La Compensación: del DATO al ARTE

Por Mauricio Jaramillo Montoya

Algunos estudios de compensación aseguran tener una enorme base de datos: miles de empresas, cientos de cargos y decenas de sectores. Suena sólido.
Pero cuando uno entra al detalle, la historia cambia.

Los análisis se hacen normalmente por sector y por tamaño de empresa (grande, mediana o pequeña).
Suponiendo que las empresas están distribuidas de manera uniforme, podemos estimar el número de datos así:

• 1.000 empresas / 20 sectores = 50 empresas por sector.

• 50 empresas por sector / 3 tamaños de compañía = 16 ó 17 empresas por sector y tamaño.

Eso significa que, para un cargo específico dentro de un sector y tamaño de compañía, la mediana se calcula con aproximadamente 16 ó 17 datos.
Es decir, menos de 30 datos, que es el mínimo estadístico recomendado para que una mediana empiece a ser confiable.

¿Por qué 30?
Porque a partir de ese punto los resultados dejan de depender tanto de los casos extremos.
Con menos datos, cada valor individual tiene demasiado peso. Un solo salario más alto o más bajo puede mover significativamente la mediana.
Con 30 o más datos, la forma de la distribución empieza a estabilizarse, y el resultado refleja una tendencia más real, menos sensible al azar o a casos atípicos.
Es un umbral aceptado en estadística por ser el punto donde las medianas comienzan a comportarse como representaciones confiables.

La ilusión de la consistencia

Algo que muchas veces pasa inadvertido es que entre informes de los mismos estudios, incluso de las mismas consultoras, pueden aparecer variaciones sin sentido.
Hay casos en los que una compensación parece disminuir de un año a otro, cuando en realidad los salarios no bajaron en ninguna empresa.
Lo que cambió fue quién participó en la encuesta.

Si una compañía que solía hacer parte del estudio, no participa el año siguiente, la mediana puede cambiar, y el informe puede dar la impresión de que el mercado “bajó”, cuando en realidad lo que bajó fue la muestra.
El número final deja de reflejar una tendencia y empieza a reflejar una ausencia.

O puede suceder al contrario, mostrando un incremento considerable de uno año a otro, llevándonos a tomar decisiones erradas, basadas solo en un número y castigando el costo laboral de la organización.

El espejismo del tamaño de muestra

Ahora bien, incluso si asumimos que todas las empresas tienen todos los cargos, los estudios podrían parecer más robustos si cuentan con varios datos del mismo cargo dentro de cada compañía (debido a que hay varios empleados con ese rol).
Eso aumentaría la muestra.

Si queremos pasar de 16-17 datos a los 30 mínimo necesarios, cada empresa debería aportar en promedio casi dos personas por cargo (30 ÷ 17 ≈ 1.8).
Y eso suponiendo una distribución perfecta y con cargos idénticos entre compañías.
Algo que, en la práctica, es casi imposible. La mayoría de los cargos analizados en estudios de compensación (principalmente los especializados o directivos) no tienen múltiples ocupantes por empresa.

Por eso, aunque el estudio diga que tiene miles de registros, el número real de datos útiles por cargo, sector y tamaño sigue siendo bajo.
El volumen total impresiona, la profundidad no tanto.

No todas las empresas están en el mismo lugar de evolución

Hay otro aspecto que casi nunca se considera es el nivel de desarrollo de la organización.
Dos compañías del mismo sector y tamaño pueden estar en estados de madurez muy diferentes.
El Modelo Integral Espiral, inspirado en la evolución de la consciencia humana y colectiva, propone ocho niveles que reflejan cómo las organizaciones piensan, deciden y crean valor.
Desde las que se mueven por la necesidad o el control, hasta las que lo hacen por el propósito, la colaboración y la integralidad.

Cada nivel tiene su propio modo de liderar y de compensar.
Una organización que opera en un nivel más inicial verá la compensación como control o fidelización; una más evolucionada la entiende como coherencia, energía y equilibrio entre contribución y sentido.
Por eso, dos cargos con el mismo nombre y compensación pueden representar culturas y realidades completamente opuestas.
Y eso ningún estudio masivo puede captarlo con precisión.

El valor no está en el dato, sino en quien lo analiza

Por eso, más allá de las cifras, la sensibilidad y la experiencia de quien realiza el análisis son lo que realmente marcan la diferencia.
No es la empresa consultora, ni el software, lo que asegura calidad.
Es la mirada del profesional que analiza, su capacidad de reconocer patrones, inconsistencias, sesgos y matices que no caben en una tabla.
Un buen analista de compensación no solo compara salarios: traduce realidades organizacionales en lenguaje de valor.
Sabe cuándo un número representa una tendencia genuina y cuándo es apenas un ruido del sistema.
Esa sensibilidad se construye con años de observar, contrastar y comprender lo invisible que sostiene las decisiones humanas dentro de las organizaciones.

Lo invisible que equilibra

El diseño de la compensación no es una fórmula. Es una lectura viva de lo que una organización es y de lo que quiere llegar a ser.
Los datos son brújula, no destino.
La diferencia está en quien los analiza, en su capacidad para leer detrás de los números las historias, los matices y los equilibrios invisibles que sostienen lo humano dentro del sistema.

Al final, no se trata solo de saber cuánto se paga.
Se trata de entender por qué se construye ese valor compartido.
Ahí es donde la compensación deja de ser solo estadística y se convierte en arte.

Nota técnica:

El umbral de 30 datos no es un número arbitrario. Proviene del comportamiento de los llamados order statistics, que describen la distribución de valores como la mediana dentro de una muestra.
Alrededor de n ≈ 30, la precisión para estimar la mediana de una población alcanza un nivel razonable.

Esta aproximación se respalda en los desarrollos clásicos de la estadística no paramétrica (Conover, Practical Nonparametric Statistics, 1999; Hollander & Wolfe, Nonparametric Statistical Methods, 1999) y en los análisis de Agresti & Coull (1998), donde se demuestra que a partir de ese tamaño muestral, los intervalos binomiales de la mediana se comportan de manera confiable.

Te invito a leer también los siguientes artículos:

• La Mediana en los estudios de Competitividad Salarial: Lo que debes Saber

• ¿Por qué se usa la mediana y no el promedio en los análisis de compensación?

• Del mercado a la realidad interna: la nueva mirada de la compensación organizacional (Modelo Integral en Espiral)