- La gestion de la performance façon Fortune 500 repose sur l’hypothèse gaussienne selon laquelle les performances des employés se répartissent en courbe en cloche, mais si elles sont plus proches d’une distribution de Pareto, le fondement des évaluations à distribution forcée vacille
- En combinant la théorie salariale de la productivité marginale, selon laquelle le salaire est lié à la valeur attendue d’un employé, avec le caractère parétien de la distribution des salaires aux États-Unis, l’auteur avance que les performances peuvent elles aussi être distribuées de manière asymétrique au sein d’une même tranche salariale
- Du point de vue de Pareto, il n’existe pas naturellement de 10 % inférieurs à éliminer chaque année, et environ 65 % des employés se situeraient en dessous du niveau de performance attendu correspondant à la médiane de leur tranche salariale
- Les faibles performeurs devraient être traités comme des exceptions, par exemple des erreurs de recrutement, plutôt que comme une proportion fixe à évincer ; dans une même tranche salariale, ils sont 3 fois plus fréquents que les très hauts performeurs
- Un système de gestion de la performance devrait aussi prendre en compte les coûts de licenciement et de remplacement, l’atteinte réelle des objectifs, les biais d’évaluation, l’influence des managers et l’évolution de la performance dans le temps ; les licenciements annuels fondés sur une distribution forcée manquent de base statistique
Pourquoi l’hypothèse gaussienne vacille
- De nombreuses grandes entreprises évaluent chaque année les performances de leurs employés afin de décider des bonus, des promotions et du maintien dans l’emploi
- Une méthode typique de gestion de la performance inclut une procédure de placement des employés sur une vitality curve
- L’approche de General Electric au début des années 1980, avec sa répartition 10-70-20, est souvent citée
- Les 20 % du haut reçoivent une récompense financière, tandis que les 10 % du bas sont destinés à être évincés
- L’hypothèse implicite de cette méthode est que la performance des employés suit une courbe en cloche gaussienne
- Certains éléments peuvent faire penser à une hypothèse gaussienne
- Le QI, la conscienciosité parmi les traits de personnalité du Big Five, ou encore la taille suivent une distribution gaussienne et peuvent avoir une valeur prédictive pour la performance au travail
- La somme ou la combinaison de plusieurs variables gaussiennes peut aussi donner une variable gaussienne
- Mais il est difficile de considérer que des salariés d’entreprise couvrent toute l’extrémité basse de la courbe globale de performance, et l’idée symétrique selon laquelle autant d’employés produiraient un impact négatif massif qu’un impact positif massif ne correspond pas à l’expérience
La performance des employés vue à travers une distribution de Pareto
- Si l’on mesure l’impact des employés en valeur monétaire, on peut relier cette notion à la théorie salariale de la productivité marginale et à la distribution des salaires
- La théorie salariale de la productivité marginale affirme que le montant qu’une entreprise est prête à verser à un employé est fondamentalement lié à la valeur qu’elle attend de lui
- En microéconomie, la distribution des salaires est parfois modélisée comme une distribution de Pareto, qui relève d’une distribution en loi de puissance
- Si, au sein d’une même tranche salariale, les salaires versés collectivement par les employeurs américains suivent une distribution de Pareto, alors les performances des employés pourraient suivre une forme analogue
- Les fourchettes salariales minimales et maximales affichées dans les offres d’emploi des entreprises fournissent des indices pour estimer la taille des tranches salariales
Les implications pratiques des évaluations à distribution forcée
- Du point de vue des percentiles de Pareto, il n’apparaît pas, comme dans une vision gaussienne, de 10 % inférieurs extrêmement faibles qui se sépareraient naturellement
- Les 10 % du bas ne diffèrent pas fortement des 10 % suivants
- Il n’existe pas de point de coupure clair pour identifier les employés « les plus faibles » à éliminer
- Environ 65 % des employés performent en dessous de la ligne de base associée à l’attente médiane de leur tranche salariale
- Les faibles performeurs existent dans les grandes entreprises, mais ils devraient être vus comme des erreurs de recrutement plutôt que comme une proportion inférieure inévitable de la distribution
- Il faut bien sûr traiter les erreurs de recrutement, mais rien n’indique qu’elles correspondent à un pourcentage fixe
- Forcer même les managers qui recrutent bien à réduire mécaniquement leurs effectifs peut poser problème
- Le pourcentage d’employés devant recevoir une rémunération additionnelle n’apparaît pas non plus clairement sur un graphique de Pareto
- Les 35 % du haut, qui performent au-dessus de l’attente médiane de leur tranche salariale, peuvent servir de point de départ
- Une différenciation de bonus plus fine, du type « good - better - best », paraît plus raisonnable que la formule originale de GE
- Les candidats à la promotion ressemblent davantage à des valeurs aberrantes qu’à une tranche naturelle de la distribution générale
- Ils peuvent être sous-évalués même au sommet de leur tranche salariale actuelle
- La promotion est alors traitée comme un moyen de corriger cette petite inefficacité de marché
Les limites du licenciement et du remplacement
- Dans une même tranche salariale, les faibles performeurs sont 3 fois plus fréquents que les très hauts performeurs
- L’attente gaussienne selon laquelle licencier les 10 % du bas permettrait de recruter des personnes nettement meilleures est inexacte
- Le remplaçant le plus probable n’est pas forcément une personne sensiblement meilleure que l’employé licencié
- Il n’existe pas de 10 % inférieurs intrinsèques qu’il faudrait éliminer chaque année
- Il faut laisser les managers identifier les erreurs de recrutement lorsqu’ils jugent qu’ils peuvent améliorer leur équipe, mais sans leur imposer de quota fondé sur une mauvaise hypothèse statistique
Ce qui manque dans la conception des systèmes de gestion de la performance
-
Suivi
- Les systèmes décisionnels statistiques coûteux doivent faire l’objet d’un suivi pour vérifier qu’ils atteignent leurs objectifs et continuent de fonctionner dans le temps
- Parmi les questions à poser :
- l’entreprise classe-t-elle les personnes de manière inexacte ?
- les managers recrutent-ils des boucs émissaires pour protéger des membres de valeur de leur équipe ?
- existe-t-il une différence réelle de performance entre les personnes licenciées et celles qui sont conservées ?
-
Analyse des coûts selon la théorie de la décision
- La procédure de gestion de la performance elle-même exige beaucoup de temps et d’efforts
- Licencier 10 % de l’entreprise engendre des coûts comme les indemnités de départ
- Le recrutement de remplacement est également coûteux, et le coût total du processus peut être estimé à environ une année de salaire
- Un salarié nouvellement recruté restera statistiquement dans l’entreprise pendant 3 à 5 ans
- Il faut donc déterminer si le gain de performance dépasse le coût global de la procédure et si un système de gestion de la performance moins agressif ne serait pas préférable
-
Perspective temporelle
- La gestion de la performance correspond en général à un instantané annuel
- Si un employé a eu d’excellentes performances pendant 3 ans puis connaît une mauvaise année, il faut décider s’il doit être évincé immédiatement ou évalué à l’aune de son adéquation à long terme
-
Incertitude sur ce qui est réellement mesuré
- Il faut vérifier si l’évaluation de la performance mesure bien la performance réelle
- Si un employé a un faible taux de réussite parce qu’il s’est vu confier les tâches les plus difficiles, alors l’évaluation mesure moins sa performance que la manière dont les projets sont attribués
- Si les employés extravertis obtiennent de meilleures évaluations à performance égale, alors l’évaluation peut mesurer non pas la performance mais des traits de personnalité et les biais du manager
- Un facteur majeur de la performance peut être moins la capacité ou l’effort que le fait que le manager ait créé les conditions de la réussite
- Un manager récemment arrivé peut être moins bien placé, lors de son premier cycle d’évaluation, pour obtenir des créneaux de performance favorables à ses subordonnés
- Dans ce cas, l’évaluation reflète non seulement la performance des employés, mais aussi le pouvoir de persuasion du manager et son capital politique dans l’organisation
Conclusion : avant de licencier les 10 % du bas, il faut valider et chiffrer les coûts
- En 2024, les systèmes de gestion de la performance utilisés dans beaucoup de grandes entreprises ressemblent à une vieille technologie qui a besoin d’être mise à jour
- Si l’on abandonne l’hypothèse gaussienne au profit d’une distribution de Pareto, il n’existe pas de base statistique pour licencier chaque année les 10 % du bas
- Les entreprises devraient traiter les erreurs de recrutement comme des valeurs aberrantes et se demander s’il vaut vraiment la peine de licencier 10 % de leurs effectifs chaque année
- Étant donné le coût élevé de la gestion de la performance, un suivi et une analyse des coûts sont nécessaires pour mesurer l’atteinte réelle des objectifs
- Lorsque les systèmes modernes de gestion de la performance sont apparus au début des années 1980 chez GE, on partait de l’idée qu’en l’absence d’erreur majeure, on passerait toute sa carrière dans la même entreprise
- Quarante ans plus tard, les employés changent fréquemment d’entreprise ; accorder un bonus humiliantement faible aux faibles performeurs peut déjà constituer un « bâton » suffisant et être plus sain pour tout le monde
Données et littérature à l’appui de l’hypothèse de Pareto
- Les données du début et du milieu du XXe siècle soutiennent l’idée que la performance des employés n’est pas gaussienne
- En 1957, William Shockley analyse les publications scientifiques et les brevets issus du Los Alamos, de Brookhaven et des Bell Labs du début des années 1950
- Sa conclusion est que la performance n’est pas gaussienne
- Selon sa propre théorie, il y voit une distribution log-normale, qui peut avoir une forme proche de Pareto
- En 1970, Clarence Zener réexamine les données de Shockley, d’autres données de publication, ainsi qu’un échantillon de 6 891 auteurs dont le nom commence par A ou B dans les Chemical Abstracts de 1907 à 1916
- Le débat portait sur Log-Normal contre Pareto, et il considérait comme clair que la réponse n’était pas gaussienne
- Herman Aguinis a examiné des données issues du sport, du divertissement, de la politique et des publications de revues de Materials Science
- Selon lui, les données vont globalement dans le bon sens, mais ne constituent pas des jeux de données décisifs
- Comme elles portent surtout sur la production cumulée sur l’ensemble d’une carrière, elles peuvent davantage refléter la durée de carrière que la production annuelle
- La littérature contemporaine semble avoir pratiquement oublié les articles de Zener et Shockley, et les textes affirmant que « ce n’est pas gaussien » sont critiqués pour leur manque de propositions concrètes sur ce qu’il faudrait faire ensuite
Hypothèses de calcul et effets secondaires de la distribution forcée
-
Tranches salariales et paramètres de distribution
- Les tranches salariales figurant dans les offres d’emploi fournissent des bornes minimales et maximales
- La borne minimale d’une tranche salariale tend généralement à représenter environ 0,65 fois la borne maximale
- La fourchette salariale d’exemple 78.1 → 121.2 peut être interprétée comme centrée sur 100 avec min/max = 0.65
- L’alpha de Pareto utilisé est 1.75, ajusté à des données américaines sur les salaires individuels
- On peut le recouper avec le coefficient de Gini 0.4, souvent cité pour les revenus individuels américains, via la formule
G = 1/(2a-1) - Pour la comparaison gaussienne, les bords de la tranche salariale sont supposés correspondre à 3 sigma
- Des résultats similaires apparaissent avec 2.5 sigma
- Dans le scénario 3 sigma, 7.06 correspond à la tranche 100 ± 21.2 ; dans le scénario 2.5 sigma, c’est 8.48
- Les graphiques sont générés avec n=25,000
- La distribution de Pareto étant invariante par changement d’échelle et auto-similaire, la valeur centrale de 100 est arbitraire ; ce qui compte, c’est le ratio de largeur de la tranche salariale
-
« rolling up » et erreurs de classification
- La pratique consistant à agréger plusieurs petits ensembles d’évaluation en supposant qu’une distribution forcée sera globalement équitable peut être testée par simulation
- Une simulation est menée en supposant des performances d’employés distribuées selon une loi gaussienne, et des managers capables d’évaluer miraculeusement les performances de manière parfaite
- Le classement des performances est généré avec exactitude
- Les seuils Welch GE des 10 % du bas et 20 % du haut sont utilisés
- 32 évaluations annuelles de performance sont simulées pour chaque taille de cohorte
- On calcule la proportion d’employés qui auraient obtenu une meilleure catégorie avec un critère objectif mais se retrouvent dans une catégorie inférieure avec une logique de rank-and-chop
- Quelle que soit la taille de la cohorte, environ 2.5 % des employés risquent d’être injustement mal classés, et un taux de 5 % d’erreurs de classification reste courant même avec des cohortes de plusieurs centaines de personnes
- Si l’on inclut aussi les employés favorisés par une surclassification, le taux d’erreur est à peu près doublé
1 commentaires
Avis sur Hacker News
L’idée selon laquelle la gestion de la performance façon grande entreprise en 2024 serait une technologie obsolète à mettre à jour repose sur plusieurs erreurs fondamentales
Premièrement, elle suppose que les employés sont rémunérés à hauteur de ce qu’ils « rapportent personnellement » à l’entreprise, alors que les employeurs cherchent à verser la rémunération minimale soutenable en exploitant des conditions comme l’asymétrie d’information et la distribution normale. Il est difficile d’attendre de l’équité ; comme le dire franchement ferait baisser le moral, on préfère garder les employés dans l’ignorance tout en collectant leur historique de rémunération via des canaux comme Work Number
Deuxièmement, elle suppose que les entreprises veulent toujours gagner en agilité en éliminant les 5 % du bas, alors qu’en pratique la productivité agrégée compte davantage que les stars individuelles. Combien de chiffre d’affaires un agent d’entretien ou un employé de café génère-t-il directement ? C’est pareil en ingénierie : certaines tâches peu visibles doivent bien être faites par quelqu’un, sinon on obtient une entreprise dysfonctionnelle qui n’a de talents brillants que sur le papier
Ajoutons qu’il existe un graphique célèbre montrant que la productivité totale des travailleurs et le revenu moyen ont progressé ensemble jusque dans les années 1970, puis se sont dissociés. Depuis 50 ans, la productivité a continué d’augmenter, aussi bien au niveau macro que micro, tandis que les revenus sont devenus beaucoup plus plats
Si je réduis les 5 % du bas de mon organisation, soit dans mon cas 2 ou 3 ingénieurs, il est possible que je ne puisse pas les remplacer. Pour satisfaire la finance, je pourrais devoir transformer un poste L5 en L4, recruter à l’étranger, ou remplacer des CDI par des contractuels
Il faut aussi se préparer à une réduction d’effectifs (RIF) : disposer de 5 % de personnes immédiatement désignables comme moins performantes est avantageux quand un supérieur demande « donne-moi des noms ». La valeur du temps des ingénieurs déjà affectés est donc aujourd’hui bien plus élevée qu’elle ne le sera dans quelques mois. Une gestion qui pousse activement les gens vers la sortie plaît aux managers, donc cette valeur ne tombe pas à zéro, mais il est clair qu’en ce moment, même les moins performants sont nécessaires
Si l’on disposait d’une méthode magique pour mesurer précisément la productivité, on verrait probablement quelque chose de proche de la loi de Price ou d’une distribution de Pareto, où 20 % des travailleurs produisent 80 % des résultats, comme le dit l’article. Mais cela ne signifie pas pour autant que les 80 % restants sont inutiles, et c’est là que cela rejoint le deuxième point
Payer un employé exactement à hauteur de ce qu’il « rapporte » à l’entreprise ne correspond pas à un système économique dans lequel l’entreprise cherche à faire du profit. Le rémunérer selon ce qu’il « mérite » en fonction de sa contribution n’est pas forcément souhaitable non plus. On verrait probablement apparaître, au sein même de l’entreprise, les mêmes dynamiques d’inégalités de revenus
Les grandes entreprises ont un effet de moyennisation. La contribution individuelle est moyennée, mais la responsabilité aussi. Que ce soit une bonne ou une mauvaise chose dépend des personnes, et je pense que Paul Graham l’a bien expliqué dans son texte sur ce qu’est un emploi et pourquoi certains préfèrent les startups
[1] https://www.kienbaum.com/blog/prices-law-and-the-trouble-of-...
[2] https://paulgraham.com/wealth.html
Si elle a appliqué une politique de réduction forcée du bas de classement ou de licenciements fondés sur des statistiques pour une catégorie donnée — ou si, même en le dissimulant, elle l’a fait en pratique — alors les attributions de H1B pour cette catégorie devraient être bloquées l’année suivante
L’idée centrale est que si l’entreprise a estimé pouvoir vivre sans X % de ses effectifs, elle n’a pas le droit de faire venir des travailleurs étrangers. Le H1B est censé aider à pourvoir des postes difficiles à remplir ; si l’entreprise licencie ou procède à des évictions massives, cela signifie clairement qu’elle peut trouver des personnes pour occuper ces postes
Par exemple, un de mes amis devait implémenter une fonctionnalité. Dans une application indépendante, cela aurait pris 1 à 2 semaines ; dans l’équipe navigateur, cela a pris 2 ans à cause des cas limites et de la coordination avec les comités de normalisation. Tout le monde pensait que cela se terminerait en 1 ou 2 semaines, et il a pourtant reçu une mauvaise évaluation pour des raisons hors de son contrôle
J’ai le sentiment qu’il faut trouver un équilibre. Les superstars existent, et on peut facilement les identifier dans les évaluations par les pairs. Mais nous sommes une équipe, il y a beaucoup à faire, et tout le monde ne peut pas travailler uniquement sur des sujets très visibles et à fort « impact »
L’affirmation « le QI suit une loi normale » ne m’est devenue claire qu’après l’avoir lue quelque part : en réalité, ce n’est pas le QI qui est normalement distribué, c’est la distribution qui est construite ainsi.
S’il existe 1 000 questions de QI, on les fait résoudre par beaucoup de personnes, puis on sélectionne 100 questions qui produisent une distribution normale : c’est ainsi qu’un test de QI est fabriqué.
Ce n’est pas absurde. Si l’on choisit 100 questions trop faciles, tout le monde entre dans la catégorie « en sait pas mal », et la quantité d’information est faible. On pourrait aussi produire une distribution uniforme, et le test pourrait rester utilement sensible. Mais si l’on se soucie de la précision du test, la loi normale est pratique. Le 50e percentile et le 55e percentile ne sont pas très différents, et les gens s’intéressent en général davantage aux 5 % d’écart entre le 90e et le 95e percentile.
En revanche, on semble se soucier assez peu de l’écart entre le 10e et le 5e percentile ; cela pourrait en fait suggérer une distribution de Pareto, mais je pense que cela reflète probablement davantage une question d’intérêt social. Quoi qu’il en soit, c’est une digression, mais elle est assez proche de ce que dit l’article lui-même.
Si l’augmentation de capacité cérébrale nécessaire pour passer d’un QI de 100 à 130 vaut x, alors passer de 130 à 170 pourrait nécessiter 3x, et passer de 170 à 171 pourrait nécessiter 9x par rapport à la base 100.
Comme il n’existe pas de mesure absolue de l’intelligence, on n’a pas d’autre choix que d’utiliser une échelle relative et de fabriquer une distribution normale à partir des scores.
Si l’informatique progresse un jour au point de pouvoir déterminer mathématiquement l’intelligence absolue minimale nécessaire pour résoudre un problème donné, ce sera un accomplissement immense.
Même en contrôlant des facteurs comme le milieu socio-économique, ils prédisent assez précisément ces éléments.
La manière dont le test est construit est, dans l’ensemble, une question distincte de celle de savoir si ses résultats prédisent correctement ce qui nous intéresse. Le QI est utilisé parce qu’il fonctionne comme instrument de mesure.
Si vous pensez avoir un meilleur instrument de mesure, proposez-le et vous recevrez plusieurs prix et louanges. Beaucoup de personnes intelligentes ont essayé pendant des décennies, mais ne l’ont pas encore trouvé.
Dans ce cas, pourrait-il exister un petit segment de la population qui se classe parmi les meilleurs sur l’ensemble des 1 000 questions, mais qui obtient un résultat moyen au test de QI final à cause des questions sélectionnées ? Si oui, j’utiliserai ça comme excuse la prochaine fois que je devrai passer un test de QI. Je dirai simplement que je suis tombé sur la mauvaise distribution.
J’aurais été plus convaincu si ce type d’affirmation venait de données empiriques plutôt que d’un simple procédé rhétorique. Cela semble tout à fait vérifiable, et il existe probablement déjà beaucoup de données de productivité par secteur.
Même si le talent humain suit une distribution de Pareto, ce n’est pas évident : les personnes employées par une entreprise sont un sous-ensemble sélectionné de la population totale, donc leur distribution peut être différente selon la méthode de sélection et les tâches.
Je doute qu’une distribution aussi simplifiée puisse être généralisée à l’ensemble des entreprises et des secteurs. Par exemple, il n’y a aucune raison que la distribution de productivité des employés d’AWS ou de Google soit la même que celle des employés de McDonald’s ou de Wal*Mart. Les processus de recrutement et la nature du travail sont différents.
On ne peut avancer cette thèse qu’après avoir obtenu de vraies données internes aux entreprises et aux secteurs. Sinon, cela ressemble plutôt à un château de sable sans fondations solides.
Au moins, l’auteur de cet article fournit plusieurs éléments statistiques à l’appui de ses convictions, si l’on lit les notes.
Le QI est notoirement distribué normalement, mais ce n’est pas parce que l’« intelligence » humaine l’est : c’est parce qu’elle est définie ainsi. Et définir l’intelligence est déjà difficile.
Si l’on regarde les classements Elo dans les jeux de plateau, même en mettant de côté le fait qu’ils constituent un mauvais proxy de l’intelligence, ils ne suivent pas une distribution normale. Elo suppose une loi normale pour les résultats des parties, mais pas pour la distribution de la population.
C’est un bon indice que les aptitudes ou compétences dans les domaines intellectuels ne suivent pas une loi normale. Cela dit, il me semble qu’elles ne suivaient pas non plus une distribution de Pareto.
Je pense qu’il faut toujours donner le meilleur de soi-même, et, comme le dit Tyler Cowen, que la moyenne est terminée ; mais cette thèse en particulier aurait été bien meilleure si elle avait été étayée par des données empiriques.
L’un des aspects que j’avais appréciés en travaillant chez Netflix, c’est que l’hypothèse de départ était que tout le monde était très performant. Si l’on n’était pas très performant, on partait avec une indemnité de départ.
La métaphore était celle d’une équipe sportive. Dans une équipe de sport professionnel, il y a de très bons joueurs et de grands joueurs. Il y a aussi des superstars, mais si l’on n’est pas au minimum vraiment très bon, on ne peut pas rester dans l’équipe.
Performance et rémunération étaient complètement séparées, et c’était aussi appréciable. L’évaluation de la performance était une évaluation à 360 degrés par les pairs, tandis que la rémunération était principalement fixée par les RH à partir du coût d’un nouveau recrutement, puis tout le monde était relevé à ce niveau.
Au moins il y a dix ans chez Netflix, il était difficile de considérer que la performance suivait une distribution : tout le monde faisait partie du top 10 % du secteur.
De plus, je n’ai jamais vu de bonne méthode pour mesurer qui est très performant et qui ne l’est pas. Même au sein d’un même poste, les gens excellent dans des choses différentes : Joe peut être le meilleur sur une tâche, et Mary sur une autre. Dans le travail intellectuel, mesurer cela de manière stable et objective me paraît presque impossible.
Et pour lancer aussi une petite pique à Netflix : du point de vue client, ils sont lamentables sur l’un des fondamentaux de leur business, à savoir produire de bons contenus, et surtout ne pas annuler les bons contenus. Je n’allais pas dire à quel point leurs récents grands événements en live streaming ont été catastrophiques, mais voilà, je l’ai dit.
Faisons une expérience de pensée : supposons que Netflix mente et que ses employés ne soient pas réellement dans le top 10 % du secteur. Disons qu’en réalité, Netflix paie un peu plus que la moyenne du secteur et attire donc des talents légèrement au-dessus de la moyenne.
Mais si l’on fait croire à ces employés qu’ils ne sont pas simplement au-dessus de la moyenne, mais des joueurs d’élite de NFL, ils se sentent obligés de travailler comme des athlètes d’élite. Netflix manipule leur ego pour les pousser à travailler plus longtemps et plus dur que dans le reste du secteur.
Le message « seuls des génies de niveau sportif professionnel peuvent travailler ici » est bien plus motivant que « si vous ne vous tuez pas en heures supplémentaires pour atteindre les quotas, vous serez viré ». Parce que c’est une manipulation de l’orgueil.
Je pense que cette expérience de pensée est plus proche de la réalité que Netflix, ou les employés séduits par sa culture, ne veulent bien l’admettre. La culture des « athlètes professionnels » de Netflix est une manipulation psychologique nuisible aux travailleurs.
D’après mon expérience, en entreprise, ces étiquettes sont plus souvent liées aux dynamiques sociales et au sens politique qu’aux livrables réels. Une personne qui a peu de réseau interne ou qui ne participe pas à la politique interne peut être cataloguée comme sous-performante indépendamment de sa contribution réelle, tandis qu’une personne douée pour le networking au travail peut être perçue comme très performante.
Les entretiens dans ce type d’entreprise tombent aussi souvent dans des schémas problématiques. L’intervieweur pose une question obscure qu’il a étudiée récemment, ou des questions calibrées sur des connaissances étroitement spécialisées acquises en occupant le même rôle pendant des années. L’entretien technique devient un jeu de devinettes sur des savoirs précis, plutôt qu’une évaluation de la capacité à résoudre des problèmes, des compétences d’ingénierie au sens large ou de la notion de performance.
Franchement, combien de personnes peuvent vraiment séparer leurs sentiments personnels de l’évaluation de la performance ? Même avec une procédure d’évaluation structurée, un évaluateur donnera-t-il une bonne note à quelqu’un qu’il n’aime pas personnellement, même si cette personne a régulièrement fait un excellent travail ?
Le travail et le capital devraient probablement entrer en concurrence de cette manière. Pour que cela devienne possible, il faudrait sans doute uniformiser leur traitement fiscal.
Les données et les idées sont intéressantes, et elles correspondent aussi à mon expérience anecdotique de collègues dans une BigCo.
Mais d’après mon expérience, l’évaluation de la performance des employés relève davantage de la politique que des données.
Au bout du compte, beaucoup de dirigeants de BigCo veulent aujourd’hui un quota de 10 % de licenciements comme arme ou comme moyen doux de réduction d’effectifs, et les « données » servent de feuille de vigne pour le rendre possible. Dans la version charitable, c’est vu comme un dispositif qui force les managers à trouver des sous-performants même s’il n’y en a pas dans l’organisation. Dans les deux cas, cela ne repose finalement sur rien d’autre qu’un biais de confirmation.
La rigueur des évaluations de performance est étroitement liée à la trajectoire de l’entreprise et à l’état du marché du travail. Vers 2021, pendant les bonnes années, même les entreprises qui avaient des attentes de performance strictes ont assoupli leurs exigences.
Cela ressemble à une affirmation creuse mais bien construite, parce que le sujet central, la performance des employés, est traité de façon expéditive. Sans la définir, on ne sait pas ce que le graphique représente.
Dans un précédent poste, j’avais modélisé cela et conclu qu’en raison des erreurs de mesure et des effets de sélection des effectifs d’une année sur l’autre, le rank-and-yank à la Welch conduit en pratique à des licenciements aléatoires.
La performance, c’est « rendre visible ce que l’entreprise récompense dans le processus d’évaluation de la performance ».
En théorie, chaque rôle dans l’entreprise devrait avoir une liste claire de résultats attendus. Malheureusement, ce n’est souvent pas le cas.
Cela dit, c’est vrai : la subjectivité de la performance et l’absence d’échelle numérique claire sont ce qui rend toute la procédure difficile.
Le montant que le manager est prêt à égaler correspond à la valeur perçue par l’entreprise. On peut savoir avec certitude comment l’entreprise agit réellement, c’est-à-dire si elle s’aligne sur l’offre ou non, et ce comportement indique la valeur pour l’entreprise, quoi que l’on dise pendant la saison des évaluations de performance.
C’est un point qui mérite d’être répété jusqu’à ce que même quelques personnes l’entendent, mais il y a un autre problème important avec la performance des employés. Si l’on répartit des primes, alors, en supposant qu’elle soit mesurable avec précision, la performance sur une année peut être un critère acceptable
Mais la rétention et les promotions consistent à prédire les performances futures, et probablement aussi les performances dans différents postes. C’est beaucoup plus difficile et cela ne se reflète pas bien dans les résultats de l’année écoulée
Dans le sport aussi, cela arrive souvent. Un joueur fait une excellente saison, obtient un énorme contrat longue durée, puis s’effondre ensuite. À l’inverse, les Golden State Warriors de la NBA, l’une des meilleures dynasties de ces dix dernières années, ont pu garder pour un salaire relativement bas l’un des plus grands joueurs de l’histoire, parce que plusieurs blessures à la cheville au début de sa carrière avaient effrayé les autres équipes
La performance sur une seule année ne reflète pas nécessairement la véritable capacité moyenne de cette personne, et lorsque le niveau de responsabilité change avec une promotion, sa position dans une distribution de Pareto ne sera probablement pas la même non plus
Du point de vue de l’entreprise, pour obtenir des données utiles à une projection à long terme, il est très probable qu’il faille garder tout le monde au moins cinq ans et leur confier pendant ce temps des missions variées
Les entreprises tech, en particulier, ont tendance à évaluer les promotions et les augmentations de salaire sur la base du travail des six derniers mois, plutôt que sur des schémas de réussite répétés pendant plusieurs années, dans des contextes et des missions variés. Et même là, il faut être dans la bonne équipe, sur le bon sujet, au bon moment, sous le bon responsable pour être promu
C’est pour cela que d’excellents profils partent ailleurs. Les agents d’entretien, mainteneurs et pompiers de l’organisation permettent à l’entreprise de fonctionner efficacement, mais ils ne sont pas correctement récompensés, respectés ni reconnus par les dirigeants. Ceux-ci les classent comme de « mauvais performeurs », sans comprendre l’importance d’avoir d’excellents talents sur des projets qui ne brillent pas
Les seuls à tirer profit des évaluations de performance sont les actionnaires, dont l’action bondit lors des licenciements, et les personnes qui manipulent le système à des fins politiques personnelles. Les meilleurs talents ne prospèrent pas vraiment dans ce genre de dispositif, parce qu’ils sont occupés à faire un travail réellement utile et important
https://www.essentiallysports.com/nba-active-basketball-news...
https://marginalrevolution.com/marginalrevolution/2024/08/go...
Cet article n’est pas très convaincant. L’auteur reconnaît déjà lui-même l’une des raisons
Dans les grandes entreprises, il y a des sous-performeurs, tout le monde en a vu, et l’auteur dit les considérer comme des erreurs de recrutement. Mais il ajoute qu’il n’existe pas de preuve évidente qu’une proportion donnée corresponde à des erreurs de recrutement
Pourtant, on peut s’attendre à une certaine proportion d’erreurs de recrutement. Et ce n’est pas binaire, c’est un continuum. Il y a aussi beaucoup d’autres facteurs : des personnes qui étaient excellentes au moment de l’embauche mais qui ont perdu leur intérêt et font le minimum, ou qui sont en burn-out ; des personnes pour qui une promotion ou une mutation ne convient pas et qui échouent à leur nouveau niveau ou dans leur nouveau rôle, etc.
Ici, la distribution de Pareto n’est pas très pertinente. Le processus de recrutement ne consiste pas à prélever un morceau de l’ensemble du marché du travail avec un seuil clairement défini. Pour n’importe quel poste, il s’agit de maximiser la performance que l’on peut obtenir pour un salaire donné, et il n’y a pas de raison que les erreurs de sous-estimation et de surestimation de la performance soient relativement symétriques
Étant donné l’entremêlement de nombreux facteurs, la distribution normale est une hypothèse bien plus raisonnable que l’idée selon laquelle on aurait simplement découpé une partie d’une distribution de Pareto
Le fait que A n’apprécie pas B ne signifie pas que A ou B soit inapte à travailler dans l’entreprise, mais cela conduit souvent à présenter le collaborateur comme un sous-performeur, ou à ne pas lui donner les ressources nécessaires pour réussir
Cet article revient à dire : « Ne serait-ce pas formidable si, en mesurant la performance des employés, on constatait qu’elle correspond mieux à une distribution de Pareto qu’à une distribution normale ? »
Est-ce vraiment formidable ? On peut supposer les implications de toutes sortes de choses improbables. Mais personnellement, je trouverais bien plus formidable que P = NP
À part ça, être licencié est douloureux, et l’être alors qu’on est très performant l’est encore plus. La vérité, c’est que la « data science » ne vous aide pas à gérer la tristesse comme le fait la lecture de Dostoïevski. C’est pourquoi, même si l’on travaille comme développeur logiciel, il peut être utile d’avoir eu A en culture générale
En tant qu’employés, la façon dont nous envisageons la gestion de la performance vient du système de notation scolaire.
Fait intéressant, les notes à l’école ne suivent souvent pas une distribution normale, surtout dans les cours faciles. Dans mon cours de sport, j’ai l’impression que plus de 95 % des élèves pouvaient obtenir un A, tandis qu’en chimie organique, seuls 5 à 10 % y parvenaient probablement.
De même, certains postes sont beaucoup plus faciles à bien exercer.
On devrait donc s’attendre à ce que pratiquement tous les postes administratifs affichent des performances « exceptionnelles », c’est-à-dire qu’ils accomplissent avec succès tout ce qui leur est demandé. À l’inverse, pour des personnes dont le périmètre de responsabilité est plus critique, une performance seulement légèrement supérieure à la moyenne peut avoir 10 fois plus d’impact pour l’entreprise.
Par exemple, si l’on me confie un projet qui nécessite beaucoup de collaboration avec le département X, mais que ce département est déjà surchargé, leur travail ne sera pas terminé à temps et ma performance en pâtira. Chaque aller-retour prend une demi-semaine, et je finis par passer la moitié de mon temps de façon improductive sans que ce soit de ma faute. À l’inverse, eux peuvent être productifs à 110 % tout en mettant le feu à toute l’organisation. À regarder uniquement ces indicateurs, il faudrait me licencier et augmenter les effectifs du département X, alors qu’en réalité il faudrait peut-être simplement recruter davantage de leur côté ou réorganiser le département.
Autre différence : à l’école, les élèves reçoivent généralement des devoirs identiques ou comparables. Dans mon poste actuel, où je suis chargé des problèmes difficiles, je suis convaincu qu’il est absolument impossible de comparer mon travail à celui d’un collègue qui traite des problèmes ordinaires. Ce n’est même pas le même sport. Si l’on ne comprend pas du tout le domaine du problème, par où commencer pour comparer la productivité ?