4 errores comunes que cometen las startups al establecer el pago para los trabajadores híbridos

4 errores comunes que cometen las startups al establecer el pago para los trabajadores híbridos

Thanh Nguyen es el director ejecutivo y cofundador de OpenComp.

Los líderes y la alta dirección de todo el mundo están lidiando con cómo (o no) llevar a los empleados a la oficina. Es una decisión de alto riesgo: el cincuenta y ocho por ciento de los trabajadores dijeron que buscarán nuevos trabajos si no pueden trabajar de forma remota, según un Encuesta FlexJobs.

Una pieza de este rompecabezas que a menudo se pasa por alto y / o se improvisa es la compensación. Y dentro de la transición al trabajo híbrido, la planificación de la compensación encapsula una cacofonía de matices para fundadores, líderes de personas y expertos en compensaciones.

Aquí hay algunas preguntas nuevas que este grupo debe responder:

¿Ajustamos los salarios de las personas que se han mudado a diferentes regiones? ¿Alteramos el pago de los empleados que desempeñan la misma función, con el mismo título, cuando uno es remoto y el otro está en la oficina? ¿Cómo podemos educar a las geografías que no están tan familiarizadas con el valor de la equidad como, por ejemplo, Silicon Valley?

Como hemos visto en las últimas semanas, las respuestas a estas preguntas son diferentes para todos nosotros. Empleados de Google que trabajan desde casa puede sufrir un recorte salarial. Trabajadores de Adobe puede seleccionar por sí mismo qué días trabajan de forma remota, hasta el 50% del tiempo, sin impacto salarial. Mientras tanto, LinkedIn acaba de aflojar su política, permitiendo a los empleados trabajar desde casa de forma permanente.

El primer paso para desarrollar un plan de compensación, independientemente de la postura de su empresa sobre el trabajo distribuido, es determinar cómo se compara el salario de su equipo con el del mercado.

Independientemente de la postura de su startup sobre el tema, tener una filosofía de compensación consistente que aplique a su lugar de trabajo en evolución tiene una influencia del tamaño de un unicornio en métricas de crecimiento importantes: atraer y retener a los mejores talentos, así como crear una cultura de confianza y desempeño.

Como director ejecutivo de una empresa de inteligencia de compensación, veo cuatro errores comunes que cometen las startups cuando planifican la compensación que obstaculizan el éxito de la fuerza laboral remota o híbrida. Aquí están las formas de eludirlos.

1. Uso de datos insatisfactorios para el análisis competitivo

El primer paso para desarrollar un plan de compensación, independientemente de la postura de su empresa sobre el trabajo distribuido, es determinar cómo se compara el salario de su equipo con el del mercado. Para comprender las tasas del mercado, necesita una cosa: datos.

Si está pasando de un entorno estrictamente basado en la oficina a un modelo híbrido, los datos de 2019 no funcionarán. Si bien es tentador buscar datos gratuitos en línea o utilizar datos de encuestas que su empresa haya comprado en el pasado, ambos enfoques conllevan riesgos. La información de la encuesta de compensación tradicional es obsoleta, limitada y, a menudo, no se verifica. Y las hojas de cálculo son muy propensas a errores y riesgos de seguridad porque implican un trabajo manual y, a menudo, muy laborioso.

En un mundo que todavía está reaccionando a una pandemia, solo son suficientes los índices de referencia y los rangos de pago precisos, nuevos y en tiempo real. Ambos deben reflejar información agregada sobre lo que otros en su segmento están pagando a los empleados, por nivel de experiencia, función, departamento, geografía, industria y tamaño de la empresa.

Por ejemplo, las nuevas empresas de tecnología necesitan fuentes de datos diferentes a las de las organizaciones de servicios financieros globales. Ambos necesitan información orientada a empresas de tamaño y etapa similar. Los salarios de los ingenieros de software deben reflejar los de roles similares, con matices para aquellos que se especializan en aprendizaje automático, ciencia de datos, etc.

Le sorprendería la frecuencia con la que los datos autoinformados en sitios web gratuitos son inexactos y no están verificados. A medida que busca una fuente de inteligencia creíble para sus datos de compensación, una fuente de datos debe:


Source link