Попробуйте набрать в поисковике «аналитика зарплат» - и, скорее всего, самые популярные статьи и мониторинги будут содержать информацию о «средних» зарплатах (может быть, детализированными по профессии и региону) или указывать стандартные статистические показатели (мода, медиана).
Но: обзоры и исследования такого рода не очень информативны, т.к. при решении конкретных кейсов требуются более точные данные. Если вы работаете в определенной сфере, то средние показатели могут показывать только какие-то очень общие тренды (например, динамику). Вас же будет интересовать в том числе и сравнение по специализации или по отрасли/сопоставимым по деятельности организациям.
Ниже мы приводим три сценария анализа данных по зарплате, которые допустимо использовать в определенных ситуациях.
Как мы собирали данные:
Источником данных для нас являлся открытый api одного из попаренных порталов для поиска работы – hh.ru. Для нашего тестового примера мы периодически, на протяжении полугода, производили выгрузку вакансий – в нашем примере, для бухгалтеров (просто это одна из самых массовых профессий); регионом определили г.Омск – один из «миллионников», промышленных и торговых центров. Таким образом, вакансии относятся к широкому спектру секторов экономики.
Загруженные данные мы собираем в небольшой базе, и впоследствии делаем обработку аналитическими инструментами.
Какими средствами мы обрабатывали данные:
- Loginom (академическая версия), средствами которого мы производим очистку и обработку данных, подготовку их для финального анализа.
- Power BI как основной аналитический инструмент
И, непосредственно, сценарии анализа:
Сценарий №1 – ориентируемся на признак профессиональной роли, которую нам передает hh.ru с каждой вакансией.
- Результат – см. рисунок 1: динамика средней зарплаты, показывает нам тренд на повышение – минимальная планка выросла за полгода с 46 до 52 т.р., то есть примерно на 6 т.р. или почти на 13% к базовому месяцу.
Сценарий №2. Ориентируемся на наименование вакансий, предварительно отобранных по проф. роли «бухгалтер». А затем отфильтрованные по заданным параметрам. Мы для нашего примера обрабатывали наименования вакансий посредством академической версии Loginom, исключая Главных, Ведущих и Зам.главных, чтобы получить максимально точную динамику по «простым бухгалтерам».
- Результат – на рисунке 2. Обратите внимание, что уровень оплаты предсказуемо снизился, и динамика немного стала «спокойнее».
Сценарий №3. Смотрим изменения в динамике по наименованию позиции в рамках отдельных компаний. Сценарий хорош тем, что позволяет видеть «точечные» изменения предложений по наиболее проблемным позициям.
Результат – на рисунке 3.
Что можем видеть на нашем скромном примере:
- Видим, что меняется политика по публикации вакансий (Газпром нефть) – ранее не указывала ЗП, а с осени 2024 изменила эту практику.
- Видим точечные повышения (Реактор), или отсутствие разницы в предлагаемой оплате (Фармакопейка).
- Кроме прочего, видим длительность поиска, и можем предполагать – сколько мы будем искать аналогичного специалиста при определенном уровне ЗП.
Если для вас интересно это направление, то примеры наших разборов по рынку труда мы выкладываем в ТГ канале: https://t.me/salary_and_wage