Den tredje delen i den här bloggserien handlar om att sätta löner, dvs att man tittar framåt. Den första delen hittar du här, och den andra här. I de två tidigare delarna har vi analyserat historiken och nu kommer vi visa hur man skulle kunna använda historiken för att sätta löner framåt i tiden.

För att vara tydlig så har vi inte applicerat detta på något case i verkligheten, utan detta är inspiration för er läsare för hur man skulle kunna sätta lönestrukturer på ett mer datadrivet sätt.

Komma ihåg vad vi gjorde i del 1

I den första delen, den om lönesättning så använde vi fyra variabler som tabellen nedan visar.

I bilden ovan har varje variabel en ”koefficient”. I vår modell för framtida löner (som finns avsnittet nedan) kallar vi detta för ”belopp” och använder de värdena från regressionen som benchmark. Vi vet vad som är rimligt.

Den andra viktiga observationen i bilden ovan är att utöver koefficienten finns det ett ”standardfel”. Det betyder att det finns ett visst svängrum på värdet på koefficienten. I vår modell kallar vi det ”varians” och även här använder vi historiken som en typ av benchmark för hur vi vill att det ska fungera framöver.

Applicera kunskapen om historiken för en modell för framtida löner

I vår regression på historiskt data hade vi fyra variabler. I modellen för att sätta löner framöver använder vi tre av dem 1) år i branschen, 2) om man har universitetsutbildning, 3) om man är chef samt att vi lägger till ytterligare en, 4) om man är högpresterare.

Bilden nedan visar vår modell som vi gjort i excel som man kan använda för att sätta löner framåt i tiden, baserat på kunskapen om historiken vi gjorde i regressionen i del 1 av den här bloggserien. Vi tänker oss att cellerna i gult fyller man som ansvarig chef i, de blåa fyller HR i och de andra cellerna räknas ut via formler.

För varje variabel (år i branschen, har universitetsutveckling etc) har man ett ”belopp” som visar vad varje medarbetare har för utfall för den variabeln. Utöver det så finns en varians, alltså en möjlighet för bedömning.

Vår modell genererar ett intervall mellan ”från” och ”till” som är rimligt. Detta räknas ut dels för varje variabel, och dels för den totala lönen.

Slutligen så får HR attestera eller godkänna de lönenivåerna som chefen föreslår.

Sammanfattning

Vi har genom denna serie visat hur man kan jobba datadrivet med sin lönesättning. Verktygen finns lätt tillgängliga och datat man behöver finns lätt tillgängligt och ofta i lönesystemet. Vi hoppas att detta inspirerar flera företagare att jobba datadrivet och för lönekonsulter vilja ligga i framkant i sådana här frågor. Som företagare, om man behöver hjälp med lönesättning ska man i första hand vända sig till sin lönekonsult.