Case: Datagedreven Diversiteit en Inclusie

NB.: aangezien we vertrouwelijk omgaan met onze klantdata, worden in dit artikel niet de cijfers getoond van de Nederlandse overheidsinstantie. De afbeeldingen die worden getoond dienen ter illustratie van de output van een dergelijk onderzoek.

AnalitiQs heeft geanalyseerd of mannen en vrouwen, na correctie voor achtergrondgegevens, gelijk worden beloond. Hieruit bleek dat er ook na correctie nog een beloningsverschil bij de overheidsinstantie is. Met een interactief Power BI rapport kan er verder worden geanalyseerd welke oorzaken ten grondslag liggen aan het salarisverschil (zie voorbeeld in figuur 1).

Daarnaast hebben we gekeken naar mobiliteitsverschillen tussen mannen en vrouwen en ook daarvoor een Power BI rapport opgesteld. Hieruit bleek dat vrouwen over het algemeen vaker promotie maken, maar dat er binnen enkele functieschalen en leeftijdsgroepen wel een aantal aandachtspunten zijn waardoor de gender balans doelstelling niet voor de gehele organisatie wordt gehaald (zie voorbeeld in figuur 2).

Figuur 1. Voorbeeld – Power BI dashboard voor GWGL

Figuur 2. Voorbeeld – Power BI dashboard voor Gender Mobiliteit

Situatie

Een Nederlandse overheidsinstantie neemt haar maatschappelijke taak serieus en wil daarom weten of ze mannen en vrouwen gelijk beloont voor gelijke functies. Dat er in het algemeen een nominaal verschil is in het gemiddelde salaris tussen mannen en vrouwen (dus zonder rekening te houden met allerlei achtergrondkenmerken) is duidelijk. Echter, het is onduidelijk of dit standhoudt wanneer er wordt gekeken naar het verschil tussen mannen en vrouwen als de achtergrondkenmerken gelijk worden getrokken (gecorrigeerd).
Ook leeft binnen de overheidsinstantie het vermoeden dat er mogelijk sprake is van een glazen plafond voor vrouwelijke werknemers. De overheidsinstantie wil graag weten op welk niveau dit eventuele glazen plafond speelt en of er duidelijke oorzaken voor aan te wijzen zijn. Daarnaast wil men ook weten of zij in staat zijn om vrouwen in dezelfde mate te binden als mannen.

Aanpak

Voor de Gelijk Werk Gelijk Loon (GWGL) analyse heeft AnalitiQs gebruik gemaakt van medewerker achtergronddata afkomstig uit het HR-systeem. Onder gelijke beloning valt het basissalaris en alle toeslagen en toelagen die een medewerker ontvangt. Functieschalen zijn als afgeleide gebruikt voor gelijk werk.
Alle data zijn, na de extractie uit het HR systeem, verder verwerkt en geanalyseerd in R Studio. Hierbij is, om tot een zuivere vergelijking tussen mannen en vrouwen te komen, gecorrigeerd voor zo veel mogelijk relevante achtergrondvariabelen. Vrouwen en mannen zijn middels de Rake-methode gewogen op de totale medewerkerspopulatie van de overheidsinstantie, zodat mannen en vrouwen dezelfde achtergrondkarakteristieken hebben. Vervolgens is middels een random-forest-analyse bepaald in welke mate de verschillende factoren corrigeren.
Daarnaast is een interactief rapport in Power BI gemaakt, zodat gelijke beloning bij verschillende groepen verder geanalyseerd kan worden. Hierin zitten verschillende filter opties en uitsplitsingen, zodat de klant de mogelijkheid heeft om het gehele personeelsbestand uit te pluizen.
Voor de Mobiliteitsanalyse heeft AnalitiQs opnieuw gebruik gemaakt van medewerker achtergronddata uit het HR-systeem. Alleen waar voor de GWGL-analyse de stand van de laatste maand voldoende was, is voor het mobiliteitsvraagstuk 36 maanden (3 jaar) aan data meegenomen.
Bij de dataverwerking en analyse in R Studio zijn vervolgens per maand het aantal new hires, promoties en exits berekend. Waarna verschillen tussen mannen en vrouwen in het algemeen en per achtergrondvariabele zijn bekeken. Bijvoorbeeld de functieschaal, tijd in dienst en leeftijd.
Tevens is middels ARIMA-modellen per managementniveau een voorspelling gedaan van hoe het percentage vrouwen binnen de organisatie zich zal ontwikkelen als het huidige beleid wordt gehandhaafd.
Ten slotte is ook voor dit onderwerp een interactief rapport in Power BI gemaakt, zodat er middels verschillende filter opties verschillen binnen elke gewenste groep te zien zijn.

Resultaat

Na correctie voor achtergrondvariabelen is het verschil in het gemiddelde salaris tussen en mannen een stuk lager dan het nominale verschil. Het resterende verschil na correctie kan op ongelijke beloning duiden en/of overblijven door ontbrekende variabalen zoals opleidingsniveau en richting of (relevante) werkervaring. Een concreet voorbeeld zou er als volgt uit kunnen zien (figuur 3):

Figuur 3. Voorbeeld – Nominale en gecorrigeerde loonverschil

Bij het corrigeren van het nominale verschil is gebleken dat functieniveau de sterkst corrigerende factor is. Mannen zitten relatief vaak in hoge functies, terwijl vrouwen juist relatief vaak in de lage functies zitten. Daarnaast bleken er nog een aantal factoren te zijn met een sterk corrigerend effect, zoals leeftijd (voor een concreet voorbeeld zie figuur 4). De overige factoren die weinig extra invloed op zichzelf hebben, zijn samengevoegd. Daarnaast is duidelijk geworden dat er binnen sommige functieschalen een loonverschil bestaat na de correctie. Voor deze schalen is het interessant verder uit te zoeken waar dit verschil door wordt veroorzaakt (zie figuur 1 voor een voorbeeld).
 

Figuur 4. Voorbeeld – Waterval met correctie per variabele

Naar aanleiding van de bevinding dat mannen relatief vaak in hoge functies zitten en vrouwen juist in lage, is het vermoeden voor het glazen plafond gegroeid.
Echter, uit de mobiliteitsanalyse is gebleken dat vrouwen in (bijna) alle functieschalen vaker promotie maken dan mannen, wat juist niet duidt op een glazen plafond (zie voorbeeld in figuur 5).
 

Figuur 5. Voorbeeld van mobiliteit per functieschaal

Bij het voorspellen van het percentage vrouwen in de verschillende lagen van de organisatie is gebleken dat met name in het middenmanagement de doelstelling van 30% vrouw ruim wordt gehaald (zie figuur 6 voor een soortgelijk voorbeeld). Binnen het lager management ligt het huidige percentage ook boven de 30%, maar doordat hier wat grotere schommelingen zijn geweest is de onzekerheid van de voorspelling hier wat groter en kan men zelfs weer onder de norm duiken als het tegenzit. Binnen het hoger management lijkt in het meest waarschijnlijke scenario de doelstelling in de komende maanden te worden behaald. Alleen onder het niet leidinggevend personeel is nog behoorlijk wat werk te verrichten, wanneer het huidige beleid namelijk wordt gehandhaafd, lijkt hier in het aandeel vrouwelijke werknemers zeer weinig te zullen veranderen (zie voorbeeld in figuur 6).

Figuur 6. Voorbeelden van twee voorspellingen

Middels het Power BI dashboard zijn voor het niet halen van de norm een aantal oorzaken geïdentificeerd. In sommige schalen is de instroom van vrouwen te laag en/of de uitstroom te hoog. Verder is de retentie van vrouwen die nog niet zo lang bij de organisatie werken een uitdaging om de gestelde normen te halen (zie voorbeeld in figuur 7).

Figuur 7. Voorbeeld – percentage vrouwen naar aantal dienstjaren

Met de opgedane inzichten heeft AnalitiQs acties aangeraden voor op korte, middellange en lange termijn aan de overheidsinstantie. Hiermee kan ervoor worden gezorgd dat het verschil in beloning tussen mannen en vrouwen kleiner wordt en dat de gender balans doelstelling over alle lagen van de organisatie wordt behaald. Omdat wij vertrouwelijk omgaan met onze klantdata, en dus ook met de hieruit voortkomende inzichten en acties zijn de specifieke acties voor de overheidsinstantie niet genoemd. Maar voor elke organisatie die een van de twee, of beide analyses door ons laat uitvoeren bevelen we altijd aan de analyse(s) op lange termijn te herhalen (zie figuur 8). Zodat er uitgezocht kan worden of de genomen vervolgstappen hun vruchten hebben afgeworpen. Hiermee wordt dan duidelijk of het gecorrigeerde salarisverschil en de verschillen in mobiliteit zijn toe- of afgenomen.

Figuur 8. Aanbevelingen voor vervolgstappen