Uma Claude Skill que recebe o nível, a geografia e o export de uma pesquisa de comp (Radford, Pave, Carta) para uma vaga, e produz uma recomendação estruturada de faixa salarial por componente (base, equity, bônus / OTE) com percentil nomeado, citação da pesquisa-fonte e as notas de calibração que o recruiter leva para a call de oferta. Substitui o malabarismo de abas e planilhas do recruiter por um único documento que o hiring manager e o aprovador de finanças podem assinar. Publica a faixa pública (em conformidade com NYC LL 32-A, CO/CA/WA pay-transparency) como output separado.
Quando usar
Você está publicando uma nova vaga e precisa de uma faixa pública com fonte defensável (não o framing vago de padrão da indústria, nem percentil 75 sem nomear a pesquisa ou a geografia).
Você está preparando uma oferta e precisa da faixa que o hiring manager consiga aprovar sem meio dia de idas e vindas com finanças.
Você está auditando faixas de comp existentes trimestralmente e quer uma comparação estruturada entre “o que pagamos” e “o que a pesquisa diz” por família de cargos.
Quando NÃO usar
Decisões unilaterais de comp fora de uma cadeia de aprovação formal. A skill produz uma recomendação. A filosofia de remuneração e a matriz de aprovação pertencem ao People Ops / Finance / Comitê de Comp. A skill os informa; ela não os substitui.
Equity em startups pré-Série B. Benchmark de equity em estágios muito iniciais depende mais do cap table específico e do caminho de diluição da empresa do que de dados de mercado. Os números das pesquisas não se aplicam ali.
Geração de script de negociação. A skill entrega uma faixa; ela não escreve a linguagem de negociação. Linguagem de negociação de comp gerada automaticamente soa fria e prejudica a candidate experience.
Decisões de exceção específicas por candidato. “Podemos oferecer 15% acima da faixa para este candidato?” é uma pergunta para o hiring manager e finanças, não para a skill. A skill informa apresentando a faixa; ela não aprova exceções.
Geografias em que a pesquisa tem dados rarefeitos. As pesquisas cobrem bem os EUA, a UE e os principais mercados APAC; dados de mercados emergentes (LatAm, África, APAC menor) são mais rarefeitos. A skill sinaliza geografias com N baixo no output.
Setup
Coloque o bundle. Posicione apps/web/public/artifacts/compensation-benchmark-skill/SKILL.md no seu diretório de skills do Claude Code.
Configure a fonte da pesquisa. A skill lê exports de Radford, Pave, Carta ou um CSV custom. Os schemas por fonte ficam em references/1-survey-source-schemas.md. A skill não chama APIs das pesquisas diretamente — os exports passam pelo caminho de acesso aprovado do seu comp analyst.
Defina a filosofia de remuneração da empresa. Em que percentil a empresa paga (50, 60, 75)? Base+equity somam um percentil-alvo, ou cada um é calibrado separadamente? A filosofia mora em references/2-comp-philosophy-template.md e é o input contra o qual a skill calibra.
Configure o output da cadeia de aprovação. A skill emite a faixa pública como output separado (em conformidade com NYC LL 32-A, CO/CA/WA pay-transparency). Conecte esse output ao seu passo de publicação de vagas (descrição da vaga em Greenhouse / Ashby), ou copie manualmente, conforme o processo do seu time.
Dry-run em uma oferta fechada. Faça benchmark de uma vaga que você fechou no último trimestre. Compare a faixa da skill com o que a oferta foi de fato. Se a divergência for grande, ou o export da pesquisa está fora de ciclo, ou o arquivo de filosofia da empresa não reflete como as ofertas estão sendo aprovadas na prática.
O que a skill faz de fato
Cinco passos. A ordem mantém as consultas determinísticas à pesquisa antes da calibração baseada em LLM, porque deixar o modelo parafrasear números de pesquisa introduz um drift que o recruiter não consegue auditar.
Validar a definição da vaga. Checar que nível, geografia e função da vaga estão presentes e batem com valores no export da pesquisa. Parar em campos ausentes ou ambíguos (“Senior Engineer” sem nível no ladder da empresa é ambíguo).
Consultar percentis da pesquisa. Lookup determinístico, não LLM. Para cada um — base, equity (anualizado) e bônus / OTE — puxe os percentis 25 / 50 / 60 / 75 / 90 do export da pesquisa para a célula (nível, geografia, função) correspondente. Se a célula tem menos respondentes que o limiar de tamanho de amostra documentado pela pesquisa (varia: Radford tipicamente 5+, Pave tipicamente 10+), sinalize N baixo e recuse-se a recomendar uma faixa baseada em percentil — caia para (nível, função) mais amplo sem geografia, ou para geografia expandida (ex.: “US-wide” em vez de “Bay Area”).
Calibrar contra a filosofia da empresa. Leia a filosofia de comp da empresa. Aplique o percentil-alvo aos números da pesquisa. O output é uma faixa estruturada por componente:
Base: target_pct da pesquisa, com range de ±10% para absorver variação por nível do candidato.
Equity: idem; converta para valor em dólar pelo strike price atual da empresa para novos grants, documente a conta.
Bônus / OTE: target_pct no OTE; divida base/variável pelo ratio da empresa para a função.
Compor a faixa pública. Por NYC LL 32-A e pelos requisitos de pay-transparency de CO/CA/WA, a publicação pública precisa de uma faixa de salário-base. Default: “mínimo da borda inferior da faixa até o máximo da borda superior, expresso como faixa salarial única.” Se a vaga cruza estados dos EUA com limiares diferentes de lei de transparência, vale a faixa mais ampla. A skill emite isso como output separado para uso direto no JD.
Emitir o relatório de recomendação + registro de auditoria. O relatório traz: faixas por componente com percentil citado e pesquisa-fonte, notas de calibração, alertas de N baixo ou dados rarefeitos, e a faixa pública. O registro de auditoria é uma linha JSONL: vaga, geografia, nível, percentil-alvo, pesquisa-fonte, data do export, faixa recomendada — para a auditoria de pay-equity da empresa no fim do ano.
A realidade do custo
Por vaga com benchmark, em Claude Sonnet 4.6:
Tokens de LLM — tipicamente 5-8k input (definição da vaga + linhas do export da pesquisa + filosofia + instruções da skill) e 1-2k output (relatório estruturado). Aproximadamente US$ 0,04-0,08 por vaga. Desprezível.
Custo de acesso à pesquisa — as próprias assinaturas das pesquisas são o custo dominante (Radford, Pave, Carta vão de US$ 15K a US$ 80K+ anuais dependendo da cobertura). A skill assume que o comp analyst já tem acesso; ela não muda essa conta.
Tempo do recruiter / comp analyst — o ganho. Compor uma recomendação de comp à mão leva 30-90 minutos por vaga (lookup na pesquisa + malabarismo de planilha + aplicação da filosofia + escrita da nota de calibração). A skill leva 5-10 minutos, incluindo o sanity check do dry-run.
Tempo de setup — 30 minutos uma vez, para o arquivo de filosofia e a integração do export da pesquisa. O arquivo de filosofia é raramente revisto; exports de pesquisa atualizam trimestralmente.
Métrica de sucesso
Acompanhe três números, trimestralmente:
Taxa de aceitação de oferta em 3 semanas — comp calibrada puxa aceitação. Abaixo de 60% na sua geografia e você está pagando abaixo; acima de 90% você pode estar pagando acima. Os dois lados importam; o número certo depende da filosofia de comp da empresa (startups high-equity aceitam base menor; empresas mid-stage high-base aceitam base maior).
Taxa de edição da faixa pós-skill — fatia das faixas recomendadas pela skill que o hiring manager ou finanças edita antes de aprovar. Deve ficar em 10-25%. Acima de 40% significa que o arquivo de filosofia não reflete o comportamento real de aprovação; abaixo de 5% significa que o painel está só carimbando (o modo de falha contra o qual a skill foi desenhada).
Drift na auditoria de pay-equity — na revisão anual de pay-equity, as recomendações da skill se correlacionam com onde as ofertas reais aterrissaram? Se a auditoria expõe gaps de equity que as recomendações da skill teriam fechado, a skill está fazendo seu trabalho; se a auditoria expõe gaps que as recomendações da skill teriam ampliado, o arquivo de filosofia ou a calibração estão enviesados.
vs alternativas
vs relatórios de Pave / Carta / Radford / Mercer diretamente. Os relatórios são a fonte; a skill os compõe em uma recomendação por vaga. Escolha os relatórios sozinhos se seu comp analyst vive neles e o recruiter só consome “me diga o percentil 75”. Escolha a skill se o recruiter precisa da nota de calibração + faixa pública + registro de auditoria sem o analyst no meio do caminho a cada vaga.
vs ChatGPT-style “quanto devo pagar a um senior engineer em NY”. Chat genérico devolve dados de pesquisa parafraseados sem trilha de auditoria e sem fonte com versão fixa — isso não é defensável na auditoria de pay-equity. A skill cita o export da pesquisa por nome e data.
vs templates de planilha. Templates funcionam até a filosofia da empresa mudar ou o export da pesquisa atualizar; aí cada template salvo fica silenciosamente desatualizado. A skill lê das fontes atuais a cada execução.
vs não fazer benchmarking. O default em muitas empresas menores. Modo de falha previsível: gaps de pay-equity aparecem na auditoria anual, e o recruiter leva a culpa por ofertas individuais que estavam dentro da prática normal da empresa. Benchmarking defensável é a intervenção mais barata contra isso.
Pontos de atenção
Export da pesquisa desatualizado.Guarda: a skill lê os metadados de data do export e avisa se o export tem mais de 6 meses. Dados de pesquisa se movem mais rápido que anualmente; refresh trimestral é o piso.
Mapeamento errado de geografia.Guarda: a skill confronta a geografia da vaga contra a taxonomia geográfica da pesquisa explicitamente (“SF Bay Area” do Pave não é a mesma célula que “San Francisco MSA” do Radford). Se o match é ambíguo, a skill para e pede ao recruiter para desambiguar em vez de escolher um default.
Célula com N baixo.Guarda: a skill se recusa a recomendar uma faixa baseada em percentil quando a célula da pesquisa tem menos respondentes que o limiar documentado pela pesquisa. Ela cai para uma célula mais ampla (função mais ampla, geografia mais ampla) e registra o fallback.
Drift na comparação de equity.Guarda: valores de equity são anualizados e convertidos pelo strike price atual da empresa. A conta da conversão é documentada no relatório. O registro de auditoria guarda os valores bruto e convertido para que auditorias futuras possam refazer a derivação.
Faixa pública apertada demais.Guarda: se a faixa pública é tão estreita que funciona como um número único, a skill avisa. Publicar “US$ 140K-US$ 145K” viola o espírito (e talvez a letra) do NYC LL 32-A, que exige uma faixa “de boa-fé”. A skill impõe uma largura mínima de faixa por geografia.
Propagação de viés via comp histórico.Guarda: se o arquivo de filosofia da empresa for calibrado em “bater o que já pagamos nessa faixa antes”, a skill propaga quaisquer gaps de remuneração existentes nos dados históricos. A skill sinaliza isso quando o casamento de filosofia segue de perto a remuneração histórica em vez dos percentis da pesquisa, e recomenda que o comp analyst rode uma checagem separada de pay-equity.
Stack
O bundle da skill mora em apps/web/public/artifacts/compensation-benchmark-skill/ e contém:
SKILL.md — a definição da skill
references/1-survey-source-schemas.md — schemas de export por fonte (Radford, Pave, Carta, CSV custom)
references/2-comp-philosophy-template.md — arquivo de filosofia preenchível por empresa
Ferramentas que o workflow assume que você usa: Claude (o modelo), Ashby ou Greenhouse (o ATS, para publicar a faixa pública).
---
name: compensation-benchmark
description: Take a role's level/geography/function plus a comp-survey export (Radford, Pave, Carta, or custom CSV), and produce a structured pay-band recommendation per component (base, equity, OTE) with cited percentiles, calibration against the firm's philosophy, and a public-facing range compliant with NYC LL 32-A and CO/CA/WA pay-transparency requirements. Never approves an offer; never auto-publishes.
---
# Compensation benchmark
## When to invoke
Use this skill when a recruiter or comp analyst needs a per-role pay band based on a survey export and the firm's comp philosophy. Take a role definition, a survey export, and the philosophy file as input and return a structured benchmark report plus a public-facing range.
Do NOT invoke this skill for:
- **Unilateral comp decisions outside the firm's approval matrix.** The skill recommends; People Ops / Finance / Comp Committee approve.
- **Equity at pre-Series-B startups.** Survey data is too thin and firm-cap-table-specific at that stage.
- **Negotiation-script generation.** Different workflow.
- **Approving exception bands** ("can we go 15% above?"). The skill informs; the hiring manager and finance approve.
## Inputs
- Required: `role_definition` — JSON with `level` (firm's ladder, e.g. `L5`), `geography` (e.g. `San Francisco MSA`), `function` (e.g. `software-engineering`).
- Required: `survey_export` — path to a survey export. Schema must match one in `references/1-survey-source-schemas.md`.
- Required: `philosophy` — path to the firm's compensation philosophy file. See `references/2-comp-philosophy-template.md`.
- Optional: `candidate_signal` — free-text note about the candidate (current comp, competing offers, etc.). Used in the calibration note, NOT to skew the recommended band.
## Reference files
- `references/1-survey-source-schemas.md` — per-source schemas with field mapping.
- `references/2-comp-philosophy-template.md` — fillable philosophy file.
## Method
Five steps.
### 1. Validate the role definition
Confirm `level`, `geography`, `function` are present and match values in the survey export. If `level` is on the firm's ladder but the survey uses a different ladder, look up the mapping in the philosophy file. If no mapping exists, halt and ask the user to add it.
If `geography` is ambiguous (e.g. "Bay Area" — does that include South Bay, East Bay, North Bay, the entire MSA?), halt and ask the user to specify against the survey's geography taxonomy.
### 2. Look up survey percentiles
Deterministic lookup — do NOT paraphrase the survey. For each of `base_salary`, `equity_annualized`, `ote` (or `bonus` if non-sales), pull the 25th / 50th / 60th / 75th / 90th percentiles for the matched (level, geography, function) cell.
Check the cell's sample size. If it's below the survey's documented threshold (Radford 5+, Pave 10+, Carta 15+ for equity, custom CSV per the schema's `min_sample_size` field), flag low-N. Fall back to a broader cell:
- First fallback: same level, same function, broader geography (e.g. US-wide).
- Second fallback: same level, same function, all geographies.
Document the fallback chain in the report. Do NOT silently fall back without surfacing.
### 3. Calibrate against firm philosophy
Read the philosophy file. The philosophy specifies the target percentile per component (e.g. base at 60th percentile, equity at 75th percentile, OTE at 50th percentile for sales).
For each component, compute:
- Recommended midpoint = survey's `target_percentile` for the cell
- Band width = midpoint × ±10% (default; configurable per component in the philosophy)
- Lower edge = midpoint × 0.9, upper edge = midpoint × 1.1
If the philosophy specifies a different band-width policy (e.g. wider band for senior roles where individual variance is larger), use that instead.
For equity: convert annualized survey value to dollar grant size at the firm's current strike price. Document the math in the report (`grant_value = annualized_value × vesting_period / strike_price`).
### 4. Compose the public-facing range
Compute the public-facing base salary range:
- Lower edge of public range = lower edge of base band
- Upper edge of public range = upper edge of base band
- Format: e.g. `$170,000-$210,000 USD per year`
Validate band width against the geography's pay-transparency requirements:
- NYC (LL 32-A): "good faith" range required; band narrower than ~15% width raises legal exposure.
- CO (Equal Pay for Equal Work Act): range required, no specific width threshold but functional good-faith requirement.
- CA (SB 1162): range required for postings if the role is to be performed in CA.
- WA (Pay Transparency Act): range required.
If the role straddles multiple jurisdictions, the broadest range applies. If the range is below 15% width, emit a warning (the band is at the edge of "good faith" — consider widening before publishing).
### 5. Emit the report + audit record
Write the report to stdout (or the calling environment's report destination). Append one JSONL line to `audit/<YYYY-MM>.jsonl` with: `role`, `geography`, `level`, `function`, `survey_source`, `survey_export_date`, `philosophy_version`, `target_percentiles`, `recommended_bands`, `public_range`, `low_n_flag`, `fallback_chain` (if any).
The audit record supports the firm's annual pay-equity audit. No PII; this is about the band, not about a specific candidate.
## Output format
```markdown
# Comp benchmark — {role} — {level} — {geography}
Generated: {ISO timestamp} · Skill v1.0 · Model: claude-sonnet-4-6
Survey: {Radford 2026-Q2 / Pave 2026-04 / etc.} · Philosophy: {firm-philosophy.json v3}
{LOW-N WARNING if any component fell back}
## Recommended bands
### Base salary (target: 60th percentile)
- Survey 60th percentile: $185,000
- Recommended band: $166,500 - $203,500
- Calibration note: Tight band (±10%); widen to ±15% for cross-level candidates.
### Equity (target: 75th percentile, 4-year vest)
- Survey 75th percentile annualized value: $90,000
- Total grant value: $360,000 over 4 years
- At firm strike $5.20: 69,231 shares
- Recommended band: 62,300 - 76,200 shares (±10%)
### Cash bonus (target: 50th percentile)
- Survey 50th percentile: $20,000 (annual target)
- Recommended band: $18,000 - $22,000
## Public-facing range (NYC LL 32-A / CO/CA/WA compliant)
`$166,500 - $203,500 USD per year, plus equity grant and target bonus`
Band width: 22% — within "good faith" thresholds.
## Provenance
- Survey: Radford Q2-2026 (export dated 2026-04-15)
- Survey cell sample size: 42 (above Radford's 5+ threshold)
- Philosophy: firm-philosophy.json v3 (updated 2026-01-10)
- Geography mapping: San Francisco MSA matched directly in Radford taxonomy
- Audit record: `audit/2026-05.jsonl` line {N}
## Calibration notes
- The candidate signal noted "competing offer at top of band from peer-tier company" — this is informational; the recommended band did NOT shift in response. If an exception is needed, escalate to the comp committee with the competing offer details.
- This role's geography has a pay-equity gap of -3.2% vs. firm-wide for the same level (per last quarterly audit); recommended band is at the firm's stated philosophy. Audit will surface whether the gap closes.
```
## Watch-outs
- **Survey-export staleness.** *Guard:* warns at >6 months on the export's dated metadata.
- **Geography mis-mapping.** *Guard:* halts on ambiguous geography rather than defaulting.
- **Low-N cell.** *Guard:* refuses to use a low-N cell; falls back with the chain documented.
- **Equity drift.** *Guard:* conversion math documented in the report; raw and converted values both stored in audit.
- **Public range too tight.** *Guard:* warns at <15% band width per pay-transparency-law functional thresholds.
- **Historical-pay bias propagation.** *Guard:* if philosophy is calibrated against historical pay rather than survey percentile, flag and recommend a separate pay-equity check.
# Survey source schemas
The compensation-benchmark skill reads survey exports in one of three supported formats: Radford, Pave, Carta. A custom CSV schema is also supported for in-house surveys or for sources not on this list.
## Radford
Radford ships exports as CSV or XLSX. The skill reads the CSV form (re-export from XLSX if needed).
### Required columns
| Column | Type | Notes |
|---|---|---|
| `level_radford` | string | Radford ladder code (e.g. `P4`). The philosophy file maps this to firm levels. |
| `function_radford` | string | Radford function code (e.g. `Software Engineering`). |
| `geography_radford` | string | Radford geography (e.g. `San Francisco MSA`). |
| `sample_size` | integer | Number of survey respondents in this cell. Skill requires ≥5. |
| `base_salary_p25` | number | 25th percentile base salary, USD. |
| `base_salary_p50` | number | 50th percentile. |
| `base_salary_p60` | number | 60th percentile. |
| `base_salary_p75` | number | 75th percentile. |
| `base_salary_p90` | number | 90th percentile. |
| `equity_annual_p25` | number | 25th percentile annualized equity value, USD. |
| `equity_annual_p50` | number | ... |
| `equity_annual_p60` | number | ... |
| `equity_annual_p75` | number | ... |
| `equity_annual_p90` | number | ... |
| `bonus_target_p50` | number | Target annual cash bonus, USD. (Radford reports target, not actual.) |
### Notes
- Radford's `level` codes (P1-P8 for IC, M1-M5 for management) need a firm-level mapping in the philosophy file. The mapping lives once, used everywhere.
- Geography taxonomy: Radford uses MSAs (e.g. `San Francisco MSA`, `New York MSA`) plus international country/city combos. The skill matches by exact string; "Bay Area" does not match `San Francisco MSA`.
- Sample size <5 → low-N flag. Radford itself suppresses cells below 3.
## Pave
Pave exports as CSV via the API or via UI download.
### Required columns
| Column | Type | Notes |
|---|---|---|
| `level_pave` | string | Pave's level normalization (e.g. `Senior IC`). |
| `function_pave` | string | Pave's function (e.g. `Engineering - Software`). |
| `location` | string | Pave's location string. |
| `n_employees` | integer | Number of employees in the cell. |
| `base_p25`, `base_p50`, `base_p75`, `base_p90` | number | Base salary percentiles. (Pave does not publish p60.) |
| `equity_p25`, `equity_p50`, `equity_p75`, `equity_p90` | number | Annualized equity in USD. |
| `total_comp_p50`, `total_comp_p75` | number | Total comp percentiles, useful for OTE calibration. |
### Notes
- Pave uses its own level normalization across firms; mapping to firm levels lives in the philosophy file.
- Pave's coverage is strongest for tech in the US and EU; APAC and emerging-market data is thinner.
- Sample size <10 → low-N flag (Pave's own threshold).
- `total_comp_p50` includes base + bonus + equity at the median. Useful for the public-range sanity check.
## Carta
Carta's compensation product exports in two flavors: cash-comp report (similar to Pave) and equity-comp report (cap-table-aware).
### Required columns (cash report)
| Column | Type | Notes |
|---|---|---|
| `role` | string | Carta's normalized role label. |
| `seniority` | string | `Junior`, `Mid`, `Senior`, `Staff`, `Principal`. |
| `location` | string | Carta's location string. |
| `n_companies`, `n_employees` | integer | Cell sample sizes (both required). |
| `base_p50`, `base_p75` | number | Base salary percentiles. |
| `total_cash_p50`, `total_cash_p75` | number | Base + bonus. |
### Required columns (equity report)
| Column | Type | Notes |
|---|---|---|
| `role` | string | Same as cash report. |
| `seniority` | string | Same. |
| `location` | string | Same. |
| `company_stage` | string | `Seed`, `Series A`, `Series B`, etc. |
| `equity_pct_p25`, `equity_pct_p50`, `equity_pct_p75`, `equity_pct_p90` | number | Equity as percentage of fully diluted shares outstanding. |
### Notes
- Carta's coverage is strongest for early-stage US startups. For mid-stage and public-company benchmarking, Radford or Pave are stronger.
- Equity reported as `equity_pct_p*` (percent of company), not dollar value. The skill converts using the firm's most recent valuation.
- Sample sizes <15 for equity → low-N flag (equity is more variance-heavy than cash).
## Custom CSV
For in-house surveys or sources not on the list above. The skill reads any CSV with the following minimum columns:
| Column | Type | Required | Notes |
|---|---|---|---|
| `level` | string | yes | Whatever ladder; must map to firm ladder via philosophy file. |
| `function` | string | yes | Whatever taxonomy; must match role definition. |
| `geography` | string | yes | Free-text or coded; must match exactly. |
| `sample_size` | integer | yes | Used for low-N flag. |
| `base_p50` | number | yes | Median base salary, USD. |
| `base_p25`, `base_p75`, `base_p90` | number | recommended | More percentiles enable wider band-targeting options. |
| `equity_value_p50` | number | for equity-bearing roles | Annualized equity value, USD. |
| `bonus_p50` or `ote_p50` | number | for sales / variable-comp roles | Target. |
| `min_sample_size` | integer | yes | The threshold below which the skill flags low-N. Set per-survey based on the survey methodology. |
### Notes
- Custom CSVs are useful for mid-cycle re-benchmarks against a peer cohort (your own team's data plus a few comparable firms) or for in-house comp-committee internal reviews.
- The `min_sample_size` field is critical — without it the skill cannot calibrate the low-N threshold and falls back to a conservative default (15).
## Adding a new survey source
To add a new source:
1. Document the source's export schema in this file with the same shape as the entries above.
2. Update the skill's source detector to recognize the new format (filename pattern, header pattern, or both).
3. Add the source's documented sample-size threshold.
4. If the source uses a different geography or level taxonomy, document the mapping in the philosophy file.
## Refresh cadence
Survey data shifts faster than yearly. The benchmark skill warns at >6 months on the export's dated metadata; that's the floor. Quarterly refresh is the operating norm for serious comp programs.
For Radford: Q1, Q2, Q3, Q4 standard cycles.
For Pave: monthly refresh available via API.
For Carta: quarterly equity reports, monthly cash updates available.
# Compensation philosophy file template
The compensation-benchmark skill calibrates survey data against the firm's compensation philosophy. This file is the philosophy. Copy the JSON below to `philosophy.json` (or wherever your skill config points), fill it in, and version it in git.
The philosophy is rarely revised — usually annually at most, often less. When it changes, every benchmark recommendation post-change uses the new philosophy. The skill captures the philosophy version in the audit record so future audits can reproduce the recommendation.
## JSON shape
```json
{
"philosophy_version": "2026.1",
"effective_from": "2026-01-10",
"approver": "Comp Committee minutes 2026-01-08",
"target_percentiles": {
"engineering": {
"base": 60,
"equity": 75,
"bonus_or_ote": 50
},
"sales": {
"base": 50,
"equity": 50,
"bonus_or_ote": 75
},
"go_to_market_other": {
"base": 60,
"equity": 60,
"bonus_or_ote": 60
},
"g_and_a": {
"base": 60,
"equity": 50,
"bonus_or_ote": 50
}
},
"band_widths_pct": {
"default": 10,
"by_level": {
"junior": 8,
"senior": 12,
"staff": 15,
"principal": 18,
"executive": 25
}
},
"level_mapping": {
"firm_to_radford": {
"L3": "P3",
"L4": "P4",
"L5": "P4",
"L6": "P5",
"L7": "P6",
"L8": "P7"
},
"firm_to_pave": {
"L3": "Mid IC",
"L4": "Senior IC",
"L5": "Senior IC",
"L6": "Staff IC",
"L7": "Principal IC",
"L8": "Senior Principal IC"
}
},
"geography_adjustments": {
"remote_us": 0,
"remote_intl": -15,
"san_francisco_msa": 0,
"new_york_msa": 0,
"seattle_msa": -3,
"austin_msa": -10,
"london": -8,
"toronto": -12,
"remote_latam": -35
},
"current_strike_price_usd": 5.20,
"vesting_period_years": 4,
"equity_grant_type": "RSU",
"exception_band": {
"max_above_top": 15,
"approval_required": "comp_committee"
},
"public_range_policy": {
"minimum_band_width_pct": 15,
"include_equity_target_dollar": true,
"include_bonus_target_dollar": true
},
"pay_equity_audit_cadence_months": 12,
"last_pay_equity_audit": "2026-02-15"
}
```
## Field-by-field
### `philosophy_version`, `effective_from`, `approver`
Versioning. The skill captures `philosophy_version` in the audit record so the recommendation is reproducible against a specific version of this file. `effective_from` is the date the philosophy applies to NEW recommendations — recommendations made before that date used the prior philosophy. `approver` cites the approval source (Comp Committee minutes, board resolution, etc.).
### `target_percentiles`
Per function family, the target percentile per component. The most common patterns:
- **Engineering**: 60th base, 75th equity (founder-friendly equity to attract IC talent), 50th bonus.
- **Sales**: 50th base, 50th equity, 75th OTE (the variable comp is the lever).
- **G&A**: 60th base across components (predictable, market-rate).
If the firm's strategy is "we pay top of market across the board," set everything to 75th. If the firm's strategy is "we pay base at market and over-index on equity," set base to 50th and equity to 75th-90th.
### `band_widths_pct`
The recommended band width as a percentage of the midpoint. Default 10% (recommended midpoint ±10%). Per-level overrides absorb the wider individual variance at senior levels.
If a single number is too rigid, the skill respects the per-level overrides.
### `level_mapping`
Mapping from the firm's internal ladder to each survey's ladder. The skill cannot infer this — it has to be specified per survey the firm uses. If a level mapping is missing, the skill halts and asks the user to add it.
This is the single most-edited part of the philosophy; it's also the most consequential, because the wrong mapping shifts every recommendation by a percentile-band.
### `geography_adjustments`
Per-geography multiplier. `0` means use the survey's value for that geography directly. `-15` means apply a 15% reduction (e.g. for `remote_intl`). The adjustments must be defensible — random adjustments here are how pay-equity gaps creep in.
If the firm has a published location-based pay policy, this section should match it line-for-line.
### `current_strike_price_usd`, `vesting_period_years`, `equity_grant_type`
Used for converting annualized survey equity values to grant size. Strike price is the most-recent 409A or option-grant strike. Vesting is typically 4 years. Grant type matters for tax framing but not for the band math.
### `exception_band`
When the skill is asked about a band-exception ("can we offer above the top?"), the philosophy says how high (`max_above_top: 15` means up to 15% above the top of the recommended band) and who approves. The skill itself does NOT approve exceptions; it surfaces the policy.
### `public_range_policy`
Compliance posture for NYC LL 32-A, CO/CA/WA pay-transparency requirements. `minimum_band_width_pct: 15` is the firm's "good faith" floor — the skill warns if a recommended band falls below this width.
### `pay_equity_audit_cadence_months`, `last_pay_equity_audit`
For the audit-record metadata. The skill notes the cadence and last audit so the recommendation can be flagged if the firm is overdue for an equity audit.
## When to revise the philosophy
- **Strategy shift** — the firm decides to over-index on equity vs. cash. Update target percentiles.
- **New geography** — opening a new region. Add to `geography_adjustments` based on local market data.
- **New survey added** — add a level mapping for the new survey.
- **Pay-equity audit findings** — if the audit surfaces gaps, the philosophy may need revision (band widths, geography adjustments).
Each revision bumps `philosophy_version`. Old audit records remain interpretable against their respective version.
## What the philosophy is NOT
- It is NOT a candidate-by-candidate negotiation guide.
- It is NOT a one-time setup; it evolves with the firm.
- It is NOT confidential to the recruiter — the philosophy should be visible to every hiring manager, ideally documented internally for transparency.
