mcpField
C
comp-analysis

comp-analysis

github.com/anthropics数据与数据库33.6k2.9k 次安装1 天前更新
代码仓库

关于 comp-analysis

面向 HR 和招聘团队的薪酬分析技能，可评估市场基准、薪酬区间定位和股权方案，并考虑职位、级别、地点及公司背景。

主要功能

  1. 01职位与市场基准分析
  2. 02薪酬区间定位分析
  3. 03识别异常值
  4. 04模拟股权授予
  5. 05按百分位提供薪酬区间

适用场景

  1. 01确定特定地点职位的薪酬
  2. 02审查员工在薪酬区间中的位置
  3. 03模拟股权刷新授予方案

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/anthropics/knowledge-work-plugins --skill comp-analysis

安装后在 Claude Code 中输入/comp-analysis确认已加载。

详细介绍

/comp-analysis

如果您看到不熟悉的占位符，或需要确认哪些工具已连接，请参阅 CONNECTORS.md。

分析薪酬数据，用于基准对标、职级定位和规划。帮助对照市场数据对招聘、留任和股权规划的薪酬进行基准对标。

用法

/comp-analysis $ARGUMENTS

我需要您提供什么

选项 A：单一岗位分析 "我们应该为旧金山的高级软件工程师支付多少薪酬？"

选项 B：上传薪酬数据 上传 CSV 文件或粘贴您的薪酬区间。我将分析定位、识别异常值，并与市场进行对比。

选项 C：股权建模 "以 50 美元的股价，建模一笔为期 4 年、共 1 万股的续授期权。"

薪酬框架

总薪酬构成
  • 基本工资：现金薪酬
  • 股权：RSU、股票期权或其他股权
  • 奖金：年度目标奖金、签约奖金
  • 福利：医疗、退休、津贴（较难量化）
关键变量
  • 岗位：职能与专业方向
  • 职级：IC 职级、管理职级
  • 地点：地域薪酬调整
  • 公司阶段：初创 vs. 成长 vs. 上市
  • 行业：科技 vs. 金融 vs. 医疗
数据来源
  • 若有 ~~compensation data：获取经过核实的基准数据
  • 若没有：使用网络调研、公开薪资数据以及用户提供的背景信息
  • 始终注明数据的时效性及来源局限

输出

提供基本工资、股权和总薪酬的百分位区间（第 25、50、75、90 百分位）。包括地点调整及公司阶段背景说明。

## Compensation Analysis: [Role/Scope]

### Market Benchmarks
| Percentile | Base | Equity | Total Comp |
|------------|------|--------|------------|
| 25th | $[X] | $[X] | $[X] |
| 50th | $[X] | $[X] | $[X] |
| 75th | $[X] | $[X] | $[X] |
| 90th | $[X] | $[X] | $[X] |

**Sources:** [Web research, compensation data tools, or user-provided data]

### Band Analysis (if data provided)
| Employee | Current Base | Band Min | Band Mid | Band Max | Position |
|----------|-------------|----------|----------|----------|----------|
| [Name] | $[X] | $[X] | $[X] | $[X] | [Below/At/Above] |

### Recommendations
- [Specific compensation recommendations]
- [Equity considerations]
- [Retention risks if applicable]

如果连接器可用

如果已连接 ~~compensation data：

  • 按岗位、职级和地点获取经过核实的市场基准
  • 将您的薪酬区间与实时市场数据进行对比

如果已连接 ~~HRIS：

  • 获取当前员工的薪酬数据用于区间分析
  • 自动识别异常值和留任风险

提示

  1. 地点很重要：进行基准对标时务必注明地点。旧金山、奥斯汀和伦敦的薪酬水平差异很大。
  2. 看总薪酬，而不只是基本工资：纳入股权、奖金和福利，才能获得完整的图景。
  3. 保护数据机密：薪酬数据属于敏感信息。分析结果仅保留在您的对话中。

评论

支持 Markdown