跳到主要內容

薪資透明真的有比較好嗎?讓月薪 10 萬的工程師告訴你

2022 年,歐美吹起一股薪資透明化的風潮,目的為了讓職場更公平,男女薪酬一致。然而,薪資透明真的是萬靈丹,只要導入就能解決工資歧視?新加坡商鈦坦科技總經理李境展表示,只有薪資透明,是沒辦法解決同工不同酬的問題的!

後疫情時代,人才問題愈演愈烈。前有本土半導體強勢攬才,排擠傳產、服務業;後受遠距辦公餘震,連在台沒有分公司的跨國企業,也忍不住搶進台灣。

在這幾波人才爭奪戰中屈居劣勢的公司,無一不是受限於產業環境,難以祭出更誘人的薪資條件,使得早已不想再忍受低薪、高工時的員工們,紛紛出走。

這當然不能怪員工。歸根究底,員工和公司、勞方和資方,本身就是平等的關係。尤其在多元、公平和共融(DEI,Diversity, Equity, Inclusion)成為顯學的現在,更是一種時代價值。

美國商業雜誌《Inc.》便把 2022 年譽為「薪資透明年(Year of Pay Transparency)」,因為美國紐約、加州、華盛頓都在今年簽署了「薪資透明法」(Wage Transparency Law),要求蘋果(Apple)、迪士尼(Disney)、Google 等大大小小的公司,2023 年要在招聘廣告中揭露薪資範圍。

薪資公平的好處,鈦坦科技總經理李境展深有體會。

鈦坦是一家開發及代理線上軟體的新加坡公司。在新加坡徵才時,薪資待遇常被 Google、FB 等大企業碾壓。

為了吸引人才加入,鈦坦科技嘗試了非常多方法,比如敏捷(Agile)正念,以及薪資公平的極致境界「薪資透明化」。

2015 年,前總經理林裕丞跟李境展說:「我們來試試看薪資透明吧!」度過兩年的適應期,2017 年離職率便由雙位數降至 5%,公司也被新加坡電腦協會選為「最值得效力的科技公司」,與 IBM 等跨國公司並列。

薪資公開的設計原則:

  1. 關鍵前提:每一工作任務都定義清楚
  2. 同一職級,再細分不同職等敘薪

📍完整報導內容請至 👉 天下學習 x Cheers快樂工作人 觀看


看完以上分享,是不是也想投入 #彈性工時 #自主升遷 #薪資透明 的工作文化了呢 ❓
在鈦坦,我們還有豐富的內外訓教育課程、專為敏捷團隊設計的開放式辦公空間、吃到飽的零食 pantry 及酒吧❗️

🙋‍♂️ 手刀投履歷 👉 官網職缺

加碼分享 #用學生信箱免費註冊 #學習實習大平台
GOLF 學用接軌聯盟有超過 200 堂課程免費觀看還有超過 100 個實習名額可以申請✨
光電、半導體、軟體、會計等專業課程;AI、臉書投放課程;面試、履歷撰寫等求職相關課程!
當然也少不了鈦坦科技的敏捷開發分享啦!

🙋🏻‍♀️ 馬上到 IG 拿免費資源👉 了解更多

留言

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...