随着经济的发展和人才市场的竞争加剧，薪酬管理越来越受到企业的重视。作为HR，了解年度薪酬数据是非常重要的，可帮助企业更好地制定薪酬政策和管理方案。那么，薪酬调研应该包括哪些数据指标？如何进行薪酬分析呢？

　　一、薪酬模块的关键数据指标

　　1、薪酬分位值
　　分位值在薪酬的数据分析中是最重要的一个概念，不管是在和外部的数据对对标还是在内部的数据做结构分析，我们都是以分位值的数据来进行对标。
　　•一组数据从大到小排序，最中间的那个位置，反应一组数据的中间水平
　　•假如，某类岗位有同性质工作者100人
　　•这100个人的工资各不相同。
　　•把这100人的工资按照由小到大的顺序排列
　　•75分位就是你在100个人的工资中按照顺序由小到大排在了第75位
　　•一般来说，算分位，都是在同一行业、不同公司、同一部门、甚至是同一岗位来比较的
　　薪酬的中位值就是一组薪酬数据中的中间位置的那个薪酬数据，我们在做薪酬数据分析的时候一般都是以中位值为标准进行数据的对标。
　　2、薪酬重叠度
　　要了解薪酬的重叠度，首先需要了解公司内部的职级体系，因为重叠度是在职级体系的基础行建立的。
　　比如我们所看的是一家公司的管理层和专家层级的职级体系，首先在公司内部有M和P的两个序列的职级，M从M1-M7，P从P1-P8，每个职级对应不同的职位，同时在各个职级之间又划分不同的档位，比如M2分位M2-1到M2-5。
　　因为我们现在的薪酬体系是以宽带薪酬为基础建立的，在薪酬档位的划分上又可以划分为等差的新薪酬档位和等比的薪酬档位。等差的薪酬档位一般适用于薪酬比较稳定，简单的企业，等比的薪酬档位适用于薪酬偏激励性的企业。因为等差的薪酬档位每个档位之间的薪酬是一个稳定的数据，但是等比的薪酬方位是档位越高，薪酬的涨幅越大，所以相对来说薪酬是具备有竞争性的。
　　为了在每个职级之间使薪酬更加的有竞争力，并且员工的发展方向有多样性，我们在每个职级之间进行了薪酬的重叠,M2的高档位的薪资对应M3的低档位的薪资，这样就实现薪酬的重叠。
　　那如何算每个层级的薪酬重叠度呢，我们的公式如下
　　M2薪酬重叠度=（M2最大值-M3最小值）/(M2最大值–M2最小值)
　　薪酬重叠度能分析判断公司内部结构的合理性，职级越高薪酬重叠度就越小，不同的行业的薪酬重叠度数据是不一样，比如互联网行业和制造业，相对来说制造业的薪酬重叠度会大于互联网的薪酬重叠度。
　　3、薪酬带宽度
　　薪酬带宽度也就薪酬变动比，这个指标数据主要是来分析判断各个层级之间薪酬带宽的幅度，薪酬带宽度的计算公式是：
　　同一薪资等级范围内的最高值与最小值薪资之差与最小值之间比例
　　（MAX-MIN）/min
　　每个层级的薪酬带宽度的数据也是不一样的，职级越高薪酬的带宽度越大。因为职级越高职级的薪酬结构构成就越多，相对来说职级的带宽就越大。
　　4、薪酬中位值极差
　　中位值极差是指内部每个层级的薪酬中位值之间的中值变动比，数据的大小决定在薪酬曲线的变动率，中位值极差的计算方式如下：
　　M2中位值极差=（M2中位值-M1中位值）/M1中位值
　　职级越高中位值极差的数据越大，主要是因为随着职级的上升，职级之间的增幅变大，中位值极差的数据也会增大。
　　5、薪酬CR值
　　薪酬CR值就是薪酬比较率CR值的概念是企业内部岗位或者层级的中位值数据与市场中位值数据的对比，具体的计算方式是：
　　CR=内部中位值/市场中位值
　　当CR值大于1的时候，说明岗位的竞争性大于市场
　　当CR值小于1的时候，说明岗位的竞争性小于市场
　　6、岗位薪酬偏离度
　　偏离度是企业内部岗位的中位值数据与市场中位值数据的偏离度，其计算公式为
　　岗位薪酬偏离度=（岗位年度中位值-市场中位值）/市场中位值
　　所以偏离度的数据会有正值和负值，也就是我们所说的正偏离和负偏离，在做岗位薪酬偏离度的时候除了要去计算偏离度的数据，我们要要去分析计算内部岗位中位值数据在市场数据的区间。

　　二、如何进行薪酬分析呢？

　　在搭建完成薪酬分析量化指标体系后，就到了最后一个环节，如何进行数据的统计分析。通常分为三个步骤：数据收集整理、数据分析、结果呈现，同时要持续培养提升数据敏感度。
　　1、数据收集整理
　　数据收集整理是分析的基础，核心是要做到样本数据的准确性、规范性、完整性。
　　数据口径：什么时间周期，是区间数据还是节点数据？包含的范围是什么？这些都要清晰明确。比如对于薪酬分析中常见的【应发工资】指标通常=实发工资+个税+五险一金=工资标准+各项津补贴-缺勤扣款-绩效考核扣款-其他扣款，但确实可能有企业基于自己的统计偏好，有不一样的统计口径，这就需要在数据收集时，明确数据的口径，保持一致认知。同时需要提醒的是有时候薪酬分析的指标名称和数据同学使用数据库里的字段名称并不一样，在进行数据收集时一定要做到充分沟通。
　　数据来源：数据源需要谁提供？如果需要从外部获得从哪些渠道可以获得？数据的可靠性如何？谁有能力对这个数据进行检核？是否为一手数据？是否需要二次加工，如果需要加工的算法是否共识？
　　数据修正：对于一些非常规数据需要进行人为干预修正，减少样本数据异常带来的统计偏差。比如在分析人均工资时，我们会用到发薪人数这个指标，实际工作中普遍存在的问题是由于人员入离职原因，有些人并非全月在职，这时候如果将其视为与其他全员在职人员一样进行统计，就会造成平均工资偏低的情况。尤其是在人员流动较大的月份，这样统计出来的数据可能与实际是相悖的。这时候就需要对发薪人数进行修正，借助出勤率指标对人数进行折算修正，比如只出勤半个月的员工，就计为0.5。可以理解为一个是发薪人头数，一个是全月发薪人数。
　　数据转换：这里主要是对数据格式、单位进行统一规范，有时候数据源来自不同的地方，汇集在一起的时候首先要统一标准。
　　2、数据分析
　　样本数据收集整理后，就进入了数据加工分析环节，核心是要明确数据变化的因果逻辑，通过对数据的横向、纵向、交叉分析，将薪酬数据的变化与业务动作、人员管理想关联。
　　横向分析：可以理解为同一时间维度下，不同架构间的数据对比。比如某一月份不同部门提成收入占比，销售A部占比30%，销售B部占比50%，这两组数据的对比分析就是横向分析。
　　纵向分析：可以理解为同一指标，在不同时间变化轴上的数据对比。比如某一部门5月份提成收入和同比、环比情况，同比是跟去年5月提成对比变化情况，环比是跟4月提成对比变化情况。
　　交叉分析：是指分析两个或多个维度数据指标间的关联关系，薪酬分析中常见的交叉分析一般为二维叠加，比如薪酬与业务数据的交叉分析，用来解释业务变化趋势对薪酬变化趋势的影响，这里的业务数据可以是收入、利润、单量；薪酬与人员数据间的交叉分析，用来表示某一特定属性人员与薪酬水平的关系，比如薪酬与司龄交叉分析，薪酬与层级交叉分析等。
　　逻辑梳理：即要找到数据变化的因果链，比如分析5月份公司整体固定工资对比4月增减的原因时，就要理清以下逻辑：基准数据是什么？期间减少的维度是什么（人员变化维度和薪酬政策维度），期间增加的维度是什么（人员变化维度和薪酬政策维度）？
　　基准值是什么？4月全量发薪人员的固定工资；
　　期间减少的固定工资？从人员维度看，离职人员包括4月份离职人员和4月在职5月离职人员；
　　期间增加的固定工资？从人员维度看，新增人员包括4月新入职且5月在职的和5月新入职人员；
　　从公司薪酬政策维度看，固定工资增加、减少的金额；
　　只有理清了数据变化的因果逻辑后，才能清楚的解释固定成本的变化。
　　3、结果呈现
　　数据分析完后，会得到一些结论，可以解释某一现象，也可以发现一些问题。在结果呈现的时候要站在需求方的角度进行阐述表达，即「忧其所虑，给其所欲」。
　　首先是分析逻辑阐述，构建一个对话的逻辑场域。基于什么目的，构建了一个评价体系，选取了哪些评价指标，为什么是这些指标，这些指标数据代表了什么。只有底层逻辑被认可时，才能有后续建设性的对话沟通。
　　其次是结论先行，逐层讲解，再提供论据。论据上，图>表>文字。业务方或者管理者的精力和时间是有限的，长篇大论只会让对方失去耐心，要做到言简意赅，详略得当。日常中的一些建议：在邮件最前面，用1-3句话先把结论给出来。然后再概括性的进行论据阐述，把复杂的数据分析构成放在附件中。
　　在结果呈现环节，还有注意一个现象，不要去描述数据现状，而应该是基于数据现状的分析，给出你的判断和解释。仅仅做数据描述没有任何意义，因为大家都知晓，分析的意识就在于要提供对方不知道的信息。

关于红海云

　　红海云是中国领先的新一代人力资源管理一体化综合解决方案提供商，核心产品红海eHR系统，打破传统人力资源管理系统功能模块数据割裂的局限，从核心人力管理、劳动力管理到战略人才管理，涵盖人力资源业务12大模块，百余项功能一体化布局。并通过红海云RedPaaS平台、RedAPI平台、自动化运维平台等底层数字化配套体系的赋能，让红海云eHR系统拥有了业内领先的灵活性和可扩展性。

　　迄今为止，红海云服务的客户已成功覆盖华北，华东、华南、西南地区市场，已有逾千家大中型企业借助红海产品获得领先的人力资源管理数字化能力，广泛分布于国企事业单位、地产、银行、医药、物业、物流、餐饮、服饰等行业，包括中国银行、保利物业、石药集团、以岭药业、科兴生物、中金珠宝、华宇集团、祥源控股、雪松控股、真功夫、中邮金融、影儿集团、比音勒芬、曹操出行等众多头部企业。