Promotion Equity Analyzer

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 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.
• ` 30%)
• Insights se amostra pequena ou padrão crítico

Faixas críticas

• Gap >|15%|: investigar critérios e bench
• Áreas com ratio F/M 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 |

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: trycomp-io
• Source: trycomp-io/comp-skills
• License: MIT

Install and usage instructions live in the source repository linked above.