Um problema relativamente comum das empresas é o de saber se sua estrutura de remuneração está muito acima ou muito abaixo do que é comumente praticado no mercado.
Esse é um dos desafios da gestão de pessoas que acho entre os mais fascinantes porque tem uma infinidade de micro questões aqui dentro a serem analisadas.
DO LADO DA EMPRESA
Do lado da empresa, por exemplo, tem a complexa questão de fazer um alinhamento com o mercado dentro das restrições da empresa.
Um alinhamento de salários fixos com salários de mercado pode colocar stress financeiro na empresa e ainda assim gerar insatisfação porque outros componentes da remuneração (sobre os quais sabe-se relativamente menos) estão desalinhados.
DO LADO DO PROVEDOR DE DADOS
Do lado das empresas que fornecem dados de remuneração há a perene dúvida sobre a confiabilidade dos dados.
Dando uma olhada nas principais empresas que fazem esse serviço no Brasil percebi que os dados são de qualidade questionável dado que são frequentemente amostras construídas por conveniência (provavelmente sem representatividade) com dados autodeclarados que não passam por verificação/validação externa.
Não é nenhuma novidade que dados desse tipo tem baixa confiabilidade.
Na figura abaixo, mostro um exemplo de como dados de mercado construídos por conveniência (à la Glassdoor) podem ser bastante distorcidos em relação a uma distribuição verdadeiramente representativa da população relevante do cargo analisado.
ANTES UMA VELA DO QUE NO ESCURO
Entendo, no entanto, o argumento de que antes algum dado do que nenhum.
Mas há algumas coisas que podem ser feitas para não ficar exposto a esses riscos e fazer um benchmarking mal feito que vai gerar problemas de retenção e atração na empresa.
Três dicas:
1️⃣ Peça para que o vendedor dos dados explique a origem, frequência e procedimento de coleta dos dados. Muitas empresas mantém isso em segredo.
2️⃣ Peça para a empresa abrir a "caixa-preta" de suas metodologias e explicar como impõe representatividade aos dados. Existe algum procedimento que a empresa utiliza para isso (propensity score matching, pós-estratificação, booststrapping etc)?
3️⃣ Use os filtros adequados para a sua empresa -- por porte, por localização da concorrência (por sua mão-de-obra) relevante etc -- e veja se os dados que "sobrevivem" não sofrem de micronumerosidade e os problemas de precisão e confiabilidade que surgem disso.
