1、学习初衷
（1）个人介绍
帆软社区用户名3049682，目前就职于国内某汽车制造企业，目前从事公司数字化转型的数据分析及运营工作，个人感兴趣的方向和领域为数据分析、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。
2、作品简介
公司目前的员工离职率较高，对公司的长期稳定发展非常不利。公司希望利用RFM分析来找出员工离职的真实原因，优化公司的运营环境，实现以下业务目标：
洞察整体员工离职情况： 了解离职率、薪资待遇和工作负荷等的基本状态。
识别关键因素： 利用数据分析，找出影响员工离职的关键性因素。
提出整改建议： 利用多维度的数据分析，将关键因素进行充分发掘，对优化公司运营环境提供数据支撑。
（4）数据处理
该公司整体离职率高达23.81%，主要分析侧重点在洞察员工离职的关键影响点，对调整公司人力资源的运营策略提供数据帮助。
数据预处理：
1、数据清洗与处理：
①对是否离职、是否晋升进行赋值，将对应的“0”、“1”字符分别进行赋值为文字展示
②根据每位员工“工作时长”、“工资”、“完成项目数”、“绩效”进行分组，便于进行指标计算
③关键信息计算：使用FineBI的计算功能，分别计算晋升率、离职率等指标
分析维度：
整体离职情况：
1、KPI指标卡： 总离职率。
离职率分析：
1、离职率折线—柱形组合图：离职率与不同分析指标间的联系
2、饼图：分析离职员工的晋升情况，寻找与是否晋升之间的联系
3、晋升折线—柱形组合图：分析不同职位间的工作差异，寻找不同岗位间离职率的差异
（5）可视化报告
3、学习总结
作为公司数字化转型的参与者，Fine-BI在工作中为我提供了非常大的帮助。它帮助我们摆脱线下繁琐且单一的工作模式，利用数据分析，深入挖掘工作痛点。以数据为导向，实现公司的数字化转型，提升员工的工作效率与质量。
从第一次接触Fine-BI开始，就被它方便快捷且丰富多样的数据分析功能所吸引。相较于传统的Excel分析，Fine-BI的操作更便捷，维度更丰富，更能让我们快速找到关键问题点，在数字化转型的进程中不断创新，不断前行。
在过去的学习中，我的数据分析能力越来越强，对数据的挖掘和利用能力也在不断提高，并且在实际应用中能够为公司解决无数个过去没有识别到的隐藏问题，为公司的可持续发展提供强劲动能。
在未来的工作中，我相信我会在Fine-BI的帮助下，能够发现越来越多的潜在矛盾，为公司的数字化转型和持续发展做出个人努力。
| 
