promotion-equity-analyzer

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)

1. Distribuição de promoções por gênero: conte F e M. Conte transições level_before → level_after (top 15).
2. Taxa de promoção por gênero (só com população elegível) = promovidos_gênero ÷ elegíveis_gênero × 100.
3. Gap F vs M = (taxa_F ÷ taxa_M − 1) × 100 (só se taxa_M > 0). Negativo = mulheres promovidas a uma taxa menor.
4. 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