【理论学习】如何做好薪酬调研，并合理运用调研结果？

作者宋教授 2021-01-17 08:55 2721

内容来自 2021-01-12 打卡话题

上周二我们聊到调薪问题，为了做好企业的薪酬策略调整，我们常常会调研市场薪酬，并根据调研所得数据来量化所在市场的分位值，提升企业薪酬竞争力。然而在实际操作中总会遇到各种难题，比如市场薪酬调研难度太大，样本过少，通过这样调查出的结果也无法准确的反应真实的市场薪酬水平，最终导致企业薪酬调整依旧只能凭经验感觉。请问大家，你如何看待薪酬调研？你觉得该如何做好薪酬调研并将合理运用调研结果呢？

展开

我，经历过类似的情况。

技法篇【薪酬】（一）：薪酬调查技术的探索与调研结果应用

 

一、薪酬调查技术

1.1 薪酬调查的本质目的：为薪酬设计提供决策依据和参考

在薪酬（动态）管理过程中，要完成的基本目的可以大体体现在三个方面：效率、公平、合法。在公平性上，又分为：分配公平、内部公平、外部公平。薪酬调查在薪酬管理中的主要作用就是完成外部公平策略的第一步，也是关键的一步。通过薪酬调查，我们可以了解对应领域工资的动态与发展变化趋势，企业薪酬在对应区域的水平情况等。

1.2 薪酬调查对象群体的划分

在薪酬调查市场丰富的资源和无数的机构中，对薪酬调查对象群体的划分是说法不一的。有按照行业划分的，有按照区域划分的，有按照岗位划分的，也有按照学历、年龄、性别等等。不同的划分方式具备不同的特长属性，我们不好说孰优孰劣。但换一个场景，便可能看的更加清晰了。

上节我们说了薪酬调查的本质目的，但每个企业对薪酬调查是否把握了本质目的呢？是不是每个企业做薪酬调查都是要设计薪酬系统？企业有没有能力设计科学的薪酬系统？

若是以上答案不能确定，那我们不妨来看看以下几种现实中常见的需求背景描述：

我想知道公司的薪酬在某区域行业内的水平如何？（目的：了解了解而已）

我想知道公司的某某岗位（如销售）在行业内的水平如何？（目的：招聘）

我想知道公司的整体薪酬在行业内的水平如何？（目的：薪酬预算、成本核算）

我想知道公司的各个岗位薪酬在行业内的水平如何？（目的：薪酬调整）

诸如此类。

目的不同，对薪酬调查的实操和对象群体的划分会有很大影响吗？

我们举个例子：如果以招聘为目的，就算知道了某某岗位（如销售）在行业内的水平如何，就可以解决招聘问题了吗？当然不能。一来，某某岗位（如销售）的招聘是否对行业性要求很高？经验如何？工作模式如何？这些岗位的要求与特征才是对象群体划分的主要确定条件，而不是惯例。二来，就算按照岗位的要求与特征做到了详尽的薪酬调查，又是否能解决招聘问题呢？也不能。真正解决招聘问题的是薪酬系统的支持，而不是根据薪酬调查调一调某一薪酬构成要素就可以实现的。

因此，我们才要强调薪酬调查的目的是否正确，这关系到薪酬调查结果的应用效能。

分享个经验，在咨询案中，我们在做薪酬调查时，一般是以岗位为主要划分维度的，且划分比较粗放：劳动力型岗位（操作工）、通用型岗位（总监级别以下管理、职能、销售类）、技术型岗位、高级岗位（总监以上级别）。

劳动力型岗位（操作工）：一般不需要进行调查；

通用型岗位（总监级别以下管理、职能、销售类）：是薪酬调查的重点对象；

 

技术型岗位：是薪酬调查的对象之一，其行业性很强。

高级岗位（总监以上级别）：一般不做薪酬调查，或建议专业机构调查。（个人觉得这部分做薪酬调查的意义真的不大，“选用育留”在薪酬上依赖的是薪酬管理系统，常规的薪酬调查项目维度是很难反映系统数据的，效度不高）

1.3 薪酬调查的技术核心要点（案例版，主要针对薪酬总额调查）

1.3.1 原理与数学模型

薪酬（总额）调查利用的是数理统计中的正态分布规律。（依据与数学原理：薪酬的变化与增长规律符合正态分布规律）

1.3.2 薪酬调查数据模型（分位数据模型）的建立

基本原理与定义：

十分位模型：分位间=间隔【数据值数量-1】/10；第N个十分位值=第（1+分位间*N）个数的数字；

四分位模型：分位间=间隔【数据值数量-1】/4；第N个四分位值=第（1+分位间*N）个数的数字；

例如【十分位模型】：

第一个十分位值（即10分位值）=第（1+0.9*1）个数的数字，即第1个数字和第2个数字之间的0.9位置处，即：1+(2-1)*0.9=1.9。

第九个十分位值（即90分位值）=第（1+0.9*9）个数的数字，即第9个数字和第10个数字之间的0.1位置处，即：9+（10-1）*0.9=9.1。

 

下面我们尝试去建立一套数据模型：

（1）、数学模型（数据统计量符合正态分布规律）

选取一组有规律的数据进行模拟：

（2）、做出两种分位的效果对吧：（后期会选取数据库做支持，所以选择十分位；数据库可以选择智联、前程、猎聘等数据源丰富的渠道）

（3）、建立回归模型，验证数据算法的真值性：（智联、前程等简历库检索薪酬的条件特征为：区间类，如：2000元-4000元，因此采用中值法）

 

（4）、对实际场景进行数据模拟

 

（5）、对主维进行合并，检验真值性。（检验对数据处理方式的影响）

 

（6）、实践操作演示与应用

渠道选取：智联；

简历库检索条件为：数据量【现薪酬】：活跃日期： 最近一年 ×  期望工作地区： 天津  现从事职业： 人力资源专员 ×  学历： 大专~及以上 ×  年龄： 22~26 ×  工作年限： 无经验~4年 ×  现居住地： 天津 ×  共 1183 简历符合筛选条件

案例操作时间：2020年01月份制作

至此，我们便完成了一个岗位的薪酬调研。

在实际操作中，是非常简便的，模型建立好之后，只需要适当的选取好检索条件，代入数据后，模型公式即可自动算出分位值数据。

该类方法对数据库的样本量要求较高，但也正因为如此，调研数据的信度和效度也非常高。对于通用型岗位（总监级别以下管理、职能、销售类）最为适合，对大部分技术型岗位也可以采用。

经验：在一些相对普调的高级岗位（薪酬构成特征：以传统物质激励为主）调研时，也会有效。但薪酬结构较为复杂的岗位则会对结果的影响较大。

该模型的设计方法并不复杂，大家可以尝试去做一个，多实践几次就熟悉了，相信对薪酬调查工作会有帮助。

 

二、薪酬调查结果应用和价值

上一节我们说过，薪酬调查的本质目的：为薪酬设计提供决策依据和参考。那薪酬调查为“薪酬设计”提供了哪些具体方面的应用和支持呢？我们这次抛开组织传统应用的场景和“案例版”（主要针对薪酬总额调查）的条件限制，展开探索看看。

1、增加对行业薪酬结构设计的总体水平与特征的了解。

2、增加对固定工资部分（物质生活水平保障）和浮动工资部分（激励属性）的了解。

3、增加对薪酬结构设计的思维和发展方向的了解。

4、增加隐性薪酬对员工稳定性影响力的了解。

以上维度，便是我们对薪酬设计基础领域的应用和价值。其实除此以外，还有许多关于薪酬管理维度的应用价值，我们也可以尝试再去探索。

（本集完）

本文仅代表作者个人观点，不代表三茅网立场。如因内容、版权等产生的一切纠纷，将由作者本人承担。