|
1、学习初衷
（1）个人介绍
- 帆软社区用户名3756711，目前就职于台铃科技，我司是电动车行业；目前人力资源工作，个人感兴趣的方向和领域为人力资源相关的业务数据分析、建模。
（2）学习初衷
- 学习背景：当前的数据统计结果满足不了诊断业务问题的方式。
2、作品简介
这次项目的核心出发点，是解决我日常HR工作里一直存在的痛点：以往统计离职率，只能算出一个总数字，罗列离职人员名单，根本说不清“到底哪类人更容易走、背后的影响因素是什么”，给管理层汇报时，除了冰冷的数字，拿不出能支撑决策的有效洞察。抱着这个目标，我用一个月学到的FineBI技能，把整个分析项目拆成了四步落地：
- 数据准备与整合阶段 我先整理了员工全量数据，包括入职离职记录、部门岗位信息、职级学历、司龄年龄、绩效评分、满意度调研结果等多个维度数据。一开始这些数据存在不少问题：比如员工满意度、绩效、薪资、工时、司龄这些维度数据并不适合直接分析。我用FineBI的条件标签、字段设置，把原本把数据进行各个维度的层级调整，从源头保证了后续分析的数据准确性。
- 指标体系搭建阶段 没有直接上来就做图表，而是先结合业务需求梳理了核心指标：除了基础的总离职率，我还搭建了职位员工离职率、薪酬离职率、绩效员工离职率、司龄离职率、项目数离职率和工作时长离职率这几个关键细分指标。所有指标的计算都直接在FineBI里通过公式完成，不用再像以前那样在Excel里反复手动算，既统一了统计口径，也避免了人工计算的失误。
- 多维度交叉分析与可视化阶段 这是这次项目最核心的部分，我没有只做单一的离职率趋势图，而是从多个维度层层拆解：先通过柱形图体现各个岗位离职率的程度，定位离职率异常的具体岗位；再用分组柱状图对比不同薪酬、不同绩效离职率差异，找到离职重灾区；接着分析司龄、项目数、工作时长这些维度，逐步勾勒出高离职风险的员工画像。最后把所有分析结果整合成联动式仪表盘，搭配筛选组件，点开任意一个部门，就能下看它下属岗位的离职明细，不用再反复制作多张静态报表。
- 洞察输出阶段 最终通过分析得到了很多以前靠人工统计根本发现不了的结论：比如司龄3~6年员工离职率占整体离职率的98%，财务、人事的离职率高于其他职位，和销售岗位的员工离职风险更高。这些结论直接指向了基层岗位薪酬、晋升通道的闭塞这些之前被忽略的管理痛点，让整个分析从“展示数据”变成了“解决问题”。
（3）分析思路
（4）数据处理
数据预处理：
1、数据清洗与处理：对各个数据段进行调整，把不需要的数据进行删除
2、进行分组汇总：把各个维度的数据进行条件分组，整合成我们需要的各个层级的数据
分析维度：
1、KPI指标卡： 总员工数、在职员工数、离职员工数、离职率。
5、散点图：司龄、并行项目数、月工作时长各层级的离职率分析。
（5）可视化报告
3、学习总结
（一）学习经历
基于这次离职率分析的经验，后续我完全可以把数据分析能力延伸到更多HR业务场景，搭建完整的人力资源数据看板体系：
- 全流程人才招聘分析 搭建招聘转化分析看板，从简历投递、初筛、面试、offer发放到最终入职，全链路追踪各环节的转化率，分析不同招聘渠道的投入产出比，定位招聘流程里的卡点，比如哪个岗位面试通过率长期偏低、哪个渠道招进来的新员工3个月留存率最高，以此优化招聘预算分配，缩短核心岗位的招聘周期，降低新人后续的流失风险。
- 员工绩效与人力成本联动分析 把员工绩效数据、薪酬数据、岗位编制数据打通，分析不同部门的人均效能变化，计算各部门的人力成本投入产出比，识别高绩效高潜员工的共性特征，同时排查出人力成本高但产出偏低的低效团队，为后续的薪酬调整、编制优化、人才激励方案提供数据支撑，让人力成本的投入更精准。
- 员工全生命周期留存预警分析 基于这次离职分析积累的历史数据，后续可以搭建员工离职风险预警模型，把司龄、绩效、近期调薪记录、上下级共事时长、考勤异常这些维度作为特征，给在职员工做离职风险评分，提前识别高风险的核心岗位员工，在他们提出离职之前就主动介入沟通，把被动的“离职后复盘”变成主动的“离职前干预”，大幅降低核心人才的意外流失。
- 组织健康度综合分析看板 把离职率、内部晋升率、员工满意度、人均培训时长、团队协作效率这些指标整合起来，搭建公司层面的组织健康度仪表盘，按季度持续追踪组织的动态变化，及时发现团队里的管理隐患，比如某个部门连续半年晋升率为0、满意度持续走低，提前介入优化，从整体上提升团队的稳定性和战斗力。
这些分析场景都可以基于我已经掌握的FineBI能力逐步落地，后续我会先从最紧急的招聘分析场景入手，逐步替换掉传统的手工报表，让HR的每一份数据都能真正为业务创造价值。
（二）个人成长
- 彻底摆脱了传统Excel的效率瓶颈 以前做离职分析，每次更新数据都要手动复制粘贴、反复调整公式，几百条数据就容易卡顿出错。现在用FineBI，不仅能快速对接多源数据，拖拽操作就能完成筛选、聚合、关联，原本要花两三天的月度离职报表，现在半小时就能完成，还能设置数据及时同步，彻底把自己从重复的制表劳动里解放了出来。
- 建立了真正的数据分析思维 以前做报表总想着“把所有数字都摆上去”，现在接到分析需求，第一反应是先理清业务目标：这次分析要解决什么问题？哪些指标能支撑结论？怎么拆解维度才能挖到根因？比如这次离职分析，我没有停留在“算出离职率”的层面，而是顺着数据一步步追问“哪个部门高、哪类人群高、为什么高”，最终输出能落地的留人优化建议，这种从“看数据”到“用数据”的思维转变，是我这次最大的收获。
- 掌握了交互式分析的实用能力 现在我可以独立完成从数据接入、清洗处理、指标计算到交互式看板搭建的全流程，做出来的分析报告不再是静态图片，同事和管理层可以自己切换岗位、筛选自己的需求，按需查看不同维度的明细数据，大大提升了HR数据报表的实用性，也让跨部门的沟通效率高了很多。
- 找到了HR工作的新价值切入点 以前总觉得HR的数据分析就是基础统计，这次项目让我意识到，用好数据工具，我们完全可以从“事务性执行者”变成“业务伙伴”，通过数据提前发现人才流失风险，为公司的人才保留、组织优化提供科学的决策依据。
感谢微软提供的学习平台，后续会努力考过FCP证书。
| 
