FREE!!! #антиконфаhr - главное онлайн-мероприятие о карьере hr
Close
Блог

Как анализировать обзоры заработных плат, если в них не хватает данных

Дмитрий Сучков
Сертифицированный эксперт по вознаграждению персонала (GRP). Преподаватель онлайн-курса TOTAL REWARDS для HR-ов, который стартует 25 сентября.
Компании разрабатывают систему оплаты труда с учетом рыночных данных, анализируя обзоры заработных плат. Но что делать, если в обзорах вы не нашли нужную информацию? В этой статье я поделюсь тремя способами, которые, возможно, помогут вам восполнить пробелы в данных: использование данных прошлого года, средневзвешенное значение и корреляционная регрессия.
1. Использование данных прошлого года
Если в обзоре этого года нет данных по нужной вам должности, но данные есть в обзоре прошлого года, то вы можете использовать их в своем анализе. Не забудьте актуализировать данные во времени, то есть состарить их с учетом роста рынка за прошедший период. При этом учитывайте актуальную дату обзора, дату пересмотра зарплаты в вашей компании и по отрасли, а также вашу стратегию оплаты труда: опережать рынок или следовать за ним.
2. Средневзвешенное значение
Хорошо старить данные, когда они есть. А что делать, если нет данных в обзоре? Например, когда требуется определить рыночную оплату для гибридных должностей, которые совмещают в себе несколько функций. Вам может помочь расчет средневзвешенного значения.

Например, доступны рыночные данные по оплате труда Директора C&B и Директора IT, и вам требуется определить бенчмарк Директора по автоматизации C&B.
Директор по автоматизации С&B = Директор C&B х % Вес1 + Директор IT х % Вес2
Сумма весов равняется 100%, а размер каждого веса зависит от вклада отдельных должностей в гибридную должность. Проанализируйте затрачиваемое время, сложность задач и конечный вклад в результаты по каждой составляющей. Вам поможет описание должностей в обзоре.
Total Rewards — это современный взгляд на систему мотивации. Построение зарплатных структур и вилок, внедрение грейдов, анализ рынка оплаты труда, управление эффективностью сотрудников (KPI/OKR), долгосрочные и краткосрочные программы премирования — все это в фокусе прогрессивных компаний.
3. Корреляционная регрессия
Напоследок, расскажу еще об одном способе восполнения пробелов в данных. Этот метод мат статистики довольно неплохо работает, если у вас в компании все должности предварительно оценены по качественным факторам и для каждой должности рассчитан балльный рейтинг. То есть, если внедрен грейдинг. Тогда, используя рыночные данные для якорных должностей и их балльно-факторную оценку вы можете установить математическую зависимость между баллами грейдинга и рыночной оплатой труда в виде формулы:
Рыночные данные = A х Баллы Грейдинга + В, где А и B расчетные цифровые коэффициенты
Это может быть линейная зависимость, как указано выше, либо экспоненциальная формула вида Рыночные данные = A*eВxБаллы грейдинга, в зависимости от точности, которая вам требуется (R² -> 1).

Используйте следующий алгоритм для корреляционной регресии

· Выберете якорные должности для сравнения с рынком,

· Определите рыночную заработную плату для выбранных должностей

· Постройте зависимость (баллы — выплаты). Это можно сделать средствами Excel, построив точечную диаграмму, на которой провести линию тренда и отобразить формулу.

· Рассчитайте рыночную заработную плату по остальным должностям по полученной формуле.
Надеюсь, эти способы будут вам полезны или подтолкнут вас к собственным исследованиям в данной интересной области.
Мнение автора может не совпадать с мнением редакции. Мы публикуем разные точки зрения.
Онлайн-курс TOTAL REWARDS
Старт 2 потока — 25 сентября

Total Rewards — это то, на что сделали ставку крупнейшие мировые компании для обеспечения выдающихся результатов. Учитесь с нами, прокачайте свою HR-экспертизу.
Читайте больше интересных материалов в нашем блоге:
Показать ещё...
Made on
Tilda