1. 分析目的

最优秀最有经验的员工，其离职的主要原因是什么？

为了弄明白这个问题，我从数据平台Kaggle上下载了人力资源的数据。

数据来源：https://www.kaggle.com/ludobenistant/hr-analytics

2. 理解数据

导入数据后，先查看数据结构，包括以下变量：

满意度(satisfaction_level)

绩效评估(last_evaluation)

完成项目数(number_project)

平均月度工作时间(average_montly_hours)

服务年限(time_spend_company)

是否有工伤(Work_accident)

是否离职(left)

过去5年是否有升职(promotion_last_5years)

工作部门(sales)

薪资水平(salary)

3. 处理数据

Kaggle下载下来的数据基本上都是比较干净的数据了，不需要太多的清洗工作，这里只是为后续分析做个简单的处理，数据处理的流程如下：

4. 分析数据

1) 初步探索

中位数是从小到大排序数据后，中间位置的数据。中位数比平均值能更好的反映整体数据的集中趋势。

可以观察到满意度的中位数为0.64，绩效评估的中位数为0.72，完成项目的中位数是4个，平均月度工作时间为200个小时，服务年限的中位数是3年。

2) 相关性分析

我用corrplot包进行了变量之间的相关性分析，结果如下：

图中圆圈的大小代表了相关性的大小，圆圈的颜色代表了正相关还是负相关。

可以初步看出，离职原因是因为满意度低，工资低，服务年限较长，月工作时间多，没有晋升机会。

3) 目标群体分析

这次分析的目标群体是最优秀最有经验的员工，那么首先需要把这些员工筛选出来。根据初步探索的结果，我们暂定最优秀最有经验的员工标准为：

绩效评估大于中位数

完成项目大于中位数

服务年限大于中位数和平均数

这次的相关性结果和上次的有了一些变化，月度工作时长和完成项目的相关性变大。

4）变量分析

下面通过图形来具体看一下每个变量和离职的关系。图形中横轴表示对应的研究变量，纵轴表示人数。其中蓝色表示离职人数，红色表示未离职人数。

• 满意度和离职的关系

满意度在0.1以下的，离职率将近100%；满意度在0.8左右的，离职率将近50%

• 绩效评估和离职的关系

绩效评估在0.75以上的，离职率在50%左右

• 完成项目数和离职的关系

完成项目数越多，离职率越高

• 月度工作220小时以上，工作时长越长，离职率越高

  
  

• 服务年限3-5年，离职率最高

• 在过去5年未得到升职的，离职率大约为33%

• 从部门离职率来看，HR和技术部占比相对较大。但从离职人数来看，销售和技术部离职人数最多。

• 薪资水平越低，离职率越高

  
  

基本上到这里所有变量对离职的影响都分析了，但我仍好奇那些对公司满意度高的优秀员工，究竟是哪种因素主要导致了其离职？

于是我将满意度大于0.7的优秀员工筛选出来，发现主要是钱少事多未升职。如果进一步分析的话，倒是可以看看满意度是怎么评估的，钱少事多未升职满意度还较高，不知是什么因素起了作用。

5. 分析总结

从相关性和对各个变量的分析来看，最优秀最有经验的员工离职，主要原因有以下几点：

1）工作强度大

月度工作时长超过220小时，大约日工作时长为10小时以上

2）工作能力强

绩效评估越高，完成项目越多，工作经验越多，离职的资本就越大，有更多的跳槽机会

3）薪资水平低

拥有的能力和经验和获得的报酬不符

4）未得到晋升

呼吁我们的HR同事们多多关注这些最优秀最有经验的员工啊。对公司贡献多，经验丰富，能力强，如果没有获得合理的待遇和职业发展机会，也怪不得人家另谋高就。公司招新人的成本可比老员工大多了。

印证了那句话，钱给少了，心委屈了。

本文内容来自 大数据社群 会员 的实践笔记，想看她的源代码可以点击下面阅读原文。

最近几个群里大家也在讨论跳槽，讨论的范围无非是哪家给的薪水更高。但是归根到底，你有能力跳槽到更好的地方，与你的知识水平和技能是有很大关系的。

如果你要跳槽了，一定要看好公司是否给你缴纳五险一金。具体的辞职时间，最好是在一个月的下半月。下半月离职，这个月的社保已经交了，即使新工作出现问题，也还有一段时间的挪腾空间，不至于社保中断。不是我们喜欢社保这东西，而是它断了确实会很麻烦。

据我所知，很多人还是不了解五险一金，那就看看下面这个小视频快速了解下《三分钟看懂五险一金》。