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

Дмитрий Сучков

Сертифицированный эксперт по вознаграждению персонала (GRP). Преподаватель онлайн-курса TOTAL REWARDS.

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.

ВЫБРАТЬ УРОК

Получите рекомендации от ТОПов рынка
на наших открытых уроках. Регистрируйтесь бесплатно →

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.

ЗАРЕГИСТРИРОВАТЬСЯ

Хотите усилить свою экспертизу? Регистрируйтесь на наши бесплатные открытые уроки →

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.

Читайте также

Мнение автора может не совпадать с мнением редакции. Мы публикуем разные точки зрения.

Освойте инструменты аналитики и подружитесь с данными и метриками, даже если вы гуманитарий на курсе «HR аналитика»