Điểm cốt lõi là nếu công ty đã kết luận rằng họ có thể sống được mà không cần X% nhân sự, thì họ không có quyền đưa lao động nước ngoài vào. H1B là cơ chế nhằm hỗ trợ các vị trí khó tuyển; nếu họ đang sa thải hoặc loại bỏ hàng loạt, điều đó có nghĩa là rõ ràng có thể tìm được người để lấp các công việc đó
Chẳng hạn, một người bạn của tôi được giao triển khai một tính năng; nếu là ứng dụng độc lập thì việc đó mất 1–2 tuần, nhưng trong đội trình duyệt lại mất 2 năm vì các edge case và việc điều phối giữa các ủy ban tiêu chuẩn. Ai cũng nghĩ đó là việc 1–2 tuần là xong, nên dù nằm ngoài tầm kiểm soát của anh ấy, anh ấy vẫn bị đánh giá xấu
Tôi cảm thấy cần có sự cân bằng. Có những siêu sao, và trong đánh giá đồng nghiệp cũng có thể dễ dàng chỉ ra họ. Nhưng chúng ta là một đội, có rất nhiều việc phải làm, và không phải ai cũng có thể chỉ nhận những việc “có ảnh hưởng” dễ thấy
Câu “IQ có phân phối chuẩn” chỉ trở nên rõ ràng với tôi sau khi đọc ở đâu đó, nhưng thật ra không phải IQ vốn có phân phối chuẩn, mà là phân phối được tạo ra như vậy
Nếu có 1000 câu hỏi IQ, người ta cho nhiều người làm rồi chọn 100 câu tạo ra phân phối chuẩn; bài kiểm tra IQ được xây dựng kiểu đó
Điều này không phải vô lý. Nếu chọn 100 câu quá dễ, ai cũng rơi vào nhóm “biết khá nhiều”, nên lượng thông tin thu được thấp. Cũng có thể tạo ra phân phối đều, và nó vẫn có thể là một bài kiểm tra nhạy và hữu ích. Nhưng nếu lo về độ chính xác của bài kiểm tra thì phân phối chuẩn rất tiện. Phân vị 50 và phân vị 55 không khác nhau nhiều, còn mọi người thường quan tâm hơn đến chênh lệch 5% giữa phân vị 90 và 95
Tuy nhiên có vẻ người ta không mấy bận tâm đến khác biệt giữa phân vị 10 và phân vị 5; điều này thực ra có thể gợi ý phân phối Pareto, nhưng tôi nghĩ có lẽ nó phản ánh vấn đề về mối quan tâm xã hội nhiều hơn. Dù sao đây là chuyện bên lề, nhưng cũng khá giống điều bài viết đang nói
Nếu mức tăng năng lực não bộ cần để đi từ IQ 100 lên 130 là x, thì từ 130 lên 170 có thể cần 3x, còn từ 170 lên 171 có thể cần 9x so với mốc 100
Vì không có một thước đo tuyệt đối cho trí thông minh, ta buộc phải dùng thang đo tương đối và dựng phân phối chuẩn từ điểm số
Nếu một ngày nào đó khoa học máy tính phát triển đến mức có thể xác định bằng toán học mức trí thông minh tuyệt đối tối thiểu cần để giải một bài toán cụ thể, đó sẽ là một thành tựu khổng lồ
Ngay cả khi kiểm soát các yếu tố như nền tảng kinh tế - xã hội, nó vẫn dự đoán những điều này khá chính xác
Cách bài kiểm tra được cấu thành nhìn chung là vấn đề tách biệt với việc kết quả có dự đoán chính xác những thứ ta quan tâm hay không. IQ được dùng vì nó hoạt động như một công cụ đo lường
Nếu bạn nghĩ có công cụ đo lường tốt hơn, hãy đề xuất nó và nhận nhiều giải thưởng cùng lời khen ngợi. Trong nhiều thập kỷ, rất nhiều người thông minh đã thử, nhưng vẫn chưa tìm ra
Vậy có thể tồn tại một mảnh nhỏ dân số nằm trong nhóm cao ở toàn bộ 1000 câu hỏi, nhưng vì các câu được chọn mà lại ra mức trung bình trong bài kiểm tra IQ cuối cùng không? Nếu vậy, lần tới phải làm bài kiểm tra IQ, tôi sẽ dùng nó làm lý do bào chữa. Chỉ là gặp nhầm phân phối thôi
Tôi nghĩ sẽ thuyết phục hơn nếu lập luận như thế này xuất phát từ dữ liệu thực nghiệm thay vì chỉ là tu từ. Nó có vẻ hoàn toàn có thể kiểm chứng, và hẳn đã có rất nhiều dữ liệu năng suất theo ngành
Ngay cả nếu tài năng con người tuân theo phân phối Pareto thì cũng chưa rõ ràng; những người được công ty tuyển dụng là một tập con đã được chọn lọc của toàn bộ dân số, nên rất có thể có phân phối khác tùy theo cách tuyển chọn và nhiệm vụ
Những phân phối được đơn giản hóa như vậy có lẽ khó khái quát cho toàn bộ công ty và ngành. Ví dụ, phân phối năng suất của nhân viên AWS hay Google không thể giống nhân viên McDonalds hay Wal*Mart, vì quy trình tuyển dụng và tính chất công việc khác nhau
Chỉ sau khi lấy dữ liệu thực tế trong từng công ty và ngành thì mới có thể đưa ra lập luận. Nếu không, nó gần như một lâu đài cát không có nền móng vững chắc
Ít nhất tác giả bài này, nếu đọc các chú thích, có đưa ra nhiều căn cứ thống kê cho niềm tin của mình
IQ nổi tiếng là có phân phối chuẩn, nhưng không phải vì “trí thông minh” của con người có phân phối chuẩn, mà vì nó được định nghĩa như vậy. Ngay từ việc định nghĩa trí thông minh đã khó rồi
Nhìn vào điểm Elo trong board game, dù gác sang một bên việc nó là chỉ báo đại diện tệ cho trí thông minh, nó cũng không tuân theo phân phối chuẩn. Elo giả định phân phối chuẩn cho kết quả trận đấu, nhưng không giả định như vậy cho phân phối dân số
Đây là bằng chứng tốt cho thấy năng khiếu hay kỹ năng trong lĩnh vực trí tuệ không có phân phối chuẩn. Tuy nhiên tôi nhớ là nó cũng không phải Pareto
Tôi luôn nghĩ rằng nên cố hết sức, và như Tyler Cowen nói, thời của mức trung bình đã qua, nhưng riêng lập luận này sẽ tốt hơn nhiều nếu được hậu thuẫn bằng dữ liệu thực nghiệm
Một điều tôi thích khi làm ở Netflix là giả định mặc định rằng mọi người đều là người có hiệu suất cao nhất. Nếu không phải người có hiệu suất cao nhất thì nhận trợ cấp thôi việc rồi rời đi
Phép so sánh là một đội thể thao. Trong một đội thể thao chuyên nghiệp có cầu thủ rất giỏi và cầu thủ vĩ đại. Cũng có siêu sao, nhưng ít nhất nếu không thực sự chơi rất giỏi thì không thể ở trong đội
Hiệu suất và đãi ngộ được tách biệt hoàn toàn, và điểm đó cũng tốt. Đánh giá hiệu suất là đánh giá đồng cấp 360 độ, còn đãi ngộ chủ yếu do HR quyết định dựa trên chi phí tuyển mới rồi nâng mọi người lên mức đó
Ít nhất ở Netflix 10 năm trước, khó có thể xem hiệu suất là có phân bố; mọi người đều thuộc top 10% của ngành
Ngoài ra tôi chưa từng thấy cách nào tốt để đo lường ai là người có hiệu suất cao nhất và ai không. Ngay cả trong cùng một vai trò, mỗi người giỏi những thứ khác nhau; ở nhiệm vụ này Joe có thể là người giỏi nhất, nhưng ở nhiệm vụ khác Mary có thể là người giỏi nhất. Tôi cho rằng trong lao động tri thức, việc đo lường điều này một cách ổn định và khách quan gần như là bất khả thi
Nếu nói thêm một lời công kích nhẹ Netflix, thì từ góc nhìn khách hàng, họ làm rất tệ ở điều cơ bản nhất của kinh doanh là sản xuất nội dung hay, và đặc biệt là không hủy bỏ nội dung hay. Tôi đã nói là sẽ không nhắc đến việc các buổi livestream lớn gần đây tệ hại đến mức nào, nhưng rốt cuộc lại nói mất rồi
Thử một thí nghiệm tư duy: giả sử Netflix đang nói dối và nhân viên của họ thực ra không thuộc top 10% của ngành. Hãy giả sử thực tế là Netflix trả cao hơn trung bình ngành một chút nên thu hút được nhân tài trên trung bình một chút
Nhưng nếu khiến những nhân viên đó tin rằng họ không chỉ trên trung bình mà là cầu thủ NFL tinh hoa, họ sẽ cảm thấy mình phải làm việc như vận động viên tinh hoa. Netflix thao túng cái tôi để khiến nhân viên làm việc lâu hơn và chăm chỉ hơn so với mặt bằng ngành
Thông điệp “chỉ những thiên tài ở đẳng cấp vận động viên chuyên nghiệp mới có thể làm việc ở đây” tạo động lực hơn nhiều so với “nếu không làm thêm giờ đến chết để đạt chỉ tiêu thì sẽ bị sa thải”. Vì đây là thao túng lòng tự tôn
Tôi cho rằng thí nghiệm tư duy này gần với thực tế hơn những gì Netflix hay những nhân viên say mê văn hóa đó thừa nhận. Văn hóa “vận động viên chuyên nghiệp” của Netflix là sự thao túng tâm lý có hại cho người lao động
Theo kinh nghiệm của tôi, trong môi trường doanh nghiệp, những nhãn như vậy thường gắn với động lực xã hội và sự nhạy bén chính trị hơn là sản phẩm đầu ra thực tế. Người có mạng lưới nội bộ yếu hoặc không tham gia chính trị công sở có thể bị gắn nhãn hiệu suất thấp bất kể đóng góp thực sự, còn người giỏi networking nơi làm việc có thể được xem là người có hiệu suất cao nhất
Phỏng vấn ở những công ty kiểu này cũng thường rơi vào các khuôn mẫu có vấn đề. Người phỏng vấn đưa ra những câu hỏi hóc búa họ vừa tìm hiểu gần đây, hoặc những câu hỏi dựa trên kiến thức chuyên biệt hẹp mà họ có được sau nhiều năm làm cùng một vai trò. Phỏng vấn kỹ thuật trở thành trò chơi đoán đúng kiến thức cụ thể, thay vì đánh giá năng lực giải quyết vấn đề, năng lực kỹ thuật rộng và khái niệm về hiệu suất
Thành thật mà nói, có bao nhiêu người thực sự có thể tách cảm xúc cá nhân khỏi đánh giá hiệu suất? Ngay cả khi có quy trình đánh giá có cấu trúc, liệu người đánh giá có cho điểm cao một người họ không ưa về mặt cá nhân nhưng vẫn liên tục làm tốt công việc không?
Tôi nghĩ lao động và vốn có lẽ nên cạnh tranh theo cách này. Để điều đó khả thi, có lẽ cần san bằng cách đối xử về thuế
Dữ liệu và ý tưởng thì thú vị, và cũng khớp với trải nghiệm giai thoại của tôi khi làm đồng nghiệp ở BigCo
Nhưng theo kinh nghiệm của tôi, đánh giá hiệu suất nhân viên gần với chính trị hơn là dữ liệu
Rốt cuộc, nhiều lãnh đạo ở BigCo ngày nay muốn quota sa thải 10% như một vũ khí hoặc một cách giảm biên chế mềm, và “dữ liệu” đóng vai trò chiếc lá che đậy để biến điều đó thành hiện thực. Nhìn theo hướng tích cực, nó được xem như một cơ chế buộc quản lý phải tìm ra người có hiệu suất thấp ngay cả khi tổ chức không có ai như vậy. Dù theo cách nào thì cuối cùng cũng không có nền tảng nào ngoài thiên kiến xác nhận của chính họ
Mức độ nghiêm ngặt của đánh giá hiệu suất gần như gắn chặt với quỹ đạo của công ty và tình hình thị trường lao động. Vào khoảng năm 2021, khi thời thế còn tốt, ngay cả những công ty từng đặt kỳ vọng hiệu suất rất khắt khe cũng nới lỏng yêu cầu
Vì lướt qua mối quan tâm cốt lõi là hiệu suất nhân viên, bài này trông như một lập luận rỗng nhưng được trình bày tốt. Nếu không định nghĩa nó, ta không biết biểu đồ đang thể hiện điều gì
Tôi từng mô hình hóa việc này ở công ty trước, và kết luận rằng vì sai số đo lường cùng hiệu ứng sàng lọc nhân sự theo từng năm, rank-and-yank kiểu Welch về thực chất dẫn đến sa thải ngẫu nhiên
Hiệu suất là “việc làm cho những thứ công ty thưởng trong quy trình đánh giá hiệu suất trở nên nhìn thấy được”
Về lý thuyết, mỗi vai trò trong công ty nên có một danh sách rõ ràng về những thành tựu được kỳ vọng. Đáng tiếc là thường không phải vậy
Tuy nhiên, nói như vậy là đúng: tính chủ quan của hiệu suất và việc thiếu thang đo định lượng rõ ràng chính là khó khăn của toàn bộ quy trình
Số tiền mà quản lý sẵn sàng match chính là giá trị công ty nhận thức được. Ta có thể biết chắc công ty thực sự hành động thế nào, tức là có match offer hay không, và hành động đó hàm ý giá trị đối với công ty, bất kể ai nói gì trong mùa đánh giá hiệu suất
Điểm này đáng được nhấn mạnh liên tục với hy vọng dù chỉ vài người nghe, nhưng hiệu suất nhân viên còn có một vấn đề quan trọng khác. Nếu phân bổ bonus, với giả định rằng có thể đo lường chính xác, hiệu suất trong một năm có thể là một tiêu chí ổn
Nhưng giữ chân và thăng chức là việc dự đoán hiệu suất tương lai, và có lẽ còn phải dự đoán cả hiệu suất ở nhiều loại công việc khác nhau. Điều này khó hơn nhiều và không được phản ánh tốt trong kết quả của 1 năm vừa qua
Trong thể thao chuyện này cũng xảy ra thường xuyên. Có cầu thủ chơi tốt trong một năm rồi nhận hợp đồng dài hạn trị giá lớn, nhưng sau đó sa sút. Ngược lại, NBA Golden State Warriors, một trong những triều đại thành công hơn trong 10 năm qua, đã có thể giữ chân với mức thù lao thấp một trong những cầu thủ vĩ đại nhất lịch sử, nhờ việc anh ấy nhiều lần chấn thương mắt cá ở giai đoạn đầu sự nghiệp khiến các đội khác e ngại
Hiệu suất một năm không nhất thiết phản ánh năng lực trung bình thực sự của người đó, và khi được thăng chức cũng như mức độ trách nhiệm thay đổi, vị trí của họ trong phân phối Pareto cũng sẽ không giống nhau
Từ góc độ công ty, để có dữ liệu hữu ích cho triển vọng dài hạn, có khả năng phải giữ mọi người ít nhất 5 năm và trong thời gian đó giao cho họ nhiều loại nhiệm vụ khác nhau
Đặc biệt các công ty công nghệ có xu hướng đánh giá thăng chức và tăng lương dựa trên công việc nửa năm vừa qua, thay vì các mẫu hình thành công lặp lại qua nhiều năm, trong nhiều loại công việc và bối cảnh khác nhau. Ngay cả vậy, bạn cũng chỉ được thăng chức nếu ở đúng team, đúng việc, đúng thời điểm, dưới đúng lãnh đạo
Vì thế những người có hiệu suất xuất sắc rời sang nơi khác. Những người dọn dẹp, người bảo trì, lính cứu hỏa của tổ chức giúp công ty vận hành hiệu quả, nhưng không được lãnh đạo tưởng thưởng, tôn trọng hay ghi nhận đúng mức. Lãnh đạo coi họ là “người có hiệu suất kém” và không hiểu tầm quan trọng của việc để nhân tài xuất sắc làm trong những dự án không hào nhoáng
Những người hưởng lợi từ đánh giá hiệu suất chỉ là cổ đông khi giá cổ phiếu bật tăng lúc sa thải, và những người thao túng hệ thống vì mục đích chính trị của bản thân. Nhân tài hàng đầu thực ra không phát triển tốt trong những cơ chế này, vì họ đang làm những việc thực sự có ý nghĩa và quan trọng
https://www.essentiallysports.com/nba-active-basketball-news...
https://marginalrevolution.com/marginalrevolution/2024/08/go...
Bài này không thuyết phục lắm. Tác giả cũng đã thừa nhận một lý do
Ở các công ty lớn có những người hiệu suất kém, ai cũng từng thấy, và tác giả nói ông xem họ là lỗi tuyển dụng. Nhưng ông cũng nói không có bằng chứng rõ ràng rằng một tỷ lệ nhất định là lỗi tuyển dụng
Tuy nhiên, chúng ta có thể kỳ vọng một tỷ lệ nhất định các lỗi tuyển dụng. Và đó không phải là nhị phân, mà là một phổ liên tục. Còn nhiều yếu tố khác: người khi được tuyển thì rất giỏi nhưng mất hứng thú rồi làm cầm chừng hoặc kiệt sức, người không phù hợp sau khi được thăng chức hoặc chuyển vị trí nên không làm tốt ở cấp bậc hay vai trò mới, v.v.
Ở đây phân phối Pareto không liên quan nhiều. Quy trình tuyển dụng không phải là lấy một lát cắt của toàn bộ thị trường lao động với một ngưỡng cắt rõ ràng. Với bất kỳ vị trí nào, mục tiêu là tối đa hóa hiệu suất có thể đạt được ở một mức lương nhất định, và không có lý do gì để sai số đánh giá thấp/quá cao hiệu suất lại không tương đối đối xứng
Xét việc có nhiều yếu tố đan xen, phân phối chuẩn là giả định hợp lý hơn nhiều so với giả định rằng ta đã cắt lấy một phần của phân phối Pareto
Việc A không thích B không có nghĩa là A hay B không phù hợp để làm việc ở công ty, nhưng thường dẫn đến việc cấp dưới bị đóng khung là người hiệu suất kém hoặc không nhận được nguồn lực để tạo ra hiệu suất
Bài này về cơ bản đang nói: “Sẽ tuyệt chứ nếu đo hiệu suất nhân viên rồi thấy nó khớp với phân phối Pareto hơn là phân phối chuẩn?”
Điều đó có tuyệt không? Ta có thể giả định hệ quả của đủ thứ chuyện khó xảy ra. Nhưng cá nhân tôi nghĩ nếu P = NP thì còn tuyệt hơn nhiều
Riêng chuyện sa thải đã rất khổ sở, và càng khổ sở hơn nếu bạn là người hiệu suất cao mà vẫn bị đẩy ra. Sự thật là “data science” không giúp bạn xử lý nỗi buồn như khi đọc Dostoevsky. Vì vậy, ngay cả khi làm lập trình viên phần mềm, việc đạt điểm A trong giáo dục khai phóng vẫn có thể có giá trị
Với tư cách là nhân viên, cách chúng ta kỳ vọng về quản lý hiệu suất bắt nguồn từ hệ thống điểm số ở trường học
Điều thú vị là điểm số ở trường thường không tuân theo phân phối chuẩn, đặc biệt trong các lớp dễ. Trong lớp thể dục của tôi, có lẽ hơn 95% có thể nhận điểm A, còn trong lớp hóa hữu cơ thì có lẽ chỉ 5–10% nhận được A
Tương tự, có những công việc dễ làm tốt hơn rất nhiều
Vì vậy, trên thực tế, nên kỳ vọng rằng mọi vị trí hành chính đều có thể thể hiện hiệu suất “xuất sắc”. Tức là họ hoàn thành thành công mọi việc được yêu cầu. Ngược lại, với những người có phạm vi trách nhiệm quan trọng hơn, chỉ cần hiệu suất nhỉnh hơn trung bình một chút cũng có thể mang lại ý nghĩa gấp 10 lần cho công ty
Ví dụ, nếu tôi phụ trách một dự án phải hợp tác nhiều với bộ phận X, nhưng bộ phận X đã quá tải, thì phần việc của họ không hoàn thành đúng hạn và hiệu suất của tôi sẽ bị đánh giá kém. Mỗi vòng trao đổi mất nửa tuần, và tôi buộc phải dành một nửa thời gian một cách kém năng suất dù không phải lỗi của mình. Ngược lại, phía họ có thể đang đạt 110% năng suất nhưng đồng thời đang khiến cả tổ chức bốc cháy. Nếu chỉ nhìn vào chỉ số đó thì có vẻ nên sa thải tôi và tăng nhân sự cho bộ phận X, nhưng thực tế có thể chỉ cần tuyển thêm người cho phía đó hoặc tái cơ cấu bộ phận
Một điểm khác là ở trường, học sinh thường nhận các bài tập giống nhau hoặc có thể so sánh được. Ở công việc hiện tại, với vai trò người phụ trách các vấn đề khó, tôi chắc chắn rằng việc so sánh công việc của tôi với đồng nghiệp xử lý các vấn đề thông thường là hoàn toàn bất khả thi. Thậm chí không phải cùng một môn thể thao. Nếu không hề hiểu lĩnh vực vấn đề, bạn có thể bắt đầu so sánh năng suất từ đâu?