AIBR プレミアム
拓海さん、最近部下から「性別賃金格差の論文を読め」と言われまして。正直、数字の羅列で終わるんじゃないかと構えてるんですが、何が新しいんでしょうか。
素晴らしい着眼点ですね！大丈夫、数字に強くない方でも理解できるように噛み砕きますよ。結論から言うと、この論文は「平均だけ見ていては多くの女性の実態を見誤る」と示しているんです。
要するに、全体の平均を見て「格差はこれだけだ」と言っても、現場で困っている女性はその平均とは違うってことですか。
その通りです。しかも論文は、たくさんの属性を一度に扱える「高次元回帰」と「double LASSO（ダブル・ラッソ）」という手法で、どの属性が格差の差を生んでいるのかを特定しています。大事な点は三つです：対象を細分化すること、重要変数を自動で選ぶこと、そして政策のターゲティングに使えることですよ。
ただ、うちの現場で使うならコストとの兼ね合いが心配でして。これって要するに現場のどの人にどれだけ補助すれば効果的か分かるということ？
大丈夫、一緒にやれば必ずできますよ。論文の手法は「誰にどの程度の格差があるか」を示すので、投資対効果を考える上で非常に役立ちます。まずは三つのステップで考えましょう。現状把握、要因の特定、施策の優先度付けです。
なるほど。デジタルが苦手でも、まずは誰に注目すべきかが分かれば手が打てますね。導入の工数はどれくらいかかりますか。
データの整備が主な工数になりますが、最小限の属性（年齢、学歴、既婚か、子供の有無、職種、業界、勤務年数など）が揃えば試験導入は短期間で可能です。ツールそのものは複雑でも、得られる意思決定の質は格段に上がりますよ。
分かりました、最後にもう一つだけ。これを導入したら、どのくらい政策や施策が変わりますか？
重要なのは施策の精度です。全体向けの平準化施策だけでなく、結婚や子育ての有無、職種ごとの不利な点に合わせた個別対応が可能になります。大丈夫、一緒にやれば必ずできますよ。まずは小さく試して、効果が出る部分を拡大する方針で行きましょう。
分かりました。私の理解では「平均で語るな、個別の背景を見て打ち手を決めよ」ということですね。まずは社内データから試してみます。ありがとうございました。
