- Fortune 500型の成果管理は、従業員の成果が鐘形に広がるというガウス前提に依存しているが、成果がPareto分布に近いなら、強制分布評価の根拠は揺らぐ
- 賃金が従業員の期待価値と結びつくという限界生産力賃金理論と、米国の賃金分布のPareto的性格を組み合わせ、同じ給与バンド内の成果も非対称に分布しうると論じる
- Paretoの観点では、毎年切り捨てるべき**下位10%が自然に生じるわけではなく、給与バンド中央値の期待値より低い成果を出す従業員は約65%**にのぼる
- 低成果者は固定比率の排除対象というより採用ミスのような例外として扱うべきであり、同じ給与バンドでは低成果者は高成果者より3倍多い
- 成果管理システムは、解雇・代替採用コスト、目標達成の有無、評価バイアス、マネージャーの影響、時間による成果変動まで含めて見る必要があり、強制分布型の年次解雇には統計的根拠が乏しい
ガウス前提が揺らぐ理由
- 多くの大企業は毎年従業員の成果を評価し、ボーナス、昇格、今後の雇用継続を決定する
- 典型的な成果管理方式には、従業員をvitality curveに配置する手順が含まれる
- General Electricの1980年代初頭の方式は10-70-20区分としてよく引用される
- 上位20%は金銭報酬を受け、下位10%は排除対象となる構造である
- この方式の暗黙の前提は、従業員の成果がガウス型の鐘形曲線に従うことだ
- ガウス前提を想起させる要素もある
- IQ、Big Fiveの性格特性のうち誠実性、身長はガウス分布に従い、職務成果と関連する予測力を持ちうる
- 複数のガウス変数の和や合成もガウスになりうる
- しかし、企業から給与を受け取る従業員が成果曲線全体の下端まで含むと考えるのは難しく、大きな正のインパクトを出す従業員の数だけ同規模の負のインパクトを出す従業員が存在するという対称性も経験に合わない
Pareto分布で見る従業員成果
- 従業員のインパクトをドル価値で見ると、限界生産力賃金理論と賃金分布を結びつけられる
- 限界生産力賃金理論とは、企業が従業員に支払おうとする金額が、その従業員に期待する価値と本質的に結びついているという考え方である
- 賃金分布はミクロ経済学でPareto分布として扱われることがあり、べき乗則分布の性格を持つ
- 同じ給与バンド内で、米国の雇用主が支払う賃金が集合的にPareto分布をなすなら、従業員成果も同じ形で分布しうるという議論である
- 企業の求人票に示される給与の最小・最大範囲は、給与バンドの大きさを推定する手がかりになる
強制分布評価がもたらす実務的含意
- Paretoパーセンタイルの観点では、ガウス観点のように**極端に低い下位10%**が自然に分離されるわけではない
- 下位10%は次の10%と大きくは異ならない
- 「最下位」の従業員を除去するための明確なカットオフが見えない
- 給与バンド中央値の期待値に結びつく基準線より低い成果を出す従業員は約**65%**である
- 低成果者は大企業に存在するが、彼らは分布の必然的な下位比率というより採用ミスとして見るべきである
- 採用ミスには対処すべきだが、特定の比率で定まっていると見るのは難しい
- 採用がうまいマネージャーにも強制的に人員を削らせる方式は問題になりうる
- 追加の金銭報酬を受ける比率もParetoグラフから明確には導けない
- 給与中央値の期待値より高い成果を出す上位**35%**が出発点になりうる
- GEの元の公式より細分化された「good - better - best」のボーナス区分は合理的に見える
- 昇進候補者は一般分布内の自然な区間というより外れ値と見なせる
- 彼らは現在の給与バンド上限でも過小評価されている可能性がある
- 昇進はこうした小さな市場非効率を解消する方法として扱われる
解雇と代替採用の限界
- 同じ給与バンドでは低成果者は高成果者より3倍多い
- 下位10%を解雇すればはるかに優れた人を採れるというガウス的期待は不正確である
- 最もありそうな代替人材は、解雇された従業員より著しく優れているとは限らない
- 毎年除去すべき内在的な下位10%は存在しない
- マネージャーがチームをより良くできると判断したときに採用ミスを特定できるようにすべきであり、誤った統計前提に基づく目標比率を設定すべきではない
成果管理システム設計で欠けている要素
-
モニタリング
- 多大なコストを伴う統計ベースの意思決定システムは、目標を達成しているか、時間が経っても機能し続けるかをモニタリングすべきである
- 確認すべき問いは次のとおりである
- 会社は人を不正確に分類していないか
- マネージャーは価値あるチームメンバーを守るためにスケープゴートを採用していないか
- 解雇される人と残る人の間に、実際の成果差があるか
-
意思決定理論的なコスト分析
- 成果管理手続きそのものに多くの時間と労力がかかる
- 会社の10%を解雇すると、退職金のようなコストが発生する
- 代替採用も高コストであり、採用プロセス全体の費用はおおよそ年俸1年分と見なせる
- 新たに採用された従業員は統計的に3〜5年会社に在籍する可能性がある
- 成果の増加分が手続き全体のコストを上回るか、より強度の低い成果管理システムの方が良いかを検討すべきである
-
時間軸の観点
- 成果管理は通常1年単位のスナップショットである
- ある従業員が3年間優れた成果を出し、その後1年だけ不振だった場合、直ちに排除するのか、長期的適合性を見るのか判断が必要である
-
測定対象の不確実性
- 成果評価が実際の成果を測定しているか確認する必要がある
- 成功率の低い従業員が最も難しい課題を担当していたのなら、評価は成果ではなくプロジェクト配分の仕組みを測っていることになる
- 外向的な従業員が同じ成果でもより高い評価を受けるなら、評価は成果ではなく性格特性やマネージャーのバイアスを測っている可能性がある
- 従業員成果の大きな要因は、能力や努力よりも、マネージャーが成功できる条件を整えたかどうかかもしれない
- 新任マネージャーは最初の成果管理プロセスで部下に有利な成果スロットを確保する点で最適化されていない可能性がある
- この場合、評価は従業員成果だけでなく、マネージャーの説得力や組織内の政治資本も反映する
結論: 下位10%解雇より先に検証とコスト計算を
- 2024年に多くの大企業で使われている成果管理は、アップデートが必要な古い技術に近い
- ガウス前提を捨ててPareto分布を仮定すると、毎年下位10%を解雇する統計的根拠はない
- 企業は採用ミスを外れ値として扱い、毎年人員の10%を解雇する価値があるかを検討すべきである
- 成果管理コストが大きい以上、目標達成の有無を測るモニタリングとコスト分析が必要である
- 現代の成果管理システムが生まれた1980年代初頭のGEの条件には、大きな失敗がなければ一社で終身雇用されるという前提があった
- 40年後の今、従業員は頻繁に転職するため、低成果者に侮辱的なほど小さなボーナスを与えるだけでも十分な「ムチ」になり、全員にとってより健全かもしれない
Pareto仮説を裏づけるデータと文献
- 20世紀前半から中盤のデータは、従業員成果がガウス分布ではないことを支持している
- 1957年、William Shockleyは1950年代初頭のLos Alamos、Brookhaven、Bell Labsの科学出版物と特許を分析した
- 結論は、成果がガウス分布ではないというものだった
- 彼は自身の理論に基づいて対数正規分布と見ており、対数正規分布はParetoと似た形になりうる
- 1970年、Clarence ZenerはShockleyのデータ、他の出版データ、1907〜1916年のChemical Abstractsで名前がAまたはBで始まる6,891人の著者サンプルを合わせて検討した
- 論点はLog-Normal対Paretoだったが、答えがガウス分布ではないことは明確だと見ていた
- Herman Aguinisはスポーツ、エンターテインメント、政治、Materials Scienceジャーナルの出版データを調べた
- データの方向性は合っているが、決定的なデータセットではないと見ている
- 総生涯産出量が中心のため、年間産出量よりもキャリアの長さを強く反映している可能性がある
- 現代の文献はZenerやShockleyの論文を事実上忘れているようで、「ガウス分布ではない」とする文章は、その後何をすべきかについての具体的提案が不足していると評価する
計算前提と強制分布の副作用
-
給与バンドと分布パラメータ
- 企業の求人票にある給与バンドは最小・最大範囲を提供する
- 給与バンドの最小値は一般に最大値の約0.65倍になる傾向がある
- 例の給与バンド78.1 → 121.2は、中心を100とし、min/max = 0.65と見なせる
- Pareto alphaには、米国の個人給与データに合わせた1.75を用いる
- 米国の個人所得Gini係数としてよく引用される0.4と
G = 1/(2a-1)式でクロスチェックできる
- ガウス比較では給与バンド外縁を3 sigmaと仮定する
- 2.5 sigmaを使っても類似の結果になる
- 3 sigmaシナリオでは7.06、2.5 sigmaシナリオでは8.48が100 ± 21.2の給与バンドに対応する
- プロットはn=25,000で生成される
- Pareto分布はスケール不変・自己相似的であるため、100という中心値は任意であり、重要なのは給与バンド幅の比率である
-
「rolling up」と誤分類
- 複数の小規模評価グループをまとめれば、全体として強制分布が公正に整うという慣行は、シミュレーションで検証可能な対象である
- 従業員成果がガウス分布すると仮定し、マネージャーが奇跡的に完全な評価を行うと置いたシミュレーションを実施した
- 成果順位は正確に生成される
- Welch GEカットオフである下位10%、上位20%を用いる
- 各コホート規模ごとに32回の年次成果評価をシミュレーションする
- 客観基準を使えばより高い評価に入ったはずの従業員が、rank-and-chop方式によって低い評価に入る比率を計算する
- コホート規模に関係なく約**2.5%が不当に誤分類される可能性が高く、コホートが数百人でも5%**の誤分類がよく見られる
- 有利に上方誤分類された従業員まで含めると、誤分類率はおおよそ2倍になる
1件のコメント
Hacker Newsの意見
2024年の大企業式パフォーマンス管理は古い技術なのでアップデートが必要だ、という主張には根本的な誤りがいくつかある
第一に、従業員は会社に「個人的に」稼がせた分だけ報酬を受け取ると仮定しているが、雇用主は情報の非対称性や正規分布のような条件を利用して、負担可能な最小限の報酬を払おうとする。公平性は期待しにくく、それを正直に言えば士気が下がるので、従業員には知らせないまま、Work Numberのような経路で報酬履歴を集めるように動く
第二に、会社は常に身軽でいるために下位5%を切り捨てようとしていると仮定しているが、実際には個人のスターよりも合計の生産性が重要だ。清掃スタッフやカフェスタッフが直接どれほど売上を生むだろうか。エンジニアリングも同じで、目立たない仕事を誰かがやらなければならず、そうでなければ紙の上でだけ優秀な人材がいる壊れた会社になる
付け加えると、労働者の総生産性と平均所得が1970年代まで一緒に上がり、その後乖離した有名なグラフがある。この50年間、マクロでもミクロでも生産性は上がり続けたが、所得ははるかに横ばいになった
組織の下位5%、つまり私の場合はエンジニア2〜3人を減らすと、再び補充してもらえないかもしれない。財務チームを満足させるためにL5をL4に下げなければならなかったり、海外採用をしたり、正社員を契約社員に変えなければならなかったりするかもしれない
また人員削減（RIF）に備える必要があるため、すぐに名指しできる下位5%がいれば、上司が「名前を出せ」と言ったときに有利だ。だから今は、数カ月後よりも配属済みエンジニアの時間価値がはるかに高い。積極的に追い出すマネジメントは管理職を喜ばせるので、その価値がゼロになることはないだろうが、今は明らかに低パフォーマーも必要だ
生産性を正確に追跡する魔法のような方法が生まれたなら、この記事が言うように、成果の80%を労働者の20%が生み出すというプライスの法則やパレート分布に近い姿を見る可能性が高い。だが、だからといって残りの80%が不要という意味ではなく、その点が第二の論点につながる
従業員が会社に「稼がせた」分だけ支払うことは、会社が利益を出そうとする経済システムとは合わない。貢献に応じて「当然受け取るべき分」だけ報酬を与えることも、望ましくないかもしれない。会社内部でも同じ所得不平等の力学が生じそうだ
大企業には平均化効果がある。個人の貢献も平均化されるが、責任も平均化される。これが良いか悪いかは人によって異なり、Paul Grahamが職場とは何か、なぜ一部の人がスタートアップを好むのかについての文章でうまく説明していたと思う
[1] https://www.kienbaum.com/blog/prices-law-and-the-trouble-of-...
[2] https://paulgraham.com/wealth.html
特定の職種群について強制的な下位層削減や統計ベースの解雇方針を実施した、あるいは隠していても実質的にそうしていたなら、その翌年は該当職種群へのH1B割り当てを止めるべきだ
要点は、会社が人員のX%なしでもやっていけると判断したのなら、外国人労働者を連れてくる権利はないということだ。H1Bは埋めにくいポジションを支援するための制度だが、解雇や大量排出をしているなら、その仕事を埋める人を明らかに見つけられるという意味だ
たとえば私の友人はある機能を実装することになったが、独立アプリなら1〜2週間で済む仕事が、ブラウザチームではエッジケースや標準化委員会との調整のために2年かかった。誰もが1〜2週間で終わる仕事だと思っていたため、本人のコントロール外のことだったにもかかわらず悪い評価を受けた
バランスが必要だと感じる。スーパースターは存在し、同僚評価でも簡単に名指しできる。だが私たちはチームであり、やるべきことは多く、全員が目立つ「インパクト」のある仕事だけを担当できるわけではない
「IQは正規分布」という話は、どこかで読んで初めて明確に理解できたのだが、実際にはIQが正規分布なのではなく、分布がそうなるように作られているということ
IQ問題が1000問あるなら、多くの人に解かせたうえで、正規分布を作る100問を選ぶ、という形でIQ検査は作られる
これはむちゃくちゃな話ではない。簡単すぎる100問を選ぶと、全員が「かなり知っている」範囲に入ってしまい、情報量が少ない。均等分布を作ることもできるし、それでも有用で感度の高い検査にはなり得る。ただ、検査の精度を気にするなら正規分布は便利だ。50パーセンタイルと55パーセンタイルは大きく違わない一方で、人々はたいてい90パーセンタイルと95パーセンタイルの5%差のほうに関心を持つ
ただし10パーセンタイルと5パーセンタイルの差はあまり気にされないようで、これは実際にはパレート分布を示唆している可能性もあるが、おそらく社会的関心の問題をより反映しているのだと思う。いずれにせよ脇道ではあるが、記事自体が述べている内容とも似ている
IQ 100から130へ行くのに必要な脳の能力の増加がxだとすると、130から170には3xが必要で、170から171には100を基準にして9xが必要かもしれない
知能の絶対的な測定値がないため、相対尺度を使い、スコア上で正規分布を作り上げるしかない
コンピューターサイエンスがいつか、特定の問題を解くために必要な最小限の絶対知能を数学的に判定できる水準まで発展するなら、それは途方もない成果になるだろう
社会経済的背景のような要素を統制しても、これらをかなり正確に予測する
検査がどのように構成されるかは、その結果が私たちの関心対象を正確に予測するかどうかとは、おおむね別問題である。IQは測定ツールとして機能するから使われている
より良い測定ツールがあると思うなら、提案して多くの賞と称賛を受ければいい。何十年もの間、多くの賢い人たちが試みてきたが、まだ見つかっていない
だとすると、1000問全体では上位に入っていたのに、選ばれた問題のせいで最終的なIQ検査では平均になるような、人口の小さな一部が存在する可能性もあるのだろうか？ そうなら次にIQ検査を受けるときの言い訳に使おうと思う。分布との相性が悪かっただけだ、と
こうした主張が単なるレトリックではなく、実証データから出てきたものなら、もっと納得できたと思う。十分に検証可能に見えるし、業界別の生産性データもすでに多いはずだ
人間の才能がパレート分布に従うとしても明確ではないが、企業に雇われている人々は全人口から選別された部分集合なので、選抜方法とタスクによって異なる分布を持つ可能性が高い
こうした単純化された分布が、企業や産業全体に一般化されるとは思えない。たとえばAWSやGoogle従業員の生産性分布が、McDonaldsやWal*Mart従業員のそれと同じであるはずがない。採用プロセスと仕事の性質が違うからだ
企業や業界内部の実データを持ってきて初めて、主張を展開できる。そうでなければ、しっかりした土台のない砂上の楼閣に近い
少なくともこの記事の著者は、脚注を読めば、自分の信念に対する複数の統計的根拠を示している
IQは有名なほど正規分布だが、人間の「知能」が正規分布だからではなく、そのように定義されているからだ。そもそも知能を定義することからして難しい
ボードゲームのEloレーティングを見ると、知能の粗い代理指標である点はさておき、正規分布には従わない。Eloは対戦結果には正規分布を仮定するが、人口分布にはそうではない
これは、知的領域の適性やスキルが正規分布ではないことの良い根拠になる。ただしパレートでもなかったと記憶している
常に最善を尽くすべきだと思っているし、Tyler Cowenが言うように平均は終わったとも見ているが、特にこの主張は実証データで裏付けられていれば、はるかによかったと思う
Netflixで働いていて良かった点の一つは、基本的な前提が全員トップパフォーマーだということだった。トップパフォーマーでなければ退職金を受け取って去ることになる。
たとえはスポーツチームだった。プロスポーツチームには非常に優れた選手と偉大な選手がいる。スーパースターもいるが、少なくとも本当にかなり優秀でなければチームにはいられない。
成果と報酬は完全に切り離されており、その点も良かった。成果評価は360度の同僚評価で、報酬は主に人事が新規採用コストを基準に決め、その後全員をその水準まで引き上げる方式だった。
少なくとも10年前のNetflixでは、成果が分布しているとは考えにくく、全員が業界の上位10%だった。
それに、誰がトップパフォーマーで誰がそうでないかを測る良い方法を見たことがない。同じ職務の中でも人によって得意なことは違い、ある課題ではJoeが最高でも、別の課題ではMaryが最高かもしれない。知識労働でこれを安定的かつ客観的に測定するのはほぼ不可能だと思う。
Netflixに軽く当てこすりを言うなら、顧客の立場から見ると、彼らはビジネスの最も基本である良いコンテンツの制作、特に良いコンテンツを打ち切らないことがひどく下手だ。最近の大規模ライブ配信がどれほどひどかったかは言わないでおくと言ったが、もう言ってしまった。
思考実験をしてみると、Netflixが嘘をついていて、社員が実際には業界上位10%ではないと仮定しよう。現実にはNetflixが業界平均より少し多く払うため、平均より少し上の人材が集まったとする。
ところがその社員たちに、自分たちは単に平均以上ではなくエリートNFL選手なのだと信じ込ませると、彼らはエリート選手のように働かなければならないと感じるようになる。Netflixは自我を操作し、社員に業界水準より長く、より懸命に働かせる。
「天才的なプロ選手級だけがここで働ける」というメッセージは、「ノルマを満たすために残業で死ぬほど働かなければ解雇」よりはるかに動機づけになる。これは自尊心の操作だからだ。
この思考実験は、Netflixやその文化に酔っている社員が認めるよりも現実に近いと思う。Netflixの「プロアスリート」文化は、労働者に有害な心理操作だ。
私の経験では、企業環境でこうしたレッテルは実際の成果物よりも、社会的力学や政治感覚と結び付くことのほうが多い。社内の人脈が弱かったり社内政治に参加しなかったりする人は、実際の貢献とは関係なく低パフォーマーと見なされることがあり、職場でのネットワーキングが得意な人はトップパフォーマーと見なされることがある。
こうした会社の面接も問題のあるパターンに陥りがちだ。面接官が最近調べた難解な質問や、何年も同じ役割を続けて狭く特化した知識に合わせた質問を投げかける。技術面接が、問題解決力や幅広いエンジニアリング能力、成果という概念を評価するのではなく、特定の知識を当てるゲームになってしまう。
正直なところ、個人的な感情と成果評価を本当に切り離せる人がどれだけいるだろうか。構造化された評価プロセスがあっても、評価者が個人的に嫌っている人が一貫して素晴らしい仕事をしていたとき、高い点数を付けるだろうか。
労働と資本はおそらくこのような形で競争すべきだと思う。そうできるようにするには、税制上の扱いを平準化する必要がありそうだ。
データとアイデアは興味深く、BigCoで同僚として経験した逸話的な体験とも一致している。
だが私の経験では、従業員の成果評価はデータというより政治に近い。
結局、最近のBigCoの多くの経営陣は、10%の解雇枠を武器、あるいは穏やかな人員削減手段として欲しがっており、「データ」はそれを可能にするイチジクの葉の役割を果たす。好意的に見れば、組織に低パフォーマーがいなくても管理者に無理やり見つけさせる仕組みと見なされる。どちらにせよ、結局は自己確証バイアス以外に基盤はない。
成果評価の厳しさは、会社の軌道と労働市場の状況にほぼ結び付いている。2021年ごろの好況期には、成果期待が厳しかった会社も要件を緩めていた。
核心的な関心事である従業員の成果を雑に流しているため、よく構成された空疎な主張のように見える。それを定義しなければ、グラフが何を表しているのか分からない。
以前の職場でこれをモデル化したことがあり、測定誤差と年ごとの人員選別効果のため、Welch式のrank-and-yankは事実上ランダム解雇につながると結論づけた。
成果とは「成果評価プロセスで会社が報酬を与えることを目に見える形にすること」だ。
理論上、会社の各役割には期待される達成事項のリストが明確にあるべきだ。残念ながら、そうでない場合が多い。
ただしその通りで、成果の主観性と明確な数値尺度の欠如が、手続き全体の難しさだ。
マネージャーが合わせようとする金額が、会社が認識している価値だ。会社が実際にどう行動するか、つまりオファーに合わせるかどうかは確実に分かり、その行動は成果評価シーズンに誰が何を言おうと、会社に対する価値を示唆している。
この点は、たとえ数人にでも届いてほしいので繰り返し強調する価値がありますが、従業員の成果にはもう一つ重要な問題があります。ボーナスを配分するなら、正確に測定できるという前提で、1年間の成果は妥当な基準になり得ます
しかし、定着や昇進は将来の成果を予測することであり、おそらくさまざまな職務での成果まで予測しなければなりません。これははるかに難しく、過去1年の結果にはうまく反映されません
スポーツでもこうしたことはよくあります。ある選手が1年活躍して高額の長期契約を得たものの、その後崩れてしまうケースがあります。逆に、過去10年で最も優れた王朝の一つであるNBAのGolden State Warriorsは、史上有数の偉大な選手の一人がキャリア初期に足首のけがを何度も負い、他チームが怖気づいたおかげで、低い報酬で引き留めることができました
単年の成果がその人の本当の平均的な能力を必ずしも反映するわけではなく、昇進して責任のレベルが変わるとき、パレート分布上での位置も同じではないでしょう
会社の立場では、長期的な見通しに使えるデータを得るには、全員を少なくとも5年は維持し、その間にさまざまな課題を任せる必要がある可能性が高いです
とくにテック企業は、昇進や昇給を、複数年にわたる多様な業務や背景での反復的な成功パターンではなく、直近半年の仕事に基づいて評価しがちです。しかも、適切なチーム、適切な仕事、適切なタイミング、適切なリーダーの下にいなければ昇進できません
そのため、優れた成果を出す人たちが他へ去っていきます。組織の清掃係、保守担当、火消し役は会社を効率的に回し続けますが、リーダーから正当に報われたり、尊重されたり、認められたりしません。リーダーは彼らを「成果の低い人」と片づけ、目立たないプロジェクトで優秀な人材が働くことの重要性を理解していません
成果評価で得をするのは、解雇時に株価が上がる株主と、自分の政治的目的のためにシステムをゲームする人たちだけです。最上位の人材は、本当に意味があり重要な仕事をしているため、こうした制度の中ではうまく繁栄できません
https://www.essentiallysports.com/nba-active-basketball-news...
https://marginalrevolution.com/marginalrevolution/2024/08/go...
この記事はあまり説得力がありません。著者も理由の一つはすでに認めています
大企業には低成果者がいて、誰もが見たことがあり、著者は彼らを採用ミスだと見なすと述べています。しかし、一定割合が採用ミスだという明白な根拠はないとも言っています
とはいえ、一定割合の採用ミスは予想できると思います。そしてそれは二分法ではなく連続体です。採用時には優秀だったが関心を失って惰性で居残っている人、バーンアウトした人、昇進や異動が合わず新しいレベルや役割でうまくいかない人など、ほかにも多くの要因があります
ここでパレート分布はあまり関係ありません。採用プロセスは、明確なカットオフを持つ労働市場全体の一部を切り取ってこようとするものではありません。どんな職務でも、特定の給与水準で得られる成果を最大化しようとするものであり、成果を過小評価・過大評価する誤りが比較的対称的でない理由はありません
複数の要因が絡み合っていることを考えると、パレート分布の一部を切り取ってくるという仮定より、正規分布のほうがはるかに合理的な仮定です
AがBを好まないからといって、AやBが会社で働くのに不適格だという意味ではありませんが、たいていは部下が低成果者として扱われたり、成果を出すためのリソースを与えられなかったりする結果につながります
この記事は、「従業員の成果を測ってみたら、正規分布よりもパレート分布によく合ったら素敵ではないか？」と言っているようなものです
それは素敵でしょうか？ 起こりそうにないあらゆることの含意を仮定することはできます。しかし個人的には、P = NPだったらそのほうがずっと素敵だと思います
それは別として、解雇はつらいものですし、高成果者なのに押し出されるのはさらに苦しいものです。真実は、「データサイエンス」はDostoevskyを読むことのように悲しみを処理する助けにはならない、ということです。だから、ソフトウェア開発者として働くとしても、リベラルアーツ教育でAを取ることには価値があるかもしれません
従業員として私たちが成果管理に期待するあり方は、学校の成績評価システムに由来している
興味深いことに、学校の成績は、特に簡単な授業では正規分布に従わないことが多い。私の体育の授業では95%以上がAを取れたと思うし、有機化学の授業ではAを取れたのは5〜10%だけだったと思う
同じように、職務によってはうまくこなすのがはるかに簡単なものもある
だから実際には、すべての事務職は「卓越した」成果を出せると想定すべきだ。つまり、依頼されたすべての仕事を成功裏にやり遂げるという意味だ。一方で、責任範囲がより重大な人たちは、平均を少し上回る程度の成果でも、会社にとって10倍大きな意味を持つことがある
たとえば、部門Xと多く協業する必要があるプロジェクトを担当したとして、部門Xがすでに過負荷なら、そちらの作業が期限どおりに終わらず、自分の成果が悪くなる。やり取りの往復ごとに半週かかり、私は自分に非がないのに時間の半分を非生産的に過ごすことになる。逆に、相手側は110%生産的だが、組織全体に火をつけているのかもしれない。その指標だけを見れば、私を解雇して部門Xの人員を増やすべきだが、実際には単にそちらで採用を増やすか、部門を再編すべきだけかもしれない
また、学校では学生がたいてい同じ、または比較可能な課題を与えられるという点も異なる。現在の職場で難問担当者である私は、平凡な問題を処理している同僚と自分の仕事を比較することは絶対に不可能だと確信している。同じスポーツですらない。問題領域をまったく理解していないなら、生産性の比較をどこから始められるというのか