Wykres 1: Luka płacowa według stanowiska
Wykres domyślnie pokazuje średnie wynagrodzenie według stanowiska. Dla każdego stanowiska mogą być widoczne dwa punkty — dla mężczyzn i kobiet. Duży rozjazd punktów na tym samym stanowisku wskazuje obszar do dalszej analizy.
Przełącznik widoku pozwala pokazać wynik według stanowiska albo według grup pracy. Tryb Detail ukrywa wykres i pokazuje tabelę konkretnych pracowników z ich wkładem do luki płacowej.
Tryb Detail
Po włączeniu trybu Detail analityk widzi wyszukiwarkę i tabelę z pozycją, ID pracownika oraz procentowym wkładem do luki. To pozwala szybko przejść od problematycznego stanowiska do konkretnych osób, których wynagrodzenie trzeba zweryfikować albo wyjaśnić.
Wykres 2: Luka według grup pracy
Po przełączeniu na widok według grup pracy pojawia się kluczowy wykres do debugowania gradingu. Użytkownik może wybrać metodę REGRESJA / ŚREDNIA, scenariusz systemu grup pracy oraz składnik wynagrodzenia: wszystkie typy, wynagrodzenie zasadnicze lub część zmienna.
Iteracyjne debugowanie
Zidentyfikuj problematyczny grade na wykresie.
Sprawdź, czy luka pochodzi z wynagrodzenia zasadniczego czy zmiennego.
Wróć do Dane wejściowe > Zarządzaj danymi.
Przefiltruj dataset na problematyczny grade.
Posortuj po odpowiednim składniku wynagrodzenia i znajdź wartości skrajne.
Oceń, czy to błąd klasyfikacji, błąd danych czy uzasadniony wyjątek.
W przypadku błędu popraw dane, kliknij Aktualizuj bazę danych i uruchom analizę ponownie.
W przypadku wyjątku dopisz uzasadnienie w Notatkach.
Tę samą logikę stosuje się do części zmiennej wynagrodzenia, gdzie różnice często wynikają z bonusów, dodatków, płatności jednorazowych lub błędnie wypełnionych składek pracownika.
Wyjaśnienie albo korekta
Dla każdego problematycznego pracownika klient ma dwie opcje: wyjaśnić różnicę w Notatkach albo poprawić błąd w danych. Notatka może wskazywać np. jednorazowy bonus projektowy, rzadką kompetencję lub udokumentowany wynik oceny.
Poziom stanowiska vs poziom grade
Ten sam pracownik może wyglądać jak duża anomalia na poziomie konkretnego stanowiska, ale mieścić się w normie na poziomie szerszego grade. Dlatego interpretacja powinna uwzględniać oba poziomy.
Dekompozycja Blinder-Oaxaca
Analiza może rozdzielać lukę na część wyjaśnioną i niewyjaśnioną. Część wyjaśniona wynika z obserwowalnych czynników, takich jak wykształcenie, doświadczenie, stanowisko, seniority lub grading. Część niewyjaśniona pozostaje po kontroli tych czynników i wymaga dalszego badania.
Dane surowe
Dane surowe pokazują wewnętrzne zmienne używane przez model regresyjny, np. Id, Age, Year Of Service, Years In Education, Years Of Experience, Employee Scarcity, Employee Evaluation, Sex, Skill, Skill2, Skill3, Seniority, Employee Contribution oraz logarytmiczne zmienne dochodowe.
Regresja pracuje z logarytmami wynagrodzeń, ponieważ ułatwia to interpretację współczynnika płci jako różnicy procentowej i zwykle poprawia własności statystyczne modelu.
Ścieżka audytowa
Analiza ekspercka, eksport danych surowych oraz automatyczny e-mail po każdym przebiegu tworzą kompletną ścieżkę audytową: jakie dane były użyte, jakie parametry wybrano, jakie wyniki powstały oraz które osoby lub klasy wymagają wyjaśnienia.