Desigualdade Entre Homem E Mulher

Como medir e acompanhar a desigualdade entre homem e mulher nas empresas de tecnologia

A maioria dos relatórios de diversidade que vejo sendo usados internamente está errada desde a planilha inicial. O problema não é a intenção das pessoas que produzem os dados, é que ninguém ensina como calcular diferenças reais em remuneração quando a estrutura salarial não é homogênea. Eu passei dois anos ajustando isso em três empresas diferentes e ainda vejo gente cometendo os mesmos erros. Você precisa entender primeiro que "gap salarial" no sentido genérico não existe como um número único. O que existe são diferenças de remuneração bruta entre grupos, e elas precisam ser decompostas. A parte explicável pela função, senioridade, tempo de casa e região geográfica é uma coisa. A parte que sobra depois disso é o que você chama de gap ajustado, e é esse número que importa para tomada de decisão. Eu comecei usando a abordagem mais ingênua possível: média salarial dos homens menos média salarial das mulheres, dividido pela média dos homens. Funciona para um resumo executivo, mas quando você tenta usar esse número para justificar correções salariais, ele se desfaz rápido. Homens e mulheres estão distribuídos de forma desigual por níveis hierárquicos. Isso é fato documentado, não é especulação. Então a diferença de média bruta mistura dois problemas: concentração em cargos diferentes e diferenças salariais dentro do mesmo cargo.

O workaround que eu descobri funcionou assim. Primeiro, eu Agrupei todos os colaboradores por nível hierárquico e função principal. Dentro de cada grupo, calculei a mediana salarial por gênero. Depois, fiz uma regressão linear com variáveis dummy para gênero, controlando senioridade, tempo na empresa, formação e localização. O coeficiente da variável gênero na regressão é o seu gap ajustado. Usei Python com a biblioteca statsmodels, mas qualquer pacote estatístico faz o mesmo. O resultado ficou mais lento para produzir, cerca de três dias de trabalho para uma base de quinze mil registros, mas o número que saiu disso era defendível. O gap bruto na empresa onde eu estava mostrava 23%. O gap ajustado pela regressão caiu para 7%. Metade disso era explicado pela distribuição desigual em cargos de liderança. Aí vem a parte que ninguém conta. Ter um gap ajustado baixo não significa que a empresa está justa. O modelo de regressão tem limitações sérias. Variáveis não observadas, como viés na avaliação de desempenho ou diferenças no acesso a projetos de visibilidade, não entram na equação. Se a empresa tem um processo de promoção onde homens recebem recomendacoes mais altas por méritos subjetivos, isso aparece na distribuição hierárquica e não no coeficiente de gênero dentro do nível. O gap ajustado fica pequeno porque o problema já foi internalizado antes da remuneração entrar em cena. Outro ponto cego: o modelo assume linearidade. Se o efeito do gênero é diferente no nível júnior do que no nível sênior, a regressão simples vai mascarar isso. O que eu faço agora é rodar modelos separados por faixa de senioridade e comparar os coeficientes. Isso mostra padrões que o número agregado esconde. Em uma ocasião, descobrimos que em níveis operacionais o gap era ligeiramente a favor das mulheres, quase zero. Nos níveis de gestão média, o gap era de 12%. Nos cargos de diretoria, o gap saltava para 18%. Esse último número é onde o problema estrutural mora.

Se você precisa de algo mais prático e rápido, existe uma alternativa menos rigida. Em vez de regressão, você pode usar o método de decomposição Oaxaca-Blinder. Ele separa explicitamente a parte do gap explicada por diferenças nas características observáveis da parte que resta, que é interpretada como discriminação ou viés não mensurável. É um pouco mais complexo de implementar do que a regressão comum, mas não exige conhecimento avançado de econometria. A documentação do pacote decomp em Python é suficiente para começar. O tempo de processamento é parecido, talvez um pouco maior por conta da bootstrap para os intervalos de confiança, cerca de cinco dias para uma base grande. O que eu recomendo evitar é confiar em dados autodeclarados de salários que os funcionários preenchem espontaneamente. Eu vi isso acontecer em uma ferramenta de transparência interna. As pessoas que declaravam salários eram desproporcionalmente mulheres em cargos intermediários e homens em cargos técnicos júnior. A amostra era enviesada e gerava um panorama completamente errado sobre a situação real da empresa. Use dados oficiais do RH sempre que possível, mesmo que sejam mais difíceis de coletar. Uma coisa útil que poucas empresas fazem é acompanhar a progressão de gênero ao longo do tempo, não apenas o snapshot anual. Um painel de dados mostrando como o gap ajustado mudou nos últimos quatro anos é mais informativo do que qualquer relatório pontual. Se o gap ajustado caiu de 15% para 7% em três anos, isso indica que as ações de correção estão funcionando, mesmo que o número absoluto ainda não seja zero. Se o gap bruto caiu mas o ajustado permaneceu o mesmo, significa que a mudança veio de contratações em níveis diferentes, não de justiça salarial.

Se o seu objetivo é apenas ter um número para apresentar no board, o cálculo simples de mediana por função serve. Leva uns vinte minutos e dá algo concreto. Mas se você quer realmente endereçar o problema, o caminho é mais trabalhoso e exige honestidade com os resultados, mesmo quando eles não são agradáveis. O download do script Python que eu uso como ponto de partida está disponível no repositório pessoal onde eu costumo publicar material técnico. O link está na minha bio. O código está comentado em português e inclui instruções para adaptar às estruturas de dados comuns em ERPs de RH brasileiros, como TOTVS e SAP. Se a sua base tiver variáveis diferentes, vai precisar ajustar as colunas de entrada, mas a lógica da regressão e da decomposição permanece a mesma. Um aviso final sobre interpretação. Números de desigualdade nunca são neutros. Eles são ferramentas políticas. O gap ajustado de 7% que eu mencionei anteriormente foi usado por alguns membros da diretoria para argumentar que "não há mais discriminação". A realidade é que 7% em uma empresa grande significa centenas de reais por mês deixados na mesa por pessoas que fazem o mesmo trabalho que colegas do outro gênero. O modelo estatístico não apaga isso. Ele apenas quantifica com mais precisão onde o problema está concentrado.