1、学习初衷 （1）个人介绍 大家好，我是一名数据分析爱好者，帆软社区用户名：yiposhop，目前就职于农村商业银行，从事大数据平台相关工作。我司是地方性金融企业，主要经营范围包括吸收公众存款、发放贷款、办理结算业务等货币金融服务。个人对数据分析和数据驱动决策领域非常感兴趣，希望通过数据手段优化招聘、人才保留和组织发展等流程。同样对数据分析感兴趣的小伙伴可以一起交流！ （2）学习初衷 选择学习的主要原因有三点： ①工作需要：日常工作中也需要处理大量数据，但仅限于用Excel制作基础报表，效率低下且无法进行深度洞察，希望借助专业BI工具提升分析效率和价值。 ②自我突破：希望从一名重复性的数据“处理者”转型为能够发现问题、解决问题的数据“分析者”，提升自身的技术能力。 ③兴趣使然：对可视化数据分析一直有浓厚的兴趣，看到FineBI的拖拽式操作界面后，觉得非常友好，坚定了学习的决心。 2、作品简介 （1）业务背景/需求痛点 业务背景：案例中的公司处于快速发展期，随着团队规模不断扩大，管理层意识到公司员工离职率有上升趋势，而传统的HR月报只能提供“离职率XX%”这样一个单薄的结果，但苦于缺乏数据支撑，无法为决策提供深度洞察。本次分析旨在用数据驱动的方式，揭开员工离职背后的真相，为公司的“人才保卫战”提供精准的弹药。 需求痛点： ①只有整体的月度离职率数字，无法回答“是谁在离职, 是业绩优秀的骨干，还是表现不佳的员工？”；“为什么离职,是薪酬不公、工作压力，还是缺乏发展？” ；“哪个部门问题最严重？”等具体问题。 ②每次都是员工提出离职后才知道，只能被动接受，无法提前识别有离职风险的员工并进行干预，应如何预测和预防？ ③管理层在制定人才保留政策时（如调薪、福利优化），缺乏数据依据，不知道资源应该向哪些群体倾斜。 （2）数据来源 自选数据：本次分析使用了一份自建的模拟人力资源数据表，共包含1000条员工记录（数据已进行完全脱敏处理）。 表含义：该表包含了员工的人口统计学信息（部门、职位、司龄、学历）、绩效与薪酬数据（绩效评级、薪资等级）、工作体验数据（加班频率、工作生活平衡满意度）。 （3）分析思路 我的分析遵循了 “描述现状-定位问题-追溯根因-提出建议” 的逻辑闭环，拿到数据后，我围绕“员工离职分析”这一主题，从宏观到微观进行了分析思路的拆解。 核心思路是：先看整体，再找异常，最后深挖原因。        ①整体把握：首先计算公司整体离职率，建立基准线。        ②多维分析：然后从部门、司龄、薪资、绩效等多个维度拆分，定位离职率异常偏高的群体。例如，我发现司龄1-3年的员工是离职高危人群。        ③关联分析：接着，我运用矩形树图、相关性分析等方法，探究“高绩效员工是否因低薪资而离职？”、“加班强度对离职的影响有多大？”等关键问题。        ④预测与决策：最后，基于上述发现，构建了一个员工离职风险预测模型，并提出了具体、可执行的业务建议。 结构脑图如下所示： 使用的分析模型： ①关联分析：用于分析“绩效-薪资”匹配度与离职的关系。 ②对比分析：广泛用于各维度下离职与在职群体的对比。 ③分组分析：对司龄、薪资等级等连续变量进行分组，观察组间差异。 （4）数据处理 在FineBI操作中，暂未遇到困难，我主要使用了自助数据集进行以下关键处理： ①创建计算字段是否离职： 公式：IF(ISNULL(离职时间), "在职", "离职") 目的： 新增一个清晰的分类字段，便于后续所有分析中的分组和筛选。 ②创建计算字段司龄分组： 公式：IF(司龄<1, "0-1年", IF(司龄<3, "1-3年", IF(司龄<5, "3-5年", "5年以上"))) 目的： 将连续变量转换为分类变量，更符合分析习惯，能清晰看出不同阶段员工的离职倾向。 （5）可视化报告 1）数据含义表达和图表排版布局 整体布局：采用“总-分”结构。顶部用指标卡展示核心数据（在职人数、离职人数、离职率、离职员工工作和生活满意度平均评分、在职员工工作和生活满意度平均评分），中间部分从左至右、从上至下依次分析部门、司龄、绩效薪资等维度，符合阅读逻辑。 配色方案： 设定统一主题色。离职相关数据用红色系（警示），在职相关数据用蓝色系（稳定），保证了一致性。 核心组件举例： ①“绩效-薪资”矩形树图：X轴为绩效评级，Y轴为薪资等级，用颜色区分离职率。业务含义是直观检验“高绩效低薪资”员工是否更容易离职。 ②“各部门离职情况”分组柱状图：清晰对比了各部门的离职与在岗人数。业务含义是精准定位离职人数最高的部门，将管理注意力优先聚焦于此。 2）通过分析得出的结论 核心结论： 结论一：分析发现，公司整体离职率20%虽在合理范围，但结构失衡。销售部和研发部的离职人数占总数70%，且司龄1-3年的员工离职率高达40%。这表明我们的新人融入机制和中期职业发展路径存在重大缺陷。 结论二：“又想马儿跑，又想马儿不吃草”的代价。矩形树图清晰显示，有相当一部分绩效评级在4分以上（满分5分）但薪资等级仅为1-2级的员工选择了离职。这直接证明了“绩优薪低”是导致核心人才流失的关键原因。 结论三：加班是压垮员工的最后一根稻草。数据表明，加班频率“非常高”的员工群体，其离职率是“低”频率群体的3倍。同时，离职员工的工作生活平衡满意度平均分（2.76）远低于在职员工（4.21）,这证明“工作压力” 是导致离职的主要推手。 基于以上发现的问题，建议如下：        ①紧急止血：立即对司龄1-3年、绩效优良但薪资偏低的员工进行一轮紧急薪酬复核与调整，优先稳住核心人才。        ②机制优化：审查销售和研发部门的工作负荷与激励机制，避免过度加班，落实调休制度。优化应届生和新员工培养体系，为1-3年司龄的员工设计清晰的职业发展路径和晋升通道。        ③长期建设：建议HR部门引入数据驾驶舱，将本次分析模型固化下来，对员工离职风险进行常态化监控和预警，变“事后补救”为“事前预防”。 决策影响与价值： 影响决策：对于管理层，直接推动了针对司龄1-3年、高绩效员工的专项调薪计划，并责令销售和研发部门负责人检查团队工作量，优化资源分配。 提升效率：过去手工整理离职分析报告需1天，现在通过FineBI仪表板10分钟即可刷新查看最新情况，效率提升超过90%。 价值总结：本项目将模糊的管理感觉转化为清晰的数据洞察，使人才保留工作从“被动救火”变为“主动防火”，预计能为公司降低不必要的招聘和培训成本，保留核心生产力。 3、学习总结 （1）学习经历 这六周是一场充实的旅程。虽然每周都需要挤出业余时间看视频课、做作业，特别是在最后完成大作业的那个周末，当看到完整的仪表板和报告呈现时，觉得一切付出都是值得的。特别感谢助教老师的耐心解答和督促，尤其是在群里看到大家讨论各种问题，感受到了浓浓的学习氛围。 学习收获： ①思维转变（最大的收获）：我从一个只会用Excel做简单表格的“表哥”，转变为一个会用数据思维来拆解业务问题的分析者。我学会了不再问“数据怎么画图”，而是先问“业务痛点是什么？”、“我要用什么指标和维度来验证它？”。        ②工具掌握（最实用的技能）：FineBI的拖拽式操作极大地降低了数据分析的门槛。我深刻体会到了“数据准备”和“可视化探索”的乐趣，尤其是联动、下钻、计算字段等功能，让我的分析报告变得生动而富有交互性。        ③价值体现（最深的感悟）：我明白了数据分析的价值不在于制作精美的图表，而在于从数据中提炼出有说服力的观点，并驱动业务行动。当我的分析结果能够直接影响管理决策时，我感受到了巨大的成就感。 课程建议： 这是一门非常出色的课程，如果非要提一点优化建议的话：        ①希望能增加一些“反例”教学：比如展示一些设计不当的图表（如“饼图滥用”）、分析逻辑不严谨的报告等，通过“找茬”的方式让我们加深对最佳实践的理解。        ②社群互动可以更强：可以多组织一些案例讨论会，让同学们互相点评作业，激发更多灵感。 （2）个人成长 掌握的技能： ①核心技能：掌握了FineBI的数据连接、自助数据集处理、可视化组件制作和仪表板搭建的全流程。 ②思维方法：最重要的是建立了数据驱动的分析思维，学会了如何将模糊的业务问题拆解为可验证的数据指标。 印象深刻的内容：最让我印象深刻的是“计算字段”和“明细过滤”功能，看似简单，但组合起来能解决非常复杂的数据准备问题，是灵活分析的关键。 目标达成：学习的初衷已100%达成。我不仅学会了工具，更完成了一个能直接应用于实际工作的分析项目，超出了预期。 FCP考试：非常有信心参加FCP考试，并将积极备考，争取一次性通过，为自己的能力提供一个官方认证。 心得体会：“纸上得来终觉浅，绝知此事要躬行”。数据分析是一门实践科学，只有不断动手、不断碰壁、不断解决，才能真正成长。这次学习是一个完美的开始，未来我将在数据驱动的道路上继续坚持，终身学习。