Исторический контекст

Исторически в компаниях заработные платы и их дальнейшие изменения являлись результатом договоренности между сотрудником и руководителем. Такая система до сих пор работает в небольших и средних компаниях. Проблемы начинаются с ростом численности сотрудников. Без регулярной систематизации назначение и повышение окладов непрозрачно и часто становится предметом конфликтов. Контроль за бюджетами позволяет только не допустить неограниченного разрастания ФОТ. В результате оклады сотрудников одной должности внутри одного подразделения могут отличаться в три раза (см. рис. 1)!

Для решения этой проблемы в 1960-х годах появился новый подход: грейдирование. До недавнего времени использовалось два способа разработки систем:

1. Экспертная разработка системы грейдов для конкретной компании. HR-команда и/или приглашенные консультанты решают, какими должны быть критерии, определяющие уровень дохода в компании, и их «вес» в модели расчета грейда.

2. Внедрение готовой системы грейдов. На рынке существуют уже сформированные системы: есть критерии, есть «веса» для расчета общего балла, компании достаточно просто оценить своих сотрудников, подставить данные в формулы и определить грейд.

Проблема и первого, и второго способа в том, что в большинстве случаев разработанная система не имеет ничего общего с реальностью. Чтобы уложить в систему текущие оклады, как правило, необходимо либо увеличить ФОТ на 30%, либо значительно понизить зарплату 25% сотрудников. Ни то, ни другое невозможно для большинства компаний. В итоге на момент внедрения система имеет столько исключений, что в нее уже никто не верит. Через несколько месяцев руководители начинают создавать еще больше исключений. Через год система остается только на бумаге.

С развитием вычислительных возможностей появился третий подход к грейдированию:

3. Математическая настройка системы грейдов под компанию. Это принципиально иной способ. Критерии выбираются совместно с топ-командой. «Веса» и параметры системы настраиваются математически, основываясь на текущих окладах сотрудников. Это позволяет минимизировать количество отклонений, что напрямую связано с успешностью внедрения системы. Консультанты «ЭКОПСИ» давно эффективно используют этот способ для разработки систем грейдов в разных компаниях. Основной недостаток этого метода — ресурсозатратность: о многих элементах (критерии, оценки и финальные параметры системы) надо договориться с менеджментом. Разработка и выбор наилучших критериев, оценка менеджментом или специальными оценочными комитетами — дорогостоящий и долгий процесс.

Многие компании обращались в «ЭКОПСИ» с проблемами непрозрачности оплаты труда, и многие из них не решились на систему грейдов именно из-за ресурсозатратности процесса. Решение проблемы оказалось простым и сложным одновременно. К процессу был подключен искусственный интеллект.

Слово «грейд» произошло от английского grade — «располагать по степеням, ранжировать».
Система грейдов — вертикальная структура сгруппированных по степени значимости для компании должностей, которая позволяет построить четкую и справедливую систему оплаты труда работников в зависимости от их индивидуального вклада.
Принцип грейдинга — сопоставление внутренней значимости должностей для организации (внутренняя ценность) с ценностью этой работы на рынке (внешняя ценность). Каждая организация выстраивает систему грейдов самостоятельно, учитывая свои особенности, ценность каждого сотрудника и его вклад в общее дело.

Общие характеристики систем грейдов:
■ в компании выделяют ограниченное количество грейдов — как правило, от 10 до 15;
■ для каждого грейда установлен диапазон возможного дохода должности на данном грейде, разница между верхней и нижней границей составляет от 20 до 50%;
■ ценность должности определяется по единому установленному набору шкал, критериев для всей компании.

Пример зависимости оклада сотрудника от его грейда

Новый подход с использованием искусственного интеллекта

Новый подход не является грейдированием, но принцип его все тот же. Проводится анализ ценности сотрудника для компании и ее сравнение с зарплатой. В чем заключаются основные отличия:

■ нет необходимости тратить время на выбор и согласование «идеальных критериев»: в модель включается максимум критериев, «идеальные» отбирает искусственный интеллект;
■ сильно упрощается оценка по критериям: искусственный интеллект уберет субъективность отдельных оценщиков.

В результате подобный проект можно сделать за один месяц вместо трех-четырех, необходимых обычно для проектов по грейдам.

Методология

Любой проект с использованием искусственного интеллекта начинается со сбора максимального количества информации. В данном случае формируются критерии, которые могут быть связаны с окладом сотрудника и собирается максимум доступной информации по ним. Чем больше информации, чем более она актуальная и точная, тем точнее будет модель и результаты обработки данных.

Сбор данных состоит их двух частей:

1. Сбор статистической информации о должности.
Это финансовые результаты работы сотрудника, количество подчиненных, уровень образования основного и дополнительного, уровень представления компании на внешнем контуре и т. д.

2. Опрос менеджеров.
Почему это важно и нужно? К сожалению, данные по большинству критериев, влияющих на уровень зарплаты, статистически собрать невозможно. Например, такие критерии, как «Уровень свободы в принятии решений» или «Уровень коммуникации внутри компании», являются оценочными суждениями. Информация по данным критериям собирается с помощью опроса менеджеров. В ходе опроса руководители оценивают сотрудников — своих подчиненных и коллег из других подразделений, с которыми они работают, — и распределяют людей в порядке возрастания важности того или иного критерия в их работе. Например, у операциониста, действующего по скрипту, самый низкий уровень по критерию «Уровень свободы в принятии решений», а у линейного сотрудника PR-службы — значительно выше. Опрос строится так, чтобы каждый сотрудник попал в рейтинг 3–5 руководителей, это позволяет избежать субъективизма. В дальнейшем данные опроса проверяются искусственным интеллектом на попытки менеджеров завысить или занизить оценки подчиненных в рейтинге.

Моделирование

1. На основании опроса менеджеров модель формирует шкалу по каждому критерию, где все сотрудники имеют свой определенный балл.

2. Оценки сотрудников включаются во вторую волну моделирования. Искусственный интеллект, используя эти оценки и текущие компенсации сотрудников, формирует общий рейтинг: каждый сотрудник получает свой балл должности. Если балл должности низкий, а зарплата выше, чем у других, — сотрудник переплачен, если балл должности высокий, а зарплата ниже — недоплачен.

3. Кроме того, в модель можно добавить выборку должностей с привязкой к рыночному уровню дохода. В этом случае модель рассчитывает средний рыночный уровень зарплат для всех должностей, используемых в рейтинге. Система также рассчитывает рекомендуемые зарплатные вилки для каждого балла должности (см. рис. 2).

Платформа ReD — Rewards Design
Для того, чтобы максимально упростить клиентам работу с проектом по наведению порядка в системе окладов, консультанты «ЭКОПСИ» разработали онлайн-приложение ReD (RewardsDesign).

Оно существенно облегчило несколько ключевых этапов в проектах по систематизации окладов:

1. Оценка должностей по критериям. Платформа ReD обеспечивает одновременный доступ нескольких оценщиков, возможность ведения истории изменений оценок, быструю навигацию по подразделениям.

2. Сценарное моделирование. Предоставляется возможность в режиме реального времени пересчитывать ФОТ и процент недоплаченных и переплаченных сотрудников при изменениях параметров системы — это основное преимущество платформы.

3. Согласование новых окладов. Rewards Design позволяет избежать манипуляций и затягивания сроков согласования и изменения окладов. Менеджеры сами устанавливают новые оклады в рамках согласованных правил. Упрощается процесс внедрения новой системы компенсаций.

Дальнейшие шаги

На основании модели принимается решение, как работать в дальнейшем с переплаченными или недоплаченными сотрудниками компании. Вариантов решения может быть несколько, отличаются они по степени жесткости принимаемых решений.

Первый путь — выйти из разработанной модели на стандартную систему грейдов. В ходе анализа искусственный интеллект выделяет критерии, влияющие на зарплату в компании. На основании самых значимых из них можно построить классическую систему грейдов.

Второй путь — не уходить в жесткую систему грейдов, а остановиться на отдельной, точечной, работе с определенными должностями. Часть должностей может быть переплачена, потому что на данный момент сложилась такая ситуация на внешнем рынке. Например, сейчас на рынке очень дорогие IT-специалисты. Для компании IT-специалист имеет такую же ценность, что и рядовой юрист, поэтому и в рейтинге окажется примерно на той же ступени. При этом зарплата у него может быть значительно выше. Такие должности переплачены, но это диктуют внешние условия. При этом всегда есть ряд сотрудников, переплаченных без видимых причин. Что делать с ними? Моментальное снижение окладов, вероятно, приведет к увольнению этих сотрудников, поэтому необходимость такого шага всегда надо тщательно оценить. Можно выбрать менее радикальный подход: заморозить повышение заработной платы с последующей индексацией только самым результативным сотрудникам из этой категории.

Примерно такая же ситуация с недоплаченными сотрудниками: можно либо постепенно, либо сразу повысить им оклады, если они ценны для компании и эффективны.

В любом проекте по наведению порядка в системе оплаты труда сотрудников всегда возникает этическая дилемма. Как все изменения с такой чувствительной и щепетильной темой, как зарплаты людей, отразятся на сотрудниках, социально-психологическом климате в компании, не будет ли социального взрыва. Ровно по этой же причине далеко не многие решаются внедрять системы грейдов. Ответ в проектах «ЭКОПСИ» может быть таким: когда модель разрабатывается с помощью искусственного интеллекта, можно учесть огромное количество деталей и построить ее настолько точно, что количество «выпадающих» из нее сотрудников будет минимальным. При этом большая часть из них будет отличаться в уровне зарплат в большую или меньшую сторону до 10%, а такая разница легко выравнивается либо небольшим повышением, либо временным замораживанием роста. В результате остается совсем небольшая группа людей (7–10%), с которой проводится индивидуальная работа. Поэтому бояться какого-то большого социального взрыва не стоит. И уж точно это не должно быть причиной отказа от наведения порядка в системе компенсаций.