Expertní analýza

Sekce Expertní analýza je nejhlubší vrstva reportu — místo, kde se z agregátu sestoupí do detailu konkrétních pozic a konkrétních zaměstnanců. Cílí na analytika nebo statistika, který potřebuje porozumět struktuře mezery: kde konkrétně vzniká, kdo ji způsobuje, a co je třeba opravit, vysvětlit nebo přepočítat.

Tato sekce zároveň naplňuje písmeno g zákonné reportovací povinnosti (rozdíly mezi kategoriemi pracovníků v členění podle základní a variabilní složky) a poskytuje povinný pohled na úrovni specifického gradu a konkrétního ID zaměstnance.

V pravé části hlavičky jsou tři přepínače:

V tomto grafu nelze vidět konkrétního zaměstnance — vidíme jen agregát na úrovni pozice. To, na co se klient v této vrstvě dívá, jsou velké rozdíly na dané pozici mezi muži a ženami na úrovni průměrné mzdy. Typický pohled je: kde se modrý a růžový bod na stejné svislici výrazně rozcházejí, je problém.

Některé pozice budou mít jen jeden bod (čistě mužská nebo čistě ženská pozice — u technických rolí jako Fitter/Installer obvykle nejsou žádné ženy v datech, takže růžový bod chybí, a takové pozice se v tomto pohledu vůbec nehodnotí).

Vertikální rozptyl bodů ukazuje vnitřní rozpětí odměňování — pozice na seniorních rolích (Managing Director, Senior Project Manager) leží vysoko, juniorní (Apprentice, Trainee) nízko.

Po zapnutí přepínače Detail graf zmizí a zobrazí se informační pruh: „Grafy podle pozic a stupňů jsou skryté, pokud je zapnutý režim Detail. Vypněte Detail pro opětovné zobrazení grafů.“ Místo grafu se ukáže vyhledávací pole a tabulka:

Klient ve scatter plotu vidí, že pozice Logistician nebo Commercial Clerk mají velký rozdíl mezi muži a ženami a chce zjistit, kteří konkrétní zaměstnanci tento rozdíl způsobují. Zapne Detail a do vyhledávače napíše Logistician. Tabulka vypíše všechny logistiky s jejich ID a procentním příspěvkem k mezeře:

Konkrétní ID zaměstnanců (např. 18, 23, 16, 46 z pozice Logistician) jsou ti, kteří způsobují hlavní rozdíl. Detail mode je tak přímý kanál ke konkrétní akci — analytik dostane seznam jmen, jejichž platy je třeba auditovat nebo vysvětlit.

Druhý velký graf v sekci, ale funkčně nejdůležitější. Po přepnutí ovládacího prvku z PODLE POZICE na PODLE SKUPIN PRÁCE se ukáže graf agregovaný podle grading mechanismu. Zde se odehrává hlavní iterativní debuggovací workflow.

V levé části nad osou jsou tři další ovládací prvky:

Pod grafem je vodorovný posuvník s popisky ↓ Ženy vydělávají méně vlevo a Ženy vydělávají více ↑ vpravo.

Tohle je hlavní pracovní postup analytika v Expertní analýze. Postup je cyklický: identifikuj problém, oprav, přepočítej, znovu zkontroluj.

Začínáme v režimu REGRESE, Všechny scénáře, Všechny typy mezd. Z pohledu rozdílu na základě lineární regrese se podíváme na celkovou mzdu — modré sloupce. Pokud jsme na každém grade do definovaných 5 %, jsme v compliance pásmu a všechno je v pořádku.

Pokud celková mzda vypadá dobře, zkusíme pohled na Základní mzdu. V ukázkovém datasetu vidíme, že stupeň I-3 má v základní složce −5,8 %, což je nad definovaným 5% prahem. To znamená, že na grade 3 vzniká problém v základním platu.

Skočíme zpátky do sekce Vstupní data → Spravovat data. Vyfiltrujeme záznamy na grade 3 (filtr přes sloupec Úroveň 1/2/3 podle aktivního systému gradingu) a podíváme se na sloupec Základní mzda.

Seřadíme záznamy od největší základní mzdy po nejmenší. V extrémních hodnotách objevíme anomálie — například zaměstnanec ID 2 má v grade 3 výrazně vyšší základní mzdu než zbytek skupiny. To je signál, že buď je zaměstnanec nesprávně klasifikován (měl by být v jiném gradu), nebo má vysvětlitelnou výjimku.

Pokud je klasifikace špatná, opravíme grade přímo v tabulce (v sloupci Úroveň 1, 2 nebo 3 podle toho, který systém debugujeme). Klikneme Aktualizovat databázi, vrátíme se do Vstupní data a klikneme Spustit analýzu (nebo Restartovat analýzu). Po přepočtu se vrátíme do Expertní analýzy a zkontrolujeme, zda se výsledek pro grade 3 zlepšil.

Stejnou logiku aplikujeme na Variabilní složku. Filtr nastavíme na Variabilní mzda/plat. V ukázkovém datasetu vidíme:

Vrátíme se do Spravovat data, vyfiltrujeme grade 7 (a tentokrát bez grade 3 — Úroveň 1 = 7, ne 3), seřadíme podle variabilní složky od nejvyšších hodnot a najdeme top 3 extrémy — to jsou zaměstnanci, kteří způsobují velkou mezeru. U nich je třeba ověřit, zda extrémní variabilní složka je vysvětlitelná (např. mimořádný roční bonus za projekt) nebo zda představuje skutečnou nerovnost.

U každého problémového zaměstnance má klient dvě možnosti:

Tento cyklus se opakuje, dokud nejsou všechny stupně buď v compliance pásmu, nebo jsou nad-prahové hodnoty vysvětlené v poznámkách.

Vedle regresí očištěné mezery aplikace nabízí druhý pohled přes přepínač PRŮMĚR. V tomto režimu se výpočet neprovádí přes lineární regresi, ale jako prostý průměr napříč všemi mzdovými složkami pro danou pozici nebo grade.

Blinder-Oaxaca dekompozice je statistická metoda, která rozdělí pozorovanou mzdovou mezeru na dvě složky:

Vpravo nahoře v kartě je rozbalovací Specifikace hodnocení s defaultem Všechny scénáře systému hodnocení skupin práce. Umožňuje pustit rozklad pro každý grade scénář zvlášť a porovnat citlivost dekompozice.

Sloupce ukazují velikost jednotlivých komponent rozkladu. V ukázce jsou hodnoty kolem 4-5 % (3,4 %, 4,1 %, 4,5 %, 5,1 %), kombinace modré a oranžové barvy:

Tato sekce zobrazuje různé řezy stejného rozkladu:

Pokud je oranžová (nevysvětlená) složka výrazná, znamená to, že po kontrole vzdělání, praxe a pozic zbývá rozdíl, který data nevysvětlí. To je signál pro hlubší audit konkrétních platových rozhodnutí.

V této sekci se dostáváme na úroveň konkrétního zaměstnance a jeho výsledku v regresi.

Záporné hodnoty znamenají, že daný zaměstnanec vydělává méně, než by podle regresního modelu měl vzhledem ke své kvalifikaci, seniorit, pozici.

Pro téhož zaměstnance se výsledná mezera liší podle toho, na jaké úrovni se počítá:

To je důležité při interpretaci: stejný zaměstnanec může vypadat jako extrémní anomálie na úrovni své pozice, ale být v rámci svého gradu zcela v normě. Regulatorní povinnost přitom vyžaduje reportovat rozdíl jak na úrovni specifického gradu, tak na úrovni konkrétního ID zaměstnance — proto má tabulka filtry pro obě úrovně.

Klient hledá vysvětlení rozdílu u zaměstnance ID 80 (Logistician s gradem 6):

Souhrnná statistická tabulka pod grafem 4. Dvousloupcová struktura: Ukazatel | Hodnota.

Poměr |koeficient| / standardní chyba dává t-statistiku. V ukázce je |−0,0352| / 0,0480 ≈ 0,73 — daleko od kritické hodnoty 1,96. To je důvod, proč Jednoduchý přehled hlásí Statisticky nevýznamné.

Dole pod tabulkou (nebo v rozšířeném pohledu) jsou další statistické ukazatele, které říkají, zda je dataset statisticky významný:

Pravidlo pro interpretaci:

Poznámka k číselnému vztahu: 285 zahrnutých + 5 vyloučených = 290 záznamů v databázi celkem. Někdy se může mírně lišit ve zobrazení (např. 284 vs. 285) podle toho, zda se počítá poslední neúplný záznam.

Spodní rozbalitelná sekce Surová data dává přístup ke zdrojovým hodnotám regrese. Slouží jako poslední útočiště pro analytika, který pomocí předchozích grafů a tabulek nemohl problém najít.

Pomocný text: „Klikněte na buňku Poznámky pro úpravu textu. Změny se uloží po opuštění pole.“

V této tabulce má klient na jednom místě veškeré informace o každém zaměstnanci v auditovatelném formátu. Filtrováním na konkrétní ID (např. ID 80) lze zobrazit:

Všechny tyto informace jsou viditelné a stáhnutelné — společně s automatickým e-mailem, který se odesílá po každém běhu výpočtu, představují kompletní auditní stopu.

Tabulka surových dat používá interní anglické názvy proměnných regresního modelu. Mapování na zobrazené české sloupce ze Správy dat zaměstnanců je v článku Sloupce vstupních dat.

Klíčem k pochopení modelu jsou tři Log Adjusted proměnné. Regrese pracuje s logaritmem mezd, ne s nominálními hodnotami, protože:

Hodnota Log Adjusted Net Income = 8,6789 odpovídá exp(8,6789) ≈ 5 877 CZK, což je Average Salary. Cíl regrese je vysvětlit rozptyl této log-mzdy a izolovat koeficient u Sex jako Koeficient diskriminace.

Sestavený podle skutečného postupu z představení Paygapmeteru. Při auditu nebo prezentaci výsledků klientovi následuje analytik pohyb od souhrnu k detailu:

Tento postup vede od metriky k akčním krokům: konkrétní seznam zaměstnanců a konkrétní složka odměňování k revizi, vysvětlení nebo opravě.