1、学习初衷
我是Loe，目前就职于一家汽车零部件制造业，最初是在人资工作，以 HRBP 的身份扎根业务一线，见证了人才管理从经验驱动到数据驱动的变革浪潮，也在日复一日的工作中，萌生了转型数据分析的初心。
公司海量的人力资源数据，却常常遗憾未能深度挖掘数据背后的价值 —— 那些零散的数字、报表，本可以成为优化人才策略、降低用工成本、提升组织活力的核心依据，我渴望打破 HR 工作的边界，不再局限于事务性执行与定性分析，让人才决策告别 “凭感觉”，实现 “用数据说话”。
同时，业务对人力资源的要求也在不断升级，越来越多的企业需要既懂人力、又懂数据的复合型人才，能够通过数据分析为业务增长赋能。我希望可以凭借自身对人力资源业务的深刻理解，结合数据分析专业能力，搭建人力数据模型，洞察组织与人才的底层规律，为业务提供可量化、可追溯、可预测的决策支持，让人力资源工作从 “支撑业务” 升级为 “驱动业务”。
我想以数据为工具，以专业为根基，让数据说话，这是我学习数据分析最纯粹的初衷。
目前已经考取finereport报表工程师资格证书，希望通过不断的学习多种工具持续产出更多价值。
2、作品简介
以人员流失为切入点进行分析，希望可以实现以下目标：
实时监控流失现况，实现主动干预：输出高风险员工名单，支持HRBP前置沟通，变被动离职为主动保留；
定位流失高发人群与关键驱动因素：明确哪些部门、职级、工龄、绩效段流失最高？核心原因：管理因素、职业规划、地域因素、薪酬等占比如何；
计算流失经济成本，推动管理层重视：量化赔偿成本，招聘成本等，用数据说服领导投入资源留人。
自选数据：一份完全模拟的数据。
3、分析思路
4、数据的处理
分为四张表，员工基础信息表，包含员工的所属部门、工号、入职日期、离职日期、职级等，离职员工信息表，主要存储离职人员离职原因及协商解除人员的赔偿金额，绩效评级表，各员工PMD绩效评级，预离职预警，存储目前实时员工提交离职申请的情况。
将四张表关联，根据分析维度计算工龄，月离职人数、月在职人数，离职率等等。离职率=当月离职人数/当月在职人数。
分析维度：
4.1、指标卡：看总体情况
4.2、各处级月度流失趋势，折线图，可以点击图例单独查看某个处级的流失情况
4.3、按工龄、职级、离职类型、绩效流失情况
 
4.4、分析流失的原因
 
4.5、离职预警
4.6、全览
4.7、分析
一、当前发生了什么
从数据看，2026年一季度人才主动流失较为稳定，协商离职人员逐月降低，整个组织处于稳定的阶段：
1-3月累计流失28人，其中主动流失11人、协商解除11人，被动离职6人。
生产管理处流失人数激增
且为主动离职，且主要原因为公司原因，需要重点关注。
当前预离职人员为7人，需要重点关注。
关键岗位承压：高层人员总监经理级在2-3月人数上涨，主要原因是公司管理问题，需要了解具体情况。
工龄结构失稳：1-3年工龄员工主动流失5人，这个阶段的流失占比最高，而这个群体通常正处于职业快速成长期，是组织的腰部力量，需要重点关注。
高绩效人才流失严重：1-2月流失两名绩效为A的人员，3月虽然没有A级流失，但B级骨干达到4人。总体一季度流失3名A绩效员工对组织打击较为严重。
二、为什么会发生
基于离职原因雷达图和趋势数据，可识别3大驱动因素：
组织氛围需要重新评估，其中公司原因导致的离职占比较高，下钻了解到管理问题尤为突出，需要多方调研具体情况。
其次是外部原因，主要为地域因素，部分员工上班通勤距离远，可以考虑是否安排员工宿舍以解决这部分问题。
重新审视员工的培养计划，个人原因中，占比较高的是职业规划问题，没有清晰的职业发展规划。
三、预测未来会发生什么
基于当前趋势，若不干预，Q2-Q3情况可能会变严重：
成本压力剧增：若协商解除继续增加，赔偿金或许会在Q2突破120万元，更隐性的是招聘成本——总监级岗位平均招聘周期3-6个月，市场猎头费用相当于岗位年薪的25%-30%，这会直接侵蚀利润。
团队整体战斗力下降：如果A绩效员工加速流失，会导致团队战斗力下降
业务连续性风险：离职预警表显示7条预警记录，分布于研发、品保、生产管理等。如果这些关键支持部门人员流失叠加，会直接影响研发、质量控制与生产，形成系统性风险。
四、怎样达到更好的商业决策
短期止血，1个月内：针对离职预警表中的员工进行面谈，识别核心诉求，对于关键员工可以提供针对性薪酬调整或晋升承诺；
暂停非必要的协商解除，除非有明确绩效不合格的证据；
对于1-3年工龄B级员工进行人才盘点，制定保留清单
中期修复，1-3个月：为部分职员设计轮岗制，拓宽职业发展空间，建立高绩效人才保护池，对A绩效员工提供个性化激励方案
长期机制，3-12个月：优化离职管理流程，区分可挽留和不可挽留场景，对于被动离职制定明确的绩效改进计划，减少协商解除带来的法律风险和成本，
构建人才梯队，每个关键岗位至少储备1-2名继任者，降低单点离职的影响，
定期开展组织氛围调研，及时调整公司政策，给员工带来归属感，降低流失。
以上就是我的学习成果的展现。
希望通过这类分析化被动为主动，透过现象看本质来解决问题。
5、学习总结
在为期六周的数据分析系统学习中，每天晚上加班加点学习和实操，使得我对FINEBI更加驾轻就熟。包括数据连接、数据清洗、多维分析、可视化图表制作及仪表盘搭建等核心技能，能够独立完成从原始数据到业务分析报告的完整链路。
也让我深刻认识到，数据分析并非单纯的工具操作，而是以业务为核心、以数据为依据、以决策为目标的科学思维方式。从业务问题出发，通过数据挖掘现象背后的原因，用客观结论支撑管理判断，真正实现 “用数据说话”。
同时，非常感谢助教老师不厌其烦的为我解答问题，即使半夜，也会为我及时解答。对我帮助颇多，也感谢授课老师录制如此详尽的课程供我们学习。
收获了这么多，未来我也将扩宽眼界，在数据分析领域更上一层楼，不光是HR业务，更是要各个部门深入了解其业务，才能帮助业务部门做出更加有用的数据分析看板与报告，为公司的决策提供数据支撑。
另外提个小小的建议，作业的要求可以写的更明确一些～
| 
