Vi har valt att genomföra en exempelanalys för att kunna visa hur man kan analysera löneskillnader på arbetsplatsen. Vi vill öka medvetenheten om löneskillnader och hur man kan arbeta för att skapa en mer jämlik arbetsplats. Guiden kan hjälpa dig att genomföra en egen analys och på så sätt arbeta mot en mer jämlik arbetsplats. Den kan vara till stor hjälp för HR-avdelningar och chefer som vill säkerställa att deras anställda får rättvisa och jämlika löner.
Löneskillnader på arbetsplatsen kan påverkas av flera faktorer, inklusive kön, erfarenhet och utbildning, bransch, geografisk plats och företagsstorlek. Män och kvinnor kan fortfarande ha olika lön för liknande jobb och kvalifikationer. Personer med mer erfarenhet och högre utbildning har oftast högre löner och lönenivåerna kan variera beroende på bransch, geografisk plats och företagsstorlek.
Genom att göra en analys kan du få en bättre förståelse för löneskillnader på din arbetsplats och identifiera eventuella problemområden. Med denna information kan du säkerställa att lönerna på din arbetsplats är rättvisa och jämlika för alla anställda.
För att genomföra vår analys behöver vi alla medarbetares löner och de fyra variablerna vi vill förklara lönerna med, vilket är 1) antal års erfarenhet av branschen, 2) utbildningsnivå (om man har universitetsutbildning), 3) kön, och 4) organisatoriska tillhörighet (om man är chef).
Den efterfrågade informationen och datan finns ofta i ett lönesystem. Från lönesystemet är det oftast enkelt att exportera information och data till excel för att visualisera och analysera dina resultat. Genom att skapa diagram och grafer kan du enkelt jämföra lönenivåer och identifiera eventuella mönster och trender. Tänk på att lönedata är känslig information och bör hanteras med varsamhet. För att skydda integriteten för anställda bör du se till att all data anonymiseras och begränsa åtkomsten.
Vi använde en grundläggande statistisk analysmetod som kallas regression. Om man inte har erfarenhet av statistik, kan det uppfattas som en svårbegriplig metod. För personer med kunskap inom statistik kan det dock upplevas som ett för förenklat tillvägagångssätt. Det är viktigt att notera att statistik bör betraktas med försiktighet. Man ska t.ex. inte förväxla en statistisk korrelation med orsakssamband.
Efter en snabb export av lönerna och annan data ur lönesystemet till excel kan vi göra vår regression i excel. En bra beskrivande video om hur man gör regressioner i excel finns här.
Utkomster av regressionen blev enligt bilden nedan:
Den första iakttagelsen är modellens R-kvadrat tal 0,785. R-kvadrat är förenklat modellens förklaringsgrad och varierar mellan 0-1, där 1 betyder att 100% att variablerna förklarar 100% av lönen. 0,785 är förhållandevis högt och vår tolkning är att de variablerna vi använt (år i branschen, universitetsutbildning, kvinna och chef) korrelerar med skillnader i lönesättning.
Andra intressanta iakttagelser är p-värde och koefficienter. Förenklat så indikerar P-värde om en koefficient är statistiskt skild från noll eller inte. Oftast vill man ha ett p-värde mindre än 0,1 för att kunna säga att koefficienten är ”statistiskt signifikant”. I vårt exempel har år i branschen ett p-värde på 0,002 vilket betyder att år i branschen påverkar lönen. Även om man är kvinna och om man har en chefsposition påverkar
Koefficienten visar hur mycket någonting påverkar. Koefficienten för år i branschen är 441 kr. Det betyder att modellen säger att för varje år i branschen så får en medarbetare 441 kr högre lön.
Utdatan från excel genererar en konstant. Det ska tolkas som en ingångslön där de andra variablerna är 0 (dvs inga år i branschen, ingen universitetsutbildning, inte är kvinna och inte är chef). För det företag vi analyserade i detta exempel var ingångslönen 32 747 kr.
Vid analysen av löneökningar var det svårare att hitta påverkande variabler än för lönenivåer. För lönenivåer så användes variablerna 1) antal års erfarenhet av branschen, 2) utbildningsnivå, 3) kön, och 4) organisatoriska tillhörighet (om man är chef), och alla utom utbildningsnivån var statistiskt signifikanta.
För att få ut ett resultat av löneökningarna utökade vi vår modell till sju variabler. Trotts detta blev resultatet inte tillräckligt tillfredställande. Utöver de fyra redan nämnda variablerna så tillkom: om man jobbade internt, om man jobbade i Stockholm (bolag har flera olika arbetsställen i Sverige), samt om man identifierat medarbetaren som högpresterare.
Se resultatet från regressionen nedan:
Vi har markerat våra iakttagelser i grönt.
R-kvadrattalet lågt, vilket säger att modellen bara förklarar en liten del av löneökningarna. De variabler som är signifikanta är 1) år i branschen 2) om man är chef och 3) om man identifierats som högpresterare. Utöver detta är konstanten statistiskt signifikant och ligger på 3,5%.
En förklaring till det låga R-kvadrattalet kan vara underliggande variabler som är viktiga för löneökningarna, t.ex. arbetskostnadsindex. Det krävs en mer genomgående analys med eventuellt fler variabler än vad vi presenterar i vår exempelanalys för att få en tydlig förklaring till det låga R-kvadrattalet. Utöver detta visar vår analys att det inte verkar finnas någon systematisk diskriminering när man justerar lönerna.
I analysen för lönesättning använde vi fyra variabler som tabellen nedan visar:
I bilden ovan har varje variabel en ”koefficient”. I vår modell för framtida löner kallar vi detta för ”belopp” och använder de värdena från regressionen som benchmark. Vi vet vad som är rimligt. Utöver koefficienten finns det ett ”standardfel”. Det betyder att det finns ett visst svängrum på värdet på koefficienten. I vår modell kallar vi det ”varians” och vi använder historiken som en benchmark för hur vi vill att det ska fungera framöver.
I vår regression på historiskt data hade vi fyra variabler. I modellen för att sätta löner framöver använder vi tre av dem 1) år i branschen, 2) om man har universitetsutbildning, 3) om man är chef samt att vi lägger till ytterligare en, 4) om man är högpresterare.
Bilden nedan visar vår modell som kan användas för att sätta löner framåt i tiden, baserat på kunskapen om historiken i regressionen. I detta exempel tänker vi oss att cellerna i gult fylls i av ansvarig chef, de blå fyller HR i och de andra cellerna räknas ut via formler.
För varje variabel har man ett ”belopp” som visar vad varje medarbetare har för utfall för den variabeln. Utöver detta finns en varians, alltså en möjlighet för bedömning. Vår modell genererar ett intervall mellan ”från” och ”till” som är rimligt. Detta räknas ut dels för varje variabel, och dels för den totala lönen. Slutligen så får HR attestera eller godkänna de lönenivåerna som chefen föreslår.
För dagens moderna företag som strävar efter att ta sin lönesättning till nästa nivå är en datadriven approach att föredra. Med hjälp av avancerade analyser kan man få värdefulla insikter om lönesättningen för att behålla och locka till sig nya talanger.
Klara Consulting hjälper företag att maximera sin lönsamhet. Vi erbjuder löpande hjälp inom lön och redovisning men också komplex affärsrådgivning, revision och rekrytering. Kontakta oss idag för att ta reda på hur vi kan hjälpa dig att ta lönesättningen till nästa nivå!