Deixa eu começar com uma provocação que eu vejo todo ano — em empresas de todos os tamanhos: muita gente compra “pesquisa salarial” como se estivesse comprando uma verdade absoluta.
Porém, depois se frustra quando o dado “não encaixa”, quando aparece um monte de célula em branco, quando a nova curva salarial sugere um reajuste anual absurdo para um nível de cargo importante de forma estranha… ou quando simplesmente os dados de remuneração “não conversam” em nada com os dados que os candidatos estão pedindo nas entrevistas.
E antes que alguém interprete errado: isso NÃO é um ataque a consultorias ou bancos de dados. Ainda existem fornecedores (inclusive entre os que vou citar) que trabalham seus dados de forma MAGISTRAL, com seriedade e profundidade técnica. Eu, por princípio, prefiro não dar nomes aqui porque isso envolve vivência e opinião pessoal — e meu objetivo é outro: abrir os seus olhos para os critérios que realmente importam quando você escolhe e usa uma pesquisa. E quem sabe gerar uma reflexão diferenciada em quem pode melhorar os seus dados.
1) Primeiro: quais são as grandes pesquisas salariais hoje?
No Brasil, hoje, você encontra pelo menos 5 grandes pesquisas de mercado, as mais utilizadas:
- Korn Ferry
- Mercer
- Willis Towers Watson (WTW)
- Comp
- Carreira Muller
Cada uma tem seu painel, seus vieses naturais e sua proposta. E aqui entra o primeiro ponto que deveria ser óbvio — mas, na prática, é ignorado:
o “valor agregado” de uma pesquisa salarial é proporcional à qualidade e aderência do painel ao seu “mercado de verdade”.
2) O critério que deveria mandar: “quem está no painel?”
Uma empresa não compete com todas do “Brasil” em todos os níveis. Ela compete com um conjunto específico de empresas
- por porte,
- por setor,
- por modelo de negócio,
- por estágio de maturidade,
- por geografia,
- por complexidade organizacional,
- e até por estrutura societária (corporation, capital aberto, familiar, etc).
O problema é que muita empresa escolhe pesquisa como se fosse escolha de plano de saúde: “qual todo mundo usa?”.
E o critério técnico deveria ser: quem compõe o painel dessa pesquisa e quão comparável isso é com o meu mercado?
Exemplos pontuais e práticos de nichos (que muita gente do mercado já reconhece)
- Mercer: historicamente muito forte em instituições financeiras.
- Korn Ferry: muito forte em varejo.
- WTW: muito forte em empresas big techs.
- Comp: muito forte em tecnologias em estágios de crescimento (perfis que “não cabem” tão bem nos painéis tradicionais).
- Carreira Muller: painel numeroso e bem distribuído regionalmente — o que costuma ajudar muito quando o benchmarking é regional, com recortes de praça e geografia mais específicos.
Obs: acima são algumas fortalezas, não quer dizer que porquê uma é boa em algo, que as outras não possuam amostra naquela característica, ok?
Mas aqui entra um ponto que, para mim, é decisivo: não existe “melhor pesquisa” universal. Existe a pesquisa mais adequada para o seu caso.
3) O erro mais comum: escolher o banco pela metodologia de cargos
Agora vamos para o que eu mais vejo acontecer (e que gera decisões ruins sem que ninguém perceba):
Muitas empresas escolhem a pesquisa salarial não pelo painel, mas pela metodologia de avaliação de cargos que usam internamente.
- usa metodologia Hay → vai para Korn Ferry
- usa metodologia IPE → vai para Mercer
- usa metodologia GGS → vai para WTW
E deixa eu ser claro: esse fit importa, sim. Mas, na minha visão, não tanto quanto as pessoas imaginam.
Por quê?
Porque as consultorias precisam classificar (alocar) cargos em grades para todas as empresas do painel, inclusive para empresas que não usam aquela metodologia proprietária.
Ou seja: se você está lendo um grade “puro” da consultoria, é bom lembrar:
lá dentro tem, sim, dados de empresas cujo grade foi feito por aproximação de forma automática.
E vamos combinar, se a aproximação fosse tão perfeita assim… não existiria toda a complexidade das metodologias, com fatores, pesos, estatística, calibragens e disciplina técnica para avaliação.
Muita gente fala do famoso “DE-PARA” entre as metodologias Hay, IPE e GGS como se fosse uma tabela mágica.
Em minha experiência pessoal com isso, já tentei usar várias vezes, em diferentes momentos da carreira, dentro de empresas e em consultorias. E eu vou ser bem honesto:
eu quase nunca vi isso funcionar de um jeito confiável.
O motivo é simples: as estruturas das metodologias são diferentes. Um exemplo que mata o tema rapidamente:
GGS (WTW) tende a agrupar os cargos em menos grades do que IPE (Mercer) e Hay (Korn Ferry)
Então você pode até “mapear” um nível no outro, mas você perde granularidade, você cria degraus artificiais e você corre o risco de forçar equivalências que não existem.
Resultado prático? Você acha que está comparando “mesma coisa”, mas está comparando conjuntos estatísticos diferentes, com filtros e densidades diferentes.
4) O critério que quase ninguém analisa antes de comprar: regra de amostra (confidencialidade)
Esse é um ponto que muda a vida de quem trabalha sério com pesquisa salarial.
- Existem pesquisas que abrem mediana (P50) a partir 3 empresas com o cargo e abrem quartis (P25 e P75) a partir de 4 empresas
- E existem pesquisas que só abrem mediana a partir de 4 empresas e quartis com 8 empresas
“Parece pouca a diferença.” Na prática, é brutal.
Porque você monta um recorte bonito:
- “mercado selecionado” com 40–50 empresas,
- filtros de setor, porte, região,
- e quando puxa o relatório…
vem um monte de cargo sem dado. Tudo em branco.
Aí o profissional de remuneração fica com a pior situação possível:
- ou toma decisão com pouca informação,
- ou perde tempo refazendo recortes e tentando encontrar justificativas distintas para aprovarem a entrada de outro competidor no painel,
- ou começa a inventar “mercados de referência universais”, justificando que a comparação por grades (e não por cargo) compensa o fato das empresas do painel serem totalmente diferentes da em que trabalha. 🫣
E aqui tem uma nuance técnica importante:
👏 Por outro lado, algumas consultorias, quando não há amostra suficiente para abertura por regra de confidencialidade, projetam o dado com modelos internos. 👏
Isso, na minha visão, é muito melhor do que célula em branco. Mas você precisa se atentar quanto ao o que é dado observado e o que é dado estimado/projetado.
Porque a governança da decisão muda totalmente. Sempre que posso eu busco priorizar dados com amostra nestes casos, mesmo a estatística projetada sendo confiável.
Inclusive aqui vai uma dica prática ao utilizarem pesquisas salariais: quando você for fazer o matching de um cargo, busque sempre olhar a amostra de todos os cargos daquela carreira.
Por exemplo: você tem um Gerente Distrital de Vendas, compare a amostragem com todos os Gerentes da família de Vendas, as vezes o seu pode não dar amostra porque os matchings deste cargo foram concentrados em outro cargo da pesquisa. Esta “comparação de amostras” ajuda a entender este tipo de situação.
5) A tendência que eu considero perigosa: pesquisa cada vez mais “auto service”
Vou falar algo que eu sei que muita gente (especialmente quem viveu pesquisa “raíz”) vai concordar.
Existe uma tendência global — e não só no Brasil — de transformar pesquisas salariais em algo cada vez mais auto service:
- o cliente preenche,
- sobe automaticamente,
- uma “máquina” faz sanity checks (testes de qualidade e ajustes),
- e pronto: dado “validado”, sem validação humana.
Quando eu iniciei minha carreira, a pesquisa era o grande processo do ano em muitas consultorias. Havia mobilização geral, time dedicado, revisão humana intensa, debate de inconsistências, entendimento de contexto da empresa participante, ligações, ajustes finos.
Era quase um “war room” anual.
O resultado? Na minha percepção, os dados eram mais consistentes porque havia inteligência humana aplicada — não só regra automatizada.
Hoje, a eficiência aumentou. Escala aumentou. Mas se a equipe de pesquisa encolhe demais, a conta muitas vezes vem como:
menos refinamento + mais outliers + mais ruído estatístico
E de novo: isso não vale para todo mundo. Tem empresa investindo pesado em dados e equipe robusta. A provocação aqui é só uma:
você, comprador e usuário do dado, precisa avaliar o quanto o fornecedor investe nesse processo.
(até porque … você sabe o que você acaba fazendo quando o prazo de envio de informações para a pesquisa salarial já estourou neh? rs … manda “daquele jeito” … porque ninguém te liga cobrando depois neh? rsrs)
6) O ponto mais ignorado por quem “consome pesquisa”: não trabalhar o dado gerado pela pesquisa
Aqui está um erro de ouro.
Não é porque a pesquisa mostrou um número que você pega e replica “no automático”. Pelo contrário: muitas vezes o dado precisa (e deve) ser trabalhado (e isso não tem como a consultoria fazer, porque ela não sabe qual mercado você está gerando).
Exemplo clássico:
Você puxa uma carreira com 5 níveis:
- Jr, Pl, Sr, Esp I, Esp II
E percebe que o crescimento entre níveis gira em torno de 30%. Mas, no meio, tem um nível com valor muito próximo do anterior (ex: 3%), distoando do comportamento da série.
Pergunta simples: você vai “aceitar” essa anomalia e colocar na sua tabela? Claro que não.
O correto é tratar:
- validar consistência,
- identificar outliers,
- e aplicar técnicas de suavização.
Uma forma típica é fazer uma regressão exponencial, uma simples progressão geométrica que aprendemos na escola, a famosa “suavização de dados”. Isso é parte do trabalho técnico e necessário de remuneração. Não é errado.
Pesquisa salarial não substitui julgamento técnico. Ela exige julgamento técnico.
7) Club Surveys: a grande oportunidade!
Muita consultoria tem os chamados Club Surveys/Pesquisa Focada:
- pesquisas específicas por segmento (ou recortes bem característicos)
Se existir um Club Survey do seu setor, muitas vezes ele é:
- melhor (painel mais comparável)
- mais barato
- e traz cargos e políticas de remuneração específicas do setor, que o banco de dados geral não captura
Ou seja: pode ser economia + qualidade ao mesmo tempo.
E mesmo quando a empresa assina o banco de dados geral, vale perguntar:
- “há algum club survey que seja mais aderente para minhas funções críticas?”
8) Fechando: pesquisa salarial é poderosa — mas exige critério na compra e método no uso
O que eu quis mostrar aqui é simples:
- escolher pesquisa por “metodologia de cargos” pode ser confortável, mas não é o principal critério (mesmo se você trabalhar em multinacional)
- regra de confidencialidade pode destruir o valor prático do seu recorte
- automação sem investimento humano pode aumentar ruído
- dado bruto precisa ser trabalhado (e suavizado) para virar política
- club surveys podem ser a melhor decisão custo-benefício
E, principalmente:
pesquisa salarial não é um relatório. É uma matéria-prima. Quem transforma matéria-prima em decisão de qualidade é você — com método.
Hoje em dia existem muitos posts e artigos gerados por IA, este aqui sei que você não encontra nos LLMs da vida rs.
Ressalto que todo o conteúdo acima trata-se de uma percepção pessoal na data de hoje, que tenho convicção que será alterada ao longo do tempo.
Me equivoquei em alguma parte aqui pessoal? 👀
