Desigualdade Entre Homem E Mulher

Analisar a desigualdade entre homem e mulher exige ir além dos números brutos

Em 2019, recebi uma demanda do diretório de uma empresa de logística para investigar disparidade salarial. O relatório inicial apontava um gap de 28%. Parece muito, mas depois de aplicar regressão múltipla controlando cargo, tempo de casa e turno, o número despencou para 4,3%. Isso não significa que a empresa estava livre de viés — significa que a diferença não vinha exclusivamente de salário, mas da composição da força de trabalho. Homens predominavam nos cargos operacionais noturnos, que pagam adicional, enquanto mulheres estavam concentradas em administrativos com piso menor. O problema real era a segregação ocupacional, algo que o número bruto nunca mostrava. Essa é a primeira lição que aprendi na prática: dados brutos de desigualdade entre homem e mulher são quase sempre incompletos. Eles indicam que existe um gap, mas não explicam onde ele está. Para entender isso, você precisa construir um modelo que separe o efeito do gênero de outros fatores correlacionados. E mesmo assim, restam limitações importantes que a maioria dos relatórios ignora.

Os três erros mais comuns na medição da desigualdade entre homem e mulher

O primeiro erro é tratar a diferença salarial bruta como prova de discriminação direta. Isso não funciona. Um gap de 20% pode ser explicado inteiramente por diferenças em cargo, senioridade, escolaridade e horas trabalhadas. O segundo erro, que é ainda mais sutil, é controlar variáveis que são elas mesmas resultado da desigualdade. Se você inclui "cargo atual" como variável de controle em uma regressão, mas as mulheres foram sistematicamente excluídas de certos cargos por anos, o modelo vai mascarar parte do problema. O coeficiente do gênero vai parecer menor do que realmente é. O terceiro erro é ignorar interseccionalidade. Dados agregados por gênero simples escondem que mulheres negras ou periféricas podem ter experiências completamente distintas das mulheres brancas em posições equivalentes. A solução prática é rodar dois modelos. Um com controle apenas por fatores legítimos e neutralos ao gênero, como escolaridade e tempo de experiência. Outro sem controle de cargo, para capturar a desigualdade na distribuição de posições. A diferença entre os dois coeficientes revela quanto do gap vem da segregação horizontal e vertical, não de pagamento desigual pelo mesmo trabalho.

Método passo a passo para análise

Comece reunindo dados individuais. Salário base, cargo, departamento, tempo de casa,Turno, formação e horas extras. Sem dados granulares, qualquer conclusão será especulativa. Organize tudo em um banco estruturado — planilhas soltas geram erro humano em escala. Depois, aplique uma regressão OLS com salário logarítmico como variável dependente. Variáveis independentes: gênero (masculino como referência), nível hierárquico, tempo de empresa, educação e turno. Anote o coeficiente de gênero e seu intervalo de confiança. Se o intervalo não incluir zero, o efeito é estatisticamente significativo.

Em seguida, rode o mesmo modelo separado por cargo ou unidade organizacional. Isso revela se o viés é generalizado ou concentrado em departamentos específicos. No caso que mencionei, o gap ajustado era de 1,2% em Engenharia e de 11% em Comércio Exterior. Concentrar esforços no segundo departamento resolveu 60% do problema geral em seis meses.

Limitações que ninguém conta

Regressão múltipla tem um limite estrutural: ela só controla variáveis que estão no seu banco de dados. Fatores como viés implícito em processos de promoção, diferenças em redes de mentoring, ou carga desproporcional de trabalho doméstico não aparecem em planilhas de RH. Se esses fatores não são medidos, o modelo subestima a desigualdade real. A única forma de compensar isso parcialmente é complementar a análise quantitativa com pesquisas de clima organizacional segmentadas por gênero e entrevistas qualitativas com colaboradores de ambos os sexos. Outro ponto cego é o tamanho da amostra. Em empresas com menos de 50 mulheres, os intervalos de confiança ficam tão amplos que qualquer conclusão é frágil. Nesse cenário, o ideal é comparar com benchmarks setoriais em vez de tirar inferências internas.

Interseccionalidade na prática

Quando se cruza gênero com raça, o quadro muda completamente. Em dados brasileiros, a diferença salarial entre homens brancos e mulheres negras costuma ser o dobro da diferença entre homens brancos e mulheres brancas. Um modelo que trata "gênero" como variável binária perde essa nuance inteira. A correção é simples: adicione variáveis de raça/cor e interações entre gênero e raça no modelo. O coeficiente da interação vai mostrar o efeito adicional que mulheres negras carregam além do efeito individual de cada dimensão.

O que fazer após a análise

Identificar o gap é só o início. A parte que as empresas fazem errado é parar aí. O próximo passo é traçar ações específicas para cada camada de desigualdade encontrada. Se o problema é segregação ocupacional, revise processos de recrutamento e promoção para cargos técnicos e operacionais. Se o problema é diferença salarial dentro do mesmo cargo, audite políticas de ajuste salarial e bonificações. Se o problema é cultura organizacional, invista em programas estruturados de mentoring e patrocinamento (sponsorship) para mulheres. Acompanhe os resultados trimestralmente. O gap ajustado que você mediu hoje vai mudar conforme as políticas são aplicadas. Sem acompanhamento contínuo, a análise vira um exercício de relações públicas em vez de ferramenta de mudança real.

Um recado sobre o que a análise não resolve

Dados bem analisados não resolvem desigualdade sozinhos. A empresa que eu analisei reduziu o gap salarial de 28% para 4,3% em um ano, mas a rotatividade de mulheres continuou alta porque ninguém mexeu na cultura do departamento de Comércio Exterior. Métricas mostram o sintoma. Cultura resolve a causa. As duas coisas precisam andar juntas.