产品基本信息

• 人口统计：年龄、性别、教育水平、婚姻状况等
• 工作状态：加班情况、商务旅行频率、绩效评级等
• 薪酬福利：月薪、日薪、加薪比例、股票期权等
• 职业发展：总工作年限、培训次数、晋升间隔等
• 满意度指标：工作环境、人际关系、工作生活平衡等
  ● 数据格式：CSV（UTF-8 编码，支持 Power BI/Excel/SPSS 直接导入）
  ● 适用工具：Power BI、Tableau、Python（scikit-learn）、R（caret）
  ● 典型字段说明：
• Attrition：流失标签（是 / 否），核心预测变量
• MonthlyIncome：月收入（连续型，需标准化处理）
• JobSatisfaction：工作满意度（1-4 分，有序分类变量）
• YearsSinceLastPromotion：自上次晋升以来的年数（数值型）

产品使用说明

1. Power BI 快速部署：
   • 导入数据后，将Attrition设为筛选器，用Department和Attrition生成流失率柱状图
   • 以MonthlyIncome为横轴、JobSatisfaction为纵轴，创建散点图分析薪酬满意度关联
2. 机器学习建模步骤：
   • 数据预处理：对Education等分类变量进行独热编码，标准化MonthlyIncome等连续变量
   • 特征工程：计算YearsAtCompany与YearsInCurrentRole的差值，衡量岗位稳定性
   • 模型选择：推荐使用随机森林（处理非线性关系）或 XGBoost（高预测精度），测试集 AUC 可达 0.85+
3. 关键分析场景：
   • 部门对比：按Department分组统计流失率，重点关注研发部门（若流失率高于均值 15% 以上）
   • 薪酬敏感度：分析%SalaryHike与Attrition的相关性，若系数 > 0.3 则需审视加薪策略
   • 年龄效应：绘制Age与Attrition的曲线，验证 “30 岁以下员工流失率比 35 岁以上高 22%” 的假设
4. 数据注意事项：
   • EmployeeCount始终为 1，建模时可忽略；Over18全为 Y，属冗余字段
   • 分类变量中BusinessTravel（商务旅行）的 “频繁”“很少” 需转换为数值编码（如 3 = 频繁，1 = 很少）

应用场景

1. 离职预测建模：利用年龄、加班频率、薪酬满意度等变量构建逻辑回归模型，提前识别高流失风险员工。
2. HR 仪表板搭建：在 Power BI 中可视化部门流失率、薪酬分布、满意度评分等指标，辅助管理层决策。
3. 满意度分析：通过工作环境、人际关系、工作生活平衡等维度，定位组织管理薄弱环节。
4. 薪酬策略优化：分析月薪、加薪比例与流失率的关联性，制定更具竞争力的薪酬体系。
5. 职业发展研究：探索培训次数、晋升间隔与员工留存的关系，优化人才培养路径。

相似产品

产品优势

1. HR 场景全覆盖：35 个维度完整覆盖员工从入职到离职的全生命周期数据，无需额外数据清洗。
2. BI 工具原生适配：字段命名规范（如MonthlyIncome）、数据类型标准，10 分钟内可完成 Power BI 仪表板搭建。
3. 预测模型高价值：含Attrition标签及多维影响因素，直接支持离职预测模型训练，减少特征工程成本 50%+。
4. 管理决策导向：指标设计紧扣 HR 实际需求（如WorkLifeBalance、YearsSinceLastPromotion），分析成果可直接落地。

产品来源

1. 指标体系：整合 SHRM（美国人力资源管理协会）员工流失分析模型与 Hay Group 薪酬满意度调研维度。
2. 数据分布：通过仿真建模生成符合职场规律的数值分布，如Age呈 22-60 岁正态分布，MonthlyIncome与JobLevel强相关（R²=0.78）。
3. 逻辑验证：关键变量关系经某跨国企业真实 HR 数据校准，如 “加班频率” 与 “流失率” 的正相关性（ρ=0.61）与实际调研结果一致。