第九章——打造学习型组织的读后感稍后补上，今天想总结下第十章——不公平薪酬。
这一章对于目前工作中的一个新的疑问：给工作岗位相同的员工完全不同的薪酬是否公平？给出了完美的解答。
“你最优秀的员工比你想象中的更为优秀，值得你支付更高的薪酬”
谷歌花了10年时间，一方面创造合适的环境因素，确保内在机理因素能继续保持（我们的使命，关注透明度，谷歌人对公司如何运转有很强的话语权，可以自由地探索，经历失败并学习，有助于协作的物理空间），另一方面调整了外部激励因素，总结下来有四条规则：
1、不公平报酬
2、以成就为荣，不以报酬为荣
3、创造易于传播爱的环境
4、精心筹划却遭受失败的要奖励
谷歌也曾在探索如何奖励员工的道路上犯了许多错误，一路上，研究了薪酬、公平、公正和快乐度。多数公司在误导之下探索“公平”，建立起的薪酬体系迫使表现最优和潜力最大的员工辞职，所谓的薪酬最佳实践法以搜集市场数据为起点，而后设定控制界限，确定员工的个人薪酬可偏离市场薪酬和其他员工的薪酬范围。这种体系中有些缺陷，多数公司采用这种薪酬支付方式以控制成本，因为他们认为某一工作的绩效表现范围是很狭窄的，但是他们错了。在《赢家通吃的社会》一书中预测越来越多的工作中会出现薪酬不平等加剧的情况，因为最优秀的人才越来越容易发现，流动性越来越大，因此从他们为雇主创造的价值中分取更大份额的机会也更大，这恰恰是洋基队的认识：最优秀的队员除了需要高报酬外，也能持续创造优异的成果。这点在我们公司也有相同感受，越来越深刻觉得我们经历过十多年创业的ceo在通晓人性上有着大智慧，虽然在某些细节上他又是比较随性的人。
有一个问题：一个人的贡献很有可能比她所得的薪酬提升更快，当内部薪酬体系没有做出足够迅速的调整，也没有足够的灵活性，为最优秀的员工安排与其价值相当的报酬的时候，作为一名优秀的员工，理智的做法是辞职。
为什么公司不设计一种体系，避免最优秀和潜力最大的员工辞职呢？因为他们对公平有一种错误认识，没有勇气坦诚面对自己的员工，薪酬的公平并不是说所有在同级别岗位上的人都要拿同样的薪水或是上下相差不到20%。薪酬与贡献相匹配才能算得上公平。
关于第二条工作原则，谷歌在设置“创始人奖”的项目中栽了大跟头，才意识到，极端奖励体系要同时满足分配公正和程序公正两项要求，将奖项进行调整，公开的、自上而下的奖励项目要真正面向全公司开放，将提供金钱奖励改为体验奖励，在调整奖励方式的过程中谷歌也在不确定的结果中进行了实验，最终证明，金钱带来的喜悦转瞬即逝，但是美好的记忆却永远留在脑海中。谷歌依然会对特殊人才进行金钱和股权奖励，但是更符合幂率分布，过去10年里，谷歌明白了如何决定奖励与奖励多少是同样重要的事情，公开的进行体验奖励，私下里进行差异化奖金和股权奖励，这样的结果使谷歌人变得比以前更开心。
第三条，创造易于传播爱的环境，谷歌通过开发gThanks的工具方便员工对了不起的工作表达赞许，并对所有人可见。据传拿破仑曾写过这样的话，尽管其中透着邪恶的语气“我又一个世上最奇妙的发现，我发现人为了获得绶带愿意冒着生命危险，甚至宁死不惜！”很简单，公开的赞誉是最有效也是最少使用的管理工具。设立同事奖金，鼓励员工参与到给与奖励的工作中是gThanks的另一个功能，相信员工能做正确的事，结果通常他们都会去做正确的事情。允许员工相互奖励，营造了一种相互认可和互相服务的文化氛围，也向员工展示了，他们应该像主人翁一样思考，而不是像奴隶一般。
第四条，精心筹划却遭失败的要奖励。努力工作不一定都能取得成功，如果你做的错误的事情，那么你工作多么努力都没有意义，因为对结果都没有任何影响。即使谷歌中最优秀的人也偶尔遭受失败，重要的是你如何应对失败。在google wave项目失败后，对团队成员进行了没有巨额奖励但也超出他们预期的奖励之后，有一些领导者和几个成员辞了职，组织中看似最善于学习的一些人其实并不一定特别善于学习，没有经历过失败，没有在失败中学习，过于自我保护，听不进批评意见。不从自己身上找原因，简而言之，他们的学习能力在最需要学习的时候消失了。“我们学到了什么”，在google团队中，期望好消息和坏消息一样被广泛分享，这样团队和他的领导者就不至于无视真实发生的事情，也能够强化从错误中学习的重要性。在其他环境下也同样适用，一家学校在中学数学课本中采用了这种方式，如果一个孩子在数学考试中做错了一道题目，他们可以再次尝试解答这道题目，做对可以得到一半的分数。他们的校长认为：掌握几何和代数知识非常关键，但是让他们学会面对失败时再次尝试而不是放弃也同样重要。中国的家长在对孩子承诺考试得到多少分就给予某种奖励的时候，不妨试试再给孩子一次纠正错题的机会，毕竟，错误的题目只错一次才是目的。多少高考状元的秘密武器中都有一个错题本啊。
正态分布和幂率分布：分布是用于描述数据形态的，正态分布又称为高斯分布，在研究人员和商人中非常流行，因为它可以用于描述很多事情的分布：身高体重外向内向等。更方便的是，任何符合高斯分布的事项都有一个平均数和标准偏差，可以利用这些数据预测未来，标准偏差用于描述某种范围的变化发生的概率。高斯分布的优势恰恰也是其弱点所在，它太方便使用了，而且表面看来可以描述太多不同的现象，但是在某些情况下并不能解释深层的实情。高斯分布在很多方面会出现重大误判，比如重大物理事件和经济事件的发生，人们经济收入的巨大差异，个体异于常人的表现等，这些咋高斯分布模型中不太可能出现，但你确实知道他们的存在。
从统计学上讲，这些现象更适合用“幂率分布”。
不太好描述，用图示例说明，人类的智商是符合正态分布的，而人类的财富是符合幂率分布的。
