От C&B ждут понятной системы вознаграждения: сотрудники должны видеть, от чего зависит их доход, а бизнес — понимать, куда уходит ФОТ и какой результат он приносит. Без данных такие решения быстро упираются в личный опыт и мнение руководителей.
На прошлой неделе мы провели закрытую встречу «Data-driven C&B. Как работать с данными» для HRD и C&B-руководителей агрокомпаний.
🚩 Делимся инсайтами и решениями, которые помогут построить data-driven C&B
1️⃣ Что агрокомпании меняют в вознаграждении
В отраслевом срезе пульс-опроса ЭКОПСИ участвовали 18 агрокомпаний.
Агросрез рынка:
🟥72% планируют увеличить ФОТ в 2026 году, медианный рост — 10%.
🟥Массовую индексацию выбрали 83% участников, чаще всего с разным процентом для отдельных групп.
🟥Половина компаний планирует пересмотреть KPI и критерии премирования.
До 21 августа мы проводим новый пульс-опрос. В нем:
🟠фактические данные за 2026 год
🟠кадровые изменения и оптимизация численности
🟠планы по индексации и переменной части на 2027 год
🟠управление производительностью труда.
Полный отчет получат только участники опроса.
Пройти опрос до 21 августа
2️⃣ Как сотрудники в России относятся к компенсации
Только 13% сотрудников считают свой доход соответствующим профессиональному уровню и личному вкладу, а 11% видят возможность зарабатывать больше за счет собственной эффективности.
Что это значит для C&B?
➡️ Если сотрудники не считают постоянную часть справедливой, стоит проверить систему грейдов, внутренние зарплатные соотношения и положение компании на рынке.
➡️ Если они не видят связи между результатом и доходом — пересмотреть переменную часть, KPI, MBO или OKR. Непонятные принципы оценки указывают на систему управления эффективностью и практики регулярного менеджмента.
Чтобы проверить, как относятся сотрудники к различным аспектам компенсации, мы запустили Агромониторинг 2026 — первый бенчмарк вовлеченности для агросектора и пищевой промышленности.
Узнать подробности и получить пример отчета
3️⃣ Как современная аналитика и ИИ меняют грейдирование
Современный подход к грейдированию сочетает компонентный метод и ИИ-агентов.
Исторически системы грейдов строятся на заранее заданных факторах и весах.
Компонентный метод работает иначе: математическая модель определяет, какие факторы лучше всего объясняют оплату должностей в конкретной компании. Компонентный метод считается наиболее точным, а современные возможности аналитических систем позволяют использовать именно его.
Компонентный метод лежит в основе подхода SCALE+. Модель определяет, как факторы оценки должностей связаны с действующими окладами в компании и рыночным уровнем оплаты, формируя оптимальные веса для расчета грейда. Одновременно модель контролирует регионы и специфику направлений и рассчитывает оптимальные окладные вилки
ИИ-агент в рамках SCALE+ помогает собрать данные для описания и оценки должностей. Он анализирует ответы руководителя, задает уточняющие вопросы и переводит информацию в структурированный вид. Это сокращает ручную работу и сроки проекта.
Построить систему грейдов с помощью ИИ