Comp benchmarking з AI: 5-джерельний метод для SMB

Коли засновниця SaaS на 70 людей сказала мені, що за квартал втратила трьох інженерів і не розуміє чому, її comp-дані були одним скріншотом з Levels.fyi на «Senior Engineer, San Francisco». Її інженери були ремоут і Senior-to-Staff. Скріншот був не туди десь на 30%, і вона цього не знала.

Чому single-source comp-дані не працюють у SMB?

У кожного джерела свій sampling bias. Levels.fyi перекошує на IC-ролях у big-tech у великих метро США. Pave — на венчурних стартапах, які opt-in у data sharing. Carta бачить cap-table компанії. Radford — ентерпрайз. Raw-scrape ловить публічну частину — зазвичай оптимістичні ranges у вакансіях.

Definition: Sampling bias — коли дані, які ви бачите, систематично виключають дані, які насправді потрібні. Усі comp-джерела мають bias; питання — у який бік.

Компанія 30-500 людей, що наймає ремоут Senior engineer у Східній Європі, у жодному з джерел чисто не представлена. Будь-яке окреме джерело дає впевнене число в конкретному напрямку — і впевнено-неправильне — найгірший стан для comp-рішення.

Як 5-джерельний метод виглядає на практиці?

Ви тягнете зріз з кожного джерела, нормалізуєте, і AI-workflow змішує їх з явними вагами. Blend — не відповідь. Розкид — відповідь. Вузький розкид = роль чітка, ринок згоден. Широкий розкид = сигнал розбиратися, а не усереднити.

Джерело 1 — Levels.fyi

Сила: senior IC у тех, прозорі рівні. Слабкість: US-metro, big-tech anchor. Тягнемо: роль + рівень + регіон.

Джерело 2 — Pave

Сила: венчурні стартапи, реальні ranges. Слабкість: opt-in, growth-stage. Тягнемо: family + stage + headcount band.

Джерело 3 — Carta

Сила: cap-table, broad SMB coverage, equity. Слабкість: equity-важка комп може спотворити cash. Тягнемо: роль + stage + регіон + cash-vs-equity split.

Джерело 4 — Radford / Mercer

Сила: методологічно строго, ентерпрайз. Слабкість: дорого, повільно, консервативно. Тягнемо: family + revenue band + geo.

Джерело 5 — Цільовий raw scrape

Сила: real-time ринок з активних вакансій. Слабкість: оптимістичні ranges, posted-not-paid bias. Тягнемо: 20-30 активних оголошень із comparable компаній, AI витягує band.

Як AI-workflow їх змішує?

Workflow робить 4 речі: нормалізує тайтли між джерелами, нормалізує гео і валюту, застосовує weight-матрицю, яку ви контролюєте, і виводить розкид.

Definition: Spread analysis — розрив між найнижчим і найвищим source-медіаном на ту саму роль, у % від midpoint. <15% = converged. 15-30% = investigate. >30% = роль неправильна або ринок у русі.

Ваги важливі. Для senior eng-найму в ремоут mid-stage SaaS захищена матриця може бути Pave 30%, Carta 25%, Levels 20%, Radford 15%, scrape 10%. Для enterprise sales-найму в компанії 200 людей, що продає Fortune 500, Radford іде до 40%, Levels — близько 0.

Якщо ви не можете пояснити, чому ваги саме такі, AI впевнено усереднить сміття. Ваги — це судження; AI — калькулятор.

Copy/paste prompt — Multi-source comp blend

Ти змішуєш comp-дані з 5 джерел для однієї ролі.

Role: [TITLE]
Level: [JUNIOR / MID / SENIOR / STAFF / PRINCIPAL]
Function: [ENG / PRODUCT / SALES / DESIGN / OPS / FINANCE / OTHER]
Location: [METRO / REMOTE-region]
Currency target: [USD / EUR / etc.]
Company stage: [SEED / SERIES A / SERIES B / SERIES C+ / PROFITABLE-PRIVATE]
Headcount band: [<50 / 50-150 / 150-500 / 500+]

Source data:
- Levels.fyi: [P25/P50/P75 base, bonus, equity]
- Pave: [P25/P50/P75 base, bonus, equity]
- Carta: [P25/P50/P75 base, bonus, equity]
- Radford: [P25/P50/P75 base, bonus]
- Raw scrape: [low-high across N оголошень]

Weights (сума = 100):
- Levels: [N]
- Pave: [N]
- Carta: [N]
- Radford: [N]
- Scrape: [N]

Output:
1. По-джерельний нормалізований P50 base у цільовій валюті.
2. Weighted blend: P25/P50/P75 base, bonus target, equity target.
3. Spread: розкид між source-P50, у % від blended P50.
4. Spread verdict: CONVERGED (<15%) / INVESTIGATE (15-30%) / WRONG-ROLE-OR-FLUX (>30%).
5. Топ-3 ризики з огляду на розкид.

НЕ рекомендуй число для оферту. Видай band; рішення людське.

Останній рядок важливий. Prompt видає band і spread verdict. Hire-maker вирішує, де в band приземлитись і чому.

Tool tip (Course for Business): SMB зливають comp benchmarking, бо ця робота лежить на одному втомленому generalist-і, у якого ніколи не було часу вивчити метод. Augment, don't replace у нашій 6-тижневій програмі віддає comp-workflow тому, хто реально робить оферти — засновник, head-of-people або старший менеджер — і вчить ганяти 5-source blend менш ніж за 4 години. AI Champions (1:15-20) означає, що завжди є хтось, хто допоможе, коли вилазить широкий розкид. Програма: https://course.aiadvisoryboard.me/business.

Team scan (що AI-чемпіони репортять після тижня 1)

• Власник comp-workflow: одна названа людина на функцію (eng, sales, ops)
• Доступ до джерел: Levels безкоштовно, Pave або Carta через investor network, Radford через partner-share, scrape автоматизований
• Час на роль: під 4 години включно з spread-investigation
• Перші 3 ролі: кожен blend дав захищений band з документованими вагами
• Широкий spread: 1 з 3 виявив «визначення ролі зламане», не comp issue
• Рішення документовані: кожен оферт має «приземлились на P60 бо X»
• Освіта менеджерів: 5 hiring-менеджерів самі прогнали prompt; comp-розмови коротші
• Каденс калібровки: тижнева 30-хв перевірка офертів поза band
• Equity normalization: Carta-equity у $-вартість по FMV
• Anti-pattern killed: «Levels каже X» без source-weight-контексту — не приймається

Micro-case (що змінюється за 7-14 днів)

Прибуткова SaaS на 110 людей втрачала senior-інженерів і не розуміла чому. Оферти йшли по одному Levels-скріншоту. Запустили 5-source метод на трьох ролях. Blended P50 був на ~22% вище їхнього оферту. Spread на одній з трьох ролей — 38%, достатньо широкий, щоб флагнути «роль погано визначена» — і так воно і було: «Senior Engineer» req був реально Staff з team-lead-очікуваннями. Розділили роль, перерівняли, перебенчмаркали. За два тижні закрили senior-інженера на числі всередині blended band, захищеному перед бордом, і вже не залежному від скріншоту.

Note on this case: This example is illustrative — based on typical patterns we observe with companies of 30-500 employees, not a single named client. Specific numbers are rounded approximations of common ranges, not guarantees.

Tool tip (Course for Business): Найскладніше в навчанні comp benchmarking — hiring-менеджери хочуть одне число в оферт-лист, а не band з матрицею ваг. Shoulder-to-Shoulder hot seats у нашій 6-тижневій програмі проганяють реальний оферт через 5-source workflow з hiring-менеджером у кріслі — в кінці сесії він захищає band перед кандидатом, фінансами і бордом. Це момент, коли comp benchmarking перестає бути People-Ops чорним ящиком. 30-хв mapping-дзвінок: https://course.aiadvisoryboard.me/business.

FAQ

Чи потрібен доступ до всіх 5 джерел? Мінімум 3, ідеал 4, всі 5 — для розмови з бордом. Levels і scrape — безкоштовні; Pave або Carta — зазвичай через інвесторів; Radford — дороге. Починайте з 3, додавайте з ростом сениорності.

Що якщо spread >30%? Зупиняйте бенчмаркінг і перевизначайте роль. 30%+ майже завжди означає, що тайтл робить забагато — він покриває дві різні роботи на ринку, і ви намагаєтесь стиснути їх в один оферт. Розділяйте або перерівнюйте до повторного blend.

Як часто перебенчмаркати? Щокварталу для активних hiring-ролей, раз на пів року для закритих. Ринок рухається; band, що був правильний у січні, у липні часто не той. 4 години на роль роблять квартальний цикл дешевим.

Чи це overkill для <50 людей? Ні — там це важливіше, бо кожен найм — більша частка comp-бюджету і один неправильний оферт компаундить 18 місяців. Пропустіть Radford, якщо реально дорого; 4-source версія все одно захищена.

Чи може AI просто сказати число оферту? Ні, і не довіряйте інструменту, що каже «можу». Blend дає band; position-in-band — судження. Якщо аутсорснете це судження, переплачуватимете з неправильних причин і недоплачуватимете з правильних.

Висновок

Single-source comp дає впевнено-неправильне число. 5 джерел, AI-blended, з документованими вагами і чесним spread, дають band, який ви захистите. Виберіть 3 джерела, до яких є доступ до пʼятниці. Прожийте через метод роль, яку зараз наймаєте. Дивіться на spread до того, як подивитесь на midpoint.

Якщо хочете, щоб кожен співробітник зашипив свою першу AI-автоматизацію за 5 днів — у тому числі People-Ops generalist, що тягне comp без команди — забронюйте 30-хв дзвінок, і ми розкладемо ваш перший тиждень: https://course.aiadvisoryboard.me/business.