People Analytics und Workforce Planning
Pay-Equity-Statistik mit multivariater Regression nach EU-Richtlinie 2023/970
anymize.ai pseudonymisiert MA-IDs, Manager-Namen und Funktions-Codes; k≥5 je Funktion × Karrierestufe × Geschlecht × Standort. Die Regression (log-Gehalt ~ Geschlecht + Funktion + Karrierestufe + Tenure + Standort + Performance) erfolgt bevorzugt on-premise oder in Figures.hr/Workday Pay Equity; KI generiert nur Narrativ. Bei Adjusted Gap > 5 % gemeinsame Bewertung mit AN-Vertretern (Art. 9 RL 2023/970).
Schwierigkeit: Spezialist · Datenklasse: Beschäftigtendaten · Letztes Review:
Zur Orientierung gedacht. Die personalrechtliche Würdigung im Einzelfall bleibt selbstverständlich bei Ihnen, KI-Outputs sind vor jeder Verwendung zu prüfen. Mehr dazu am Ende.
Anwendungsbereich
Worum geht es hier?
Pay-Equity-Statistik ist die methodisch anspruchsvollste Schnittstelle von Compensation und People Analytics. EU Pay Transparency Directive 2023/970 ab 07.06.2026 (kein Aufschub) verlangt jährlichen Bericht mit unbereinigtem + bereinigtem GPG, Quartil-Verteilung und gemeinsamer Bewertung bei Gap > 5 %. Multivariate Regression mit k-anonymen Cluster-Aggregaten ist Goldstandard.
Für wen passt das?
Zielgruppe und Kontext
- Rolle
- Compensation-Manager, People-Analytics-Lead, HR-Compliance, ESG-/CSRD-Reporting-Owner, Datenschutzbeauftragter HR.
- Seniorität
- Senior, Regression-Methodik + EU-2023/970-Pflichten.
- Unternehmensgröße
- Konzern (>1.000 MA), großer Mittelstand mit ≥250 MA (EU-Pflicht-Schwelle), CSRD-pflichtig.
- Spezifische Kontexte
- Berichtszyklus jährlich; bei Gap > 5 % gemeinsame Bewertung mit AN-Vertretern; Beweislastumkehr-Vorbereitung (AGG-Reform Mai 2026).
Die Situation in der Personalabteilung
So bringen Sie Tempo und Sorgfalt zusammen
EU Pay Transparency Directive 2023/970 (SRC-0236) ab 07.06.2026 verlangt: unbereinigter GPG (Mean + Median), bereinigter Gap (controlled for legitimate factors), Aufschlüsselung nach Karrierestufe/Funktion, Pay-Gap-Quartilen; bei Gap > 5 % ohne sachliche Rechtfertigung gemeinsame Bewertung mit AN-Vertretern; Beweislastumkehr (Art. 18). Multivariate Regression der Goldstandard: log(Gehalt) = β0 + β1·Geschlecht + β2·Funktion + β3·Karrierestufe + β4·Tenure + β5·Standort + β6·Performance + ε. β1 = Adjusted Pay Gap. Wichtig: Manager-Diskretion (willkürliche Performance-Boni) darf nicht als Kontrolle einfließen, Bias würde „weggerechnet”. Daten-Brisanz: Vergütungsdaten = höchste Sensibilität (§ 26 BDSG, SRC-0215; § 19 EntgTranspG, SRC-0221); k-Anonymität k≥5 je Cluster Pflicht. anymize.ai pseudonymisiert MA-IDs, Manager-Namen und Funktions-Codes; Regression bevorzugt on-premise oder in spezialisiertem Comp-Tool (Figures.hr, Workday Pay Equity).
Was Sie davon haben
Zeit, Wert, Vertraulichkeit
Zeitersparnis pro Berichtszyklus
2–5 PT
Anbieter-Studien mit Eigeninteresse; Regression-Qualität abhängig von Datenqualität.
Risiko-Hebel
Bußgeld + Reputation
EU-2023/970 Beweislastumkehr-Vorbereitung; Bußgelder national festzusetzen (Mindestmaß durch Richtlinie); Reputationsrisiko bei CSRD-Veröffentlichung.
Vertraulichkeit
Klasse A höchste
Vergütungs-Daten = höchste Sensibilität. anymize.ai pseudonymisiert; Regression bevorzugt on-premise oder in spezialisiertem Comp-Tool.
Erkennungsrate
>95 %
k≥5 je Funktion × Karrierestufe × Geschlecht × Standort; Robustheits-Check (mit/ohne Performance-Variable).
So gehen Sie vor
Der Workflow Schritt für Schritt
DPIA + BR-Anhörung (BetrVG § 87 Abs. 1 Nr. 6, § 94 falls Performance-Kriterien betroffen).
Mensch
DSGVO Art. 35 · Mitbestimmung
Daten-Extraktion HRIS: Gehalt (Brutto + Variable), Funktion, Karrierestufe, Tenure, Standort, Performance, Geschlecht.
Mensch (mit System)
Datenbasis
Datenklassifikation: Individuelle Gehälter = Klasse A (höchste Sensibilität); Cluster-Aggregate = Klasse C bei k≥5.
Mensch
§ 26 BDSG · § 19 EntgTranspG
k-Anonymitäts-Check (k≥5) je Funktion × Karrierestufe × Geschlecht × Standort.
Mensch + anymize
Re-Identifikationsschutz
Pseudonymisierung: MA-IDs, Manager-Namen, exotische Funktions-Bezeichnungen → Platzhalter.
anymize
DSGVO Art. 28
Regression on-premise oder in DSGVO-konformer Umgebung (Figures.hr, Workday Pay Equity, beqom): log-Gehalt ~ Geschlecht + Kontrollen.
Mensch + Tool
Modell-Validität
KI-gestützte Interpretation/Berichts-Drafting: bereinigt vs. unbereinigt; Quartile; Funktions-Aufschlüsselung; Beweislastumkehr-Vorbereitung.
GPT / Claude / Gemini in anymize
Geschwindigkeit
Statistik-Verifikation (Pflichtschritt): R², Konfidenzintervalle, Multikollinearität (VIF), Heteroskedastizität; Robustheit gegen Performance-Variable.
Mensch
Methodische Validität
Bei Adjusted Gap > 5 %: Maßnahmen-Plan + AN-Vertreter-Einbeziehung (Art. 9 RL 2023/970). BR-Anhörung Output; CSRD-Konsistenz; revisionssichere Ablage.
Mensch
EU-Pflicht · Mitbestimmung · § 257 HGB
Womit Sie arbeiten
So setzen Sie anymize konkret ein
Was anymize tut
- Pseudonymisiert MA-IDs, Manager-Namen, exotische Funktions-Bezeichnungen.
- Erzwingt k≥5 je Funktion × Karrierestufe × Geschlecht × Standort.
- Empfiehlt Regression on-premise oder in spezialisiertem Comp-Tool (Figures.hr), KI nur für Narrativ.
- Verarbeitung in deutschen Rechenzentren (Hetzner). AVV nach Art. 28 DSGVO.
Was Sie als Compensation-Manager tun
- DPIA + DSB-Sign-off; BR-Anhörung BetrVG § 87 + § 94.
- Regression-Diagnostik (R², KI, VIF, Heteroskedastizität) durchführen.
- Robustheits-Check (mit/ohne Performance-Variable), Performance kann selbst Bias-anfällig sein.
- Bei Gap > 5 % gemeinsame Bewertung Art. 9 RL 2023/970 mit AN-Vertretern initiieren.
Daten-Input
Pseudonymisierte Vergütungs-Daten (k≥5), Funktion × Karrierestufe × Geschlecht × Standort × Tenure × Performance.
Output-Kontrolle
Pseudonymisiertes Aggregat geht an die KI (oder Regression on-premise). Re-identifizierte Gap-Übersicht (unbereinigt vs. bereinigt), Robustheits-Vergleich-Tabelle, Quartil-Verteilung, Funktions-Aufschlüsselung, EU-2023/970-Konformitäts-Checkliste und Maßnahmen-Plan kommen zurück.
Freigabeprozess
DPIA + DSB-Sign-off, BR-Anhörung § 87 + § 94, k-Anonymität, Regression-Diagnostik, bei Gap > 5 % gemeinsame Bewertung, CSRD-/ESRS-S1-Konsistenz, AVV mit LLM-Provider.
Die KI-Anweisung
Prompt zum Kopieren
So nutzen Sie diesen Prompt:
1. DPIA + DSB-Sign-off + BR-Anhörung § 87 + § 94.
2. Regression on-premise oder in Figures.hr durchführen; Output mit anymize-Pseudonymisierung in KI einfügen.
3. Diesen Prompt anhängen, „Thinking-Modus” wählen.
4. Bei Gap > 5 % gemeinsame Bewertung Art. 9 RL 2023/970 mit AN-Vertretern; CSRD-/ESRS-S1-Konsistenz.
# Context (C)
Rechtsstand: <heutiges Datum>. Du unterstützt die Aufbereitung einer Pay-Equity-Regression-Analyse nach EU-Richtlinie 2023/970 (SRC-0236, DE-Umsetzung 07.06.2026) für ein deutsches Unternehmen mit ≥250 MA und BetrVG-Mitbestimmung. Input: pseudonymisierte Cluster-Aggregate (k≥5) mit log-Gehalt-Regression-Output.
# Role (R)
Du agierst als Compensation-Manager mit Pay-Equity-Statistik-Kompetenz, EU-2023/970-Kenntnis und HR-Compliance-Sensibilität. Du kennst EU Pay Transparency Directive 2023/970 (SRC-0236), EntgTranspG (SRC-0221), AGG §§ 1, 3, 7 (SRC-0217), § 26 BDSG, BAG 8 AZR 74/25 (SRC-0256), ESRS S1 (STD-0058).
# Action (A)
1. **Unbereinigter Gap**: Mean + Median je Geschlecht; Gesamt-Unternehmen + Funktions-Cluster.
2. **Bereinigter Gap (Adjusted)**: β1-Koeffizient aus Regression log(Gehalt) ~ Geschlecht + Kontrollen; Konfidenzintervall 95 %.
3. **Robustheits-Check**: Regression mit/ohne Performance-Variable; R²-Vergleich.
4. **Quartil-Verteilung**: Anteil Geschlecht je Quartil.
5. **Funktions-Aufschlüsselung**: Adjusted Gap je Funktion (k≥5); Auffälligkeiten > 5 % rot markieren.
6. **EU-2023/970-Konformitäts-Check**: Pflicht-Aufschlüsselungen abgedeckt; Maßnahmen-Plan bei Gap > 5 %.
7. **Beweislastumkehr-Vorbereitung**: Dokumentation legitimer Faktoren je Adjusted-Gap-Ausreißer-Cluster.
8. Kennzeichnung: jede Zahl mit [HRIS] oder [Regression-Output] taggen.
# Format (F)
- Gap-Übersicht-Tabelle (unbereinigt vs. bereinigt)
- Robustheits-Vergleich-Tabelle
- Quartil-Verteilung-Tabelle
- Funktions-Aufschlüsselung-Tabelle
- EU-2023/970-Konformitäts-Checkliste
- Maßnahmen-Plan (bei Gap > 5 %)
# Target Audience (T)
CHRO + Compensation + ESG-/CSRD-Reporting + BR. Statistisch sauber, EU-2023/970-konform.So sieht der Input aus
Pseudonymisierter Eingabetext
Pay-Equity-Analyse 2025 (Konzern, 4.200 MA, CSRD-pflichtig)
Regression Output (log-Gehalt ~ Geschlecht + Funktion + Karrierestufe + Tenure + Standort + Performance):
- n = 4.180 (vollständige Datensätze)
- R² = 0,72
- β_Geschlecht (weiblich = 1): -0,038 (p < 0,001, 95 %-KI: -0,055 bis -0,021)
- Multikollinearität (VIF max): 2,4 (akzeptabel)
Adjusted Pay Gap: 3,8 % (weiblich erhält 3,8 % weniger nach Kontrolle).
Robustheit (ohne Performance-Variable): β_Geschlecht = -0,054 → Adjusted Gap 5,4 %.
Interpretation: Performance-Variable absorbiert ~1,6 pp Gap; Performance selbst kann Bias enthalten.
Unbereinigter Gender Pay Gap: Mean 18,4 %; Median 14,2 %
Quartil-Verteilung (Q1 = oberstes Gehaltsquartil):
- Q1: Männer 76 %, Frauen 24 %
- Q4: Männer 51 %, Frauen 49 %
Funktions-Aufschlüsselung Adjusted Gap (k≥5):
- [[Funktion-Sales-b2e7]] (n=142): 6,2 % (rot, > 5 %)
- [[Funktion-Engineering-c4d1]] (n=218): 2,1 %
- [[Funktion-CS-d8a3]] (n=96): 4,8 %
- [[Funktion-Operations-f7c2]] (n=180): 4,1 %So liefert anymize zurück
Der KI-Entwurf
## Pay-Equity-Statistik 2025, (EU 2023/970)
### Gap-Übersicht
| Kennzahl | Wert | Quelle |
|---|---|---|
| Unbereinigter Mean Gap | 18,4 % | [HRIS] |
| Unbereinigter Median Gap | 14,2 % | [HRIS] |
| **Bereinigter (Adjusted) Gap** | **3,8 %** (95 %-KI: 2,1–5,5 %) | [Regression-Output] |
| R² | 0,72 | [Regression-Output] |
**Ergebnis: 3,8 % Adjusted Gap; 95 %-KI knapp unter 5 %-Schwelle.** Funktions-Aufschlüsselung zeigt jedoch > 5 % in mehreren Clustern.
### Robustheits-Check
| Spezifikation | Adjusted Gap | R² |
|---|---|---|
| Mit Performance-Variable | 3,8 % | 0,72 |
| Ohne Performance-Variable | 5,4 % | 0,69 |
| Delta | +1,6 pp | -0,03 |
**Interpretation**: Performance absorbiert 1,6 pp Gap. Wenn Performance-Variable Bias enthält (UC-V-HR-ANA-015), wird „echter” Adjusted Gap unterschätzt. Konservativer Wert: 5,4 %.
### Funktions-Aufschlüsselung Adjusted Gap (k≥5)
| Funktion | n | Adjusted Gap | EU-2023/970-Status |
|---|---|---|---|
| [[Funktion-Sales-b2e7]] | 142 | 6,2 % | **Rot, gemeinsame Bewertung Pflicht** |
| [[Funktion-CS-d8a3]] | 96 | 4,8 % | Gelb (nahe Schwelle) |
| [[Funktion-Engineering-c4d1]] | 218 | 2,1 % | Grün |
### EU-2023/970-Konformitäts-Checkliste
- [x] Unbereinigter Mean + Median berichtet.
- [x] Bereinigter Gap mit Methodik dokumentiert.
- [x] Quartil-Verteilung berichtet.
- [x] Funktions-Aufschlüsselung mit k≥5.
- [ ] **Gemeinsame Bewertung Sales-Cluster** (> 5 %): mit AN-Vertretern initiieren (Art. 9 RL 2023/970).
### Maßnahmen-Plan (Adjusted Gap > 5 %)
1. **Gemeinsame Bewertung [[Funktion-Sales-b2e7]]**: mit BR + GBR Audit der Variable-Vergütungs-Struktur.
2. **Sales-Variable-Vergütungs-Audit**: Korrelation Quota-Erreichung × Bonus-Auszahlung × Geschlecht.
3. **Performance-System-Korrektur** (UC-V-HR-ANA-015): Tendency-to-Center + Gender-Bias in Ratings.
4. **Korrektur-Budget 2026**: 0,5–1 % Comp-Pool für gezielte Anpassungen in Sales.Was das HR-Recht verlangt
Pflichten und wie anymize sie abdeckt
EU Pay Transparency Directive 2023/970 (SRC-0236, STD-0057)
DE-Umsetzung 07.06.2026. Pflicht-Berichts-Komponenten + gemeinsame Bewertung bei Gap > 5 %.
EntgTranspG (SRC-0221)
Nationale Vorgängerregelung; § 19 Auskunftsanspruch.
AGG §§ 1, 3, 7 (SRC-0217)
Diskriminierungsverbot Vergütung.
BAG 8 AZR 74/25 (SRC-0256)
120 k EUR Entschädigung; algorithmische Bias-Risiken.
§ 26 BDSG (SRC-0215)
Vergütungs-Daten = besonders sensibel.
BetrVG § 87 Abs. 1 Nr. 6 (SRC-0211) + § 94 (SRC-0227)
Pay-Equity-Tool = technische Einrichtung; Performance-Eingang Beurteilungsgrundsätze.
DSGVO Art. 22 (SRC-0240) + Art. 35 DPIA (SRC-0243)
Vergütungs-Score nie automatisch entscheidend; DPIA zwingend.
CSRD/ESRS S1 (STD-0058)
Externe Berichts-Konsistenz.
Datenschutz und Vertraulichkeit
So funktioniert das mit anymize
Rechtsgrundlage Art. 6 Abs. 1 lit. c DSGVO (rechtliche Verpflichtung EU 2023/970) + § 26 BDSG. Art. 28 DSGVO AVV; Art. 35 DPIA zwingend. Datenklassen: Individuelle Gehälter = Klasse A (höchste Sensibilität); Cluster-Aggregate (k≥5) = Klasse C. anymize.ai pseudonymisiert; Regression bevorzugt on-premise oder in spezialisiertem Comp-Tool (Figures.hr, beqom, Workday Pay Equity, Korn Ferry Pay). EU Pay Transparency Directive 2023/970 (SRC-0236) ab 07.06.2026 Pflicht-Berichts-Komponenten; bei Gap > 5 % gemeinsame Lohnbewertung mit AN-Vertretern (Art. 9 RL). AGG-Reform Mai 2026 Beweislastumkehr-Vorbereitung; BAG 8 AZR 74/25. BetrVG § 87 Abs. 1 Nr. 6 + § 94 + § 80; BAG 1 ABR 20/21. CSRD/ESRS S1 externe Konsistenz. EU AI Act Annex III sobald Vergütungs-Entscheidung KI-gestützt.
Was anymize konkret leistet
- Pseudonymisiert MA-IDs, Manager-Namen, Funktions-Codes vor LLM-Übergabe.
- Erzwingt k≥5 je Funktion × Karrierestufe × Geschlecht × Standort.
- Empfiehlt Regression on-premise oder in spezialisiertem Comp-Tool, KI nur für Narrativ.
- Verarbeitung in deutschen Rechenzentren (Hetzner).
- Alternative: Figures.hr (EU-Pay-Transparency-spezialisiert), beqom Pay-Equity-Modul, Workday Pay Equity Analytics, Korn Ferry Pay, Visier Vee Compensation, OneTrust für DPIA-Workflow.
Sicherheitscheck vor der Veröffentlichung
Was anymize liefert, was Sie souverän entscheiden
Vor der Regression
- DPIA + DSB-Sign-off?
- BR-Anhörung BetrVG § 87 + § 94?
- k-Anonymität (k≥5) je Funktion × Karrierestufe × Geschlecht × Standort?
- Pseudonymisierungs-Spot-Check?
Nach der Regression
- Regression-Diagnostik (R², KI, VIF, Heteroskedastizität)?
- Robustheits-Check (mit/ohne Performance-Variable)?
- Quartil-Verteilung berichtet?
- Funktions-Aufschlüsselung k≥5?
Vor Berichts-Veröffentlichung
- Bei Gap > 5 % gemeinsame Bewertung Art. 9 RL 2023/970?
- Beweislastumkehr-Vorbereitung dokumentiert?
- CSRD-/ESRS-S1-Konsistenz?
- AVV mit LLM-Provider?
Typische Fehlermuster und wie anymize gegensteuert
- →KI bezieht Manager-Diskretion (willkürliche Bonus-Zuteilung) als Kontroll-Variable ein, würde Bias „wegrechnen”; der Prompt warnt explizit.
- →KI vergisst Robustheits-Check (mit/ohne Performance-Variable), der Prompt erzwingt explizit.
- →KI ignoriert 5-%-Schwelle EU-2023/970 trotz Funktions-Cluster-Überschreitung, Konformitäts-Checkliste fängt das ab.
- →KI verwendet falsche Bereinigungs-Methodik (z.B. Logarithmus statt Linear), Auditor-Abstimmung empfohlen.
- →KI extrapoliert Quartil-Verteilung trotz k<5 in oberen Quartilen, Suppression erzwingen.
Rechtsgrundlagen
Normen, Urteile, Belege
Primärnormen: EU 2023/970 und EntgTranspG
- DE-Umsetzung 07.06.2026: Pflicht ab 250 MA
- Nationale Vorgängerregelung
- Diskriminierungsverbot Vergütung
- Vergütungs-Daten besonders sensibel
- Keine Auto-Vergütungs-Entscheidung
- Folgenabschätzung zwingend
BetrVG und Rechtsprechung
- Pay-Equity-Tool = technische Einrichtung
- Beurteilungsgrundsätze
- 120 k EUR algorithmische Diskriminierung
- Externe Berichts-Konsistenz
Studien und Plattformen
- 14 % mit Regressions-Ansatz
- Pay-Equity-Methodik
- Multivariate Regression mit k≥5 Standard
- DE 07.06.2026
Stand: · Nächste Überprüfung:
Hinweis zur Nutzung
Zur Orientierung, nicht als Ersatz für die HR-Letztverantwortung
Diese Anleitung beschreibt einen Arbeitsablauf, den Sie mit anymize umsetzen können. Sie ist zur Orientierung gedacht und ersetzt weder die personalrechtliche Würdigung im Einzelfall noch eine arbeits- oder mitbestimmungsrechtliche Prüfung. Welche Rechtsprechung einschlägig ist, wie der Sachverhalt arbeitsrechtlich zu bewerten ist, welche Entscheidungen in Ihrem konkreten Fall richtig sind, das bleibt selbstverständlich bei Ihnen und Ihrer HR-Letztverantwortung.
KI-Outputs müssen vor jeder Verwendung HR-fachlich geprüft werden. Insbesondere personenbezogene Entscheidungen (Einstellung, Beförderung, Kündigung) dürfen nicht allein auf KI-Empfehlungen gestützt werden (DSGVO Art. 22, EU AI Act Art. 26). anymize gewährleistet die Vertraulichkeit der Beschäftigtendaten gegenüber dem KI-Anbieter; die fachliche Richtigkeit und die rechtliche Verantwortung liegen in Ihrer Hand.
Jetzt starten.
14 Tage kostenlos testen.
Alle Modelle. Alle Features. Keine Kreditkarte.
Lieber erst zuschauen? Kostenloses Webinar – Anonymisierung live
Wir sind überzeugt von anymize. Und wir wissen: Bei einem KI-Werkzeug, das Mandanten-, Patienten- oder Mitarbeiter-Daten berührt, reicht ein Demo-Video nicht. Deshalb 14 Tage voller Zugang – alle Modelle, alle Features, keine Kreditkarte. Genug Zeit, um sicher zu sein, bevor du uns vertraust.
Dein KI-Arbeitsplatz wartet.