|
1、学习初衷
（1）个人介绍
帆软社区用户名：1999211
当前任职：某工程机械公司，从事数字化运营工作
兴趣方向：数据分析、建模
（2）学习初衷
学习背景：工作需要，个人尤为喜欢数据分析一步步探索及逻辑指标拆解的过程。希望通过系统学习掌握FineBI工具，提升人员结构分析能力，为企业人力资源管理提供数据支持。
2、作品简介（人员结构分析项目）
项目背景
公司管理层希望全面了解现有人员构成状况，为人才战略、组织优化和人力成本控制提供数据依据。主要业务目标包括：
掌握整体人员状况：了解公司人员规模、分布及变动趋势
分析人员结构特征：从年龄、司龄、学历、职级等多维度剖析人员构成
识别关键人才群体：定位高绩效人员、高潜人才及关键岗位人员
评估组织健康度：分析人员流动性、稳定性及结构合理性
支持人力规划：为招聘、培养、晋升等人力资源决策提供数据支持
（3）分析思路
（4）数据处理与实现过程
数据准备与清洗：
数据源整合：合并HR系统中的员工基本信息表、任职历史表、绩效表、薪酬表
数据清洗：
处理缺失值：对关键字段（如入职日期、岗位、部门）缺失数据进行补全或标记
统一格式：标准化日期格式、部门编码、岗位代码
数据验证：检查逻辑一致性（如离职日期晚于入职日期）
新增计算字段：
年龄 = DATEDIF(出生日期, TODAY())
司龄 = DATEDIF(入职日期, TODAY())
司龄段 = IF(司龄<1, "1年以下", IF(司龄<3, "1-3年", IF(司龄<5, "3-5年", "5年以上")))
年龄段 = IF(年龄<25, "25岁以下", IF(年龄<35, "90后", IF(年龄<45, "80后", "70后及以上")))
分析实现：
整体人员状况分析：
KPI指标卡：总人数、当月新入职人数、当月离职人数
组织分布：部门人员分布旭日图、岗位类型分布饼图
人员结构多维分析：
年龄结构分析：
年龄分布直方图（正态性检验）
各年龄段人员占比环形图
部门维度年龄结构对比堆积柱状图
司龄结构分析：
司龄分布曲线图
司龄段人员占比玫瑰图
关键岗位人员稳定性分析（司龄≥3年占比）
学历结构分析：
学历层次分布条形图
部门学历结构对比雷达图
学历与职级关联桑基图
离职分析：
月度离职率趋势图
离职原因分布词云
离职人员特征分析（司龄、年龄、绩效维度）
入职分析：
月度入职趋势图
新员工来源渠道分析
新员工转正成功率监控
关键人才分析：
高绩效人员识别：结合绩效评级与司龄，定义“高潜人才”（绩效前20%且司龄1-3年）
关键岗位分析：识别核心岗位及后备人员充足率
人才风险预警：识别高离职风险人员（如高绩效但长期未晋升）
可视化仪表板设计：
（5）核心洞察与建议
通过分析发现：
年龄结构预警：公司30岁以下人员占比不足30%，存在老龄化趋势
关键岗位风险：研发部门核心技术人员司龄集中在1-3年，经验传承存在风险
学历结构优化：硕士及以上学历人员主要集中在职能部门，业务部门高学历占比偏低
流动异常信号：二季度离职率异常升高，尤其集中在某业务部门
业务建议：
启动“青年人才引进计划”，优化年龄结构
建立关键岗位“师徒制”和知识管理体系
制定业务部门高学历人才专项引进政策
针对离职率异常部门开展专项调研和留任措施
3、学习总结
（一）学习经历：从业务视角到数据思维的转变
这次FineBI学习之旅，让我深刻体会到数据驱动决策的力量。作为人力资源领域的业务人员，以往更多依赖经验和定性判断，而现在我能够：
系统性构建分析框架：学会了从业务目标出发，设计完整的分析指标体系
高效处理复杂数据：掌握了多表关联、数据清洗、计算字段创建等核心技能
可视化讲述数据故事：通过仪表板设计，让复杂的结构数据直观易懂
特别感谢学习小组的同学们，在项目讨论中，来自不同行业的视角给了我很多启发。也感谢老师们耐心细致的指导，尤其是对RFM模型在人才分析中的迁移应用讲解，让我茅塞顿开。
（二）技能收获与能力提升
掌握的硬技能：
FineBI全流程操作：从数据连接到仪表板发布
复杂数据处理：分组汇总、上下合并、新增列、过滤等
高级可视化：自定义图形、参数控制、联动分析
分析模型应用：将RFM模型适配为人才价值评估模型
提升的软能力：
业务翻译能力：能将业务问题转化为数据分析问题
逻辑思维能力：建立严谨的数据分析逻辑链条
成果呈现能力：制作专业、易懂的数据分析报告
跨部门协作能力：理解IT数据架构，有效提出数据需求
（三）最深刻的学习体会
人员结构分析的“四重境界”启发：
看得到：基础数据可视化，了解现状
看得懂：多维分析，理解结构特征
看得透：关联分析，洞察内在联系
看得远：趋势预测，支持前瞻决策
通过本次项目，我实现了从“看得到”到“看得懂”的跨越，并为迈向更高层次打下基础。
（四）对未来的应用展望
工作应用：将所学应用于公司人力数据分析，建立常态化人员结构监测体系
持续学习：计划深入学习人才预测模型、组织网络分析等高级分析方法
认证准备：对通过FCP考试充满信心，已掌握考试要求的核心能力
价值创造：期待通过数据驱动的人力资源管理，为公司创造更大价值
（五）课程建议
优点：
理论与实践结合紧密，案例丰富
社区资源丰富，答疑及时
课程体系完整，循序渐进
优化建议：
增加更多行业特色案例分析（如制造业、零售业人员结构分析差异）
提供更多复杂计算场景的模板和最佳实践
增加数据治理相关内容的讲解
结语
这段FineBI学习之旅，不仅让我掌握了一门强大的数据分析工具，更重要的是培养了我的数据思维和分析能力。从最初对数据的畏惧，到如今能够自信地进行多维度分析，这一转变让我在数字化时代更具竞争力。
人员结构分析只是起点，未来我将继续深耕数据分析领域，探索更多业务场景的应用，真正实现“用数据说话，用数据决策，用数据管理”。
感谢帆软提供如此优质的学习平台，感谢所有老师的辛勤付出，感谢同学们的相伴成长。数据分析之路，道阻且长，行则将至；行而不辍，未来可期！
| 
