Czy system premiowania stosowany w firmie wpływa na zwiększenie motywacji do pracy?

Ogólnopolskie Wynagrodzeń

USA: mediany wynagrodzeń pracowników w różnym wieku

20 lat 20 000

30 lat 40 000

40 lat 50 000

50 lat 51 000

60 lat 53 000

* rocznie w USD

Stefa premium

Sprawdź co zyskasz wykupując pełny dostęp do naszego portalu

Sprawdź, ile zarabia:

Elektronik 6200 PLN
Mechanik motocyklowy 3990 PLN
Dyrektor marketingu 14680 PLN
Kasjer 3030 PLN
Szlifierz ceramiki 3800 PLN
Programista PHP 6610 PLN
Broker edukacyjny 4810 PLN
Kamieniarz 3470 PLN
Programista plc 6500 PLN
Prasowaczka ręczna 2600 PLN
Ogólnopolskie badanie satysfakcji z pracy

Zajmujesz się zawodowo wynagrodzeniami?
Zapraszamy Cię do strefy przeznaczonej dla profesjonalistów.

Płaca godziwa - poziom płacy, który jest wystarczający na utrzymanie i dostatnie życie pracownika i jego rodziny.

pozwala na porównanie 43 wskaźników w następujących obszarach

Artykuły

Dlaczego potrzebujemy analityki wynagrodzeń?

06.12.2022 Konrad Kulikowski
Analityka HR (Marler, Fisher, 2013; Marler, Boudreau, 2017) nie jest cudownym lekiem na wszelkie bolączki wynagradzania, jednak prowadzenie racjonalnych i obiektywnych analiz danych w wielu sytuacjach może oddać nam nieocenione usługi. Opieranie się na liczbowych wskaźnikach pozwala unikać pułapek myślenia, które prowadzą do popełniania błędów i podejmowania nietrafionych decyzji. Jeśli decyzję o podwyżce będziemy podejmować jedynie w oparciu o własne przekonania i intuicje, możemy demotywować zatrudnionych w firmie ludzi. Jeśli zasady premiowania ułożymy bez uwzględnienia opinii naszych pracowników i realiów rynkowych, możemy wywołać konflikty, które negatywnie odbiją się na efektywności pracy całej organizacji. Jeśli premie przyznamy tym, których lubimy, a nie tym, którzy na to zasługują, to możemy stracić najlepszych pracowników. Dlatego wszędzie tam, gdzie to możliwe, powinniśmy wykorzystywać obiektywne dane i starać się je rzetelnie analizować.
Opieranie się na danych zwiększa poziom obiektywności podejmowanych decyzji i pozwala unikać błędów oraz tendencyjności. Jest to szczególnie ważne, gdyż prowadzone w ostatnich latach badania psychologiczne i ekonomiczne wskazują, że ludzie nie są tak racjonalni, za jakich chcieliby się uważać (Wikipedia, 2022; Kulikowski, 2022; Kahneman, 2012; Kahneman, Sibony, Sunstein, 2022). Generalnie, mamy tendencję do unikania myślenia analitycznego, wymagającego umysłowego wysiłku, a wolimy myśleć „na skróty”, jak to określił noblista Daniel Kahneman. Kierujemy się intuicjami i przeczuciami, polegamy na pierwszym wrażeniu, ignorujemy rachunek prawdopodobieństwa i przeceniamy swoje kompetencje. W tym kontekście, podejście analityczne, racjonalne, opierające się na algorytmach, może pomóc nam przezwyciężać ograniczenia naszego umysłu i podejmować lepsze decyzje, które w efekcie będą przekładać się na zwiększoną efektywność pracy i zyski.

By w obrazowy sposób pokazać, dlaczego warto korzystać z podejścia analitycznego w wynagradzaniu, spójrzmy na przykład klasycznego już dziś zadania (Hoover, Healy, 2019) wymyślonego przez Fredericka (2005), a pokazującego z jakim trudem przychodzi nam myśleć racjonalnie. Poniższe zadanie jest modyfikacją zadania z testu świadomego myślenia stworzonego przez Fredericka (2005, s. 27).
Długopis i ołówek kosztują razem 1,10 zł. Długopis kosztuje o 1 zł więcej niż ołówek. Ile kosztuje ołówek?

Jaka jest poprawna odpowiedź w tym zadaniu? Większość pytanych osób, bazując na tym, co pierwsze przychodzi nam do głowy, udziela odpowiedzi: ołówek kosztuje dziesięć groszy. Odpowiedź ta narzuca się niemal automatycznie, ale wystarczy chwilę pomyśleć analitycznie, by zobaczyć, że jest błędna. Gdyby ołówek kosztował 10 groszy, to długopis kosztowałby o złotówkę więcej, czyli 1,10, a zatem ołówek i długopis razem kosztowałyby nie 1,10 a 1,20. Poprawna odpowiedź w tym zadaniu to pięć groszy. Ołówek kosztuje pięć groszy, a długopis jest o złotówkę droższy, czyli kosztuje złotówkę i pięć groszy, w sumie ołówek i długopis kosztują złotówkę i dziesięć groszy. Jednak większość ludzi rozwiązuje to zadanie niepoprawnie, bo nie zadaje sobie trudu przeprowadzenia świadomej analizy dostępnych danych, ale opiera się na intuicji i tym, co pierwsze przychodzi do głowy. W badaniach prowadzonych przez TNS OBOP w 2014 roku, 86% Polaków w tym zadaniu wybierało odpowiedź niepoprawną - 10 groszy (TNS, 2014 za: Kulikowski, 2022).

Próba rozwiązania zadania z ołówkiem i długopisem może przysparzać o ból głowy i wymagać poznawczego wysiłku. Jednak jeśli rozpoznamy, że jest to problem wymagający podejścia analitycznego, a nie intuicyjnego, to możemy go poprawnie rozwiązać w ciągu 30 sekund. Zamiast kierować się wewnętrznym przeczuciem, spróbujmy wykorzystać matematyczny algorytm – dokonajmy analizy danych. Przedstawmy nasz problem w formie równania, gdzie D to długopis, a O to ołówek. Wiemy, że ołówek (O) i długopis (D) kosztują razem 1,1, a zatem mamy równanie D + O = 1,1. Mamy także informację, że długopis (D) jest o 1 zł droższy od ołówka (O), czyli D = O + 1. Jeśli D = O + 1, to możemy do równania D + O = 1,1 zamiast D podstawić, O + 1 otrzymując, wzór O + 1 + O = 1,1. Z tego równania już widać, że aby wszystko się „dodawało” do 1,1, to ołówek (O) musi kosztować 0,05 czyli 5 groszy. Wykorzystanie prostego matematycznego algorytmu, zajmujące 30 sekund, sprawia, że będziemy w tym zadaniu lepsi niż 86% Polaków. Algorytm ten jest bardzo prosty, rozwiązania tego rodzaju równań uczą już w szkole podstawowej, w czym zatem problem? Problem nie w tym, że algorytm jest trudny i ludzie nie potrafiliby go użyć, ale w tym, że większości z nas nawet nie przychodzi do głowy, by podejść do problemu w ten właśnie analityczny sposób. Zamiast wziąć kartkę i policzyć, zaczynamy się raczej zastanawiać „ile by to mogło być”, „powinienem chyba to wiedzieć”, „czy ja jestem taki słaby z matematyki?”, licząc na to, że nasz wewnętrzny głos podpowie nam prawidłową odpowiedź. Największym wyzwaniem jest tu nie sama analiza danych, ale dostrzeżenie, że sytuacja wymaga nie intuicji, ale świadomego wykorzystania narzędzi analizy danych.

Podobnie może być, gdy nasz problem dotyczy praktyki wynagradzania. W sytuacjach, w których szybko i tanio można uzyskać poprawną odpowiedź opierając się na danych i używając odpowiedniego algorytmu, liczymy na nasze doświadczenie i intuicję – te jednak mogą prowadzić nas na manowce. Tymczasem podejście analityczne może dostarczyć nam narzędzi, które zaaplikowane do odpowiednich problemów dadzą nam poprawne rozwiązania. Dlatego też podejście analityczne do wynagradzania polega na tym, by mieć świadomość, że niektóre z naszych problemów można rozwiązać inaczej niż tylko polegając na zdrowym rozsądku. Najtrudniejsze w analityce wynagrodzeń nie jest prowadzenie analiz statystycznych, ale dostrzeżenie, że dany problem można rozwiązać lepiej, bazując na świadomym myśleniu analitycznym.

Nie zawsze możemy podejmować decyzje w formalny, świadomy i zalgorytmizowany sposób, ale zawsze kiedy można, to warto. Główne założenie analityki nie polega na tym, by wszystko mierzyć i wierzyć tylko liczbom, ale polega na tym, by rozpoznawać sytuacje, w których podejście analityczne się sprawdzi i tam je stosować. Warto zatem przyjrzeć się temu, z jakimi sytuacjami możemy mieć do czynienia w analityce wynagradzania. Zainspirujemy się tu pomysłami Paula Meehla (1954), który był jednym z najwybitniejszych metodologów XX wieku.

Zacznijmy od tego, że w praktycznym, codziennym analizowaniu danych o wynagrodzeniach możemy mieć do czynienia z dwiema formami danych: ilościowymi i jakościowymi. Dane ilościowe to te, których natężenie możemy przedstawić za pomocą liczb, np.: wysokość wynagrodzenia, średnia ocen okresowych pracowników, liczba klientów, czas rekrutacji. Dane jakościowe to takie, których nie da się sensownie przedstawić w formie liczb obrazujących ich natężenie, a możemy je jedynie opisywać, nadając im odpowiednie etykiety, np.: płeć, oddział firmy, preferowane benefity, pracownik utalentowany lub nie, numer pokoju.
Oprócz dwóch form danych, występować mogą też dwie ogólne metody analizowania danych dotyczących wynagrodzeń, czyli metody formalne i nieformalne. Metody formalne dotyczą korzystania z jasno określonych, jednoznacznych procedur i algorytmów. Oprócz znajomości odpowiedniego algorytmu postępowania i posiadania danych, nie jest potrzebna żadna dodatkowa wiedza, by wykonać takie formalne analizy. Obrazowo rzecz ujmując, analizy formalne wykonać może urzędnik czy księgowy, któremu dostarczymy odpowiednie algorytmy. Przykładem może być tu wyliczanie wysokości wynagrodzenia czy premii według określonego schematu. Zaczynając od tych samych danych, postępując zgodnie z przyjętym algorytmem, każdy – niezależnie kto będzie prowadził analizę – dojdzie do tego samego wyniku, o ile nie pomyli się w obliczeniach. Z kolei metoda nieformalna analizy danych o wynagrodzeniach to metoda opierająca się na krytycznym myśleniu i wydawaniu subiektywnych sądów wartościujących, nie jest to metoda schematyczna czy zgodna z algorytmem. Przypomina ona raczej analizy prowadzone przez sędziego niż urzędnika. Przykładem może być wybór jednego pracownika z grona dostępnych kandydatów do nagrody rocznej lub awansu. Zaczynając z tego samego punktu wyjścia, dwie osoby o różnych doświadczeniach czy preferencjach, analizując profile tych samych kandydatów, mogą dojść do różnych wniosków kto powinien otrzymać nagrodę czy awans. Powyższe zestawienie form danych i metod ich analizy, daje nam cztery kombinacje:
  • dane ilościowe analizowane formalnie,

  • dane ilościowe analizowanie nieformalnie,

  • dane jakościowe analizowane formalnie,

  • dane jakościowe analizowane nieformalnie.
Spójrzmy na konkretne przykłady z obszaru wynagradzania. Dane ilościowe analizowane formalnie, to w wynagradzaniu sytuacje, w których obiektywny wynik analiz uzyskujemy poprzez podstawienie do algorytmu zmiennych liczbowych. Przykładowo wysokość premii pracownika ustalamy poprzez podstawienie do odpowiedniego algorytmu liczby klientów, przychodu i stażu w firmie. Czy też, przewidujemy wpływ premii na efekty pracy podstawiając dane do stworzonego wcześniej równania regresji. Z kolei, dane ilościowe analizowane nieformalnie to w wynagradzaniu sytuacje, w których mamy dane liczbowe wskazujące na natężenie pewnych cech, ale o premii decyduje nie algorytm, lecz ocena dokonywana przez człowieka. Przełożeni mogą mieć dostęp do zmiennych ilościowych, takich jak liczba wizyt u klienta, liczba zorganizowanych prezentacji, wartość sprzedaży, ale na podstawie tych danych, to oni podejmują decyzje o wysokości premii bazując na swojej nieformalnej ocenie sytuacji, a nie na algorytmach. Jeśli chodzi o dane jakościowe analizowane formalnie, to w wynagradzaniu sytuacje, w których zmienne nie mają formy liczbowej, ale przetwarzamy je zgodnie z określonym algorytmem. To, że dane nie są liczbowe nie sprawia, że nie mogą być przetwarzane w sposób formalny. Może być to sytuacja, w której ze względu na specyfikę lokalnego rynku pracy, przyznawany jest dodatek do wynagrodzenia w zależności od miejsca zatrudnienia. Miejsce zatrudnienia będąc daną jakościową jest analizowane zgodnie z ustalonym wcześniej algorytmem, np.: Warszawa 5% dodatku, Gdańsk 3%, Rzeszów 2%. W końcu dane jakościowe dotyczące wynagrodzenia analizowane nieformalnie, to sytuacje, w których dane nie są liczbowe, a ich analiza odbywa się w oparciu o sądy i subiektywne decyzje. Przykładem takiej sytuacji może być rozmowa o podwyżkę, gdzie pracownik przedstawia swoje argumenty w formie opisowych danych jakościowych np.: jestem najlepszy, nie znajdziesz innego, zarabiam za mało itp., a decyzja o podwyżce podejmowana jest w sposób nieformalny w toku dyskusji i wymiany argumentów. Zauważmy, że negocjacje płacowe to też forma analizy danych o wynagrodzeniach i to forma być może nawet bardziej złożona niż wiele analiz statystycznych. Przecież komputer bez trudu zrobi analizę regresji, ale nie nauczył się jeszcze z nami sensownie rozmawiać i negocjować.

Przedstawiona tu typologia jest oczywiście pewnym uproszczeniem. Być może rodzaje danych i formy ich analiz powinny być postrzegane jako ciągłe, a nie zero-jedynkowe, np. analiza może być gdzieś pomiędzy formalną a nieformalną. Jednak ze względów praktycznych przyjmiemy taki nieco uproszczony obraz, bo daje on nam do ręki użyteczne narzędzie.

W analityce wynagrodzeń istotne jest to, by nasze działania prowadzić w odpowiedniej formie. Problemy, jakie mamy z przytoczonym na wstępie zadaniem z ołówkiem i długopisem wynikają stąd, iż zadanie wymagające danych ilościowych przetwarzanych formalnie próbujemy rozwiązać w sposób nieformalny, bez użycia odpowiednego algorytmu. Podobnie może być w wynagradzaniu. Problemy wymagające danych ilościowych i formalnych działań chcemy przetwarzać nieformalnie, co prowadzi do nieoptymalnych rezultatów. Możemy również przesadzić w drugą stronę, tam gdzie oczekuje się postępowania nieformalnego (ale racjonalnego) chcemy wprowadzać algorytmy i wskaźniki. Nie zawsze musimy mieć dane ilościowe i nie zawsze musimy analizować je formalnie. Warto zwrócić uwagę, że analizy nieformalne wcale nie muszą być nieracjonalne. Sherlock Holmes nie prowadził formalnych analiz w Excelu, działał nieformalnie, ale nie powiemy chyba, że jego metody postępowania były nieracjonalne? Mierzenie wszystkiego, to błąd niedoświadczonych analityków, którzy omamieni magią liczb sądzą, że jeśli czegoś nie da się zmierzyć, nie można tym zarządzać. Przykładowo, z badań nad sprawiedliwością wynagrodzeń wiemy, że jednym z jej ważnych aspektów jest sprawiedliwość interakcyjna, wynikająca nie z wysokości wynagrodzenia czy regulaminu wynagradzania, ale z tego, jak pracodawca traktuje pracowników wchodząc z nimi w relacje interpersonalne związane z wynagradzaniem. Trudno przypuszczać, by dobre relacje z pracownikiem można było zbudować postępując zgodnie ze ściśle wyznaczonym algorytmem lub wyczytać receptę na nie z równania regresji. By zbudować wśród pracowników poczucie sprawiedliwości interakcyjnej, konieczne mogą być działania „miękkie”, nieformalne i jest to w pełni racjonalne. Co więcej, niekiedy to działania formalne, liczbowe, mogą być nieracjonalne. Weźmy chociażby problem jawności wynagrodzeń. Wielu pracowników polskich firm mogłoby nie być zadowolonych, gdyby w firmie wprowadzić zasadę, iż wynagrodzenie wyliczane jest według znanego wszystkim algorytmu i nie podlega żadnym negocjacjom. Każdy pracownik firmy podstawiając do algorytmu zestaw danych, np. staż, wykształcenie i stanowisko, może obliczyć ile zarabiają inni. Takie działanie, choć formalne i obiektywne, mogłoby budzić opór i powodować konflikty wynikające z silnego wciąż w polskiej kulturze przekonania o tym, iż wynagradzanie to sprawa prywatna i dobro osobiste. Ujawnienie wynagrodzeń w wielu firmach uznalibyśmy za nieracjonalne z punktu widzenia kultury organizacyjnej tych firm i oczekiwań pracowników.

Istotą analityki wynagradzania nie jest wyznaczanie nieskończonej liczby coraz to bardziej wyszukanych wskaźników, ale umiejętność rozumienia danych i dobór właściwych sposobów ich analizy. Przedstawiona tu typologia może posłużyć za praktyczne narzędzie pozwalające określić, jakie dane o wynagrodzeniach mamy i jak powinniśmy je racjonalnie analizować. Kluczowe jest tu rozpoznanie jakiego rodzaju dane mamy, ilościowe czy jakościowe i jak je analizować, formalnie czy nieformalnie, by uzyskać najbardziej racjonalne efekty. Oczywiście wszędzie tam, gdzie to możliwe, warto zdać się na dane ilościowe i algorytmy, które chronią nas przed błędami poznawczymi. Jednak musimy też pamiętać, że zdarzają się sytuacje, w których formalna analiza liczbowych wskaźników może okazać się nieracjonalna.


Bibliografia
1. Frederick S. (2005), Cognitive reflection and decision making, Journal of Economic Perspectives, nr 19(4), s. 25-42, dostęp: https://doi.org/10.1257/089533005775196732
2. Kahneman D. (2012), Pułapki myślenia. O myśleniu szybkim i wolnym, Media Rodzina
3. Kahneman D., Sibony O., Sunstein C. R. (2022), Szum, czyli skąd się biorą błędy w naszych decyzjach, Media Rodzina
4. Kulikowski K. (2022), Cognitive biases policy (CBP) in performance improvements–the example of benchmarking, International Journal of Productivity and Performance Management, nr 71(4), s. 1297-1311, dostęp: https://doi.org/10.1108/IJPPM-02-2020-0060
5. Marler J. H., Fisher S. L. (2013), An evidence-based review of e-HRM and strategic human resource management, Human Resource Management Review, nr 23(1), s. 18-36, dostęp: https://doi.org/10.1016/j.hrmr.2012.06.002
6. Marler J. H., Boudreau J. W. (2017), An evidence-based review of HR Analytics, International Journal of Human Resource Management, nr 28(1), s. 3-26, dostęp: https://doi.org/10.1080/09585192.2016.1244699
7. Meehl P. E. (1954), Clinical versus statistical prediction: A theoretical analysis and a review of the evidence, University of Minnesota Press, dostęp: https://doi.org/10.1037/11281-000
8. Hoover J. D., Healy A. F. (2019), The bat-and-ball problem: Stronger evidence in support of a conscious error process, Decision, nr 6(4), s. 369, dostęp: https://doi.org/10.1037/dec0000107
Konrad Kulikowski
Przypominamy, że zgodnie z pkt 2.6 - 2.7 regulaminu kopiowanie, przetwarzanie i wykorzystywanie tekstów oraz danych portalu w innych celach niż do użytku osobistego wymaga pisemnej zgody redakcji.
Wynagrodzenie brutto - ile to jest netto?

Wszystkie podane w artykule stawki wynagrodzeń są kwotami brutto. Zawierają potrącane od pensji składki na ubezpieczenia społeczne, ubezpieczenie zdrowotne oraz zaliczkę na podatek dochodowy od osób fizycznych. Kalkulator brutto - netto pozwala na szybkie przeliczenie podanych stawek na pensję, którą pracownik otrzyma "na rękę".