Se desarrolla y prueba un marco holístico ocupacional y de toda la economía para la predicción de salarios utilizando aprendizaje automático (ML) estadístico. Se desarrollan modelos predictivos basados en características ocupacionales y características organizacionales. Se entrenan cinco algoritmos de ML supervisados diferentes utilizando datos de encuestas del mercado laboral de Arabia Saudita para estimar el salario anual medio a través de actividades económicas y grupos ocupacionales principales. Al predecir el salario medio a través de actividades económicas, el ML de regresión de proceso gaussiano bayesiano mostró una mejora notable en R2 en comparación con la regresión lineal múltiple (de 0.50 a 0.98). Además, se obtuvieron niveles de error más bajos: el error cuadrático medio se redujo en un 80% y el error absoluto medio se redujo en casi un 90% en comparación con la regresión lineal múltiple. Sin embargo, la predicción del salario sobre los principales grupos ocupacionales resultó en que las redes neuronales artificiales tuvieron el mejor desempeño en términos de R2, con una mejora de 0.62 en la regresión lineal múltiple a 0.94 y los errores se redujeron en aproximadamente un 60%. El marco propuesto puede ayudar a estimar los niveles salariales anuales en diferentes tipos de actividades económicas y tamaños de organización, así como en diferentes ocupaciones.