Rewired

Винсент Берубе Сирил Дюжарден, Грег Кудар, Эрик Ламарр, Лаоп Мори, Жерар Рихтер, Тамим Салех, Алекс Сингла, Суман Тареджа и Родни Земмель, "Цифровые преобразования: Пять факторов таланта, которые имеют наибольшее значение", McKinsey.com, 5 января 2023 г., https://www.mckinsey.com/ capabilities/mckinsey-digital/our-insights/digital-transformations- the-five-talent-factors-that-matter-most.

Кэтрин Кун, Эрик Ламарр, Крис Перкинс и Суман Тареджа, "Добыча золота для технических талантов: Семь способов найти и сохранить разнообразные таланты", McKinsey.com, 27 сентября 2022 г., https://www.mckinsey.com/ capabilities/mckinsey-digital/our-insights/mining-for-tech-talent-gold- seven-ways-to-find-and-keep-diverse-talent.

 

Глава 11.

Распознавать отличительные технологи

 

Если вы думаете, что нанимать профессионала дорого, подождите, пока не наймете любителя.

-Ред Адэр

 

Нереально ожидать, что устоявшаяся компания полностью изменит свой подход к управлению талантами, чтобы приспособить его к цифровым талантам. Однако большинство компаний считают, что они могут работать в рамках существующей системы управления талантами, чтобы учитывать специфику цифровых талантов. Две области, которые имеют наибольшее значение, - это компенсация и управление эффективностью.

 

Корректируйте вознаграждение с учетом навыков

Вознаграждение за технические навыки часто резко расходится с ценностью человека, потому что в традиционных компаниях вознаграждение часто привязано к стажу работы или количеству сотрудников в подчинении, а не к инженерным способностям. Это приводит к неудовлетворенности и дает высококлассным специалистам вескую причину для ухода.

 

В современных компаниях приветствуются технические карьеры, когда человек может оказывать огромное влияние на работу компании благодаря своему ремеслу. Это привело к появлению двойных карьерных путей, где технологи могут развиваться либо в традиционном управленческом направлении, либо в экспертном или инженерном (подробнее об этом в главе 12).

 

Размышляя над тем, как скорректировать систему вознаграждения для талантливых специалистов в области цифровых технологий, помните о следующем:

 

Компенсация сопоставляется с Большим технологическим институтом. Big Tech устанавливает планку, а большинство других компаний решают, к чему привязать свою компенсацию, в зависимости от местного рынка и качества талантов, за которые они конкурируют. Это еще более актуально в гибридном/удаленном мире, где талантливые сотрудники могут работать где угодно, и их всегда можно переманить или легче сменить работу. Планка компенсаций в Big Tech, конечно, будет меняться в зависимости от экономических подъемов и спадов в технологической отрасли, но, тем не менее, она, скорее всего, останется стандартом. В целом, большинство компаний согласятся на уровень компенсации, который будет на 30 % ниже уровня Big Tech, в зависимости от рынка и качества талантов.

В целом, структура вознаграждения ориентирована на более существенные бонусы, что обеспечивает механизм премиального вознаграждения для действительно выдающихся технических специалистов. Бонусы могут достигать 100 % от базового оклада для лучших сотрудников.

 

Платите за квалификацию на конкретном уровне. Инженеры MLOps в среднем зарабатывают больше, чем инженеры по обработке данных, потому что эти навыки дефицитны и пользуются большим спросом. Внутри каждого семейства навыков должна быть гранулярная сегментация уровней, определяемая квалификационными характеристиками. Например, в Big Tech будет до 10 уровней инженеров по обработке данных, каждый из которых будет иметь свои диапазоны вознаграждения. Чтобы определить эти маркеры навыков, можно воспользоваться бенчмарками, которые помогут понять, как обстоят дела на рынке талантливых специалистов, которых вы ищете, и предоставят данные, позволяющие убедиться в том, что вы конкурентоспособны по требуемым навыкам.

Затем вам придется потрудиться, чтобы выяснить, какие маркеры лучше всего подходят для нужных вам навыков. Это означает установление четких маркеров технологической компетентности (TCM) и лидерской компетентности (LCM) для различных семейств должностей (подробнее см. ниже). Поначалу это нелегко, и потребуется время, чтобы сделать все правильно. На рис. 11.1 показаны TCM для специалиста по исследованию данных и старшего главного специалиста по исследованию данных в McKinsey.