17.05.2022

Peer2Peer Salary Review – Nasze Case study

isolution

Ten artykuł to opowieść o tym, jak wykład Jakuba Nabrdalika rzucił nowe światło na wynagrodzenie w jednym z naszych zespołów i pomógł nam opracować sprawiedliwy sposób określania wysokości wynagrodzeń.

Cześć! Jestem Piotr i jestem Project Managerem.

Chciałbym podzielić się z Tobą, Drogi Czytelniku, swoimi przemyśleniami na temat pewnego wykładu. Przede wszystkim chciałbym jednak pokazać Ci, że jeśli temat wynagrodzeń w Twoim zespole czy firmie jest Ci ciężarem, to istnieje ciekawy sposób, aby ten ciężar zrzucić.

Od dłuższego czasu miałem problem z tym, w jaki sposób ustalać wynagrodzenia ludzi w moim zespole, aby ich wysokość była sprawiedliwa. Przez „sprawiedliwe” wynagrodzenie rozumiem zniwelowanie rozstrzału między różnymi stanowiskami i jednocześnie zachowanie proporcji względem rynku branży IT.

Jeśli chodzi o sam proces podwyżki czy awansu, właściwie w każdym zespole, z jakim dotychczas pracowałem proces ten był w jakiś sposób ustrukturyzowany – to ludzie z zespołu przychodzili z prośbą o podwyżkę, co właściwie wystarczyło do uruchomienia całej procedury. Często po prostu czekałem, żeby dana osoba wykazała chęć dalszego rozwoju na swoim stanowisku. Nie mogłem jednak pozbyć się poczucia, że cały proces określania wysokości wynagrodzenia czy częstotliwość awansu były na granicy sprawiedliwości. W takim systemie dostrzegałem dwie zasadnicze wady.

Po pierwsze, ludzie często zgłaszali chęć podwyżki głównie z powodu upływu czasu na danym stanowisku. To jest zresztą podejście przedstawione we wspomnianym wykładzie J. Nabrdalika – czy 5 lat doświadczenia pracownika na danym stanowisku to 5 lat ciągłego rozwoju czy 5 lat ustawicznego wykonywania obowiązków danego stanowiska w sposób poprawny?

Po drugie, zdarzało się również, że główną motywacją osób rozpoczynających proces awansu/podwyżki była subiektywna ocena ich wpływu na zespół – „bo ludzie mnie lubią, bo dobrze dogaduję się z zespołem”. Jasne, jest to jak najbardziej istotne w codziennej pracy, jednak czy wystarczy? Co z sytuacją, kiedy pomimo wysokiej samooceny, inni członkowie zespołu widzą tę osobę zupełnie inaczej, jako kogoś, kto dobre kontakty przedkłada ponad dobrą pracę?

Kolejnym aspektem, który powracał do mnie przy każdej z przydzielanych podwyżek była moja świadomość subiektywnej oceny sytuacji awansującego. Oczywiście elementy dotyczące prywatnej sytuacji danej osoby są bardzo ważne i chcę ich wysłuchać, zależy mi na zrozumieniu problemów i potrzeb moich ludzi, jednak nie chciałem, aby rzutowało to na moje decyzje, które mają wpływ na cały zespół.

Dosyć długo rozmawialiśmy o tym i szukaliśmy rozwiązania, które umożliwiłoby nam:

  • sprawiedliwe wynagradzanie ludzi w zespole – tutaj „sprawiedliwe” definiujemy jako przekonanie osób w zespole, że zarabiają tyle ile powinny zarazem na tle rynku jak i zespołu,
  • zminimalizować wpływ personalnych/osobistych czynników na wynagrodzenie pracowników.

I tu pojawił się wykład Jakuba Nabrdalika – „Peer-2-Peer Salary Review”, który rzucił dla mnie nowe światło na ten temat. W ujęciu, w którym to członkowie zespołu oceniają siebie nawzajem, w tym również mnie, dostrzegłem rozwiązanie problemu, który coraz bardziej zaprzątał mi głowę.

Oczywistym jest, że decyzja o przeprowadzeniu badania nie była jednoznaczna. Wahałem się długo i rozmyślałem nad tym, czy zbiorowy subiektywizm jest obiektywizmem? Niemniej, sama świadomość tego, że po przeprowadzeniu badania moja opinia jako Project Managera stanie się składową opinii całego zespołu pozwalała mi liczyć na to, że zasadność podwyżek stanie się urealniona i pozbawiona uprzedzeń i sympatii osobistych. I tego właśnie było mi trzeba.


Przeprowadzenie badania

Pierwszym etapem przygotowania do przeprowadzenia badania P2P było zdefiniowanie obszarów, które będziemy poddawać ocenie. Od początku chciałem zminimalizować ryzyko indywidualnej interpretacji ocenianych aspektów, dlatego omówiliśmy je i krótko opisaliśmy.

Komunikacja:

  • umiejętność aktywnego i uważnego słuchania,
  • umiejętność jasnego formułowania wypowiedzi,
  • umiejętność przekazywania informacji językiem zrozumiałym dla odbiorcy,
  • umiejętność przekazywania informacji zwrotnej.

Motywacja:

  • Jaki jest poziom zmotywowania do pracy?
  • Czy osoba angażuje się w powierzone zadania, czy aktywnie poszukuje odpowiedzi na zaistniałe problemy?
  • Czy angażuje się w prace tylko w ramach powierzonych zdań czy potrafi wyjść poza oczekiwane rezultaty?
  • Czy motywacją jest tylko kwestia finansowa? Czy może coś więcej.

Twarde skille – typowe dla każdej roli w zespole. Lista kompetencji została określona przez zespół i wpisana do formularza.

Kompetencje miękkie:

  • umiejętność konstruowania myśli i przelewania ich na “papier”,
  • umiejętność analizy wyników i raportowanie przebiegu prac,
  • współpraca w zespole

Rozumienie:

  • Czy po przekazaniu informacji zwrotnej osoba jest zdolna do wdrożenia zaplanowanych zadań samodzielnie?
  • Czy rozumie kierunek oraz cel swoich zadań?
  • Czy w razie wątpliwości jest w stanie odpowiednio skomunikować się z osobą zlecającą lub z pozostałymi osobami w zespole?

Samowystarczalność:

  • Czy dana osoba podejmując zadania potrzebuje wsparcia innych do ich wykonania?
  • Czy dana osoba posiada umiejętności pracy samodzielnej?
  • Czy dana osoba aktywnie i samodzielnie poszukuje rozwiązań?

Jeszcze przed rozpoczęciem badania Peer-2-Peer założyliśmy również, że poza oceną liczbową, chętne osoby mogą pozostawić osobie ocenianej informację zwrotną w formie słownej. Decyzją zespołu było również to, aby w trakcie podsumowania wyniki liczbowe przekazać im w formie uśrednionej, podczas gdy słowną informację zwrotną chcą otrzymać w niezmienionej formie, ale z zachowaniem anonimowości autora.

Pierwsza tura

Nie do końca wiedziałem, jak przeprowadzić cały proces, aby uczynić go sprawnym i nie sprowadzić badania do przykrej konieczności dla członków zespołu. Aby go uprościć stworzyłem arkusz excel, który przekazałem zespołowi.

Zdecydowałem o wdrożeniu 5-cio stopniowej skali, a feedback zbierałem w formie wywiadu z każdą osobą.

Druga tura

W drugiej edycji badania rozszerzyliśmy skalę od 0 do 50pkt. Efekt był dokładnie taki sam jak w badaniu pierwszym – gdybym wyniki pierwszej tury pomnożył przez 10, średnia punktacja poszczególnych osób z zespołu byłaby dokładnie taka sama, jak w turze drugiej.

Z jednej strony ucieszyło mnie to, bo było to potwierdzenie, że wszystkie osoby są równo ocenianie, a odchylenia pomiędzy średnimi punktacjami obu tur są tak małe, że wręcz pomijalne.

Rozbicie skali na 50-cio stopniową pozwoliło mi jednak zauważyć, że te pojedyncze odchylenia poszczególnych osób w danych obszarach wskazały te elementy, nad którymi dana osoba powinna popracować, co w skali 5-cio stopniowej nie było możliwe.

Dodatkowo, arkusz przekazany członkom zespołu uzupełniłem o pola do samodzielnego udzielenia feedbacku w formie słownej. Zabieg ten znacząco przyspieszył cały proces, jednocześnie eliminując kolejny subiektywny czynnik, czyli moją interpretację informacji zwrotnej przekazywanej ustnie.

Podsumowanie badania z zespołem

Po każdej turze pierwszym krokiem do podsumowania całego badania z zespołem było przekazanie każdej osobie jej uśrednionych wyników na tle średnich wyników reszty zespołu oraz przekazanie zebranych informacji zwrotnych – właściwie każdy, kto wystawiał ocenę, pozostawiał również feedback dla osoby ocenianej, będący najczęściej uzasadnieniem wystawionej oceny.

Po zakończeniu obu tur, uśrednione wyniki poszczególnych osób naniosłem na siatkę wynagrodzeń, co pokazało mi, że w kilku przypadkach rzeczywiście rozbieżność między oceną Peer-2-Peer a wynagrodzeniem była bardzo duża. Mówimy tu o sytuacji, kiedy ktoś był świetnie oceniany w p2p, ale zarabiał stosunkowo mało.

Efekty, wnioski i refleksje

Po pierwsze, już po I turze dostałem jasną informację na temat tego, że niektóre osoby mają zaległości w określonych technologiach czy problemy komunikacyjne i nie była to informacja oparta o moją subiektywną ocenę. Nie bazowałem już na moim przeczuciu, a na uśrednionej opinii innych członków zespołu.

Po drugie, wyniki drugiej tury badania Peer-2-Peer, przeprowadzonej po 7 miesiącach od omówienia wyników pierwszej, pokazała jasno, że informacja zwrotna przekazana po I turze zadziałała – te osoby, które otrzymały informację o swoich zaległościach czy niedociągnięciach – nadrobiły te braki.

Po trzecie – przestałem punktowo patrzeć na wynagrodzenie poszczególnych osób, a zacząłem postrzegać je globalnie – na tle wynagrodzeń pozostałych członków zespołu. Dzięki temu procesy podwyżki czy awansu uległy swoistej automatyzacji – decyzja o podwyżce dla jednej osoby wpływa teraz na wszystkich członków zespołu, tych „niżej” i „wyżej” w siatce.

Dzięki temu badaniu pierwszy raz zdarzyła mi się sytuacja, że to ja poszedłem do zespołu i zaproponowałem im podwyżki. Pierwszy raz szedłem z „paszportem”, upoważnieniem do tego, bo czułem się dobrze z przekonaniem, że poszczególne osoby powinny zarabiać więcej.

Zdarzyło się również, że jeden z pracowników przyszedł do mnie po podwyżkę pomiędzy turami badań. Wysłuchałem i zrozumiałem argumentację, uruchomiliśmy cały proces. Okazało się jednak, że po drugiej turze badania poczułem obowiązek podniesienia wynagrodzenia osób, które w badaniu Peer-2-Peer wypadły lepiej. Było dla mnie pewnym, że w momencie, gdy wyłamię się ze schematu punktacji i jedną osobę w jakiś sposób wyróżnię, to cały system przestanie działać.

W trakcie drugiego badania zdarzyła się również sytuacja, której nie przewidziałem na początku. Rozszerzając skalę oceny z 5-cio do 50-cio stopniowej, nie miałem świadomości, że będzie ona inaczej interpretowana. Podczas gdy w skali 5-cio stopniowej wszystko jest prostsze i nie pozostawia pola do interpretacji, w skali 50-cio stopniowej sytuacja była zupełnie inna. Jedna z osób, interpretując skalę 50-cio stopniową uznała, że 25 punktów to „standard”, punktacja poniżej 25pkt sygnalizuje niezadowalający poziom, a odchylenie w górę to wszystkie działania ekstra. Nieprzewidzianym skutkiem tej sytuacji było to, że wszyscy członkowie zespołu oceniani w tym podejściu przez tą jedną osobę spadli w punktacji. Podczas gdy samo podejście wydaje mi się całkiem rozsądne, taka interferencja zakłóciła wyniki i było konsekwencją braku określonego standardu interpretacji przed modyfikacją skali. W nadchodzących wersjach badania postaramy się tego uniknąć.

Jako ostatnie, choć dla mnie najważniejsze – przeprowadzanie badania Peer-2-Peer spowodowało, że zyskałem narzędzie, które zdjęło ze mnie bardzo duże obciążenie związane z poczuciem odpowiedzialności za sprawiedliwość wynagrodzenia. Dzięki poparciu decyzji o wysokości wynagrodzenia czy podwyżce opinią całego zespołu, poczułem, że czuję się dobrze z zarobkami ludzi w swoim zespole. Wszelkie subiektywne aspekty, które wcześniej budziły mój niepokój, przestały być subiektywne, bo potwierdził je cały zespół.

Zrewidowałem też swoje przekonania sprzed przeprowadzenia badania Peer-2-Peer. Na początku myślałem, że mogę powiedzieć „nie ważne jaką rolę pełnisz, możesz zarabiać tyle samo”. Niestety okazało się, że są pewne role, które na rynku są diametralnie inaczej wyceniane i tego nie mogłem przeskoczyć. Jednak w większości wypadków udało się doprowadzić do sytuacji, że wynagrodzenia bazujące na ocenie P2P były sprawiedliwe, przynajmniej w zakresie zespołu.

Oczywiście, nadal muszę rewidować to, czy nas jako firmę stać na proporcjonalny wzrost wynagrodzeń. Ale w tym momencie zaczynam bazować na liczbach i feedbacku, a nie tylko na przeczuciach.

Piotr Jawoszek

Przede wszystkim Servant leader. 🙂
Scrum Master, PM, organizator w ramach grupy Mangement 3.0., fascynat nowoczesnych technik zarządzania zespołami zwinnymi jak i konwencjonalnymi.

Chcesz dowiedzieć się więcej o metodykach zarządzania, jakie wykorzystujemy?

Obniżenie kosztów usuwania awarii dróg, rur, czy linii wysokiego napięcia? Tak, to możliwe dzięki sztucznej inteligencji.

Czy wprowadzanie innowacji w firmie musi wiązać się z dużymi kosztami? Nie, jeśli zapewnimy sobie wsparcie silnego zespołu, zastosujemy zwinną metodykę pracy i dobrze określimy problem, który chcemy rozwiązać. W tym artykule opowiem o tym, jak razem z kilkuosobowym zespołem R&D zaproponowaliśmy rozwiązanie problemu, który potencjalnie może kilkukrotnie zmniejszyć u naszego Klienta nakłady związane z naprawą usterek.

Sztuczna inteligencja w branży ciepłowniczej, case study

Niedawno miałam przyjemność wspólnie z zespołem zmierzyć się w praktyce z wyzwaniem, w ramach którego udało nam się znaleźć optymalną metodę analizy danych przestrzennych, które od jakiegoś czasu zbierał nasz klient – jedna z największych w Polsce firm z branży ciepłowniczej.

Zaczęliśmy od małej próbki, projektu typu Proof of Concept, w ramach którego mieliśmy sprawdzić, czy uda nam się dzięki automatyzacji procesu wesprzeć ekspertów w wykrywaniu na podstawie zdjęć termicznych drobnych usterek, niewidocznych na pierwszy rzut oka.

To doskonały przykład na to, że innowacja nie musi wiązać się z czasochłonną i kosztowną reorganizacją całej firmy. Można zacząć od prostej optymalizacji, lub automatyzacji prostych czynności, dzięki którym można odciążyć zespół.

Wyzwanie

W przypadku naszego Klienta proces, z którym mieliśmy do czynienia był jednym z tych, którego unowocześnienie miało bardzo dużą wartość biznesową. Stąd pomysł na zautomatyzowanie procesu wykrywania usterek poprzez wykorzystanie algorytmów sztucznej inteligencji.

Drobne usterki generują duże straty ciepła, a co za tym idzie wysokie koszty ich obsługi. Do tej pory wykrywanie usterek sieci odbywało się na dwa sposoby:

  • Duże awarie zgłaszane były na podstawie fizycznych oględzin
  • Małe usterki, które nie były widoczne na zewnątrz, wykrywane były na podstawie manualnej analizy zdjęć termicznych.

W praktyce analiza polegała na przeglądaniu przez eksperta wszystkich zdjęć zrobionych z drona w celu wykrycia anomalii cieplnych. Proces ten trwał miesiącami, co wpływało również na długi czas potrzebny do wykrycia awarii.

Naszym zadaniem było częściowe zautomatyzowanie tego procesu, czyli wytypowanie miejsc z potencjalnymi usterkami, które ekspert zatwierdzi lub odrzuci.

Efekt

W ramach realizowanego projektu udało nam się:

  • Uzyskać skuteczność wykrywania potwierdzonych awarii na poziomie ponad 90% .
  • Ułatwić pracę eksperta dzięki wskazaniu konkretnych miejsc z potencjalną usterką.
  • Skrócić czas analizy dostępnych danych z 3 miesięcy pracy 3-osobowego zespołu do 3 dni pracy 1 eksperta.

Jeśli chcesz dowiedzieć się:

  • w jaki sposób podeszliśmy do rozwiązania tego problemu,
  • jakie funkcjonalności zawierał system przygotowany dla klienta,
  • kto z Isolution brał udział w projekcie,
  • jakie korzyści daje inwestowanie w AI,

pobierz pełną wersję case study poniżej!

Możesz też umówić się na rozmowę z jednym z naszych specjalistów i porozmawiać o tym projekcie oraz poradzić się w kwestii wdrożenia rozwiązań AI w swojej firmie.

Katarzyna Roszczewska, Data Scientist w Isolution

    Wpisz swoję dane, po chwili otrzymasz case study:)