Apakah Kinerja Karyawan Benar-Benar Mengikuti Distribusi Gaussian?

Apakah kinerja karyawan benar-benar mengikuti distribusi Gaussian?

Sudut pandang seorang data scientist

• Ringkasan: Kinerja karyawan kemungkinan besar tidak mengikuti distribusi Gaussian, melainkan distribusi Pareto. Ini menjelaskan masalah dalam proses manajemen kinerja di perusahaan besar, sekaligus mengungkap alasan mengapa talenta unggul sulit direkrut. Dari sudut pandang ekonomi, wawasan utama diperoleh dengan menggabungkan teori produktivitas marjinal upah dan koefisien Gini.

• Musim manajemen kinerja: Di perusahaan Fortune 500, manajemen kinerja dilakukan setiap tahun pada kuartal keempat. Karyawan dievaluasi berdasarkan kinerja mereka selama 12 bulan terakhir, dan bonus serta kenaikan gaji ditentukan dari sana.

• Keterbatasan distribusi Gaussian: Banyak perusahaan mengasumsikan kinerja karyawan mengikuti distribusi Gaussian, tetapi ini tidak sesuai dengan kenyataan. Dalam praktiknya, distribusi Pareto mungkin lebih tepat.

Sudut pandang lain: Pareto

• Hubungan antara upah dan kinerja: Dalam ekonomi, upah dianggap mencerminkan kinerja karyawan. Distribusi Pareto berguna untuk menjelaskan distribusi upah dan distribusi kinerja.

• Kelebihan distribusi Pareto: Distribusi Pareto lebih baik dalam menjelaskan rasio antara keberhasilan dan kegagalan. Kinerja di perusahaan besar cenderung mengikuti distribusi Pareto.

Implikasi

• Perlu perubahan dalam manajemen kinerja: Jika distribusi Pareto dipertimbangkan, ini menunjukkan bahwa tidak perlu memecat 10% terbawah setiap tahun. Proses manajemen kinerja perlu didesain ulang berdasarkan asumsi Pareto.

• Sulitnya rekrutmen: Karyawan dengan kinerja rendah tiga kali lebih umum dibanding karyawan dengan kinerja tinggi. Ini menjelaskan mengapa perekrutan sulit.

Kesimpulan dan prospek

• Meninjau ulang manajemen kinerja: Sistem manajemen kinerja saat ini sudah ketinggalan zaman, dan diperlukan pendekatan baru yang mempertimbangkan distribusi Pareto. Perlu dipantau apakah tujuan manajemen kinerja benar-benar tercapai, dan efisiensi sistem harus dievaluasi melalui analisis biaya.

• Latar belakang historis: Sistem manajemen kinerja modern bermula dari GE pada 1980-an, ketika pekerjaan seumur hidup masih umum. Namun sekarang karyawan sering berpindah kerja, sehingga pendekatan lama berupa reward and punishment perlu dipikirkan ulang.

Konten tambahan

• Dukungan data untuk ide Pareto: Data dari awal abad ke-20 mendukung gagasan Pareto. Kinerja karyawan bersifat subjektif, sehingga sulit menemukan angka yang benar-benar objektif.

• Tinjauan terhadap praktik "rolling up": Karena penggunaan distribusi paksa, sekitar 5% karyawan bisa dinilai secara tidak adil. Ini dapat merusak keadilan dalam manajemen kinerja.

[GN⁺]

Pendapat Hacker News

• Di banyak perusahaan besar, manajemen kinerja yang dijalankan pada 2024 adalah teknik usang dan perlu diperbarui. Asumsi bahwa karyawan diberi imbalan berdasarkan seberapa besar kontribusi mereka secara individual kepada perusahaan adalah keliru. Pemberi kerja berusaha membayar karyawan seminimal mungkin, dan ini memanfaatkan asimetri informasi serta distribusi Gaussian. Sulit mengharapkan keadilan.

• Perusahaan seharusnya memprioritaskan produktivitas gabungan, bukan efisiensi semata atau memangkas 5% terbawah. Tidak semua karyawan harus menjadi superstar yang mengembangkan fitur mencolok; petugas kebersihan atau staf kafe juga diperlukan.

• IQ tidak mengikuti distribusi Gaussian; itu dibuat demikian. Tes IQ disusun dengan memilih pertanyaan yang membentuk distribusi Gaussian. Ini adalah cara untuk meningkatkan akurasi tes.

• Bahkan jika bakat manusia mengikuti distribusi Pareto, orang-orang yang dipekerjakan perusahaan adalah subset terpilih dari populasi tersebut, dan dapat memiliki distribusi yang berbeda tergantung pada metode seleksi dan tugasnya. Klaim semacam ini harus didukung oleh data dari dalam perusahaan dan industri.

• Di Netflix, ada asumsi dasar bahwa semua karyawan adalah performer terbaik. Kinerja dan kompensasi sepenuhnya dipisahkan, dan evaluasi kinerja dilakukan melalui peer review 360 derajat.

• Evaluasi kinerja karyawan di perusahaan besar lebih bersifat politis daripada berbasis data. Manajer menggunakan kuota PHK 10% sebagai senjata, atau sebagai fungsi paksa untuk mencari karyawan berkinerja rendah yang sebenarnya tidak ada.

• Jika kinerja karyawan tidak didefinisikan, kita tidak tahu apa yang direpresentasikan oleh grafik tersebut. Kesalahan perekrutan berada pada sebuah kontinum, dan proses perekrutan bukanlah upaya untuk mengambil sebagian dari seluruh pasar tenaga kerja, melainkan untuk mendapatkan kinerja maksimum pada tingkat gaji tertentu.

• Stack ranking ala Welch dan asumsi distribusi Gaussian telah diteliti sebagai sesuatu yang keliru. Banyak peneliti setuju bahwa distribusi Pareto lebih realistis.

• Nilai sekolah, terutama di kelas yang mudah, tidak mengikuti distribusi normal. Beberapa pekerjaan lebih mudah dilakukan dengan baik daripada yang lain. Pekerjaan administratif hampir selalu dapat menyelesaikan semua tugas dengan sukses.

• Saat menganalisis kelompok karyawan melalui data science, orang-orang yang sudah dipecat atau sudah diputuskan untuk dipromosikan harus dianggap sebagai outlier dan dikeluarkan dari sampel.