Тысячи лет люди пытались научиться предсказывать будущее, для того чтобы решить, как поступать в той или иной ситуации. В древности жрецы наблюдали за звёздами и погодой, в Средневековье — гадали по расположению планет и толкованию снов. А сегодня вместо мистики мы используем математику и данные, чтобы принимать более обоснованные решения.
Зачастую мы сталкиваемся с необходимостью понять: почему зарплата у разных сотрудников отличается и какие факторы реально влияют на уровень вознаграждения? Хорошо спроектированная СОТ упрощает объяснение различий в вознаграждении между сотрудниками.
⚡️Прозрачная система начислений помогает снизить издержки: для специалистов C&B — сократить объем ручной аналитики и споров с руководителями, а для сотрудников из других отделов — однозначно понимать структуру их дохода. Но что делать, если времени на создание или анализ СОТ нет, а даже частичного понимания факторов, влияющих на заработную плату или её компоненты, хочется уже сейчас? В таких случаях на помощь приходит регрессионный анализ.
🚩Что такое регрессия простыми словами?
Регрессия — это метод из статистики, который при помощи математического аппарата показывает, как одна переменная зависит от другой.
Линейная регрессия отвечает на вопрос: как изменение переменной X связано с изменением результата Y?
Например: «Если стаж сотрудника увеличивается* на год, то на сколько в среднем вырастет его зарплата?»
* — при неизменности значений других переменных регрессии.
❤️Графически линейную регрессию можно представить как линию, проведённую через облако точек: она показывает общую тенденцию, сглаживая шум данных. Функция, определяющая эту линию, представляет собой уравнение регрессии, складывающиеся из:
📍 «Базового» значения. Эта величина всего одна, и она не зависит от значения включенных в уравнение переменных. Фактически, её значение показывает сумму средств, которую получает человек, обладающий нулевыми значениями всех переменных из уравнения.
📍Выбранных переменных. Их может быть несколько. Это характеристики, которые мы считаем влияющими на результат, например, возраст или стаж. Каждая из них вносит свой вклад: модель подбирает коэффициенты, которые показывают, насколько сильно и в какую сторону эта характеристика влияет на искомое значение.
Модель линейной регрессии имеет множество применений:
1️⃣Проверка справедливости. Мы можем посмотреть, насколько образование, опыт или грейд влияют на оплату труда или уточнить наличие различий в уровне вознаграждения между мужчинами и женщинами, что поможет выявить элемент гендерного неравенства в компании.
2️⃣Выявление скрытых характеристик. Регрессия позволяет установить скрытые факторы, которые напрямую не измеряются, но влияют на уровень дохода. Например, влияние качества работы или лидерского потенциала даже при отсутствии измерения этих характеристик. Это даёт возможность использовать модель для прогнозирования тех характеристик сотрудников, которые сложно оценить напрямую.
3️⃣ Прогнозирование ФОТ. Обладая данными о размере зарплатного фонда в прошлом, уровнем инфляции и некоторыми другими переменными, возможно разработать сценарии развития событий и вычислить средние значения ФОТ в будущем.
Однако не стоит забывать, что этот метод обладает своими ограничениями:
⚫Для регрессии важно, какие данные вы используете: их точность напрямую связана с точностью прогноза.
⚫Нужно проверять качество построенной модели (R², значимость коэффициентов у переменных и др.), чтобы быть уверенными, что загруженных переменных достаточно и они оказывают статистически значимое влияние.
⚡️Регрессия — сильный инструмент для создания прогнозов. Но помните: с большой силой приходит большая ответственность.
Автор: Дмитрий Злобин, специалист практики "Вознаграждение и мотивация персонала"