单位离职率高达16%？五分钟教你如何基于离职分析优化企业人力资源

最新推荐文章于 2025-04-25 23:33:14 发布

Leo.yuan

最新推荐文章于 2025-04-25 23:33:14 发布

阅读量1.1k

点赞数 8

文章标签：数据分析大数据数据可视化 finebi

本文链接：https://blog.csdn.net/yuanziok/article/details/144404655

版权

现如今，行业发展日新月异，时刻变化的市场环境带来了人才的快速流动，企业的竞争很多时候是选人用人的竞争。离职分析，作为企业人力资源管理中的一个重要环节，不仅能够帮助企业深入了解员工离职的原因、趋势和规律，还能够为企业制定有效的留人策略、优化人力资源配置提供科学依据，长远来看，可以促进企业的持续发展，形成稳定的竞争力。

然而，对于许多HR来说，离职分析是一个令人头疼的问题：数据收集不全、分析方法未知、结果解读不准确……诸多挑战摆在眼前，导致离职分析进程难以推进，效果也不尽如人意。HR究竟应该如何进行离职分析呢？

接下来，本文将从一个数据分析案例出发，为HR提供一份全面、实用的离职分析指南。本次分析利用帆软公司的BI工具FineBI分析实现，将人事数据进行清晰、处理和可视化，并根据可视化结果发现问题、指定对应的改进策略，帮助企业梳理人事分析的思路和优化策略，更好地应对员工离职挑战，留住优秀人才。

文章中提到的BI数据分析工具分享给大家——
https://s.fanruan.com/7lh3w
零基础快速上手，内置多种数据分析模板模型，实现高效数据自助分析！

一、案例离职分析业务背景

在当今竞争激烈的医药制造和销售行业中，XYZ公司作为一家拥有1470名员工的知名企业，其业务涵盖了研发、销售及人力资源管理等多个关键领域。然而，据最新统计数据显示，去年该公司大约有16%的员工选择离开公司，这一数字引起了公司管理层的关注。

与行业内的其他公司相比，XYZ公司的离职率明显偏高。据权威机构发布的报告，医药制造和销售行业的平均离职率普遍维持在10%左右，而XYZ公司的离职率却高达16%，远远超出了行业的平均水平。管理层认为，这种程度的员工流失对公司不利，一是导致项目推迟，影响公司的收入，同时也降低了在合作伙伴和客户的信任感；二是需要维持大量的人力资源处理离职、招聘新员工、培训新员工，同时新员工也存在无法胜任工作的问题。

XYZ公司人力资源主管找到咨询顾问，希望能通过离职分析，帮助公司减少员工流失率。在接下来的内容中，我们将作为咨询顾问，详细对XYZ公司的流失员工进行离职分析，并通过这一分析过程揭示员工离职的深层次原因，据此制定有效的应对策略。

二、高离职率原因分析思路

所有处理离职分析的HR都会关注的问题主要有：公司整体的离职率是多少？哪类员工离职率相比平均水平较高？为什么此类员工的离职率高？建议公司采取什么样的举措？

基于这些问题，我们可以把解决思路拆解为现状分析、根因分析、提出建议这三大步骤，详见下方思维导图：

现状分析：基于5W2H框架，分析高离职率员工的特征

根因分析：先定性后定量，先基于相关性分析找到影响离职的核心要素，再定量分析各要素的详细情况

提出建议：基于人货场的思路提出建议，并基于决策树预测员工离职的倾向性

三、离职数据处理

1、明确数据指标口径

2、字段转义

对包含数值代号的字段进行转义，包含学历、职位级别、工作满意度、工作关系满意度、工作环境满意度、工作生活平衡度、工作参与度、绩效评价等。例如，把职位级别中的“1”转义为“助理”，“2”转义为初级，“3”为“中级”，“4”为高级，“5”为管理者。

如果还有一些英文枚举的字段，需要把它们转义成中文。如果有字段名称是英文形式，记得事先修改成中文。

3、离职相关因素分析

相关性分析最常见的是皮尔逊Pearson相关性分析和斯皮尔曼Spearman相关性分析，Pearson要求数据集是连续型变量，并且符合正态分布，而Spearman相关系数没有这个要求，本案例中存在二分类/有序分类/无序分类等非连续型变量，因此采用Spearman相关性分析。相关性分析主要通过Python完成，然后将相关系数结果导入到FineBI进行分析和可视化。

四、离职数据可视化及分析

1、哪类员工离职率高

通过各维度的分析，离职员工画像为：研发和销售部门的基层岗位、入职时间短（3年以内）、级别低（助理级别）、年龄小（18-23岁）、工作经历少（3年以内）、和当前主管共事时间短（1年内）、工作满意度和环境满意度低
离职员工来源：离职237人主要集中在研发和销售部门，占总离职人数的95%；离职人员主要集中在基层岗位，其中实验室技术员、销售经理、研究员、销售代表占总离职人数的84%
各部门离职率：总体离职率16%，销售部门和人力资源部门资源的离职率显著高于平均水平，分别为21%、19%，研发部门的离职率较低为14%
各司龄区间离职率：司龄3年以内离职率最高，为30%，随着司龄逐渐变大，基本呈下降趋势
职位级别离职率：助理级别离职率最高，为26%，其次是中级级别，为15%
各出差频率的离职率：经常出差的员工离职率最高，为25%
各年龄区间离职率：18-23岁的员工离职率最高，男性18-23岁离职率为41%，女性18-23岁离职率为56%；对于男性来说，未婚者相比已婚者的离职率普遍更高
各工作年数（所有工作经历）区间离职率：总工作年数3年以内离职率最高，为44%，随工作年数逐渐变大，基本呈下降趋势
按与现任主管共事年数区间的离职率：共事在1年内离职率最高，为32%，随着年数增多，基本呈下降趋势
通过比对平均值和分布，离职员工的工作满意度和工作环境满意度相比未离职员工低，其他指标指标差异不大

2、为什么员工离职率高

基于和离职相关性最高的top5因素为：加班、月收入、总工作年数、司龄、职级，而月收入和总工作年数、司龄、职级的相关性非常高，因此主要围绕加班和月收入为主线展开分析：

加班导致工作压力大，进而离职：五个基层岗位人群（销售代表、实验室技术员、人力资源岗位、销售经理、研究员）的加班率为24%-33%，此部分加班人群的离职率显著高于非加班人群的离职率，但加班人群和非加班人群的收入几乎无差异。以销售代表为例，加班人群的流失率为67%，非加班人群的流失率为29%，加班人群的平均月收入约为2500+，非加班人群的平均月收入约为2600+
月收入较公司平均水平差距大，虽有加薪，但仍无法挽留住基层员工：四个基层岗位人群（销售代表、研究员、实验室技术员、HR）占公司总员工的49%，但平均月收入为2626-4623，仍远低于公司平均水平的6503，此四个岗位的离职率较高。以销售代表为例，平均月收入为2626，但离职率为40%
月收入与项目投入、绩效未挂钩，无法激发积极性，向上通道窄：月收入与项目参与度、绩效评级的相关性很低，说明对项目付出多、绩效优异的员工拿到更高薪酬的可能性低。而月收入与总工作年数、司龄存在显著的关系，年轻员工的薪酬待遇普遍比老员工低。以上两个因素导致年轻员工的向上通道窄，无法激发工作积极性，进而导致离职

3、如何降低离职率

通过对离职人群画像和离职原因的分析，代入一位名为Alex员工，可以想象如下场景：Alex是一位21岁的未婚男性，入职XYZ公司的销售代表岗位刚满1年，在去年的重点新药销售项目中频繁去医院客户城市出差、加班加点终于在年底取得了较好的成绩，主管对Alex的年度项目参与度和绩效等级都给了不错的评价。今年Alex的月收入虽然有所提升，但仍然相比XYZ公司收入水平差很多，相比外部公司也差。Alex认为去年的项目付出没有得到应有的回报，并且他也发现和自己类似年龄和司龄的员工的收入都非常低，这让他减少了工作的积极性，同时对未来的发展充满了担忧，进而向主管提出离职。

对XYZ公司提出如下4条建议：

工作环境：直接主管加强对频繁出差、加班人群的关怀，同时识别是否可以通过线上会议减少部分非必要的出差，通过增强培训辅导、开发工具的方式提升员工的工作效率，减少加班。
绩效体系：对绩效等级评价精细化，避免只存在两类等级导致吃大锅饭，绩效评级要根据项目参与度拉开差距，同时面向员工宣传清晰绩效标准。
薪酬体系：加强绩效对职级的影响，使得高绩效导向高职级进而导向高月收入、股票水平，使得员工能看到付出带来的正向效果，提升工作的积极性。
离职预测：定期对人员离职情况进行回顾和预测，提前对高离职倾向员工进行关怀和沟通，避免员工已提出离职才被动相应。

五、本次离职分析工具推荐

在离职分析的过程中，一款强大的数据分析工具能够极大地提升分析的效率和准确性。上述数据分析案例用到的BI工具FineBI，作为一款集数据整合、数据分析和数据可视化于一体的商业智能工具，无疑是离职分析领域的得力助手。其具有以下显著优势：

1、易于上手和操作

FineBI的操作界面简洁友好，用户无需具备复杂的编程知识即可上手使用。在离职分析中，通过简单的拖拽操作，选择自己需要分析的字段，几秒内就可以看到自己的数据，通过层级的收起和展开，下钻上卷，可以迅速的了解数据的汇总情况，极大地提高了分析效率。

2、强大的数据整合能力

FineBI能够轻松接入各种数据源，包括多种数据库、Excel、CSV等，实现数据的快速整合。

在离职分析中，这意味着你可以将来自人力资源系统、财务系统、业务系统等多方面的数据整合在一起，形成一个全面的数据集，为后续的分析提供坚实的数据基础。

3、丰富的数据编辑功能

1）自助数据集

重点打造的自助数据集，提供了新增列，分组汇总，过滤，排序，上下合并，左右合并等功能，让用户以极低的学习成本将数据处理成自己需要的结果。让IT更专注于基础数据的准备，将真正对数据的分析处理交还于更熟悉业务的分析人员。

2）超强函数能力

除了常规函数，FineBI 还提供了进阶函数：

聚合函数：可以对一组数据进行汇总，一般使用聚合函数汇总后的值进行再计算；
分析函数：FineBI6.0 版本新增的函数类型，包括 def、def-add、def-sub 和 earlier 函数。分析函数结合原来的基础函数后，能够实现基于有限数据输出任意层级任意复杂度的计算指标，覆盖了更多复杂的业务场景，解决用户方案实现难题。

3）丰富的分析模型

FineBI 推出多种数据分析模型，帮助用户更好的使用 BI 进行数据分析。