Hoja de ruta para incorporar el Data Analytics en la gestión de la transparencia retributiva

Gestionar la transparencia retributiva conforme a lo establecido en la Directiva Europea va a exigir a las organizaciones ganar en capacidad estratégica para poder responder de manera precisa, ágil y segura a las demandas de información requeridas, las cuales van a necesitar, por un lado, el manejo de grandes cantidades de datos y, por otro, la elaboración de análisis complejos (análisis intersecciones, cortes por cuartiles en cada nivel de valoración, causas subyacentes de las brechas…). En el tercer webinar del Ciclo “Transparencia Retributiva: hoja de ruta para su implantación”, organizado en colaboración con Aon, Julia Ojeda, directora de Rewards and Performance de la firma, ha explicado cómo el Data Analytics se convierte en un aliado imprescindible para ello.

En primer lugar, la experta de Aon ha hecho un repaso de los requerimientos de información que establece la directiva y ha recordado que “esos requerimientos de información se traducen en datos, datos que las organizaciones necesitan tener a su disposición para poder realizar análisis y poder obtener conclusiones de ellos”. 

¿Qué datos se necesitan? 

Julia Ojeda ha agrupado ese conjunto de datos típicos necesarios para hacer un análisis de equidad salarial y brecha salarial de género en tres bloques: variables de talento, variables de organización y compensación, y datos demográficos. 

¿Qué análisis hay que realizar? 

En segundo lugar, ha profundizado en el tipo de análisis que hay que realizar. Como ha recordado, “la Directiva establece que los Estados miembros soliciten a las empresas que destierren cualquier posibilidad de discriminación que vaya más allá del sexo y habla de que no se produzcan discriminaciones interseccionales. La interseccionalidad se define como un marco analítico que permite explorar cómo las diferentes identidades afectan a las personas de manera simultánea. Esto significa que las experiencias de discriminación no pueden ser entendidas simplemente a través de una única categoría (como puede ser el género) sino que deben considerarse múltiples factores que influyen en la vida de una persona”. 

Ojeda ha presentado el análisis multifactorial como la vía para poder abordar este requerimiento. Ha explicado que este tipo de análisis permite analizar el impacto de una serie de variables independientes o predictores sobre una variable dependiente (compensación total) comparando los efectos que tienen sobre la variable dependiente los diferentes valores que puede adoptar cada variable independiente.

Al respecto de las bandas salariales, ha asegurado que es fundamental que se definan a partir de un análisis retributivo previo -“la definición de estas bandas salariales es fundamental para precisamente poder cumplir con la premisa de poder explicar la progresión salarial”-, y también ha mencionado el análisis por cuartiles de la banda, que ayuda a contextualizar el dato de brecha salarial, como otro de los fundamentales. 

¿Cómo puede ayudar el Data Analytics? 

Vistos los diferentes tipos de datos a manejar y análisis a realizar, la directora de Rewards and Performance de Aon, ha señalado el Data Analytics como una herramienta de gestión clave y ha destacado 4 ventajas: 

• Comprensión: “Gracias al data visualization, las organizaciones acceden a grandes cantidades de información representada de forma sencilla, clara y coherente”. 
• Detección: “Ayudan a detectar puntos de fricción o valores atípicos, y brindan la oportunidad de identificar problemas antes de que sea tarde. Utilizarlas como soporte pueden suponer una clara ventaja competitiva, ya que permiten prever y enfocar correctamente las estrategias”.
• Storytelling: “El look and feel de los dashboard facilita la comunicación, así como la elaboración de presentaciones de alto impacto, y el proceso de reporting a la Dirección General y otros stakeholders. Por tanto, también son una herramienta útil para formantar la innovación y apoyar el cambio cultural”. 
• Eficiencia: Al ser más intitutivas que una hoja Excel clásica, obtener conclusiones es mucho más ágil. Todo ello trae consigo altos niveles de eficiencia, ahorrando en recursos, tiempo y costes”. 

¿Cómo incorporar el Data Analytics en la estrategia de transparencia? 

Ojeda ha compartido una hoja de ruta en función del nivel de preparación actual de la organización:

Nivel fundacional

• Características: ausencia de estrategia, pocos datos y comunicación limitada. 
• Madurez de los datos: básicos.
• Estrategia de transparencia: respondiendo a requerimientos.
• No Data Analytics.

Nivel reactivo

• Características: proyectos reactivos, datos incoherentes y ausencia de metodologías.
• Madurez de los datos: descriptivos.
• Estrategia de transparencia: analizando y visualizando brechas salariales con enfoque multifactorial. 
• Aportación del Data Analytics: identificar rápidamente gaps salariales entre hombres y mujeres utilizando técnicas estadísticas básicas; facilitar el enfoque multifactorial al incluir variables como antigüedad, nivel jerárquico, formación y desempeño; y vuslizar datos en gráficos sencillos que muestren diferencias clave. 

Nivel proactivo

• Características: metodologías poco consistentes, datos sólidos y comunicación bajo demanda. 
• Madurez de los datos: orientados.
• Estrategia de transparencia: combinando análisis de breca salarial y equidad interna. 
• Aportación del Data Analytics: evaluar si los empleados que realizan trabajos de igual valor reciben una compensación justa dentro de la organización; usar la metodología de valoración de puestos para agrupar posiciones similares y comparar salarios de puestos de igual valor; y generar tableros interactivos que muestren visualmente las áreas de inequidad. 

Nivel avanzado

• Características: metodologías consolidadas, integración de los datos, comunicación proactiva y abierta, pero limitada. 
• Madurez de los datos: estratégicos.
• Estrategia de transparencia: definiendo bandas y analizando por cuartiles. 
• Aportación del Data Analytics: definir y gestionar bandas salariales basadas en los datos internos y comparar su consistencia; realizar análisis por cuartiles para identificar inequidades por razón de sexo dentro de cada banda; y realizar simulaciones para evaluar cómo ajustar salarios y mejorar el cumplimiento normativo. 

Nivel líder 

• Características: estrategia integrada, análisis recurrentes, comunicación 100% transparente. 
• Madurez de los datos: predictivos.
• Estrategia de transparencia: combinando análisis de brecha salarial, equidad interna y competitividad externa.
• Aportación del Data Analytics: combinar el análisis interno con datos de mercado para comparar la brecha de la compañía y su competitividad salarial externa; usar modelos predictivos para proyectar cómo los cambios en los salarios impactarán en la generación de brechas e inequidades; e identificar benchmarks específicos para cada segmento de la organización.