Guía Paso a paso 👨‍🏫👩‍🏫

La Organización de las Naciones Unidas proclamó el 18 de septiembre como Día Internacional de la Igualdad Salarial, con la finalidad de resaltar la importancia de equipar la igualdad salarial por un trabajo de igual valor.[1]

Por lo cual, el objetivo de este artículo es compartir con la comunidad un análisis sencillo pero muy poderoso que nos permitirá analizar si en nuestra organización existe la diferencia salarial de género y cómo calcularla de manera precisa usando un modelo de Machine Learning, y todo desde nuestro Excel, de manera muy sencilla y sin necesidad de usar código o lenguajes de programación complicados.

Veamos el indicador que usaremos (parte técnica).

Brecha Salarial “Bruta” entre hombre y mujeres: calcularemos la diferencia porcentual entre la remuneración promedio recibida por hombres con respecto a las mujeres.

Ahora, como hay muchos factores que explican los diferentes rangos salariales, necesitaremos hacer ajustes a nuestro indicador.

Brecha Salarial “Ajustada” entre hombre y mujeres: mediante un modelo de Machine Learning ( Regresión Lineal Múltiple)  analizaremos los diferentes factores que definen el salario percibido por los empleados (formación académica, edad, experiencia, etc.). En este modelo la variable dependiente será la remuneración del empleado y las variables independientes o explicativas serán los factores relacionados a la posición desempeñada por el colaborador. La ecuación será definida de la siguiente manera:

Con ello tendremos aislado el efecto del género en el salario con el coeficiente β₁, el cual usaremos para calcular la Brecha Salarial Ajustada y, además, tendremos los efectos de los otros factores, en este caso serán la escolaridad, nivel de puesto, antigüedad en la empresa, experiencia previa y edad.

Veamos el ejercicio (parte práctica).

El archivo de Excel, contiene una pestaña de Datos veamos las columnas de datos que usaremos para el ejercicio.

1. ID: Número de empleado
2. Hombre: depende de la columna Género, ya que para el modelo necesitamos tener una variable numérica, en este caso si el valor de la columna Género es igual a H (Hombre) le asignamos el valor 1, en caso de ser M (Mujer) será 0. (ojo este paso es importante para poder aplicar el modelo de Machine Learning).
3. Escolaridad: se le asigno un valor a los niveles educativos de Preparatoria 1, Licenciatura Trunca 2, Licenciatura 3, Posgrado Trunco 4 y Posgrado 5.
4. Nivel de Puesto: desde niveles operativos hasta directivos, del 1 hasta el 6.
5. Antigüedad: años en la empresa.
6. Experiencia previa: años laborados previos.
7. Edad: edad en años al momento de realizar el ejercicio.

Primer Paso.

Crearemos una tabla dinámica para resumir los salarios de los trabajadores y segmentaremos por género.

Usaremos del menú Insertar->Pivot Table

Seleccionaremos nuestra tabla “DatosSalarios” y daremos click en Aceptar.

Ahora en nuestra tabla seleccionaremos los campos de Género en las columnas y Salario en valores.

Para ver los promedios de Salario, nos iremos a Configuración de campo de valor…

Y seleccionaremos Promedio y daremos click en Aceptar.

Podemos ver que parece que el Salario Promedio de los Hombres es más alto que el de las Mujeres.

Calculemos nuestra Brecha Salarial Bruta, utilizando la fórmula que ya vimos.

Existe una diferencia significativa, sin embargo, ello puede deberse a muchos factores e incluso puede ser por la composición de nuestra fuerza laboral en los diferentes niveles, agregaremos una tabla para mostrar la composición del personal según el nivel. Siguiendo el mismo procedimiento que en el paso anterior, solo que ahora la colocaremos en la misma hoja.

Para está tabla dinámica usaremos “ID”, “Nivel puesto” y “Género”.

Colocaremos el “ID” en Valores, “Nivel Puesto” en filas y “Género” en columnas.

Para que se muestre la proporción de Mujeres y Hombres por Nivel, debemos seleccionar ID y nos vamos a Configuración de campo de valor…

Seleccionamos la opción de Recuento y luego seleccionamos la pestaña de Mostrar valores como.

Y seleccionamos la opción de “% del total de columnas” y damos click en Aceptar.         

Ahora podemos notar que la participación de las mujeres es mayor en los niveles mas bajos de la organización, lo cual implica una problemática diferente, ya que será resultado de los procesos internos los ascensos o contrataciones de mujeres en Niveles más altos de la organización, sin embargo, podemos aislar este efecto usando nuestro modelo de Machine Learning.

Regresión.

Ahora, usaremos las Herramientas de Análisis de Excel, que se encuentran en el Menú Datos -> Análisis

En caso de no tenerlo activado este complemento, solo nos vamos al Menú Archivo -> Opciones

Seleccionaremos “Complementos” y luego en “Administrar: Complementos de Excel” y daremos click en Ir…

Ahora verificamos que tenga el chek box con palomita “Herramientas para análisis” y daremos click en Aceptar.

Una vez activado el complemento ya podremos ver en la pestaña Datos el grupo de Análisis

Damos click en Análisis de datos y seleccionamos Regresión

Aquí tendremos que definir los elementos de nuestra regresión, primero será “Rango de Y de entrada:” $H$1:$H$209 que es la columna de Salarios y sus valores.

Después será “Rango X de entrada:” $B$1:$G$209 que serán las variables que explican los salarios.

Es importante que dejemos marcada a casilla “Rótulos” para que utilice los encabezados, y dejaremos en las Opciones de salida “En una hoja nueva:” y daremos click en Aceptar.

Nos generará una hoja con los resultados de la regresión.

Analicemos los resultados:

1. Veamos los valores de R^2 y R^2 ajustado entre más cercano a 1 será mejor.
2. Veamos el valor crítico de F, si el valor es menor a 0.05 es significativo todo el modelo.
3. Revisemos los valores de Probabilidad si son menores a 0.05 son significativos los parámetros.
4. El Coeficiente de Hombre, esa es la diferencia salarial por ser hombre

Cambiaremos la vista de los valores a decimales, porque algunos están en notación científica.

Para nuestro modelo tenemos valores de R^2 de 0.72, es decir, es bueno el modelo prediciendo los valores, el valor crítico de F es menor a 0.05, es decir, nuestro modelo es estadísticamente significativo.

Ahora, solo las probabilidades de Experiencia previa y Edad son mayores a 0.05, por lo tanto, no son significativas para predecir el valor del salario, esto puede deberse a que el desempeño interno es más importante para la determinación del salario. En cambio, los demás elementos sus valores son menores a 0.05, por lo tanto, son estadísticamente significativos.

Por último, el Coeficiente de Hombre, es positivo (3,003.06), ello indica que existe una diferencia entre los salarios de Hombres y mujeres, con esto podemos calcular nuestra Brecha Salarial Ajustada.

Solo por el hecho de ser Hombre se ganará más. Este ejercicio lo podemos realizar con datos de periodos anteriores y verificar como ha sido su evolución.

Conclusiones.

Hacer análisis de avanzados de People Analytics está a la mano de cualquiera, ya que no necesitamos usar un software adicional o usar algún lenguaje de programación complicado, será necesario tener un conocimiento de los factores que afectarán mi análisis (en este caso, los principales determinantes del salario), tener los datos disponibles, entender que modelo de Machine Learning será el adecuado y con unos cuantos clicks tendremos nuestros indicadores para realizar un análisis profundo.

¿Tú ya usas Machine Learning en Excel? Síguenos para más temas de People Analytics.

Archivos para el ejercicio

---

[1] https://www.diainternacionalde.com/ficha/dia-internacional-igualdad-salarial

Derivado de varias consultorías de People Analytics que hemos realizado, nos encontramos que el tema de Rotación de personal es muy discutido pero su cálculo e implicaciones no quedan claras. Por ello hemos realizado este pequeño artículo con una parte práctica en Excel.

Los puntos son los siguientes:

1. Definición de Rotación de personal, para con ello tener una fórmula definida de cálculo.
2. Implicaciones de este indicador y comparaciones para realizar acciones estratégicas.
3. Ejemplo práctico con archivo descargable.

Definición

Muy simple, nos referimos al porcentaje de empleados que han dejado la empresa en un determinado periodo de tiempo.

Regularmente se calcula de manera mensual, trimestral y anual, hay que resaltar que como primer elemento de análisis podemos mencionar en separar las renuncias VOLUNTARIAS (personas que dejaron la compañía) y las INVOLUNTARIAS (personal que decidimos que ya no laborara con nosotros), ya que me indicarán dos problemáticas distintas.

Fórmula

Para el caso del promedio será la suma de los empleados al inicio del periodo y al final del periodo divididos entre dos.

Si bien el número de empleados puede variar durante el tiempo la mejor aproximación será el promedio simple entre los empleados al inicio y los empleados al final del periodo analizado.

Implicaciones de este indicador

Dependiendo del sector existirán periodos de mucha fluctuación de personal, por ello será importante tener valores anualizados como referencia de unos dos o tres años y también dar un seguimiento mensual o trimestral para poder ver la tendencia de nuestro indicador.

La rotación de personal es el resultado principalmente de dos factores: un proceso de contratación inadecuado y/o de una mala gestión del personal. En ambos casos generan gastos adicionales, ya que se tendrá que reponer el personal que se ha ido, se dejará de hacer ciertas tareas que tenía a su cargo esta posición y cuando sea sustituido existirá una curva de aprendizaje que nos llevara a una reducción en la productividad.

Por lo que debemos de tener este indicador calculado de manera correcta para poder entender dónde se esta teniendo mayor rotación (departamento, área, etc.), qué personal está dejando la compañía (género, específico, edad, nivel de desempeño, etc.).

Análisis práctico

Ya vimos que es un indicador primordial para entender las diferentes problemáticas de la empresa, ahora veamos unos ejemplos sencillos.

Rotación Mensual

• 30 personas dejaron la compañía en el mes de enero
• 1,100 era nuestro personal activo al inicio de enero
• 1,200 fue nuestro personal activo al final de enero
• En promedio tuvimos 1,150 de personal activo durante el mes de enero.
• 30/1,150 = 0.026 en porcentaje 2.60% *

*(se puede multiplicar por cien o en Excel dejar en formato de %)

Rotación Anual

• 105 personas dejaron la compañía durante 2019
• 650 era nuestro personal al inicio de enero 2019
• 806 fue nuestro personal para el fin de diciembre 2019
• En promedio tuvimos 728 de personal activo para el año 2019
• 105/728 = 0.144 en porcentaje 14.42% *

*(se puede multiplicar por cien o en Excel dejar en formato de %)

Práctica en Excel

Conceptualmente el cálculo es sencillo, veamos un ejemplo en Excel con un listado de empleados.

Tenemos un archivo con un listado que nos indica el número de empleado, la fecha de Alta, si está activo al día de hoy y la fecha de la baja. Lo primero que haremos será generar una columna que nos ayudará a definir si el empleado está activo al día de hoy (nos ayudará para hacer cálculos en diferentes periodos).

Usaremos la función SI , para indicarnos si el empleado está activo [C2=1], en ese caso nos dará la fecha de hoy [HOY()] y en caso contario, nos indicará la fecha de baja [D2].

Ahora, colocaremos las fechas de referencia, Fecha Inicial y Fecha Final, para este caso lo haremos del mes de enero de 2018, que nos servirán para hacer los cálculos del personal al inicio del periodo y al final del mismo.

Para calcular los “Empleados Inicio” usaremos la función CONTAR.SI.CONJUNTO la cual nos permite contra los empleados que cumplan dos condiciones:

1. Que hayan causado Alta antes del 1 de enero de 2018
2. Que si causaron Baja esta ocurriera antes del 1 de enero de 2018

Con lo anterior tendremos a los Empleados al inicio del mes, dado que usaremos dos fechas, primero buscaremos filtrar los empleados con fecha de Alta previa al 1 de enero de 2018, después usando la columna Fecha Activo, nos quedaremos solo con los que están activos y aquellos que fueron dados de baja hasta después del 1 de enero de 2018 (es decir, quitamos a los dados de baja en fechas anteriores)

Para el filtrado con fecha usaremos [Fecha Alta “<”&H1] para los empleados con Alta antes del 1 de enero de 2018 y [Fecha Activo “>”&H1]  para quitar los empleados dados de baja antes del 1 de enero de 2018.

Para calcular los “Empleados Final” usaremos la función CONTAR.SI.CONJUNTO la cual nos permite contra los empleados que cumplan dos condiciones:

1. Que hayan causado Alta hasta el 31 de enero de 2018
2. Que si causaron Baja esta ocurriera antes del 31 de enero de 2018

Para el filtrado con fecha usaremos [Fecha Alta “<=”&H2] para los empleados con Alta hasta el 31 de enero de 2018 y [Fecha Activo “>”&H2]  para quitar los empleados dados de baja antes del 31 de enero de 2018.

Ahora el promedio solo usaremos la función PROMEDIO

Nos falta calcular las Bajas durante el mes de enero de 2018, para ello usaremos nuevamente la función CONTAR.SI.CONJUNTO la cual nos permite contra los empleados que cumplan dos condiciones:

1. Que hayan causado Baja entre el 1 hasta el 31 de enero de 2018

Para el filtrado con fecha usaremos [Fecha Activo“>=”&H1] para los empleados con baja a partir del 1 de enero de 2018 y [Fecha Activo “<=”&H2]  para los empleados con baja hasta el 31 de enero de 2018.

Con ello, ya solo dividimos las Bajas del periodo entre el promedio de empleados del periodo.

Lo cual nos da un 0.80%.

Con esta estructura podemos agregar más fechas a este cálculo y copiar las fórmulas para obtener la rotación de los siguientes meses. (solo hay que dejar fijas las referencias en las funciones de CONTAR, para que no se muevan cuando las copien).

En el Caso de valores Trimestrales o Anuales, solo hay que cambiar las fecha Inicial y Final a los periodos requeridos.

Dejamos el link del archivo de Excel con el ejemplo resuelto.

Y tú ya tienes #DataSuperPowers síguenos en nuestras redes sociales para más contenido práctico de People Analytics.

En estás épocas de grandes retos, será primordial entender cómo se sienten los colaboradores y aplicar medidas adecuadas que mejorarán su calidad de vida y con ello, podremos obtener mejores resultados este 2021, ya que los costos de rotación de personal, según el Huffington Post, puede implicar hasta un 200% del salario de nuestra fuerza laboral.

Escuchar la Voz del Empleado, te permitirá entender cómo se encuentra tu fuerza laboral mediante elementos simples como encuestas o el buzón de sugerencias serán fuentes de información primordiales.

 Hoy veremos cómo con unos cuantos clics podrás usar un “Análisis de Sentimiento”, el cuál evaluará las opiniones de tus colaboradores y les asignará un valor (entre 0 y 1), cuanto más cercanos a cero serán comentarios negativos y más cercanos a uno serán comentarios positivos.

De este modo usando los comentarios podremos construir unos indicadores para medir las opiniones positivas, neutras o negativas y analizarlas por área, fechas, etc.

Veamos un ejemplo, estos son los datos de una encuesta de opinión de clima laboral.

Buscaremos en Excel agregar un complemento de Excel que nos ayudará con este análsis. Nos vamos al Menu Insertar y buscamos Complementos.

Buscaremos Azure Machine Learning (que nos dará acceso a una Inteligencia Artificial ya entrenada en análisis de Lenguaje).

Y lo agregaremos a nuestro Excel

Utilizaremos el Análisis de Sentimiento o “Text Sentiment Analysis”

Seleccionaremos las filas donde se encuentren nuestros comentarios, en el ejemplo, el rango D2:D152 (importante desactivar la opción “My data has headers”) y después debemos seleccionar la celda de salida, en este caso la celda “E2” (importante desactivar la opción “Include headers”) y daremos click en el boton azul de “Predict”.

Nos agregará dos columnas una con el detectado Sentimiento (“Negative”, “Neutral” o “Positive”) y el valor de cada comentario (entre 0 y 1).

Solo agregamos el titulo de Sentimiento y Valor y con ello podemos sacar los valores agregados por Área, Departamento o género.

Síganme para más contenido práctico de People Analytics.

• LinkedIn
• Facebook