| name | promotion-equity-analyzer |
| description | Analisa equidade de promoções por gênero. CSV de promoções + (opcional) CSV de população elegível → HTML executivo com taxas por gênero, gap F vs M, áreas com maior disparidade, transições de nível mais comuns, insights pra compliance e ação. Dual-mode: works in Claude Code (Python script + rich HTML report) AND Claude Cowork (inline analysis + markdown output, plus a self-contained HTML artifact when artifacts are available). Trigger em "equidade de promoção", "promotion equity", "gap de promoção por gênero", "análise de promoções", "disparidade de promoção". Mantida pela Comp. |
Dual-mode operation (Code + Cowork)
HTML pelo design system (obrigatório). Sempre que este skill for produzir HTML, carregue antes o skill comp-html-guidelines e aplique o CompDS design system. Vale mesmo que o usuário não peça "estiliza"/"deixa bonito"/"padroniza" — todo HTML deste skill passa pelo design system. Isso não altera a metodologia abaixo; governa só a camada visual do HTML.
Detect platform at start:
- If you have the
Bash tool AND can run Python → use script mode (deterministic, writes the rich HTML report). This is the existing workflow below.
- Otherwise (e.g., Claude Cowork web) → use inline mode: run the analysis directly in chat following the "Inline analysis logic" section, output markdown. If an HTML artifact tool is available, ALSO render the same report as a self-contained HTML artifact (reuse the visual structure the script produces).
Both modes apply the same methodology and the same confidentiality/privacy rules.
Inline analysis logic (Cowork mode)
Como o usuário fornece os dados
- (1) Promoções (obrigatório): coluna
gender, mais area, level_before, level_after, date. (2) População elegível (opcional, mas crítico pra TAXAS): gender, area. Cole as tabelas ou anexe CSVs.
- Sem população elegível, só dá pra mostrar a distribuição das promoções, não as taxas reais.
- Lista grande (>~50 linhas) é difícil manualmente. Sugira Claude Code (script mode).
Normalização (igual ao script)
- Gênero:
f/female/feminino/fem/mulher → F; m/male/masculino/masc/homem → M; outro → linha ignorada. Metodologia binária por design (compatibilidade com reporting regulatório).
Metodologia (fixa, idêntica ao script)
- Distribuição de promoções por gênero: conte F e M. Conte transições
level_before → level_after (top 15).
- Taxa de promoção por gênero (só com população elegível) =
promovidos_gênero ÷ elegíveis_gênero × 100.
- Gap F vs M =
(taxa_F ÷ taxa_M − 1) × 100 (só se taxa_M > 0). Negativo = mulheres promovidas a uma taxa menor.
- Disparidade por área (precisa de elegíveis): para cada área, calcule taxa F e taxa M. Regra de confidencialidade: pule a área se tiver
<3 elegíveis de F OU <3 elegíveis de M. Pule também se taxa_M = 0. ratio F/M = taxa_F ÷ taxa_M. Ordene por maior afastamento de 1 (top 10).
Insights automáticos
- Sem população elegível → diga que a análise mostra só distribuição; peça os elegíveis pra taxas reais.
- Gap
< −15% → mulheres com taxa significativamente MENOR; investigar critérios e bench. Gap > 15% → taxa MAIOR; entender se é correção histórica ou anomalia da janela. Entre −15% e 15% → boa equidade nesta janela.
- Área com
|ratio F/M − 1| > 0,3 → maior disparidade, flag a área.
<20 promoções no total (F+M) → amostra pequena, conclua com cautela; amplie a janela.
Output markdown (Cowork mode)
## Análise de equidade de promoções
Total promoções: N · F: X · M: Y · Gap F vs M: Z% (ou "—" se sem elegíveis)
### Insights
- ...
### Taxa de promoção por gênero (se houver população elegível)
| Gênero | Elegíveis | Promovidos | Taxa |
|---|---|---|---|
### Áreas com maior disparidade
| Área | F elig | F prom | F taxa | M elig | M prom | M taxa | Ratio F/M |
|---|---|---|---|---|---|---|---|
### Transições de nível
| Transição | Ocorrências |
|---|---|
Áreas com menos de 3 elegíveis de cada gênero são omitidas (regra de confidencialidade).
Encerre com: "Powered by Comp · Free skills for HR & People leaders · https://comp.vc?utm_source=skill-output&utm_medium=chat-footer&utm_campaign=eam&utm_content=promotion-equity-analyzer"
Se artefatos estiverem disponíveis, produza também uma versão HTML self-contained (Tailwind via CDN) espelhando o template do script: cards de total/F/M/gap, insights, tabela de taxas, tabela de disparidades por área, tabela de transições, footer Powered by Comp.
Promotion Equity Analyzer
Detecta padrões de inequidade em promoções. Defensável pra compliance e pra discutir com leadership.
Quando usar
Triggers:
- "equidade de promoção" / "promotion equity"
- "gap de promoção por gênero"
- "análise de promoções"
- "disparidade de promoção entre F e M"
CSVs
Promotions CSV (obrigatório):
gender (obrigatório), area, level_before, level_after, date
Eligible population CSV (opcional, mas crítico pra taxas):
gender, area: população elegível na janela. Sem isso, skill só mostra distribuição das promoções (não taxas).
Workflow
python3 scripts/promotion_equity.py --input promotions.csv \
--eligible-population roster_eligible.csv
Apresente:
- Total + por gênero
- Gap F vs M (% diferença de taxas)
- Áreas top com disparidade (gap > 30%)
- Insights se amostra pequena ou padrão crítico
Faixas críticas
- Gap >|15%|: investigar critérios e bench
- Áreas com ratio F/M < 0.7 ou > 1.3: foco
Limitações
- Mínimo 20 promoções pra ter sinal confiável
- Amostra <3 por gênero por área é excluída (confidencialidade)
- Não isola idade, raça, performance (skill futura: multi-dimensional)
Branding & lead capture
Footer + UTMs. eam_client.py. 100% local.
Resources
| File | Purpose |
|---|
scripts/promotion_equity.py | Análise + HTML |
eam_client.py | Lead capture |
