La paie est souvent la partie la plus négligée des systèmes technologiques internes : tant qu'elle fonctionne, le reste de l'entreprise l'ignore. Mais s'il y a un problème... ! Et, bien sûr, son fonctionnement exige beaucoup d'efforts, de traitements, de vérifications et de rapports de la part de personnes et d'équipes hautement qualifiées dans le domaine de la paie.
Pour les travailleurs qui n'ont pas la responsabilité de gérer les salaires ou de veiller à ce qu'ils soient calculés correctement, je suppose que ce qui compte le plus pour eux, c'est le résultat, c'est-à-dire que l'argent gagné soit déposé sur leur compte bancaire à la date prévue.
Cependant, pour les responsables de l'organisation, il est primordial de garantir l'exactitude et la rapidité de la paie.
Dans toute technologie, il existe trois catégories d'erreurs :
Environnement
Ces types d'erreurs sont presque toujours liés à l'énergie. La technologie a besoin d'énergie pour fonctionner, et une alimentation électrique ininterrompue est nécessaire. Les tremblements de terre ou tout incident météorologique majeur peuvent provoquer une interruption de l'alimentation électrique. Par conséquent, les entreprises disposent souvent de systèmes redondants, de systèmes d'alimentation de secours et de plans de reprise après sinistre.
Erreurs humaines
Ce sont les plus courantes. Le terme "erreur humaine" fait référence à une action qui "... n'était pas prévue par la partie concernée ; n'était pas prévue par un ensemble de règles ou par un observateur extérieur ; ou a fait sortir la tâche ou le système de ses limites acceptables. En résumé, il s'agit d'une perturbation de l'intention, de l'attente ou de la désirabilité. Dans le monde de la technologie, on parle aussi souvent de "gros doigt", indiquant que l'on a appuyé sur la mauvaise touche du clavier. Voici quelques exemples de cas où les employeurs ont subi des conséquences financières importantes.
Erreurs technologiques
Dans ce cas, il y a une certaine logique circulaire, car les ordinateurs sont créés par des humains, même si des erreurs sont commises par le code, l'IA, etc. Cette catégorie comprend toutes les erreurs qui se produisent lors de l'exécution de la technologie.
« L'erreur humaine est identifiée comme l'un des principaux facteurs contribuant aux catastrophes et accidents majeurs dans les industries. En fait, les recherches suggèrent que, quelle que soit l'activité ou la tâche, les humains commettent de 3 à 6 erreurs par heure et une moyenne de 50 erreurs par jour (ou du moins "par poste"). En comparaison, les défaillances techniques ou de machines ne représentent qu'un faible pourcentage. »
Extrait de Why do we tolerate human error more than machine error ? par Melanie Thomson
En ce qui concerne la paie, quelle que soit la source de l'erreur, elle doit être identifiée et corrigée le plus rapidement possible afin que l'employé puisse être payé à temps. Il est intéressant d'ajouter que les délais de paie changent également. Il est intéressant d'ajouter que les délais de paie changent également. Historiquement, de nombreux employés horaires sont payés sur une base hebdomadaire tandis que d'autres employés sont payés sur une base bimensuelle ou mensuelle. Il existe également une nouvelle catégorie, communément appelée " salaire à la demande " ou " accès au salaire gagné " (EWA), qui représente les employés payés à la demande (par exemple, les conducteurs du Uber). Indépendamment de la fréquence de paiement d'une personne, vous devez vérifier et valider, puis revérifier que les données sont correctes, avant de payer.
Si vous travaillez dans le service de la paie, je suis sûr que vous exécutez déjà des rapports manuels pour vérifier et examiner les différences entre les données. Mais, qu'arrive-t-il aux données qui s'échappent ? Ils peuvent ne pas échouer à la validation, mais ils ne sont toujours pas corrects. Il s'agit peut-être d’une saisie de 100 heure supplémentaires au lieu de 10, par exemple, ou une augmentation de salaire de 5 % alors que l'on sait que l'entreprise n'accorde pas plus de 2 % pour le moment. La comparaison avec les périodes de paie précédentes est un autre moyen de détecter de telles anomalies. Les comparaisons entre périodes peuvent aider à éviter de telles erreurs de saisie.
Le problème est toutefois que la comparaison des données dans SAP® ou SAP SuccessFactors® Employee Central Payroll, que ce soit entre les périodes de paie ou les systèmes, n'est pas facile. Il s'agit souvent d'un processus manuel et chronophage, ce qui entraîne une plus grande marge d'erreur.
Vous vous souvenez peut-être des célèbres jeux "Trouvez la différence", comme celui illustré sur la photo. Ce n'est qu'après avoir regardé les deux images et les avoir comparées manuellement que vous vous rendez compte qu'il manque un lampadaire dans l'image de droite, par exemple.
Regarder quelque chose pour voir les différences n'est vraiment qu'une partie du problème. Comment découvrir pourquoi il y a une différence plus grande que prévue dans le salaire net ? Identifier les différences est un bon début, mais quelle est la cause de cette différence ? Vous devez le vérifier manuellement, ou exécuter plusieurs versions de Wage Type Reporter sur ces employés particuliers et approfondir la recherche. Il s'agit d'un processus qui prend du temps et qui est sujet à des erreurs. C’est aussi un risque de sécurité potentiel pour les données salariales confidentielles extraites de SAP ou SuccessFactors et traitées dans Microsoft Excel, par exemple.
Tout au long de ma carrière dans le HCM, le responsable des salaires de chaque employeur avait une liste de contrôle. Il s'agissait auparavant d'une liste de contrôle en papier où les éléments étaient sont cochés au fur et à mesure. Au fil du temps, elle est devenue plus sophistiquée, notamment avec l'exemple de Microsoft Excel de l’image suivante.
On y dressait des listes de tous les éléments à vérifier, qu'il s'agisse de données manquantes (numéro de sécurité sociale ou coordonnées bancaires, par exemple), de données dupliquées, d'un bonus enregistré deux fois ou d'erreurs de "gros doigt" avec un extra 0, par exemple. Ce sont les plus évidents, mais il existe également des dizaines d'audits qui nécessitent une vérification et qui ne sont pas aussi évidents.
Dans une grande entreprise pour laquelle je travaillais, quelqu'un avec accès au système de paie a créé un tas de faux employés. Comment l'ont-ils découvert ? Tous les dépôts directs allaient sur le même compte bancaire… Je ne veux pas donner d'idées perverses, mais il existe de nombreux systèmes frauduleux qui peuvent être découverts si la liste de contrôle des salaires comporte tous les points nécessaires de vérification.
Se débarrasser de la liste de contrôle
Et si vous n'aviez pas à faire tout cela ? Et si vous n'aviez pas à commencer en haut d'une liste et à exécuter manuellement chaque rapport, à le vérifier, à le télécharger, à le comparer à un autre rapport, à le comparer dans une recherche, à le vérifier à nouveau, et ainsi de suite ? Et s'il existait un moyen automatisé de vérifier votre paie avant de l'exécuter, simplement en définissant quelques règles pour ce que vous voulez vérifier ?
L'identification des écarts de données est une tâche que les professionnels de HCM et de la paie doivent effectuer en permanence. Par exemple, à chaque changement de configuration, à chaque paquet d'assistance, aux nouvelles implémentations, aux conversions de données, à chaque fois que nous chargeons des données à partir d'une source de données externe, aux validations quotidiennes et aux copies de clients. Et si cela pouvait être fait non seulement avant d'exécuter la paie, mais à chaque fois que vous voulez valider les données car elles peuvent être affectées par n'importe quel changement dans le système ? Cela comprend les exemples suivants :
Il y a un meilleur moyen, il s'appelle Variance Monitor™ (VM) d'EPI-USE Labs et il est utilisé quotidiennement par des milliers d'utilisateurs dans le monde entier. Variance Monitor vous permet de comparer les données relatives aux RH et à la paie entre les systèmes et les périodes. C'est une excellente solution, car SAP ne dispose pas d’une autre ressource pour cela et il s'agit d'une tâche complexe, qui demande beaucoup de temps et de ressources, avec une forte probabilité d'erreurs manuelles.
L'aspect positif est qu'il est automatisé et facile à utiliser, il suffit de définir des niveaux de tolérance ou de spécifier les tables et les champs, et les comparaisons pour la paie, le temps, les données de base et les écritures financières sont faciles.
De plus, les comparaisons d'une période à l'autre et les tests des formules de soutien sont faciles et absolument précis. Variance Monitor peut également détecter les valeurs "nulles" et inclut des comparaisons d'échantillons gratuites à utiliser dès le premier jour.
Variance Monitor est destiné à être utilisé par toute personne qui travaille régulièrement avec des données dans SAP HCM. Cela inclut les professionnels de la paie, les utilisateurs fonctionnels des RH, des bénéfices, du temps, etc. Il peut également s'agir de professionnels des SIRH et de l'informatique qui doivent valider les données pour identifier les différences.
N'oubliez pas que vos données SAP HCM sont menacées dès qu'un changement est introduit, qu'il s'agisse d'une modification de l'activité ou de la configuration, ou d'un changement technique ou de landscape. Variance Monitor vous donne le pouvoir et le contrôle dont vous avez besoin pour identifier les écarts dans les données SAP HCM.
Pour en savoir plus sur EPI-USE Labs et Variance Monitor, veuillez consulter notre page Web, ou n'hésitez pas à nous contacter pour plus d'informations.