ณภัทร จาตุศรีพิทักษ์
ทุกวันนี้ในสังคมดิจิทัล (ที่แท้จริง) จะเหลือ “การตัดสินใจสำคัญ” ที่ยังไม่ค่อยได้ใช้ประโยชน์จากข้อมูลขนาดใหญ่อยู่ไม่กี่ประเภท
ที่หลงเหลืออยู่ ส่วนมากจะเป็นการตัดสินใจที่มี 3 ลักษณะเด่น คือ
-
1) สมัยก่อนไม่เคยมีข้อมูลดีๆ (หรือไม่มีเลย)
2) มีผลกระทบที่คอขาดบาดตาย (high-stakes)
3) มีวัฒนธรรมในสังคมหรือองค์กรที่ชี้ว่าควรให้ “สมองคน” หรือ “ดุลพินิจ” ของผู้ที่มีคุณสมบัติเหมาะสมเป็นตัวชี้นำในการตัดสินใจ
การสร้างทัศนคติ data-driven ระหว่างการตัดสินใจที่มีลักษณะเหล่านี้จึงเป็นไปได้อย่างเชื่องช้าและมักมีกระแสต่อต้านรุมล้อม เรียกได้ว่ามี “ความเฉื่อย” ชั้นดีในการคอยรั้งการเปลี่ยนทัศนคติ
เรามีทางเลือกที่จะตัดสินใจแบบเดิมๆ ต่อไป แต่หลังจากที่มีข้อมูลดีขึ้น เราเริ่มเห็นแล้วว่าการตัดสินใจเหล่านี้โดยการพึ่งพา “คน” อย่างเดียวนั้นมีข้อจำกัดหรืออาจมีโทษด้วยซ้ำ เช่น ในการตัดสินใจฝากขังหรือปล่อยตัวจำเลยโดยผู้พิพาษาที่พบว่ามีการปล่อยตัวพลาดเป็นจำนวนมากอย่างน่าตกใจ เป็นต้น
เพื่อให้เห็นภาพ ผู้เขียนจะขอยกตัวอย่างที่หลายคนน่าจะคุ้นเคยกัน นั่นก็คือ การตัดสินใจจ้างงาน ขึ้น/ลดเงินเดือน หรือเชิญออก โดยจะเป็นตัวอย่างที่มาจากประสบการณ์ทำงานวิจัยของผู้เขียนในความร่วมมือกับ school district แห่งหนึ่งในสหรัฐฯ อเมริกาเพื่อหา insight จากกองข้อมูล Human Resources (HR) มาใช้ช่วยปรับวิธีตัดสินใจในการไล่ล่าคัดเลือกครูคุณภาพ และในการต่อสัญญาจ้างงาน
แม้ตัวอย่างนี้จะมาจากเซกเตอร์การศึกษา ผู้เขียนคิดว่ามันมีประเด็นที่ HR ขององค์กรในเซกเตอร์อื่นๆ ก็ต้องพบเจออยู่บ่อยๆ เหมือนกัน เช่น จะทราบได้อย่างไรก่อนจ้างงานว่าลูกจ้างคนนี้จะทำงานได้ดี หรือ อยู่กับเรายาว เป็นต้น
ข้อมูล HR มีประโยชน์อะไร?
คำถามแรกที่หลายคนมีคือ ทำไมถึงจะต้องเปลี่ยนวิธีที่เรา approach การจ้างงาน การสอบสัมภาษณ์ การกำหนดเงินเดือน การอนุญาตลาพัก หรือการตัดสินใจเชิญออก ทั้งๆ ที่บริษัททั่วโลกทั้งเล็กใหญ่ก็ทำสิ่งเหล่านี้มาตั้งแต่ไหนแต่ไรได้โดยไม่ต้องพึ่งข้อมูลมากมายขนาดนั้นในอดีต
คำตอบของผู้เขียนและนักเศรษฐศาสตร์ในทีมคือ “แล้วคุณทราบได้อย่างไรว่า สิ่งที่ทำอยู่เป็นประจำมันดีแล้ว หรือมั่นใจได้อย่างไรว่ามันไม่มีวิธีอื่นๆ ที่จะช่วยทำให้คุณบริหารแรงงานในองค์กรได้ดีกว่านี้” เพราะการใช้ข้อมูล HR เพื่อสร้างอัลกอริทึมแนะนำให้จ้างใครหรือไม่จ้างใครมีการวิจัยและทดลองแล้วไม่น้อยว่าสามารถช่วยให้บริษัทหรือองค์กรทำการจ้างงานได้มีประสิทธิภาพมากขึ้น
หลายๆ ครั้งในเซกเตอร์การศึกษา โดยเฉพาะในโรงเรียนรัฐบาล การสนทนาจะจบลงที่ตรงนี้ เนื่องจากไม่ค่อยมีแรงจูงใจและมีวัฒนธรรมฝังลึกว่าเราวัดคุณภาพครูด้วยตัวเลขไม่ได้ (หรือไม่ก็คงเป็นเพราะเขาไม่ชอบที่นักเศรษฐศาสตร์อย่างพวกเราตอบ “ตรง” เกินไป)
โชคดีที่ Minneapolis Public Schools มีผู้กำกับการ (superintendent) ที่มีใจเปิดกว้าง บวกกับเขามีคลังข้อมูล HR (เช่น พฤติกรรมสมัครงาน อันดับหลังสอบสัมภาษณ์ ใครได้ตำแหน่งไหนปฏิเสธตำแหน่งไหน เงินเดือน ประวัติขาดงาน ประวัติลาออก/เชิญออก ที่อยู่อาศัย ฯลฯ) ซึ่งเป็นอะไรที่หลายองค์กรมีเก็บไว้ “เป็นพิธี” อยู่แล้ว อีกทั้งยังเป็นช่วงที่เริ่มมีการเก็บข้อมูลคุณภาพครูอย่างจริงจัง จึงเกิดเป็นความร่วมมือระหว่างทีมวิจัยที่ผมเป็นส่วนหนึ่งด้วยกับ school district แห่งนี้ (มีโรงเรียนอยู่ภายใต้การควบคุมประมาณ 100 โรงเรียน)
หลังจากที่พวกเราเริ่มวิเคราะห์ข้อมูลกัน สิ่งแรกที่พบคือการจ้างครูในอดีตแบบ centralized (ไม่ให้ครูใหญ่คัดเลือกครู แต่ให้ส่วนกลางเลือกครูไปบรรจุในแต่ละท้องที่) ไม่ได้ต่างจากการสุ่ม (hire at random) เลือกกระดาษขึ้นมาจากกอง CV เท่าไรนัก อย่างน้อยๆ ก็ในเชิงของผลการประเมินคุณภาพครู (effectiveness) และการรักษาไว้ซึ่งพนักงาน (employee retention)
เป็นผลลัพธ์ที่ทำให้หลายคนรู้สึกไม่ดี เนื่องจากค่าจ้างบุคลากรนั้นเป็นถึงกว่า 80% ของงบประมาณโรงเรียน จะคัดเลือกทั้งทีก็ควรคัดให้ดีๆ คุ้มกับเวลาและต้นทุนหน่อยใช่ไหมครับ?
แต่ผลลัพธ์นี้ไม่เป็นที่น่าแปลกใจเลยสำหรับผู้ที่ติดตามงานวิจัยแรงงานครู เนื่องจากคุณค่าของครูคนใหม่ที่กำลังจะถูกจ้างเป็นอะไรที่ทำนายแทบจะไม่ได้ก่อนจะลงมือเซ็นสัญญาจ้างและลงทุนไปกับครูคนนั้น (Clotfelter, Ladd & Vigdor, 2010; Hanushek & Rivkin, 2012; Harris & Sass, 2011)
ความเป็นจริงที่เจ็บปวด (ของบิดามารดาและเด็กๆ) คือ school districts ในสหรัฐฯ มักจ้างครูที่ “คิดว่าพอไหว” มาก่อน ซึ่งมีงานวิจัยพบว่าไม่ต่างกับการจ้างแบบสุ่ม (Goldhaber, Grout, & Huntington-Klein, 2014) รอไปสัก 3 ปี แล้วค่อยประเมินผล ถึงจะทราบว่าครูคนไหนควรจะอยู่ ครูคนไหนควรจะไป หากเด็กๆ โชคดี ครูที่ไม่สมควรเป็นครูต่อไปก็จะถูกเชิญออก แต่ถ้าโชคร้ายหรือบางรัฐมีสหภาพแรงงาน (union) ที่มีอำนาจมาก ก็จะมีให้พบเห็นบ่อยเหมือนกันที่ครูที่ไม่สมควรจะอยู่ก็ยังสามารถวนเวียนอยู่ต่อไปได้เรื่อยๆ อย่างนั้น
ปัญหาใหญ่คือในช่วงเวลา “ระหว่างรอพิสูจน์ตัวเอง” 3 ปีนี้จะมีเด็กๆ ที่โชคร้ายจำเป็นต้องมาเป็นนักเรียนในห้องเรียนของครูที่ไม่สมควรถูกจ้างมาตั้งแต่แรกจำนวนไม่น้อยทั่วประเทศ
ถือเป็นอะไรที่น่าเสียดายมากเนื่องจากในช่วง 10 ปีที่ผ่านมานี้ มีงานวิจัยผุดเกิดขึ้นมานับไม่ถ้วนที่พบว่าการสอนโดยครูที่มีคุณภาพสูงกว่าค่าเฉลี่ยประมาณ 1 standard deviation จะส่งผลทางบวกต่อสังคมได้ถึงปีละ 2 แสนดอลลาร์ต่อนักเรียนหนึ่งคน (Chetty R., et al., 2011; Chetty, Friedman, & Rockoff, 2013) เนื่องจากเด็กๆ เหล่านี้มีโอกาสเติบโตขึ้นไปเป็นผู้ใหญ่ที่ประสบความสำเร็จมากขึ้น
HR Insight ใหม่ๆ มีอะไรบ้าง
จากการร่วมมือของทีมวิจัยที่มีนักเศรษฐศาสตร์ อดีตครู นักจิตวิทยาเด็ก และนักวิทยาศาสตร์ข้อมูล เราทำการศึกษาคลังข้อมูล HR และพบหลักฐานหลายอย่างที่มีประโยชน์ต่อการบริหารแรงงานครูและกำลังมีผลผลักดันให้เกิดการเปลี่ยนแปลงในการบริหารแรงงานในอนาคตจริงๆ
บทเรียนแรกคือจากการทำ text และ sentiment analysis บนข้อมูลใบสมัครงานขนาดใหญ่ของผู้สมัครที่ไม่เคยเป็นครูมาก่อน ทีมเราพบว่า 1) ผู้สมัครที่เปลี่ยนงานเพราะ “ปล่อยไปตามหัวใจ เพื่อทำในสิ่งที่ชอบ” (follow passion) 2) ผู้สมัครที่เราชัวร์ว่าเขาลาออกมาเองโดยไม่ได้ถูกไล่ออก และ 3) ผู้สมัครที่เขียนอธิยายเกี่ยวกับงานเก่าในสำนวน/โทนบวกมากกว่าลบ มีโอกาสที่ในอนาคตจะมาเป็นครูที่มีคุณค่ากับ school district นี้มากกว่าผู้สมัครอื่นๆ (คุณค่าในที่นี้ หมายถึง สอนเก่งและอยู่ยาว ครูที่สอนเก่งแต่อยู่สั้นถือว่ามีคุณค่าแต่ไม่มากเท่า ส่วนครูที่สอนไม่เก่งแต่กลับอยู่ยาวถือว่ามีคุณค่าน้อยที่สุด)
อีกบทเรียนคือเราพบว่า หลังจากที่มีการเปิดโอกาสให้ครูใหญ่เลือกครูได้บ้าง (สมัยก่อนครูคนไหนอวุโสที่สุดจะมีสิทธิพิเศษย้ายไปทำงานได้ทุกที่ๆ ตนอยาก ครูใหญ่ทำได้แค่ “รับทราบ”) ครูใหญ่สามารถคัดเลือกจ้างครูที่มีคุณภาพได้ ทั้งๆ ที่ข้อมูลคุณภาพของผู้สมัคร (ผลประเมินครู) ไม่เคยมีการเปิดเผยต่อครูใหญ่ก่อนจ้างเลย ผิดกับสมัยที่ให้ส่วนกลางเป็นผู้คัดเลือก แต่ทั้งนี้ก็ไม่ได้แปลว่าทุกอย่างเพอร์เฟกต์ เนื่องจากเราพบว่ามีหลายกรณีเหมือนกันที่ครูคุณภาพสูงบางคนถูกคัดออกไปก่อนในรอบคัดเลือก CV ทั้งๆ ที่จริงๆ แล้วด้วยคุณสมบัติหลายๆ อย่างในข้อมูลที่นักวิจัยอย่างเรามี เขาน่าจะเป็นที่ชื่นชอบในรอบสอบสัมภาษณ์หากมีโอกาสได้สัมภาษณ์ ส่วนครูที่คุณภาพปานกลางบางคนกลับถูกจ้าง กรณีแบบนี้เกิดขึ้นบ่อยใน job posting ที่มีผู้สมัครจำนวนมากแต่ครูใหญ่ถูกกฎบังคับให้สัมภาษณ์ได้มากที่สุดแค่ 4 คน
กล่าวโดยสรุปก็คือ คลังข้อมูล HR ที่ไม่เคยมีใครเหลียวแลตอนนี้กลับเริ่มมีคุณค่าขึ้นมากกับ school district แห่งนี้ และขณะนี้เริ่มมีการนำผลวิจัยไปสร้างเป็นระบบเตือนให้กับครูใหญ่ก่อนที่เขาจะตัดสินใจอะไรสำคัญๆ แล้ว เช่น ก่อนจะต่อสัญญากับครูคนไหน ถ้าระบบ warning system พบว่ามีประวัติคุณภาพด่างพร้อย ก็จะเตือนให้ครูใหญ่ใคร่ครวญดีๆ อีกทีและบังคับให้เขียนอธิบายถึงเหตุผลว่าทำไมถึงยังอยากต่อสัญญา
HR แบบ Data-driven ก็มีความเป็นธรรมได้
“คุณวัดคุณภาพครูด้วยตัวเลขไม่ได้หรอก…และมันไม่มีวันเป็นธรรม”
นี่เป็นคำพูดที่ทีมวิจัยของผู้เขียนได้ยินแทบทุกเดือน และหลังๆ เริ่มมีกระแสต่อต้านว่าการใช้ข้อมูลเพื่อประเมินคุณภาพครูหรือเพื่อช่วยครูใหญ่ตัดสินใจว่าจะต่อสัญญาจ้างกับใครนั้นไม่แฟร์ อาจทำให้ครูที่ไม่ใช่คนขาว (ซึ่งขาดแคลนมาก) หรือครูที่ไม่ได้อยากสอนเพื่อสอบ (teaching to the test) ถูกเอาเปรียบได้
โดยส่วนตัวแล้วผู้เขียนเห็นด้วยครึ่งหนึ่ง ว่า “คุณวัดคุณภาพครู (ทุกมิติ) ด้วยตัวเลขไม่ได้หรอก” และไม่ควรชี้ชะตาของบุคคลากรด้วยตัวเลขแค่สามสี่ตัว
แต่ไม่เห็นด้วยตรงที่ว่าจะไม่วัดอะไรเลยแทน ซึ่งเป็นทางเลือกที่สหภาพแรงงานครูหลายแห่งในสหรัฐฯ รวมถึงครูจำนวนไม่น้อยต้องการ โดยเฉพาะอย่างยิ่งในเมื่อเรามีหลักฐานค่อนข้างแน่นหนาว่าตัวชี้วัดที่เราเห็นตรงกันว่ายังไม่สมบูรณ์แบบนี้มันสามารถนำมาซึ่งความสำเร็จของเด็กๆ ในระยะยาวได้จริงๆ
ผู้เขียนมองว่า ถ้าเราสามารถพิสูจน์ว่าเราเชื่อมคุณภาพครูกับอนาคตเด็กได้ 100% วันนี้เราคงไม่ต้องเถียงกันว่าควรหรือไม่ควรใช้ตัวชี้วัดคุณภาพครูมาประกอบกับการตัดสินใจเรื่องเงินเดือนหรือการต่อสัญญาว่าจ้าง (ควรแน่นอน) แต่ในเมื่อเรายังก้าวไปไม่ถึงจุดนั้น การวัดคุณภาพบุคคลากรจึงเป็นอะไรที่ละเอียดอ่อน และจำเป็นที่จะต้องมีการพัฒนาไปเรื่อยๆ ด้วยประสบการณ์จริงของมนุษย์ ใน school district นี้จึงต้องมีตัวชี้วัดคุณภาพครูถึง 7 แบบที่แตกต่างกันในหลายมิติ ตั้งแต่วัดตามความสามารถของครู (ที่ไม่เกี่ยวกับตัวเด็ก) ในการเพิ่มคะแนนสอบเด็ก ความมีปฏิสัมพันธ์ที่ดีต่อเด็กๆ ไปจนถึงความเป็นผู้ร่วมงานที่ดีมีทีมเวิร์ก
เคยมีการทดลองเล่นๆ พาผู้กำกับการเดินทัวร์ตรวจห้องเรียน 10 ห้องแบบไม่ได้นัดหมายแล้วจัดอันดับคร่าวๆ ว่าครูคนไหนดูมีคุณภาพที่สุด หลังจากเอาอันดับนี้มาเทียบกับอันดับที่จัดด้วยตัวชี้วัดรวมเหล่านี้ พบว่าสองอันดับนี้แทบไม่ต่างกัน ถ้าเราเชื่อว่าผู้กำกับการเป็นคนที่มากด้วยประสบการณ์และน่าจะตัดสินใจได้ดีกว่าคนทั่วไปมาก ระบบวัดคุณภาพระบบนี้ก็ไม่เลวเลยทีเดียวนะครับ
ส่วนในประเด็นเรื่องความไม่เป็นธรรมต่อคนบางกลุ่ม ผู้เขียนมองว่าการเก็บและการวิเคราะห์ข้อมูล HR เป็นการ “เพิ่มทางเลือก” ให้กับผู้นำองค์กร ไม่ใช่การสร้าง “black box” ปริศนาที่ทำให้ผู้คนสับสนคิดว่าเรากำลังหลับหูหลับตาป้อนข้อมูลเกี่ยวกับคนคนหนึ่งเข้าไปแล้วดูว่ามันจะชี้ว่าชะตากรรมของเขาจะเป็นอย่างไรตามโมเดลสถิติ
ที่ผู้เขียนคิดว่ามันเป็นการเพิ่มทางเลือก เป็นเพราะว่าหากไม่มีข้อมูล HR ที่มีคุณภาพเลย นอกจากผู้นำจะไม่ทราบว่าตนเองบริหารแรงงานได้ดีแค่ไหนต่อองค์กรแล้ว ผู้นำจะไม่มีโอกาสเห็นหรือชี้แจงด้วยความโปร่งใสว่าการตัดสินใจจ้างงาน ขึ้นลงเงินเดือน หรือเชิญออกทั้งหมดนั้นมีที่มาที่ไปอย่างไรเลย ซึ่งสิ่งเหล่านี้มีความสำคัญมากในองค์กรหรือสังคมที่มองเห็นคุณค่าของความเป็นธรรม
ยกตัวอย่าง เช่น ในกรณีที่พบว่าระบบแนะนำให้ต่อหรือไม่ต่อสัญญาจ้างทำให้โอกาสที่พนักงานเพศชาย วัย 50 ขึ้น ผิวดำ ต่อสัญญาได้ยากขึ้น ผู้นำองค์กรมีสองทางเลือกว่า 1) จะยึดมั่นกับระบบนี้ต่อไปเพราะเขาใส่ใจแค่ในคุณภาพแรงงานที่วัดได้ ไม่สนความเท่าเทียมกัน หรือ 2) จะคำนึงถึงปัจจัยอื่นนอกเหนือจากคุณภาพแรงงาน เช่น ความเท่าเทียมกัน หรือ ความหลากหลายของบุคลากรในองค์กร โดยอาจจะเพิ่มแต้มต่อให้กับแรงงานจากกลุ่มที่กำลังเสียเปรียบในระบบ ซึ่งก็ไม่ได้เป็นเรื่องยากอะไรในเชิงเทคนิค การมีระบบทำให้เรามีทางเลือกนี้เพิ่มขึ้น
หรือในทางกลับกัน การมีข้อมูลพวกนี้อาจจะเป็นการช่วยทำให้พนักงานเพศชายผิวดำไม่ถูกเอาเปรียบเท่าแต่ก่อนเพราะว่าอคติของเจ้านายผิวขาวหรือการใช้เส้นสายในหมู่คนขาวก็เป็นไปได้ เนื่องจากการจ้างงาน การขึ้นลงเงินเดือน หรือการเชิญออกทั้งในอดีตและปัจจุบันมักเป็นเรื่องที่อยู่ภายในห้องทำงานของเจ้านาย ไม่ค่อยมีหลักฐานใดๆ ที่เปิดเผย
สุดท้ายนี้การนำทัศนคติ data-driven มาใช้ในการบริหารแรงงานจะนำมาซึ่งความมีประสิทธิภาพและความเป็นธรรมที่มากขึ้นหรือน้อยลง ทั้งหมดนี้คงขึ้นอยู่กับว่าเราเลือกที่จะใช้ข้อมูลอย่างไร เพราะการเปลี่ยนแปลงวัฒนธรรม HR แบบ data-driven ไม่จำเป็นต้องมาจากการสร้างระบบข้อมูลที่ไร้วิญญาณเสมอไป แต่ควรมาจากการผสมผสานระหว่างสิ่งที่มนุษย์เราเก่ง (การสังเกตบางอย่างเกี่ยวกับคนคนหนึ่ง หรือ การตระหนักถึงความไม่เท่าเทียมกัน) กับสิ่งที่ระบบข้อมูลและสถิติช่วยได้ (การทำนาย ลดอคติ เพิ่มความโปร่งใส และมีความทรงจำดีเลิศ) เพื่อเพิ่มประสิทธิภาพและความเป็นธรรมในการบริหารแรงงานในองค์กรต่อไป
ติดตามบทวิเคราะห์จากมุมมองเศรษฐศาสตร์ที่เข้าใจง่ายได้ที่ www.settakid.com ครับ
อ้างอิง:
Chetty, Raj, John N. Friedman, Nathaniel Hilger, Emmanuel Saez, Diane Whitmore Schanzenbach, and Danny Yagan. “How does your kindergarten classroom affect your earnings? Evidence from Project STAR.” The Quarterly Journal of Economics 126, no. 4 (2011): 1593-1660.
Chetty, Raj, John N. Friedman, and Jonah E. Rockoff. “Measuring the impacts of teachers II: Teacher value-added and student outcomes in adulthood.” The American Economic Review 104, no. 9 (2014): 2633-2679.
Clotfelter, Charles T., Helen F. Ladd, and Jacob L. Vigdor. “Teacher credentials and student achievement in high school a cross-subject analysis with student fixed effects.” Journal of Human Resources 45, no. 3 (2010): 655-681.
Goldhaber, Dan, Cyrus Grout, and Nick Huntington-Klein. “Screen Twice, Cut Once: Assessing the Predictive Validity of Teacher Selection Tools.” Society for Research on Educational Effectiveness (2015).
Hanushek, Eric A., and Steven G. Rivkin. “The distribution of teacher quality and implications for policy.” Annu. Rev. Econ. 4, no. 1 (2012): 131-157.
Harris, Douglas N., and Tim R. Sass. “Teacher training, teacher quality and student achievement.” Journal of public economics 95, no. 7 (2011): 798-812.
