{"id":2182,"date":"2017-04-28T08:44:39","date_gmt":"2017-04-28T06:44:39","guid":{"rendered":"http:\/\/variances.eu\/?p=2182"},"modified":"2017-04-28T11:40:24","modified_gmt":"2017-04-28T09:40:24","slug":"ressources-humaines-modeles-predictifs-application-a-legalite-femmeshommes","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=2182","title":{"rendered":"Ressources Humaines et mod\u00e8les pr\u00e9dictifs :  application \u00e0 l\u2019\u00e9galit\u00e9 femmes\/hommes"},"content":{"rendered":"<h4 style=\"text-align: center;\">Regards crois\u00e9<em>s Compensations&amp;Benefits <\/em>et actuaire<\/h4>\n<p><em>Une d\u00e9marche \u00ab\u00a0gender diversity\u00a0\u00bb a \u00e9t\u00e9 initi\u00e9e chez Faurecia, \u00e9quipementier automobile de 100\u00a0000 salari\u00e9s dans 35 pays. Cette d\u00e9marche est d\u00e9clin\u00e9e sur l\u2019ensemble des fonctions, et en particulier la r\u00e9mun\u00e9ration, pour rep\u00e9rer s\u2019il y a ou non des \u00e9carts de salaire expliqu\u00e9s par le genre. <\/em> <em>Faurecia a d\u00e9cid\u00e9 de faire appel \u00e0 Galea, cabinet d\u2019actuaires, qui propose des analyses permettant de d\u00e9passer les \u00e9tudes classiques qui n\u2019identifient pas toujours un \u00ab signal faible \u00bb comme la variable genre.<\/em> <em>Cet article pr\u00e9sente en premier lieu les analyses d\u2019un point de vue th\u00e9orique, puis l\u2019utilisation pratique qu\u2019en a faite Faurecia.<\/em><\/p>\n<p>L\u2019analyse pr\u00e9dictive, utilis\u00e9e depuis plusieurs ann\u00e9es en actuariat et en assurance, apporte une aide int\u00e9ressante aux professionnels des Ressources Humaines, plus sp\u00e9cifiquement dans les domaines suivants :<\/p>\n<ul>\n<li>la gestion des risques\u00a0RH : absent\u00e9isme, maladie, stress.<\/li>\n<li>la gestion des personnes\u00a0: \u00e9volution des salaires, promotions, recrutements, d\u00e9parts.<\/li>\n<li>l&rsquo;optimisation des dispositifs internes\u00a0: compte-\u00e9pargne temps, choix en mati\u00e8re d\u2019\u00e9pargne salariale et de retraite, couvertures sant\u00e9 et pr\u00e9voyance.<\/li>\n<li>la r\u00e9ponse aux demandes r\u00e9glementaires\u00a0: qualit\u00e9 de vie au travail, \u00e9galit\u00e9 femmes\/hommes.<\/li>\n<\/ul>\n<p>En mati\u00e8re d\u2019\u00e9galit\u00e9 femmes\/hommes<a href=\"#_ftn1\" name=\"_ftnref1\">[1]<\/a>, l\u2019analyse pr\u00e9dictive constitue un outil d\u2019aide \u00e0 la d\u00e9cision pour\u00a0:<\/p>\n<ul>\n<li>identifier si l\u2019entreprise a actuellement une probl\u00e9matique d\u2019\u00e9galit\u00e9 femmes\/hommes \u00e0 traiter,<\/li>\n<li>mesurer les \u00e9carts existant effectivement au sein de l\u2019entreprise<a href=\"#_ftn2\" name=\"_ftnref2\">[2]<\/a>,<\/li>\n<li>arr\u00eater une premi\u00e8re liste de femmes potentiellement concern\u00e9es,<\/li>\n<li>aider le responsable RH \u00e0 d\u00e9finir un plan d\u2019actions pour corriger les \u00e9ventuelles in\u00e9galit\u00e9s,<\/li>\n<li>permettre un suivi r\u00e9gulier de l\u2019efficacit\u00e9 des actions engag\u00e9es par la mise en place d\u2019indicateurs adapt\u00e9s.<\/li>\n<\/ul>\n<p>Les travaux men\u00e9s en collaboration avec les \u00e9quipes RH privil\u00e9gient habituellement une approche pragmatique\u00a0dans :<\/p>\n<ul>\n<li>la s\u00e9lection des donn\u00e9es \u00e0 prendre en compte pour l\u2019analyse, compte tenu de la culture et du contexte de l\u2019entreprise et des donn\u00e9es disponibles,<\/li>\n<li>la recherche de la mod\u00e9lisation la plus adapt\u00e9e,<\/li>\n<li>la mise en place de la d\u00e9marche,<\/li>\n<li>son appropriation par les \u00e9quipes op\u00e9rationnelles et les dirigeants.<\/li>\n<\/ul>\n<h3><strong>En premier lieu, la formulation pr\u00e9cise de la question \u00e0 laquelle r\u00e9pondre<\/strong><\/h3>\n<p>En mati\u00e8re d\u2019\u00e9galit\u00e9 femmes\/hommes au sein de l\u2019entreprise, la question principale est simple \u00e0 formuler : des diff\u00e9rences de r\u00e9mun\u00e9rations entre femmes et hommes peuvent-elles exister \u00ab\u00a0toutes choses \u00e9gales par ailleurs\u00a0\u00bb\u00a0? Des \u00e9tudes Insee r\u00e9v\u00e8lent souvent des \u00e9carts moyens importants entre les femmes et les hommes au niveau national, qui recouvrent des situations diverses\u00a0avec des \u00e9carts li\u00e9s au genre, mais aussi \u00e0 l\u2019\u00e2ge, \u00e0 l\u2019anciennet\u00e9, au niveau de responsabilit\u00e9s, au temps travaill\u00e9, etc. L\u2019entreprise doit \u00eatre en mesure d\u2019identifier les \u00e9carts dus au genre.<\/p>\n<h3><strong>L\u2019identification et la qualification des donn\u00e9es utiles<\/strong><\/h3>\n<p>L\u2019utilisation des mod\u00e8les pr\u00e9dictifs n\u00e9cessite celle de donn\u00e9es globales et individuelles, en conformit\u00e9 avec les l\u00e9gislations et r\u00e9glementations concern\u00e9es. \u00a0Des \u00e9changes sp\u00e9cifiques sur ce point interviennent en g\u00e9n\u00e9ral avec le responsable RH lors de la s\u00e9lection des donn\u00e9es. Dans la pratique, plus les donn\u00e9es individuelles collect\u00e9es dans le syst\u00e8me d\u2019informations (SIRH) sont nombreuses, plus il est possible de mener des analyses fines. La mise en \u0153uvre de la D\u00e9claration Sociale Nominative (DSN) devrait faciliter les travaux. Outre les donn\u00e9es habituelles (identifiant, date de naissance, date d\u2019entr\u00e9e dans l\u2019entreprise ou le groupe, genre, CSP, m\u00e9tier exerc\u00e9\/fonction, type de contrat, temps travaill\u00e9, \u00e9chelon\/cat\u00e9gorie, site), des donn\u00e9es compl\u00e9mentaires sont utiles suivant la nature des travaux RH \u00e0 effectuer (<em>job grading<\/em>, formations suivies, situation familiale, nombre d\u2019enfants \u00e0 charge, p\u00e9riodes et motifs d\u2019absences, etc). L\u2019absence de certaines donn\u00e9es ou le manque de fiabilit\u00e9 n\u00e9cessite d\u2019effectuer des choix avec le responsable RH, tels que la non prise en compte de certaines variables dans l\u2019attente de l\u2019am\u00e9lioration du syst\u00e8me d\u2019informations. Cette \u00e9tape d\u2019arbitrage entre volume et qualit\u00e9 de la donn\u00e9e constitue un travail assez classique pour les actuaires. Le recours \u00e0 des donn\u00e9es externes \u00e0 l\u2019entreprise (<em>open data<\/em>) ne constitue pas une priorit\u00e9 pour les premiers travaux RH qui privil\u00e9gient une approche <em>smart data<\/em>. Dans le cas des travaux sur l\u2019\u00e9galit\u00e9 femmes\/hommes, le syst\u00e8me d\u2019informations de l\u2019entreprise permet d\u2019extraire rapidement plusieurs donn\u00e9es a priori utiles \u00e0 l\u2019\u00e9tude et de s\u2019assurer de leur qualit\u00e9 : salaire (fixe et variable), grade, \u00e2ge, anciennet\u00e9 dans la soci\u00e9t\u00e9, anciennet\u00e9 dans le poste, famille du poste, r\u00e9gion, genre, etc. Des contr\u00f4les de coh\u00e9rence sont r\u00e9alis\u00e9s et certaines donn\u00e9es doivent \u00eatre \u00e9limin\u00e9es comme le temps partiel et la formation. Des regroupements, par tranches d\u2019\u00e2ge par exemple, sont \u00e9galement r\u00e9alis\u00e9s pour compenser une \u00e9ventuelle insuffisance de donn\u00e9es. Tout au long de ces travaux, des discussions doivent intervenir avec le <em>Comp&amp;Ben<\/em> pour comprendre le contexte et s\u2019assurer de la prise en compte de l\u2019ensemble des variables pertinentes et disponibles.<\/p>\n<h3><strong>Le traitement statistique pr\u00e9alable<\/strong><\/h3>\n<p>Des statistiques descriptives classiques dans les travaux RH sont \u00e9tablies pour les diff\u00e9rentes variables disponibles, pour identifier celles qui a priori joueront un r\u00f4le important dans l\u2019explication des \u00e9carts de r\u00e9mun\u00e9ration. La comparaison de l\u2019\u00e9volution des salaires pour les salari\u00e9s \u00ab\u00a0pr\u00e9sents-pr\u00e9sents\u00a0\u00bb (c\u2019est-\u00e0-dire restreinte \u00e0 ceux qui sont l\u00e0 deux ann\u00e9es de suite, ce qui permet de calculer l\u2019\u00e9volution), sur les salaires \u00e0 l\u2019embauche et diverses repr\u00e9sentations graphiques, notamment sous forme de nuages de points, fournissent une premi\u00e8re vision de la situation et permettent d\u2019identifier si la probl\u00e9matique existe. Dans de nombreux travaux sur l\u2019\u00e9galit\u00e9 femmes\/hommes, ces statistiques illustrent un \u00ab\u00a0plafond de verre\u00a0\u00bb, c\u2019est-\u00e0-dire un niveau de salaire et\/ou de responsabilit\u00e9 que les femmes ne d\u00e9passent que difficilement. Les statistiques peuvent aussi indiquer des augmentations de salaires r\u00e9centes plus \u00e9lev\u00e9es pour les femmes, signe d\u2019une prise de conscience d\u2019\u00e9carts dans les r\u00e9mun\u00e9rations et d\u2019une volont\u00e9 de les r\u00e9duire. Les techniques issues de l\u2019analyse pr\u00e9dictive permettront alors de porter un avis objectif sur les strat\u00e9gies de r\u00e9duction en vigueur.<\/p>\n<h3><strong>Le choix de la d\u00e9marche et des mod\u00e8les pour \u00e9tablir un bon diagnostic, puis l\u2019\u00e9valuation de leur efficacit\u00e9<\/strong><\/h3>\n<p>Deux analyses sont propos\u00e9es\u00a0dans le cadre de l\u2019\u00e9galit\u00e9 femmes\/hommes, pour d\u00e9passer les \u00e9tudes classiques qui n\u2019identifient pas toujours un \u00ab\u00a0signal faible\u00a0\u00bb comme la variable genre\u00a0:<\/p>\n<ul>\n<li>La premi\u00e8re cherche \u00e0 savoir si le genre est un crit\u00e8re a priori explicatif du niveau des r\u00e9mun\u00e9rations dans l\u2019entreprise (salaire de base d\u2019une part, salaire de base et bonus cible d\u2019autre part).<\/li>\n<\/ul>\n<p>Un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9<a href=\"#_ftn3\" name=\"_ftnref3\">[3]<\/a> a \u00e9t\u00e9 d\u00e9velopp\u00e9 pour mod\u00e9liser le salaire th\u00e9orique en fonction des donn\u00e9es disponibles. Dans plusieurs cas de figure, le genre est une variable retenue dans le mod\u00e8le, ce qui laisse pr\u00e9sager d\u2019un \u00e9cart g\u00e9n\u00e9ral de salaire entre les femmes et les hommes. Le genre ne ressort naturellement pas dans les premi\u00e8res variables ayant un tr\u00e8s fort niveau explicatif, le grade du salari\u00e9 \u00e9tant en g\u00e9n\u00e9ral la variable la plus d\u00e9cisive. Cette mod\u00e9lisation du salaire trouve une application g\u00e9n\u00e9rale plus large au sein de l\u2019entreprise, puisqu\u2019elle peut fournir un barom\u00e8tre interne sur les salaires, compl\u00e9ment utile aux \u00e9tudes de march\u00e9 externes.<\/p>\n<ul>\n<li>La seconde analyse cherche \u00e0 identifier une liste de femmes qui seraient en \u00e9cart de salaire compte-tenu de leur positionnement, de leur anciennet\u00e9, des pratiques de r\u00e9mun\u00e9ration en interne, etc. Un algorithme a \u00e9t\u00e9 mis en place pour expliquer la variable salaire \u00e0 partir de l\u2019ensemble des variables explicatives disponibles dans le SIRH et rep\u00e9rer les relations entre ces variables et le salaire. Plusieurs m\u00e9thodes d\u2019apprentissage statistiques sont disponibles\u00a0: les arbres\/for\u00eats (al\u00e9atoires ou non), l\u2019algorithme esp\u00e9rance-maximisation (EM), les r\u00e9seaux de neurones, les <em>support vector machines<\/em>, etc.<\/li>\n<\/ul>\n<p>L\u2019utilisation des mod\u00e8les pr\u00e9dictifs pour l\u2019\u00e9galit\u00e9 salariale femmes\/hommes n\u00e9cessite d\u2019avoir des r\u00e9sultats directement interpr\u00e9tables avec un volume de donn\u00e9es r\u00e9duit. Les travaux ont utilis\u00e9 en premi\u00e8re analyse le mod\u00e8le de CART<a href=\"#_ftn4\" name=\"_ftnref4\">[4]<\/a> qui consiste \u00e0 r\u00e9partir la population des salari\u00e9s, au travers de l\u2019\u00e9tude de leur r\u00e9mun\u00e9ration, en sous-populations homog\u00e8nes les plus distinctes possible. Cette s\u00e9paration est bas\u00e9e sur la \u00ab\u00a0maximisation de la variance intra-n\u0153ud\u00a0\u00bb d\u00e9finie par\u00a0: <img loading=\"lazy\" decoding=\"async\" class=\"aligncenter wp-image-2183\" src=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/Equation-300x36.png\" width=\"600\" height=\"72\" srcset=\"https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/Equation-300x36.png 300w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/Equation-1024x122.png 1024w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/Equation-600x71.png 600w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/Equation-1080x128.png 1080w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/Equation.png 1355w\" sizes=\"(max-width: 600px) 100vw, 600px\" \/> avec N repr\u00e9sentant un n\u0153ud et <img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-2195\" src=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/N0.png\" width=\"32\" height=\"24\" \/> et <img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-2196\" src=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/N1.png\" width=\"32\" height=\"24\" \/> repr\u00e9sentant deux n\u0153uds distincts. Une suite de tests sur les variables explicatives permet de construire un arbre en r\u00e9duisant l\u2019h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 au sein de chaque sous-population.<\/p>\n<div id=\"attachment_2185\" style=\"width: 1788px\" class=\"wp-caption aligncenter\"><a href=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2.png\"><img loading=\"lazy\" decoding=\"async\" aria-describedby=\"caption-attachment-2185\" class=\"wp-image-2185 size-full\" src=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2.png\" width=\"1778\" height=\"805\" srcset=\"https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2.png 1778w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2-300x136.png 300w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2-1024x464.png 1024w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2-600x272.png 600w, https:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2-1080x489.png 1080w\" sizes=\"(max-width: 1778px) 100vw, 1778px\" \/><\/a><p id=\"caption-attachment-2185\" class=\"wp-caption-text\">Exemple d\u2019arbre avec identification de groupes femmes\/hommes<\/p><\/div>\n<p>Le mod\u00e8le de CART pr\u00e9sente deux avantages principaux\u00a0: un r\u00e9sultat facilement interpr\u00e9table et une bonne prise en compte sans a priori des interactions entre les variables. Elles sont sensibles aux donn\u00e9es utilis\u00e9es et le r\u00e9sultat pourra diff\u00e9rer en cas de variation des variables, ce qui n\u00e9cessite un suivi r\u00e9gulier. Le genre repr\u00e9sentant un signal faible dans l\u2019explication du salaire, il est parfois n\u00e9cessaire de descendre plusieurs n\u0153uds de l\u2019arbre pour faire appara\u00eetre le genre comme variable discriminante. Dans l\u2019ensemble des travaux, des tests sont r\u00e9alis\u00e9s, notamment la v\u00e9rification de la disparition du genre comme variable discriminante en cas de modifications des salaires en suivant les pr\u00e9conisations brutes du mod\u00e8le.<\/p>\n<h3><strong>La pr\u00e9sentation des r\u00e9sultats et les conclusions op\u00e9rationnelles (plans d\u2019actions)<\/strong><\/h3>\n<p>En cas d\u2019in\u00e9galit\u00e9 femmes\/hommes, le mod\u00e8le identifie des groupes de personnes de m\u00eame genre pr\u00e9sentant globalement des \u00e9carts de salaire avec un groupe de genre oppos\u00e9 pr\u00e9sentant les m\u00eames caract\u00e9ristiques par ailleurs. L\u2019expertise du responsable RH et\/ou du <em>Comp&amp;Ben<\/em> est alors n\u00e9cessaire pour\u00a0:<\/p>\n<ul>\n<li>analyser et valider les r\u00e9sultats bruts du mod\u00e8le,<\/li>\n<li>prendre en compte des \u00e9l\u00e9ments non encore disponibles de mani\u00e8re fiable dans les donn\u00e9es, tels que par exemple la performance dans le poste, le parcours atypique d\u2019un salari\u00e9 ou encore le changement r\u00e9cent d\u2019entreprise,<\/li>\n<li>et au final, ajuster les r\u00e9sultats bruts pour affiner les groupes de personnes en \u00e9carts de salaires.<\/li>\n<\/ul>\n<p>Les \u00e9changes entre les experts techniques (les actuaires dans notre cas) et les experts m\u00e9tiers (les ressources humaines) sont \u00e9galement indispensables pour contourner les limites habituelles li\u00e9es aux exercices de mod\u00e9lisation et bien appr\u00e9hender la culture de l\u2019entreprise. A ce stade, l\u2019implication de la fonction <em>Comp&amp;Ben<\/em> est un facteur cl\u00e9 de succ\u00e8s de l\u2019\u00e9tude. A l\u2019issue des analyses, les \u00e9l\u00e9ments suivants sont disponibles\u00a0:<\/p>\n<ul>\n<li>une liste de femmes (hommes) en \u00e9cart de salaire a priori d\u2019apr\u00e8s le mod\u00e8le, susceptibles de n\u00e9cessiter un ajustement,<\/li>\n<li>des indicateurs pour atteindre une \u00e9galit\u00e9 \u00e0 un horizon donn\u00e9,<\/li>\n<li>des m\u00e9thodes et indicateurs permettant d\u2019anticiper et de suivre l\u2019\u00e9volution d\u2019une ann\u00e9e sur l\u2019autre et de mesurer l\u2019efficacit\u00e9 des plans d\u2019action.<\/li>\n<\/ul>\n<h3><strong>La d\u00e9marche en pratique vue de l\u2019entreprise<\/strong><\/h3>\n<p>Ce qui a int\u00e9ress\u00e9 Faurecia dans la d\u00e9marche propos\u00e9e, c\u2019est d\u2019utiliser la m\u00eame m\u00e9thodologie dans tous les pays. Les conditions \u00e9taient relativement peu contraignantes, avoir au minimum 1000 cadres, ce qui est le cas pour Faurecia dans 6 pays. A posteriori, il fallait aussi au minimum 200 femmes pour que l\u2019analyse soit concluante. Les r\u00e9sultats de l\u2019Allemagne (1035 cadres dont 90 femmes) se sont r\u00e9v\u00e9l\u00e9s inutilisables, alors que ceux de la Pologne (898 cadres dont 256 femmes) \u00e9taient tout \u00e0 fait exploitables. La pr\u00e9sentation des r\u00e9sultats qui a \u00e9t\u00e9 faite \u00e0 chaque pays a \u00e9t\u00e9 l\u2019occasion de discussions enrichissantes.<\/p>\n<h3><strong>R\u00e9gression multiple<\/strong><\/h3>\n<p>La diversit\u00e9 des r\u00e9sultats de la r\u00e9gression multiple est rassurante. Huit crit\u00e8res sont apparus, variables selon les pays, l\u2019ordre d\u2019apparition \u00e9tant aussi variable, certains pays en ayant quatre, d\u2019autres sept. Une constante a confort\u00e9 la politique mise en place depuis plusieurs ann\u00e9es maintenant. Dans tous les pays, le premier facteur explicatif de la r\u00e9mun\u00e9ration est le grade du poste, avec un poids aux alentours de 90%. Pour le Mexique, par exemple, au-del\u00e0 du grade, trois facteurs explicatifs apparaissent, la famille de m\u00e9tier, l\u2019\u00e2ge et la r\u00e9gion par ordre d\u00e9croissant. Cela a \u00e9t\u00e9 un argument pour modifier cette ann\u00e9e les bandes de salaires (minimum, r\u00e9f\u00e9rence et maximum de salaire par niveau) et prendre en compte la r\u00e9gion. La premi\u00e8re alerte a \u00e9t\u00e9 que le genre apparait en facteur explicatif de la r\u00e9mun\u00e9ration dans trois pays, les USA, la Pologne et la France, ce qui ne devrait pas \u00eatre le cas, m\u00eame faiblement. L\u2019analyse plus d\u00e9taill\u00e9e par le mod\u00e8le CART s\u2019av\u00e8re n\u00e9cessaire.<\/p>\n<h3><strong>Analyse Cart et pr\u00e9cautions d\u2019usage<\/strong><\/h3>\n<p>Des groupes de femmes ont \u00e9t\u00e9 identifi\u00e9s dans les trois pays o\u00f9 le genre apparait comme facteur de la r\u00e9mun\u00e9ration, mais aussi en Chine. Il a fallu toutefois pas mal de p\u00e9dagogie pour utiliser correctement cette information sur les groupes de femmes. Premier message, ces groupes sont issus d\u2019une analyse statistique, et il est tout \u00e0 fait possible d\u2019avoir des cas isol\u00e9s en dehors de ces groupes identifi\u00e9s. Deuxi\u00e8me message, lorsque le mod\u00e8le CART identifie un groupe de femmes dont le salaire moyen est inf\u00e9rieur \u00e0 celui du groupe d\u2019hommes ayant les m\u00eames caract\u00e9ristiques, cela ne signifie pas qu\u2019il faille augmenter automatiquement toutes les femmes du pourcentage de diff\u00e9rence entre les salaires moyens (de 10% \u00e0 36% selon les pays et les groupes). Le salaire moyen recouvre une dispersion de situations individuelles. Pour ne pas brouiller le message, nous avons d\u00e9cid\u00e9 de retirer de ces listes les femmes dont le salaire est sup\u00e9rieur au salaire moyen des hommes \u00e9quivalents (67 retir\u00e9es sur un total de 278). Sur les listes restantes, il y a une s\u00e9rie de questions \u00e0 se poser\u00a0: tout d\u2019abord, les donn\u00e9es individuelles sont-elles exactes, en particulier le niveau de poste et le salaire, prise en compte de temps partiel\u2026\u00a0? Existe-t-il dans l\u2019historique ou le profil de la personne des explications comme une prise de poste r\u00e9cente, une performance durablement insuffisante\u2026 enfin, lorsque l\u2019\u00e9cart est confirm\u00e9, quel plan d\u2019action\u00a0pour le rattrapage, \u00e9talement sur plus d\u2019un an\u2026\u00a0?<\/p>\n<h3><strong>Mise en \u0153uvre en 2017<\/strong><\/h3>\n<p>Pour que les d\u00e9cisions soient suivies d\u2019effet, le choix a \u00e9t\u00e9 fait de coupler cette analyse avec la r\u00e9vision annuelle de salaire de 2017, en demandant \u00e0 chaque entit\u00e9 pr\u00e9sentant ses propositions de lister les femmes concern\u00e9es avec pour chacune le plan d\u2019action ou la raison pour laquelle aucune action particuli\u00e8re n\u2019est envisag\u00e9e. Il restait donc 211 femmes \u00e0 examiner, avec une r\u00e9partition par pays tr\u00e8s in\u00e9gale. 138 femmes aux USA, presque 30% des femmes, mais la diff\u00e9rence de salaire moyen avec les hommes est relativement faible, autour de 10%. En Pologne pr\u00e8s de 10% des femmes et 5% en France sont \u00e0 \u00e9tudier. En Chine, elles ne sont que 2% des femmes, mais les diff\u00e9rences de salaire moyen sont au-del\u00e0 de 20%. Apr\u00e8s analyse, 42 femmes ont \u00e9t\u00e9 retir\u00e9es\u00a0: grade erron\u00e9, d\u00e9part de la soci\u00e9t\u00e9, temps partiel non pris en compte, performance durablement insuffisante \u2026 Par ailleurs, 4 femmes ayant \u00e9t\u00e9 promues ont vu leur salaire augmenter sensiblement. Au final, ce sont 165 femmes qui ont \u00e9t\u00e9 examin\u00e9es sur un total de 2540 femmes dans les 5 pays finalement retenus, soit 6%. Il n\u2019y a pas eu de budget sp\u00e9cial pour cette op\u00e9ration, la plupart des pays ayant une faible inflation et des budgets d\u00e9j\u00e0 tendus. A posteriori, cela n\u2019a pas \u00e9t\u00e9 n\u00e9cessaire, vu le faible nombre concern\u00e9. La d\u00e9cision d\u2019augmentation annuelle se fait de fa\u00e7on tr\u00e8s classique \u00e0 l\u2019aide d\u2019une matrice croisant la position march\u00e9 et la performance, selon le budget du pays. Cette matrice indique des pourcentages d\u2019augmentation\u00a0<em>up to<\/em> \u00e0 ne pas d\u00e9passer. Latitude a \u00e9t\u00e9 donn\u00e9e pour d\u00e9passer ces pourcentages si n\u00e9cessaire pour les 165 femmes list\u00e9es, ce qui a \u00e9t\u00e9 le cas pour 71 d\u2019entre elles, soit 43%. Ces quelques pourcentages suppl\u00e9mentaires vont permettre de converger entre salaires masculins et f\u00e9minins dans les groupes identifi\u00e9s.<\/p>\n<h3><strong>Axes de progr\u00e8s<\/strong><\/h3>\n<p>Il reste toutefois des axes de progr\u00e8s\u00a0: volontairement, pour la premi\u00e8re ann\u00e9e, aucune directive n\u2019avait \u00e9t\u00e9 donn\u00e9e sur la fa\u00e7on d\u2019analyser et traiter ces groupes de femmes\u00a0: le r\u00e9sultat a \u00e9t\u00e9 assez h\u00e9t\u00e9rog\u00e8ne, tant par entit\u00e9 que par pays, certains d\u00e9cidant de donner syst\u00e9matiquement un coup de pouce, d\u2019autres consid\u00e9rant que leur pratique salariale \u00e9tait \u00e9quitable et ne justifiait aucune mesure suppl\u00e9mentaire. Le salaire th\u00e9orique calcul\u00e9 selon le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 (cf page 3) est bas\u00e9 uniquement sur les donn\u00e9es qui ont \u00e9t\u00e9 fournies, donc des crit\u00e8res internes explicatifs de la r\u00e9mun\u00e9ration. Faurecia utilise depuis plusieurs ann\u00e9es le positionnement individuel par rapport au salaire de r\u00e9f\u00e9rence (bas\u00e9 sur des donn\u00e9es internes et des r\u00e9f\u00e9rences march\u00e9 externes). L\u2019articulation entre ces deux informations n\u2019est pas \u00e9vidente, car les r\u00e9sultats sont parfois divergents. La prise en compte du positionnement individuel par rapport au salaire de r\u00e9f\u00e9rence est maintenant bien ancr\u00e9e dans ces pays, une personne \u00e9tant consid\u00e9r\u00e9e au march\u00e9 entre 80% et 120%\u00a0: autant donner un coup de pouce \u00e0 une femme en dessous de son march\u00e9 ou entre 80% et 100% est facilement accept\u00e9, autant cela devient plus difficile \u00e0 d\u00e9fendre lorsqu\u2019elle affiche un positionnement individuel de 115% par exemple. L\u2019analyse reste encore \u00e0 affiner, la comparaison des salaires moyens entre groupes \u00e9tant assez \u00ab\u00a0grossi\u00e8re\u00a0\u00bb. Pourquoi augmenter plus une femme \u00e0 105% sans s\u2019occuper d\u2019un homme du m\u00eame groupe \u00e0 81%\u00a0? On sent la n\u00e9cessit\u00e9 d\u2019un mode d\u2019emploi prenant en compte les positionnements individuels. De plus une diff\u00e9rence de salaire moyen entre hommes et femmes dans un pays peut recouvrir des situations tr\u00e8s variables d\u2019une entit\u00e9 \u00e0 l\u2019autre dans le m\u00eame pays. Mais au-del\u00e0 des r\u00e9sultats chiffr\u00e9s, l\u2019exercice a eu l\u2019int\u00e9r\u00eat de mettre en avant la n\u00e9cessit\u00e9 d\u2019actions sp\u00e9cifiques pour l\u2019\u00e9quit\u00e9 salariale, et d\u2019aider \u00e0 la prise de conscience des acteurs, ce qui est extr\u00eamement positif.<\/p>\n<hr \/>\n<p><em><a href=\"#_ftnref1\" name=\"_ftn1\">[1]<\/a>\u00a0L\u2019article L2242-5 du Code du Travail impose aux entreprises de plus de 50 salari\u00e9s d\u2019engager chaque ann\u00e9e une n\u00e9gociation sur les objectifs d\u2019\u00e9galit\u00e9 professionnelle entre les femmes et les hommes.<\/em><\/p>\n<p><em><a href=\"#_ftnref2\" name=\"_ftn2\">[2] <\/a>Les \u00e9tudes produites dans la presse font habituellement \u00e9tat d\u2019\u00e9carts femmes\/hommes de plus de 20% et comparent des cas qui ne sont pas n\u00e9cessairement repr\u00e9sentatifs des situations rencontr\u00e9es dans les entreprises \u00e9tudi\u00e9es.<\/em><\/p>\n<p><em><a href=\"#_ftnref3\" name=\"_ftn3\">[3] <\/a>Nelder J.A. &amp; Wedderburn R.W.M. Generalized linear models. Journal of the Royal Statistical Society A 135:370-384\u00a0; 1972.<\/em><\/p>\n<p><em><a href=\"#_ftnref4\" name=\"_ftn4\">[4] <\/a>Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification And Regression Trees. CRC Press; 1984. Breiman L. Random forests. Machine Learning 2001, 45:5\u201332.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Regards crois\u00e9s Compensations&amp;Benefits et actuaire Une d\u00e9marche \u00ab\u00a0gender diversity\u00a0\u00bb a \u00e9t\u00e9 initi\u00e9e chez Faurecia, \u00e9quipementier automobile de 100\u00a0000 salari\u00e9s dans 35 pays. Cette d\u00e9marche est d\u00e9clin\u00e9e sur l\u2019ensemble des fonctions, et en particulier la r\u00e9mun\u00e9ration, pour rep\u00e9rer s\u2019il y a ou non des \u00e9carts de salaire expliqu\u00e9s par le genre. Faurecia a d\u00e9cid\u00e9 de faire [&hellip;]<\/p>\n","protected":false},"author":68,"featured_media":2189,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"off","_et_pb_old_content":"<h4 style=\"text-align: center;\"><em>Regards crois\u00e9s Compensations&Benefits et actuaire<\/em><\/h4>\r\n<em>Une d\u00e9marche \u00ab\u00a0gender diversity\u00a0\u00bb a \u00e9t\u00e9 initi\u00e9e chez Faurecia, \u00e9quipementier automobile de 100\u00a0000 salari\u00e9s dans 35 pays. Cette d\u00e9marche est d\u00e9clin\u00e9e sur l\u2019ensemble des fonctions, et en particulier la r\u00e9mun\u00e9ration, pour rep\u00e9rer s\u2019il y a ou non des \u00e9carts de salaire expliqu\u00e9s par le genre. <\/em>\r\n\r\n<em>Faurecia a d\u00e9cid\u00e9 de faire appel \u00e0 Galea, cabinet d\u2019actuaires, qui propose des analyses permettant de d\u00e9passer les \u00e9tudes classiques qui n\u2019identifient pas toujours un \u00ab signal faible \u00bb comme la variable genre.<\/em>\r\n\r\n<em>Cet article pr\u00e9sente en premier lieu les analyses d\u2019un point de vue th\u00e9orique, puis l\u2019utilisation pratique qu\u2019en a faite Faurecia.<\/em>\r\n\r\nL\u2019analyse pr\u00e9dictive, utilis\u00e9e depuis plusieurs ann\u00e9es en actuariat et en assurance, apporte une aide int\u00e9ressante aux professionnels des Ressources Humaines, plus sp\u00e9cifiquement dans les domaines suivants :\r\n<ul>\r\n \t<li>la gestion des risques\u00a0RH : absent\u00e9isme, maladie, stress.<\/li>\r\n \t<li>la gestion des personnes\u00a0: \u00e9volution des salaires, promotions, recrutements, d\u00e9parts.<\/li>\r\n \t<li>l'optimisation des dispositifs internes\u00a0: compte-\u00e9pargne temps, choix en mati\u00e8re d\u2019\u00e9pargne salariale et de retraite, couvertures sant\u00e9 et pr\u00e9voyance.<\/li>\r\n \t<li>la r\u00e9ponse aux demandes r\u00e9glementaires\u00a0: qualit\u00e9 de vie au travail, \u00e9galit\u00e9 femmes\/hommes.<\/li>\r\n<\/ul>\r\nEn mati\u00e8re d\u2019\u00e9galit\u00e9 femmes\/hommes<a href=\"#_ftn1\" name=\"_ftnref1\">[1]<\/a>, l\u2019analyse pr\u00e9dictive constitue un outil d\u2019aide \u00e0 la d\u00e9cision pour\u00a0:\r\n<ul>\r\n \t<li>identifier si l\u2019entreprise a actuellement une probl\u00e9matique d\u2019\u00e9galit\u00e9 femmes\/hommes \u00e0 traiter,<\/li>\r\n \t<li>mesurer les \u00e9carts existant effectivement au sein de l\u2019entreprise<a href=\"#_ftn2\" name=\"_ftnref2\">[2]<\/a>,<\/li>\r\n \t<li>arr\u00eater une premi\u00e8re liste de femmes potentiellement concern\u00e9es,<\/li>\r\n \t<li>aider le responsable RH \u00e0 d\u00e9finir un plan d\u2019actions pour corriger les \u00e9ventuelles in\u00e9galit\u00e9s,<\/li>\r\n \t<li>permettre un suivi r\u00e9gulier de l\u2019efficacit\u00e9 des actions engag\u00e9es par la mise en place d\u2019indicateurs adapt\u00e9s.<\/li>\r\n<\/ul>\r\nLes travaux men\u00e9s en collaboration avec les \u00e9quipes RH privil\u00e9gient habituellement une approche pragmatique\u00a0dans :\r\n<ul>\r\n \t<li>la s\u00e9lection des donn\u00e9es \u00e0 prendre en compte pour l\u2019analyse, compte tenu de la culture et du contexte de l\u2019entreprise et des donn\u00e9es disponibles,<\/li>\r\n \t<li>la recherche de la mod\u00e9lisation la plus adapt\u00e9e,<\/li>\r\n \t<li>la mise en place de la d\u00e9marche,<\/li>\r\n \t<li>son appropriation par les \u00e9quipes op\u00e9rationnelles et les dirigeants.<\/li>\r\n<\/ul>\r\n<h3><strong>En premier lieu, la formulation pr\u00e9cise de la question \u00e0 laquelle r\u00e9pondre<\/strong><\/h3>\r\nEn mati\u00e8re d\u2019\u00e9galit\u00e9 femmes\/hommes au sein de l\u2019entreprise, la question principale est simple \u00e0 formuler : des diff\u00e9rences de r\u00e9mun\u00e9rations entre femmes et hommes peuvent-elles exister \u00ab\u00a0toutes choses \u00e9gales par ailleurs\u00a0\u00bb\u00a0?\r\n\r\nDes \u00e9tudes Insee r\u00e9v\u00e8lent souvent des \u00e9carts moyens importants entre les femmes et les hommes au niveau national, qui recouvrent des situations diverses\u00a0avec des \u00e9carts li\u00e9s au genre, mais aussi \u00e0 l\u2019\u00e2ge, \u00e0 l\u2019anciennet\u00e9, au niveau de responsabilit\u00e9s, au temps travaill\u00e9, etc. L\u2019entreprise doit \u00eatre en mesure d\u2019identifier les \u00e9carts dus au genre.\r\n<h3><strong>L\u2019identification et la qualification des donn\u00e9es utiles<\/strong><\/h3>\r\nL\u2019utilisation des mod\u00e8les pr\u00e9dictifs n\u00e9cessite celle de donn\u00e9es globales et individuelles, en conformit\u00e9 avec les l\u00e9gislations et r\u00e9glementations concern\u00e9es. \u00a0Des \u00e9changes sp\u00e9cifiques sur ce point interviennent en g\u00e9n\u00e9ral avec le responsable RH lors de la s\u00e9lection des donn\u00e9es.\r\n\r\nDans la pratique, plus les donn\u00e9es individuelles collect\u00e9es dans le syst\u00e8me d\u2019informations (SIRH) sont nombreuses, plus il est possible de mener des analyses fines. La mise en \u0153uvre de la D\u00e9claration Sociale Nominative (DSN) devrait faciliter les travaux. Outre les donn\u00e9es habituelles (identifiant, date de naissance, date d\u2019entr\u00e9e dans l\u2019entreprise ou le groupe, genre, CSP, m\u00e9tier exerc\u00e9\/fonction, type de contrat, temps travaill\u00e9, \u00e9chelon\/cat\u00e9gorie, site), des donn\u00e9es compl\u00e9mentaires sont utiles suivant la nature des travaux RH \u00e0 effectuer (<em>job grading<\/em>, formations suivies, situation familiale, nombre d\u2019enfants \u00e0 charge, p\u00e9riodes et motifs d\u2019absences, etc). L\u2019absence de certaines donn\u00e9es ou le manque de fiabilit\u00e9 n\u00e9cessite d\u2019effectuer des choix avec le responsable RH, tels que la non prise en compte de certaines variables dans l\u2019attente de l\u2019am\u00e9lioration du syst\u00e8me d\u2019informations. Cette \u00e9tape d\u2019arbitrage entre volume et qualit\u00e9 de la donn\u00e9e constitue un travail assez classique pour les actuaires.\r\n\r\nLe recours \u00e0 des donn\u00e9es externes \u00e0 l\u2019entreprise (<em>open data<\/em>) ne constitue pas une priorit\u00e9 pour les premiers travaux RH qui privil\u00e9gient une approche <em>smart data<\/em>.\r\n\r\nDans le cas des travaux sur l\u2019\u00e9galit\u00e9 femmes\/hommes, le syst\u00e8me d\u2019informations de l\u2019entreprise permet d\u2019extraire rapidement plusieurs donn\u00e9es a priori utiles \u00e0 l\u2019\u00e9tude et de s\u2019assurer de leur qualit\u00e9 : salaire (fixe et variable), grade, \u00e2ge, anciennet\u00e9 dans la soci\u00e9t\u00e9, anciennet\u00e9 dans le poste, famille du poste, r\u00e9gion, genre, etc. Des contr\u00f4les de coh\u00e9rence sont r\u00e9alis\u00e9s et certaines donn\u00e9es doivent \u00eatre \u00e9limin\u00e9es comme le temps partiel et la formation. Des regroupements, par tranches d\u2019\u00e2ge par exemple, sont \u00e9galement r\u00e9alis\u00e9s pour compenser une \u00e9ventuelle insuffisance de donn\u00e9es. Tout au long de ces travaux, des discussions doivent intervenir avec le <em>Comp&Ben<\/em> pour comprendre le contexte et s\u2019assurer de la prise en compte de l\u2019ensemble des variables pertinentes et disponibles.\r\n<h3><strong>Le traitement statistique pr\u00e9alable<\/strong><\/h3>\r\nDes statistiques descriptives classiques dans les travaux RH sont \u00e9tablies pour les diff\u00e9rentes variables disponibles, pour identifier celles qui a priori joueront un r\u00f4le important dans l\u2019explication des \u00e9carts de r\u00e9mun\u00e9ration. La comparaison de l\u2019\u00e9volution des salaires pour les salari\u00e9s \u00ab\u00a0pr\u00e9sents-pr\u00e9sents\u00a0\u00bb (c\u2019est-\u00e0-dire restreinte \u00e0 ceux qui sont l\u00e0 deux ann\u00e9es de suite, ce qui permet de calculer l\u2019\u00e9volution), sur les salaires \u00e0 l\u2019embauche et diverses repr\u00e9sentations graphiques, notamment sous forme de nuages de points, fournissent une premi\u00e8re vision de la situation et permettent d\u2019identifier si la probl\u00e9matique existe.\r\n\r\nDans de nombreux travaux sur l\u2019\u00e9galit\u00e9 femmes\/hommes, ces statistiques illustrent un \u00ab\u00a0plafond de verre\u00a0\u00bb, c\u2019est-\u00e0-dire un niveau de salaire et\/ou de responsabilit\u00e9 que les femmes ne d\u00e9passent que difficilement. Les statistiques peuvent aussi indiquer des augmentations de salaires r\u00e9centes plus \u00e9lev\u00e9es pour les femmes, signe d\u2019une prise de conscience d\u2019\u00e9carts dans les r\u00e9mun\u00e9rations et d\u2019une volont\u00e9 de les r\u00e9duire. Les techniques issues de l\u2019analyse pr\u00e9dictive permettront alors de porter un avis objectif sur les strat\u00e9gies de r\u00e9duction en vigueur.\r\n<h3><strong>Le choix de la d\u00e9marche et des mod\u00e8les pour \u00e9tablir un bon diagnostic, puis l\u2019\u00e9valuation de leur efficacit\u00e9<\/strong><\/h3>\r\nDeux analyses sont propos\u00e9es\u00a0dans le cadre de l\u2019\u00e9galit\u00e9 femmes\/hommes, pour d\u00e9passer les \u00e9tudes classiques qui n\u2019identifient pas toujours un \u00ab\u00a0signal faible\u00a0\u00bb comme la variable genre\u00a0:\r\n<ul>\r\n \t<li>La premi\u00e8re cherche \u00e0 savoir si le genre est un crit\u00e8re a priori explicatif du niveau des r\u00e9mun\u00e9rations dans l\u2019entreprise (salaire de base d\u2019une part, salaire de base et bonus cible d\u2019autre part).<\/li>\r\n<\/ul>\r\nUn mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9<a href=\"#_ftn3\" name=\"_ftnref3\">[3]<\/a> a \u00e9t\u00e9 d\u00e9velopp\u00e9 pour mod\u00e9liser le salaire th\u00e9orique en fonction des donn\u00e9es disponibles. Dans plusieurs cas de figure, le genre est une variable retenue dans le mod\u00e8le, ce qui laisse pr\u00e9sager d\u2019un \u00e9cart g\u00e9n\u00e9ral de salaire entre les femmes et les hommes. Le genre ne ressort naturellement pas dans les premi\u00e8res variables ayant un tr\u00e8s fort niveau explicatif, le grade du salari\u00e9 \u00e9tant en g\u00e9n\u00e9ral la variable la plus d\u00e9cisive. Cette mod\u00e9lisation du salaire trouve une application g\u00e9n\u00e9rale plus large au sein de l\u2019entreprise, puisqu\u2019elle peut fournir un barom\u00e8tre interne sur les salaires, compl\u00e9ment utile aux \u00e9tudes de march\u00e9 externes.\r\n<ul>\r\n \t<li>La seconde analyse cherche \u00e0 identifier une liste de femmes qui seraient en \u00e9cart de salaire compte-tenu de leur positionnement, de leur anciennet\u00e9, des pratiques de r\u00e9mun\u00e9ration en interne, etc. Un algorithme a \u00e9t\u00e9 mis en place pour expliquer la variable salaire \u00e0 partir de l\u2019ensemble des variables explicatives disponibles dans le SIRH et rep\u00e9rer les relations entre ces variables et le salaire. Plusieurs m\u00e9thodes d\u2019apprentissage statistiques sont disponibles\u00a0: les arbres\/for\u00eats (al\u00e9atoires ou non), l\u2019algorithme esp\u00e9rance-maximisation (EM), les r\u00e9seaux de neurones, les <em>support vector machines<\/em>, etc.<\/li>\r\n<\/ul>\r\nL\u2019utilisation des mod\u00e8les pr\u00e9dictifs pour l\u2019\u00e9galit\u00e9 salariale femmes\/hommes n\u00e9cessite d\u2019avoir des r\u00e9sultats directement interpr\u00e9tables avec un volume de donn\u00e9es r\u00e9duit. Les travaux ont utilis\u00e9 en premi\u00e8re analyse le mod\u00e8le de CART<a href=\"#_ftn4\" name=\"_ftnref4\">[4]<\/a> qui consiste \u00e0 r\u00e9partir la population des salari\u00e9s, au travers de l\u2019\u00e9tude de leur r\u00e9mun\u00e9ration, en sous-populations homog\u00e8nes les plus distinctes possible. Cette s\u00e9paration est bas\u00e9e sur la \u00ab\u00a0maximisation de la variance intra-n\u0153ud\u00a0\u00bb d\u00e9finie par\u00a0:\r\n\r\n<img class=\"aligncenter wp-image-2183\" src=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/Equation-300x36.png\" width=\"600\" height=\"72\" \/>\r\n\r\navec N repr\u00e9sentant un n\u0153ud et \u00a0N0 et N1 repr\u00e9sentant deux n\u0153uds distincts.\r\n\r\nUne suite de tests sur les variables explicatives permet de construire un arbre en r\u00e9duisant l\u2019h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 au sein de chaque sous-population.\r\n\r\n[caption id=\"attachment_2185\" align=\"aligncenter\" width=\"1778\"]<img class=\"wp-image-2185 size-full\" src=\"http:\/\/variances.eu\/wp-content\/uploads\/2017\/04\/2.png\" width=\"1778\" height=\"805\" \/> Exemple d\u2019arbre avec identification de groupes femmes\/hommes[\/caption]\r\n\r\nLe mod\u00e8le de CART pr\u00e9sente deux avantages principaux\u00a0: un r\u00e9sultat facilement interpr\u00e9table et une bonne prise en compte sans a priori des interactions entre les variables. Elles sont sensibles aux donn\u00e9es utilis\u00e9es et le r\u00e9sultat pourra diff\u00e9rer en cas de variation des variables, ce qui n\u00e9cessite un suivi r\u00e9gulier. Le genre repr\u00e9sentant un signal faible dans l\u2019explication du salaire, il est parfois n\u00e9cessaire de descendre plusieurs n\u0153uds de l\u2019arbre pour faire appara\u00eetre le genre comme variable discriminante. Dans l\u2019ensemble des travaux, des tests sont r\u00e9alis\u00e9s, notamment la v\u00e9rification de la disparition du genre comme variable discriminante en cas de modifications des salaires en suivant les pr\u00e9conisations brutes du mod\u00e8le.\r\n<h3><strong>La pr\u00e9sentation des r\u00e9sultats et les conclusions op\u00e9rationnelles (plans d\u2019actions)<\/strong><\/h3>\r\nEn cas d\u2019in\u00e9galit\u00e9 femmes\/hommes, le mod\u00e8le identifie des groupes de personnes de m\u00eame genre pr\u00e9sentant globalement des \u00e9carts de salaire avec un groupe de genre oppos\u00e9 pr\u00e9sentant les m\u00eames caract\u00e9ristiques par ailleurs.\r\n\r\nL\u2019expertise du responsable RH et\/ou du <em>Comp&Ben<\/em> est alors n\u00e9cessaire pour\u00a0:\r\n<ul>\r\n \t<li>analyser et valider les r\u00e9sultats bruts du mod\u00e8le,<\/li>\r\n \t<li>prendre en compte des \u00e9l\u00e9ments non encore disponibles de mani\u00e8re fiable dans les donn\u00e9es, tels que par exemple la performance dans le poste, le parcours atypique d\u2019un salari\u00e9 ou encore le changement r\u00e9cent d\u2019entreprise,<\/li>\r\n \t<li>et au final, ajuster les r\u00e9sultats bruts pour affiner les groupes de personnes en \u00e9carts de salaires.<\/li>\r\n<\/ul>\r\nLes \u00e9changes entre les experts techniques (les actuaires dans notre cas) et les experts m\u00e9tiers (les ressources humaines) sont \u00e9galement indispensables pour contourner les limites habituelles li\u00e9es aux exercices de mod\u00e9lisation et bien appr\u00e9hender la culture de l\u2019entreprise. A ce stade, l\u2019implication de la fonction <em>Comp&Ben<\/em> est un facteur cl\u00e9 de succ\u00e8s de l\u2019\u00e9tude.\r\n\r\nA l\u2019issue des analyses, les \u00e9l\u00e9ments suivants sont disponibles\u00a0:\r\n<ul>\r\n \t<li>une liste de femmes (hommes) en \u00e9cart de salaire a priori d\u2019apr\u00e8s le mod\u00e8le, susceptibles de n\u00e9cessiter un ajustement,<\/li>\r\n \t<li>des indicateurs pour atteindre une \u00e9galit\u00e9 \u00e0 un horizon donn\u00e9,<\/li>\r\n \t<li>des m\u00e9thodes et indicateurs permettant d\u2019anticiper et de suivre l\u2019\u00e9volution d\u2019une ann\u00e9e sur l\u2019autre et de mesurer l\u2019efficacit\u00e9 des plans d\u2019action.<\/li>\r\n<\/ul>\r\n<h3><strong>La d\u00e9marche en pratique vue de l\u2019entreprise<\/strong><\/h3>\r\nCe qui a int\u00e9ress\u00e9 Faurecia dans la d\u00e9marche propos\u00e9e, c\u2019est d\u2019utiliser la m\u00eame m\u00e9thodologie dans tous les pays. Les conditions \u00e9taient relativement peu contraignantes, avoir au minimum 1000 cadres, ce qui est le cas pour Faurecia dans 6 pays. A posteriori, il fallait aussi au minimum 200 femmes pour que l\u2019analyse soit concluante. Les r\u00e9sultats de l\u2019Allemagne (1035 cadres dont 90 femmes) se sont r\u00e9v\u00e9l\u00e9s inutilisables, alors que ceux de la Pologne (898 cadres dont 256 femmes) \u00e9taient tout \u00e0 fait exploitables. La pr\u00e9sentation des r\u00e9sultats qui a \u00e9t\u00e9 faite \u00e0 chaque pays a \u00e9t\u00e9 l\u2019occasion de discussions enrichissantes.\r\n<h3><strong>R\u00e9gression multiple<\/strong><\/h3>\r\nLa diversit\u00e9 des r\u00e9sultats de la r\u00e9gression multiple est rassurante. Huit crit\u00e8res sont apparus, variables selon les pays, l\u2019ordre d\u2019apparition \u00e9tant aussi variable, certains pays en ayant quatre, d\u2019autres sept.\r\n\r\nUne constante a confort\u00e9 la politique mise en place depuis plusieurs ann\u00e9es maintenant. Dans tous les pays, le premier facteur explicatif de la r\u00e9mun\u00e9ration est le grade du poste, avec un poids aux alentours de 90%. Pour le Mexique, par exemple, au-del\u00e0 du grade, trois facteurs explicatifs apparaissent, la famille de m\u00e9tier, l\u2019\u00e2ge et la r\u00e9gion par ordre d\u00e9croissant. Cela a \u00e9t\u00e9 un argument pour modifier cette ann\u00e9e les bandes de salaires (minimum, r\u00e9f\u00e9rence et maximum de salaire par niveau) et prendre en compte la r\u00e9gion.\r\n\r\nLa premi\u00e8re alerte a \u00e9t\u00e9 que le genre apparait en facteur explicatif de la r\u00e9mun\u00e9ration dans trois pays, les USA, la Pologne et la France, ce qui ne devrait pas \u00eatre le cas, m\u00eame faiblement. L\u2019analyse plus d\u00e9taill\u00e9e par le mod\u00e8le CART s\u2019av\u00e8re n\u00e9cessaire.\r\n<h3><strong>Analyse Cart et pr\u00e9cautions d\u2019usage<\/strong><\/h3>\r\nDes groupes de femmes ont \u00e9t\u00e9 identifi\u00e9s dans les trois pays o\u00f9 le genre apparait comme facteur de la r\u00e9mun\u00e9ration, mais aussi en Chine. Il a fallu toutefois pas mal de p\u00e9dagogie pour utiliser correctement cette information sur les groupes de femmes.\r\n\r\nPremier message, ces groupes sont issus d\u2019une analyse statistique, et il est tout \u00e0 fait possible d\u2019avoir des cas isol\u00e9s en dehors de ces groupes identifi\u00e9s.\r\n\r\nDeuxi\u00e8me message, lorsque le mod\u00e8le CART identifie un groupe de femmes dont le salaire moyen est inf\u00e9rieur \u00e0 celui du groupe d\u2019hommes ayant les m\u00eames caract\u00e9ristiques, cela ne signifie pas qu\u2019il faille augmenter automatiquement toutes les femmes du pourcentage de diff\u00e9rence entre les salaires moyens (de 10% \u00e0 36% selon les pays et les groupes). Le salaire moyen recouvre une dispersion de situations individuelles. Pour ne pas brouiller le message, nous avons d\u00e9cid\u00e9 de retirer de ces listes les femmes dont le salaire est sup\u00e9rieur au salaire moyen des hommes \u00e9quivalents (67 retir\u00e9es sur un total de 278).\r\n\r\nSur les listes restantes, il y a une s\u00e9rie de questions \u00e0 se poser\u00a0: tout d\u2019abord, les donn\u00e9es individuelles sont-elles exactes, en particulier le niveau de poste et le salaire, prise en compte de temps partiel\u2026\u00a0? Existe-t-il dans l\u2019historique ou le profil de la personne des explications comme une prise de poste r\u00e9cente, une performance durablement insuffisante\u2026 enfin, lorsque l\u2019\u00e9cart est confirm\u00e9, quel plan d\u2019action\u00a0pour le rattrapage, \u00e9talement sur plus d\u2019un an\u2026\u00a0?\r\n<h3><strong>Mise en \u0153uvre en 2017<\/strong><\/h3>\r\nPour que les d\u00e9cisions soient suivies d\u2019effet, le choix a \u00e9t\u00e9 fait de coupler cette analyse avec la r\u00e9vision annuelle de salaire de 2017, en demandant \u00e0 chaque entit\u00e9 pr\u00e9sentant ses propositions de lister les femmes concern\u00e9es avec pour chacune le plan d\u2019action ou la raison pour laquelle aucune action particuli\u00e8re n\u2019est envisag\u00e9e.\r\n\r\nIl restait donc 211 femmes \u00e0 examiner, avec une r\u00e9partition par pays tr\u00e8s in\u00e9gale. 138 femmes aux USA, presque 30% des femmes, mais la diff\u00e9rence de salaire moyen avec les hommes est relativement faible, autour de 10%. En Pologne pr\u00e8s de 10% des femmes et 5% en France sont \u00e0 \u00e9tudier. En Chine, elles ne sont que 2% des femmes, mais les diff\u00e9rences de salaire moyen sont au-del\u00e0 de 20%.\r\n\r\nApr\u00e8s analyse, 42 femmes ont \u00e9t\u00e9 retir\u00e9es\u00a0: grade erron\u00e9, d\u00e9part de la soci\u00e9t\u00e9, temps partiel non pris en compte, performance durablement insuffisante \u2026\r\n\r\nPar ailleurs, 4 femmes ayant \u00e9t\u00e9 promues ont vu leur salaire augmenter sensiblement.\r\n\r\nAu final, ce sont 165 femmes qui ont \u00e9t\u00e9 examin\u00e9es sur un total de 2540 femmes dans les 5 pays finalement retenus, soit 6%.\r\n\r\nIl n\u2019y a pas eu de budget sp\u00e9cial pour cette op\u00e9ration, la plupart des pays ayant une faible inflation et des budgets d\u00e9j\u00e0 tendus. A posteriori, cela n\u2019a pas \u00e9t\u00e9 n\u00e9cessaire, vu le faible nombre concern\u00e9. La d\u00e9cision d\u2019augmentation annuelle se fait de fa\u00e7on tr\u00e8s classique \u00e0 l\u2019aide d\u2019une matrice croisant la position march\u00e9 et la performance, selon le budget du pays. Cette matrice indique des pourcentages d\u2019augmentation\u00a0<em>up to<\/em> \u00e0 ne pas d\u00e9passer. Latitude a \u00e9t\u00e9 donn\u00e9e pour d\u00e9passer ces pourcentages si n\u00e9cessaire pour les 165 femmes list\u00e9es, ce qui a \u00e9t\u00e9 le cas pour 71 d\u2019entre elles, soit 43%. Ces quelques pourcentages suppl\u00e9mentaires vont permettre de converger entre salaires masculins et f\u00e9minins dans les groupes identifi\u00e9s.\r\n<h3><strong>Axes de progr\u00e8s<\/strong><\/h3>\r\nIl reste toutefois des axes de progr\u00e8s\u00a0: volontairement, pour la premi\u00e8re ann\u00e9e, aucune directive n\u2019avait \u00e9t\u00e9 donn\u00e9e sur la fa\u00e7on d\u2019analyser et traiter ces groupes de femmes\u00a0: le r\u00e9sultat a \u00e9t\u00e9 assez h\u00e9t\u00e9rog\u00e8ne, tant par entit\u00e9 que par pays, certains d\u00e9cidant de donner syst\u00e9matiquement un coup de pouce, d\u2019autres consid\u00e9rant que leur pratique salariale \u00e9tait \u00e9quitable et ne justifiait aucune mesure suppl\u00e9mentaire.\r\n\r\nLe salaire th\u00e9orique calcul\u00e9 selon le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9 (cf page 3) est bas\u00e9 uniquement sur les donn\u00e9es qui ont \u00e9t\u00e9 fournies, donc des crit\u00e8res internes explicatifs de la r\u00e9mun\u00e9ration. Faurecia utilise depuis plusieurs ann\u00e9es le positionnement individuel par rapport au salaire de r\u00e9f\u00e9rence (bas\u00e9 sur des donn\u00e9es internes et des r\u00e9f\u00e9rences march\u00e9 externes). L\u2019articulation entre ces deux informations n\u2019est pas \u00e9vidente, car les r\u00e9sultats sont parfois divergents.\r\n\r\nLa prise en compte du positionnement individuel par rapport au salaire de r\u00e9f\u00e9rence est maintenant bien ancr\u00e9e dans ces pays, une personne \u00e9tant consid\u00e9r\u00e9e au march\u00e9 entre 80% et 120%\u00a0: autant donner un coup de pouce \u00e0 une femme en dessous de son march\u00e9 ou entre 80% et 100% est facilement accept\u00e9, autant cela devient plus difficile \u00e0 d\u00e9fendre lorsqu\u2019elle affiche un positionnement individuel de 115% par exemple.\r\n\r\nL\u2019analyse reste encore \u00e0 affiner, la comparaison des salaires moyens entre groupes \u00e9tant assez \u00ab\u00a0grossi\u00e8re\u00a0\u00bb. Pourquoi augmenter plus une femme \u00e0 105% sans s\u2019occuper d\u2019un homme du m\u00eame groupe \u00e0 81%\u00a0? On sent la n\u00e9cessit\u00e9 d\u2019un mode d\u2019emploi prenant en compte les positionnements individuels. De plus une diff\u00e9rence de salaire moyen entre hommes et femmes dans un pays peut recouvrir des situations tr\u00e8s variables d\u2019une entit\u00e9 \u00e0 l\u2019autre dans le m\u00eame pays.\r\n\r\nMais au-del\u00e0 des r\u00e9sultats chiffr\u00e9s, l\u2019exercice a eu l\u2019int\u00e9r\u00eat de mettre en avant la n\u00e9cessit\u00e9 d\u2019actions sp\u00e9cifiques pour l\u2019\u00e9quit\u00e9 salariale, et d\u2019aider \u00e0 la prise de conscience des acteurs, ce qui est extr\u00eamement positif.\r\n\r\n<hr \/>\r\n\r\n<em><a href=\"#_ftnref1\" name=\"_ftn1\">[1]<\/a>\u00a0L\u2019article L2242-5 du Code du Travail impose aux entreprises de plus de 50 salari\u00e9s d\u2019engager chaque ann\u00e9e une n\u00e9gociation sur les objectifs d\u2019\u00e9galit\u00e9 professionnelle entre les femmes et les hommes.<\/em>\r\n\r\n<em><a href=\"#_ftnref2\" name=\"_ftn2\">[2] <\/a>Les \u00e9tudes produites dans la presse font habituellement \u00e9tat d\u2019\u00e9carts femmes\/hommes de plus de 20% et comparent des cas qui ne sont pas n\u00e9cessairement repr\u00e9sentatifs des situations rencontr\u00e9es dans les entreprises \u00e9tudi\u00e9es.<\/em>\r\n\r\n<em><a href=\"#_ftnref3\" name=\"_ftn3\">[3] <\/a>Nelder J.A. & Wedderburn R.W.M. Generalized linear models. Journal of the Royal Statistical Society A 135:370-384\u00a0; 1972.<\/em>\r\n\r\n<em><a href=\"#_ftnref4\" name=\"_ftn4\">[4] <\/a>Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification And Regression Trees. CRC Press; 1984. Breiman L. Random forests. Machine Learning 2001, 45:5\u201332.<\/em>","_et_gb_content_width":"","_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[136,133],"tags":[],"class_list":["post-2182","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ressources-humaines-nos-dossiers","category-themes","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/2182","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/users\/68"}],"replies":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=2182"}],"version-history":[{"count":0,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/2182\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/media\/2189"}],"wp:attachment":[{"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=2182"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=2182"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=2182"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}