So sánh KPI giữa nhân viên chỉ công bằng khi họ làm việc trong điều kiện tương đương; nếu khác địa bàn, khác ca, khác tệp khách, con số thô phản ánh điều kiện nhiều hơn phản ánh năng lực. Người bán ở khu đông dân dễ có doanh số cao hơn người bán ở vùng thưa dân, dù người sau có thể làm tốt hơn với cơ hội mình có. Muốn so cho đúng, bạn phải điều chỉnh theo cơ hội, so với mức nền phù hợp, hoặc chỉ so trong nhóm tương đồng.
Bài này dành cho người quản lý nhóm phân tán: đội bán hàng nhiều tỉnh, chuỗi cửa hàng nhỏ, đội giao hàng nhiều tuyến, bộ phận làm theo ca. Bạn sẽ có bảng các yếu tố gây lệch, ba cách so công bằng hơn, một ví dụ giả định có tính toán, và những chỗ AI dễ đưa thiên lệch vào khi được nhờ tổng hợp điểm.
Vì sao con số thô thường bất công
Hầu hết KPI cá nhân trong nhóm đo kết quả của cả người lẫn hoàn cảnh. Doanh số của một nhân viên bán hàng phụ thuộc vào kỹ năng của họ, nhưng cũng phụ thuộc vào số khách tiềm năng ở địa bàn, mức thu nhập ở đó, đối thủ cạnh tranh, mùa vụ và cả những khách lớn được giao từ trước. Thời gian giao hàng của một tài xế phụ thuộc vào tay lái, nhưng cũng phụ thuộc vào tuyến đường đèo hay đường phố, mùa mưa hay mùa khô.
Khi bạn đặt các con số thô cạnh nhau và xếp từ cao xuống thấp, bạn đang ngầm giả định mọi người có cùng điều kiện. Giả định này hiếm khi đúng. Hậu quả là người ở vị trí thuận lợi được khen dù làm bình thường, người ở vị trí khó bị nhắc nhở dù làm rất cố gắng. Sau một thời gian, không ai muốn nhận địa bàn khó, ca đêm hay tệp khách khó tính.
Điều chỉnh không có nghĩa là bỏ qua khác biệt năng lực. Mục đích là tách phần nào của con số đến từ hoàn cảnh để phần còn lại phản ánh rõ hơn đóng góp của người làm. Không cách điều chỉnh nào hoàn hảo, nhưng một cách điều chỉnh có lý và minh bạch tốt hơn nhiều so với so con số thô.
Các yếu tố hay làm lệch con số giữa người với người
Bảng dưới liệt kê các yếu tố thường gặp. Mỗi nhóm sẽ có vài yếu tố quan trọng nhất; không cần điều chỉnh cho tất cả.
| Yếu tố | Ví dụ giả định | Hướng điều chỉnh |
|---|---|---|
| Quy mô thị trường của địa bàn | Một phường trung tâm ở Hà Nội và một xã vùng cao ở Lào Cai | So với mức nền của chính địa bàn, hoặc tính theo số khách tiềm năng |
| Tệp khách được giao | Một người nhận lại khách lớn của người nghỉ việc | Tách doanh số khách cũ và khách mới, hoặc đo mức tăng thay vì số tuyệt đối |
| Ca làm việc | Ca sáng cuối tuần ở quán cà phê đông khách gấp nhiều lần ca chiều thứ ba | Tính theo lượt khách trong ca thay vì doanh thu ca |
| Tuyến đường, thời tiết | Tuyến đèo mùa mưa và tuyến nội thành | Đặt thời gian chuẩn khác nhau cho từng tuyến, từng mùa |
| Thâm niên | Người mới ba tháng và người làm năm năm | So với lộ trình kỳ vọng theo thâm niên, không so trực tiếp |
| Độ khó của việc được giao | Kỹ thuật viên nhận ca phức tạp vì giỏi nhất | Phân loại việc theo độ khó, so trong từng loại |
Cột giữa cho thấy nhiều yếu tố là do chính người quản lý quyết định, như ai nhận khách lớn, ai làm ca nào. Vì vậy người quản lý có trách nhiệm điều chỉnh, không thể coi đó là may rủi của nhân viên.
Ba cách so công bằng hơn
So với mức nền của chính hoàn cảnh đó. Thay vì so người A với người B, so người A với kết quả trung bình của địa bàn A trong các kỳ trước, và người B với địa bàn B. Ai cải thiện nhiều hơn so với mức nền của mình thì đóng góp rõ hơn. Cách này cần vài kỳ số liệu lịch sử và dễ bị ảnh hưởng nếu mức nền cũ do người trước đó làm quá tốt hoặc quá kém.
Chỉ so trong nhóm tương đồng. Chia nhân viên thành các nhóm có điều kiện gần nhau, ví dụ cửa hàng mặt phố trung tâm, cửa hàng khu dân cư, cửa hàng vùng ven, rồi chỉ so trong từng nhóm. Cách này đơn giản, dễ giải thích, nhưng cần đủ người trong mỗi nhóm để so có ý nghĩa.
Đo theo cơ hội thay vì theo số tuyệt đối. Doanh số trên mỗi lượt khách vào cửa hàng thay vì tổng doanh số, số đơn giao đúng hẹn trên tổng đơn của tuyến thay vì tổng số đơn. Tỷ lệ theo cơ hội trung hoà phần lớn khác biệt về quy mô. Điểm yếu là đôi khi chính người làm tạo ra cơ hội, như người bán giỏi kéo được nhiều khách vào cửa hàng hơn, và tỷ lệ sẽ bỏ qua đóng góp đó.
Ví dụ giả định: hai nhân viên, hai bức tranh
Ví dụ giả định: một công ty phân phối vật tư nông nghiệp có hai nhân viên bán hàng. Chị Mai phụ trách khu vực quanh trung tâm Cần Thơ, anh Tùng phụ trách một vùng ở Cà Mau. Quý vừa qua, chị Mai đạt doanh số 1,2 tỷ đồng, anh Tùng đạt 600 triệu. Nếu xếp hạng theo con số thô, chị Mai gấp đôi anh Tùng.
Nhìn thêm hai con số khác. Mức nền của khu chị Mai, tức trung bình ba quý trước khi chị phụ trách, là 1,1 tỷ, nên chị tăng khoảng 9 phần trăm. Mức nền của vùng anh Tùng là 450 triệu, nên anh tăng khoảng 33 phần trăm. Về số đại lý đang mua, khu chị Mai có 40 đại lý, mỗi đại lý trung bình 30 triệu; vùng anh Tùng có 25 đại lý, mỗi đại lý trung bình 24 triệu, nhưng anh đã mở thêm 6 đại lý mới trong quý.
Bức tranh bây giờ khác hẳn. Chị Mai giữ tốt một địa bàn thuận lợi; anh Tùng đã mở rộng mạnh một vùng khó. Không có nghĩa anh Tùng giỏi hơn chị Mai, vì khu chị Mai có thể đã gần bão hoà. Nhưng rõ ràng chỉ nhìn doanh số thô sẽ dẫn tới kết luận sai, và nếu thưởng theo đó, lần sau sẽ không ai muốn nhận vùng của anh Tùng. Các con số này là ví dụ giả định để minh hoạ cách đọc, không phải mốc của ngành nào.
Khi nhờ AI tổng hợp điểm: thiên lệch vào từ đâu
Nhiều người quản lý dán bảng KPI của cả nhóm vào chatbot và nhờ nhận xét hoặc gợi ý xếp loại. Có ba con đường thiên lệch đi vào. Thứ nhất, AI chỉ thấy con số bạn đưa vào. Nếu bảng không có cột địa bàn, ca làm, mức nền, AI sẽ so con số thô và đưa ra nhận xét nghe rất hợp lý nhưng bất công. Thứ hai, nếu bảng có thông tin như tuổi, giới tính, quê quán hay tên người, AI có thể vô tình đưa những khuôn mẫu xã hội vào cách diễn đạt nhận xét, kể cả khi không được hỏi.
Thứ ba, AI thường viết nhận xét với giọng tự tin như thể đã biết rõ người đó, trong khi nó chỉ có vài con số. Một câu như “nhân viên này thiếu chủ động” sinh ra từ một con số thấp có thể theo người đó vào hồ sơ đánh giá mà không có căn cứ thật.
Cách dùng an toàn hơn: thay tên bằng mã, bỏ mọi thông tin cá nhân không liên quan tới công việc, đưa đủ các cột điều kiện làm việc, và chỉ hỏi AI về con số chứ không hỏi về con người. Câu lệnh mẫu: “Bảng dưới gồm mã nhân viên, địa bàn, mức nền ba quý trước, số đại lý và doanh số quý này. Hãy tính mức thay đổi so với mức nền và doanh số trên mỗi đại lý cho từng mã, chỉ ra những trường hợp mà xếp theo số thô và xếp theo mức điều chỉnh cho kết quả khác nhau. Không đưa ra nhận xét về tính cách hay thái độ của ai.” Sau đó tự kiểm lại từng phép tính trên bảng gốc, vì chatbot có thể tính sai.
Rà công bằng trước khi kết luận về một người
Trước khi dùng kết quả so sánh để khen, nhắc nhở hay xếp loại, hãy đi qua các bước sau:
- Liệt kê các yếu tố điều kiện làm việc khác nhau giữa những người đang được so.
- Kiểm xem trong các yếu tố đó, yếu tố nào do người quản lý phân công.
- Tính ít nhất hai cách so: số thô và một cách đã điều chỉnh. Nếu hai cách cho kết quả gần nhau, kết luận khá vững.
- Nếu hai cách cho kết quả khác xa, không kết luận vội. Nói chuyện với người liên quan để hiểu bối cảnh.
- Viết nhận xét dựa trên việc cụ thể đã quan sát được, không dựa trên suy diễn từ con số.
- Nếu kết quả dùng cho quyết định ảnh hưởng tới thu nhập hay vị trí, theo đúng quy chế đánh giá của đơn vị, có người thứ hai xem lại và cho người được đánh giá cơ hội giải trình.
Quy trình này mất thêm thời gian, nhưng đó là thời gian đáng bỏ ra. Một kết luận sai về một người giỏi ở vị trí khó có thể khiến bạn mất người đó, và khiến cả nhóm hiểu rằng nhận việc khó là thiệt. Phần quy trình đánh giá nhân viên đầy đủ có trang AI Nhân Sự bàn riêng.
Những sai lầm hay gặp khi điều chỉnh
Điều chỉnh để công bằng cũng có thể làm hỏng hệ chỉ số nếu làm sai cách. Các lỗi thường gặp:
- Điều chỉnh sau khi đã thấy kết quả, chọn cách tính nào có lợi cho người mình muốn khen. Cách điều chỉnh phải được công bố trước khi kỳ bắt đầu.
- Thêm quá nhiều hệ số tới mức không ai hiểu con số cuối cùng từ đâu ra, và mọi người chuyển sang tranh cãi hệ số thay vì làm việc.
- Chấp nhận mọi lý do khách quan mà nhân viên đưa ra. Mưa bão, đối thủ giảm giá là có thật, nhưng nếu kỳ nào cũng có lý do thì cần xem lại.
- Điều chỉnh cho yếu tố mà chính người đó có thể thay đổi, như số khách họ tự tìm thêm, làm mất ghi nhận cho phần nỗ lực thật.
- Dùng mức nền quá cũ, không còn phản ánh thị trường hiện tại sau khi địa bàn đã thay đổi nhiều.
- Áp dụng điều chỉnh cho người này mà không áp dụng cho người khác có cùng hoàn cảnh.
Nguyên tắc chung là ít hệ số, công bố trước, áp dụng nhất quán và rà lại mỗi năm. Một cách điều chỉnh đơn giản mà mọi người hiểu và tin thì có giá trị hơn một mô hình tinh vi mà không ai kiểm được.
Câu hỏi thường gặp
Điều chỉnh theo địa bàn có làm người ở địa bàn tốt thấy bất công không?
Có thể, nếu cách điều chỉnh không minh bạch. Hãy công bố cách tính từ đầu kỳ, giải thích lý do và cho mọi người thấy số của mình theo cả hai cách. Khi cách điều chỉnh có lý và áp dụng nhất quán, người ở địa bàn tốt thường chấp nhận vì họ cũng có lúc được giao vùng khó.
Nhóm nhỏ chỉ ba bốn người có cần điều chỉnh không?
Với nhóm rất nhỏ, chia nhóm tương đồng thường không khả thi. Cách hợp lý hơn là so mỗi người với mức nền của chính họ hoặc của vị trí họ đảm nhận, và kết hợp với quan sát trực tiếp của người quản lý, vốn rất sát trong nhóm nhỏ.
Có nên công khai bảng so sánh KPI giữa nhân viên không?
Bảng xếp hạng công khai dễ gây so bì và làm giảm hợp tác, nhất là khi điều kiện làm việc khác nhau. Nếu muốn minh bạch, công khai cách tính và kết quả của cả nhóm, còn kết quả từng người trao đổi riêng, kèm bối cảnh và hướng hỗ trợ.
AI có tự nhận ra yếu tố gây lệch trong bảng số không?
Chỉ khi bạn đưa yếu tố đó vào bảng. AI không biết địa bàn nào khó, ca nào vắng, ai nhận khách lớn từ người trước, trừ khi được cho biết. Vì vậy người quản lý phải tự liệt kê các yếu tố điều kiện, rồi mới nhờ AI tính và so.
Mức nền lấy từ người làm trước có đáng tin không?
Mức nền do người trước tạo ra có thể quá cao nếu họ rất giỏi, hoặc quá thấp nếu họ làm kém. Nên dùng trung bình nhiều kỳ, loại các kỳ bất thường, và khi có thể thì kết hợp với số liệu bên ngoài như số khách tiềm năng của địa bàn.