Comprendre et analyser le modèle de rémunération

Ceci est un message de note/information. Cet article suppose que vous avez examiné vos données dans la page Vue d’ensemble des employés et que le système a affiché l’écart de rémunération non ajusté correspondant à votre ensemble de données, et que vous avez créé votre modèle de rémunération et effectué votre première analyse d’équité salariale. Sinon, référez-vous respectivement à Examen de vos données et Création d’un modèle de rémunération.

La section des résultats dans la page Analyse d’équité salariale a maintenant été mise à jour avec des données permettant la mesure de l’écart de rémunération ajusté. Les écarts de rémunération non ajustés et ajustés sont présentés, indiquant quel groupe démographique est le moins payé.

Vous pouvez désormais explorer comment votre modèle de rémunération explique les différences de rémunération et arriver à votre écart de rémunération ajusté, dans l’onglet Résultat du modèle de rémunération. Suivez les étapes ci-dessous pour arriver à votre écart de rémunération ajusté :

1. Interpréter la valeur explicative de votre modèle
2. Vérifier la santé de votre modèle de rémunération
3. Comprendre l’impact de chaque catégorie de facteur de rémunération sur la rémunération
4. Informations complémentaires sur le modèle de rémunération

Interprétation de la valeur explicative de votre modèle

En fonction des paramètres d’analyse que vous avez fournis, le système a créé une estimation de votre modèle de rémunération et de votre structure salariale. Le système effectuera maintenant une analyse de régression jusqu’à trouver la relation la plus précise entre chaque facteur contributif (variable) et la rémunération réelle de vos employés.

Parce qu’il s’agit d’un modèle, il ne sera jamais précis à 100 %, mais il peut tout de même expliquer les données de manière efficace, que ce soit de façon compétente ou déficiente. Plus votre modèle de rémunération est proche de prédire vos variations salariales réelles, plus il est sain et utile. En ajoutant simplement un grand nombre de variables, vous pouvez atteindre un niveau élevé d’explication ; cependant, vous devez également vous assurer que les variables contribuent de manière significative.

Lorsque vous ouvrez l’onglet Résultats du modèle de rémunération du système, vous disposez d’informations sur la valeur explicative de votre modèle sur le côté gauche de l’aperçu des facteurs de rémunération, comme illustré dans la figure suivante :

Onglet Résultats du modèle de rémunération

Le score affiché en haut à gauche (R-carré) représente la mesure dans laquelle votre modèle global explique la variabilité de la rémunération dans votre ensemble de données. Le score est sur une échelle de 0 à 100 %, où l’objectif est d’obtenir une valeur explicative élevée (plus de 85 %).

La liste des facteurs de rémunération, affichée sous votre score, illustre votre structure de rémunération (basée sur les variables que vous avez sélectionnées lors de l’exécution de votre modèle d’équité salariale) et la valeur explicative individuelle de chaque facteur de rémunération dans le modèle global. La rémunération est décomposée en ses principaux facteurs pour voir dans quelle mesure chacun contribue à l’ensemble. Pour le calcul de l’explication individuelle des facteurs, le système prend en compte la fréquence de chaque facteur parmi les employés ainsi que l’importance relative de chaque facteur.

Par exemple, si le rôle professionnel et le niveau d’éducation sont les deux principaux facteurs, et que vous constatez que le rôle professionnel explique davantage les différences salariales que l’éducation, vous pouvez dire que le rôle professionnel joue un rôle plus important dans la structure salariale globale. Vous pouvez également regarder dans quelle mesure votre modèle explique globalement les différences de rémunération (le R-carré), ce qui vous aide à affiner exactement la contribution de chaque facteur.

Chaque facteur de rémunération (ou variable) est catégorisé en fonction de son explication individuelle de la structure salariale globale selon les principes suivants :

• Principal : une variable qui explique plus de 30 %
• Central : une variable qui explique entre 15 % et 30 %
• Fort : une variable qui explique entre 5 % et 15 %
• Modéré : une variable qui explique entre 1 % et 5 %
• Marginal : une variable qui explique moins de 1 %.

Ceci est un message de note/information. Votre variable démographique sélectionnée est également incluse dans vos facteurs de rémunération. Dans un monde idéal sans écarts de rémunération, votre variable démographique ne contribuerait pas du tout (ou seulement marginalement) à expliquer les différences de rémunération. Cependant, en pratique, vous pouvez constater que votre variable démographique (par exemple, le genre) a une contribution modérée voire forte à votre structure salariale.

Vérifier la santé de votre modèle de rémunération

Ceci est un message conseil. Dans une analyse de régression, deux indicateurs clés de la santé du modèle existent : la puissance explicative R² (de 0 à 100 %) de votre modèle – une manière technique d’exprimer la part de variation des salaires que votre modèle est capable d’expliquer et donc la santé de votre modèle. En règle générale, on vise une valeur de 85 % ou plus. La signification (de 0 à 4 points, 4 étant le meilleur) basée sur la valeur p (de 0 à 1, où 0 est le meilleur) de chacune de vos variables – une manière technique d’exprimer à quel point chaque variable est significative pour expliquer les variations salariales. Elle représente la probabilité que la variation salariale soit due au hasard pur par opposition à être expliquée par la variable. En règle générale, on vise une valeur de 0,001 ou moins.

Si votre modèle a une puissance explicative élevée (R² > 85 %) avec des variables très significatives (la majorité des valeurs p < 0,001), vous pouvez poursuivre l’examen de l’impact des variables et de vos écarts de rémunération.

Si la santé de votre modèle n’est pas encore à ce niveau, vous pourriez envisager de remplacer les facteurs de rémunération dans la catégorie « marginal » par d’autres facteurs de rémunération pour améliorer votre modèle, surtout si la valeur explicative de votre modèle (R-carré) est inférieure au seuil suggéré de 85 %.

Nous recommandons également de revenir exécuter une nouvelle analyse d’équité salariale en suivant les étapes décrites dans l’article Création d’un modèle de rémunération. Cette fois, sélectionnez différentes variables ; supprimez celles qui n’étaient pas significatives, pour voir comment cela améliore votre modèle de rémunération.

Comprendre l’impact de chaque catégorie de facteur de rémunération sur la rémunération

Cliquer sur chaque catégorie de facteur de rémunération dans la section de gauche ouvre un panneau central qui affiche l’impact sur la rémunération de chaque catégorie au sein du facteur de rémunération sélectionné (ou variable), comme illustré dans la figure suivante :

Facteur de rémunération Pays

Pour les variables catégorielles, telles que Grade global, Pays ou Famille professionnelle, le graphique à barres présente l’impact estimé sur la rémunération et la façon dont il varie entre ces catégories lorsque toutes les variables ont été appliquées. Par exemple, si le modèle estime que la rémunération des employés du département RH est plus élevée que celle des employés en Finance, ces différences d’impact estimé sur la rémunération sont affichées pour chaque barre de département, en comparaison avec le département estimé comme ayant la rémunération la plus basse.

Ceci est un message conseil. Pour plus d’informations sur les variables catégorielles, référez-vous à FAQ - Premiers pas.

Vous pouvez interpréter le graphique situé en haut à droite de l’écran (par exemple, Pays) comme suit :

• La première catégorie en haut (exemple : Italie) est la « valeur de base », ce qui signifie qu’elle est en moyenne la catégorie la moins rémunérée au sein du facteur de rémunération.
• Les catégories en dessous sont présentées par ordre d’impact positif croissant sur la rémunération, selon votre modèle de rémunération (par exemple, « travailler au Danemark » conduit à l’impact positif le plus élevé sur la rémunération, comparé à la catégorie de base « Italie »). Cela signifie qu’un employé dans la deuxième catégorie (comme le Portugal) selon votre modèle de rémunération recevrait, en moyenne, une rémunération 9 % plus élevée comparée à la catégorie de base (Italie dans notre exemple), en supposant que tous les autres facteurs de rémunération sont égaux.
• Le tableau sous le graphique affiche pour chaque catégorie de facteur de rémunération :
  • Le nombre d’employés dans le groupe. Une règle générale serait d’avoir au moins 5 à 7 employés dans un groupe donné.
  • L’impact estimé sur la rémunération, qui correspond aux barres du graphique ci-dessus.
  • La signification de la catégorie du facteur de rémunération, sur une échelle de zéro à quatre points. Plus il y a de points colorés, plus la signification de la catégorie est élevée et plus elle apporte de valeur au modèle de rémunération.

Ceci est un message conseil. Cliquez sur votre variable démographique (par exemple, Genre) dans la liste des facteurs de rémunération à gauche pour voir son impact dans la section de droite. Vous pouvez remarquer que l’impact de la catégorie démographique est le même que votre écart salarial démographique. Cela est dû au fait que le modèle de régression utilise l’impact (coefficient) pour mesurer les écarts de rémunération.

Ceci est un message de note/information. Pour les variables numériques, telles que le nombre de subordonnés directs, le système calcule le changement moyen estimé en pourcentage de la rémunération pour un employé qui a un subordonné direct supplémentaire, ainsi que l’augmentation en pourcentage estimée pour l’employé ayant le plus grand nombre de subordonnés directs. Pour plus d’informations sur les variables numériques, voir FAQ - Premiers pas.

L’impact estimé sur la rémunération pour les variables numériques montre l’impact de chaque unité supplémentaire (année dans le poste ou subordonné direct supplémentaire, par exemple) sur le salaire. L’impact estimé pour la valeur la plus élevée montre l’augmentation attendue du salaire lorsqu’un employé passe de la valeur la plus basse observée pour cette variable à la plus élevée. En d’autres termes, cela montre l’impact maximal que chaque variable pourrait potentiellement avoir sur le salaire attendu.

La figure suivante illustre la page Facteurs de rémunération avec l’impact estimé de la variable Temps dans le poste :

Page des facteurs de rémunération

Informations complémentaires sur le modèle de rémunération

Valeur de base

La rémunération pour la valeur de base représente le salaire prédit pour un employé appartenant aux catégories les moins rémunérées pour toutes les variables de votre modèle de rémunération, y compris celles avec les plus faibles valeurs numériques. Essentiellement, c’est le salaire minimum théorique qu’un employé recevrait dans votre ensemble de données, selon votre modèle, comme montré dans l’illustration suivante :

Cette valeur de base, ainsi que « l’impact estimé sur la rémunération » des autres facteurs, constitue la base de tous les calculs de rémunération prédite.

Multicolinéarité

La multicolinéarité se produit lorsque les variables de votre ensemble de données sont fortement, voire parfaitement, corrélées. Dans ce cas, ces variables transmettent essentiellement la même information au modèle, ce qui rend difficile d’isoler leur impact individuel sur le résultat.

Considérez un exemple : si chaque employé dans un rôle professionnel spécifique possède le même niveau élevé d’éducation, et que personne d’autre dans l’organisation ne partage ce niveau d’éducation, il devient impossible pour le modèle de distinguer si les différences de salaire pour ce groupe sont dues à leur niveau d’éducation ou aux exigences inhérentes à leur poste.

Cette forte corrélation peut entraîner une instabilité du modèle, rendant nécessaire la suppression d’une des variables fortement corrélées de l’analyse de régression. Si vos données présentent des variables parfaitement corrélées, vous trouverez un tableau supplémentaire indiquant quelles variables ont été supprimées en raison de la multicolinéarité, comme illustré dans l’image suivante :

Après un premier examen de votre modèle de rémunération, vous pouvez identifier d’autres facteurs devant être intégrés à vos données. Ce processus itératif de raffinage est crucial pour développer un modèle de rémunération optimal adapté aux besoins de votre organisation. Pour une liste des facteurs couramment utilisés dans l’analyse d’équité salariale, veuillez consulter Facteurs couramment utilisés dans l’analyse d’équité salariale.

Bon à savoir

Bien que les résultats d’un modèle salarial soient techniques, ils offrent des informations précieuses sur les facteurs qui influencent la rémunération. Puisque ce modèle servira de base pour les augmentations salariales et d’autres fonctionnalités, il est crucial qu’il soit à la fois robuste et reflète avec précision les réalités opérationnelles et les valeurs de votre organisation.

En examinant le modèle, considérez ces questions :

• Les variables et leurs impacts ont-ils du sens ? Par exemple, les variables que vous attendez pour augmenter la rémunération montrent-elles un impact positif ?
• Les variables que vous anticipez comme pouvant diminuer les salaires ont-elles un impact négatif ? Gardez à l’esprit que l’impact estimé des variables catégorielles est toujours relatif à la catégorie de base listée dans le tableau.

Une fois votre modèle de rémunération finalisé et examiné, vous aurez également mesuré votre écart de rémunération ajusté initial. Pour comprendre ces écarts plus en détail, consultez Interprétation des écarts de rémunération.

L’étape logique suivante est souvent : « Comment pouvons-nous remédier à ces écarts ? » Pour répondre à cela, vous pouvez exécuter une Analyse de suggestion d’augmentation. Notre article, Obtenir des actions de remédiation suggérées, fournit des conseils sur la manière de procéder.