hr员工数据分析项目实战
（数据已脱敏）
背景说明
某公司最近公司发生多起重要员工意外离职、部分员工工作缺乏积极性等问题，受hr部门委托，开展数据分析工作。
经与hr部门沟通，确定以下需求：
制定数据仪表盘实时监控人员变动情况（比如能预知员工离职节点），制作员工画像。
原始数据说明：
共两个sql数据，“hr数据”、“员工满意度及绩效考核数据”。其中hr数据中，转过岗的员工有转岗前和转岗后的两条数据；“员工满意度及绩效考核数据”中有测试数据ID为负，职务序列为管理的员工没有满意度数据。
项目实施：
1.数据获取&数据集制作
原始数据情况介绍：原始数据为两个sql文件，“员工绩效及满意度数据”、“hr数据”。而且根据业务方的介绍“员工绩效及满意度数据”中存在ID为负值的测试数据，“hr数据”中转过岗位（从其他岗位转管理的员工有两条记录。这里首先需要将数据导入mysql workbench对其进行清洗和转换。
基于数据介绍可知，需要对转过岗的人保留新岗位记录（删除转岗之前的数据），并新加一列标注每位员工是否转过岗
# 第一步 转过岗的人只保留新岗位记录
# MySql运行在safe-updates模式下，该模式会导致非主键条件下无法执行update或者delete命令，
# 执行命令SET SQL_SAFE_UPDATES = 0
DELETE FROM `hr数据` WHERE `ID` IN ( SELECT a.`ID` from( SELECT `ID` FROM `hr数据` GROUP BY `ID` HAVING COUNT(`ID`) > 1 )AS a ) AND `职务序列` != '管理'; # 第二步 新加一列标注每位员工是否转过岗 SELECT *, CASE WHEN `ID` IN ( SELECT`ID` FROM`hr数据` GROUP BY `ID` HAVING COUNT(`ID`) > 1 ) AND `职务序列` = '管理' THEN 1 ELSE 0 END AS `是否转岗过` FROM `hr数据` # 第三步 表格合并+只导出id为正值的数据 SELECT a.*, b.`员工满意度`, b.`最后一次绩效评估` FROM `hr数据` AS a LEFT JOIN `员工绩效及满意度数据` AS b ON a.`ID` = b.`ID` WHERE b.`ID`>0;
# 将以上结果以csv文件导出
得到的csv文件（样例）如下：
2 R语言读取数据
2.1处理缺失值
setwd("D:/R/practise/biysheji/三节课_结课设计")
hr_data <- read.csv("aikeseng_hr_data.csv",header = T,stringsAsFactors = F)
#summary(hr_data)
# 发现变量员工满意度有缺失值，需要处理
hr_data$员工满意度[is.na(hr_data$员工满意度)] <- mean(hr_data$员工满意度,na.rm=T) #这里用简单的缺失值办法 将该变量均值，填充缺失值
summary(hr_data)
head(hr_data$离职)
通过四分位数来看补全的缺失值与其他数差异不大，基本可用。
3 对数据做进一步清理
3.1 转换数据类型
将数据集里的与分类有关的变量改为因子型
new_data <- hr_data new_data$离职 <- factor(new_data$离职) new_data$过去5年是否有升职 <- factor(new_data$过去5年是否有升职) new_data$职务序列 <- factor(new_data$职务序列) new_data$薪资水平 <- factor(new_data$薪资水平) summary(new_data)
3.2创建新的特征变量
创建特征变量1：平均每天工作时间，依据劳动法计算每月平均上班时间为21.75天
```{R}
new_data <- transform(new_data,平均日工作时间= new_data$平均每月工作小时/21.75)
```
创建特征变量2：排序，员工满意度、最后一次绩效评估、平均每日工作时间等皆可排序。
员工满意度排名
```{R}
library(dplyr) # 加载数据处理专用包dplyr
new_data <- new_data %>%
mutate('员工满意度排名'=rank(desc(new_data$员工满意度))) %>%
as.data.frame
head(new_data)
```
最后一次绩效评估排名
```{R}
new_data <- new_data %>%
mutate('最后一次绩效评估排名'=rank(desc(new_data$最后一次绩效评估))) %>%
as.data.frame
head(new_data)
```
平均每日工作时间排名
```{R}
new_data <- new_data %>%
mutate('平均日工作时间排名'=rank(desc(new_data$平均日工作时间))) %>%
as.data.frame
head(new_data)
```
4 数据探索
4.1 公司不同职务人员流失情况
```{R}
library(ggplot2)
ggplot(new_data,aes(x=职务序列,fill=离职))+
geom_bar(position = "dodge")+
scale_fill_manual(values=c("#58FA82","#FF0000"))+
xlab("公司各岗位人员流失情况")
```
4.2 员工满意度分布情况
```{R}
ggplot(new_data,aes(x=员工满意度))+
geom_histogram()+
xlab("员工满意度分布密度图")
ggplot(new_data,aes(x=员工满意度,colour=职务序列))+
geom_density()
quantile(new_data$员工满意度)
mean(new_data$员工满意度)
ggplot(new_data,aes(x=职务序列,y=员工满意度))+
geom_boxplot()+
xlab("各部门员工满意度分布")
```
根据上述结果，员工满意度平均分为0.612分，中值为0.62，根据直方图可见大部分员工满意分在0.5分以上；根据密度图，不同职务打分接近，管理类员工满意度成正态分布与补充的平均值有关;根据各部门员工满意度分布图，财务部门平均分略低于其他部门，进一步的情况待后续观察。
4.4最后一次绩效评估分布
```{R}
ggplot(new_data,aes(x=最后一次绩效评估))+
geom_histogram()+
xlab("员工最后一次绩效评估分布图")
```
从整体看最后一次绩效评估分数集中在0.5分以上。
4.5 不同工作年限员工流失情况
```{R}
ggplot(new_data,aes(x=在公司工作年限,fill=离职))+
geom_bar(position = "dodge")+
scale_fill_manual(values=c("#58FA82","#FF0000"))+
xlab("公司不同工作年限员工离职情况")
```
根据上述条形图，可见工作2——5年的员工离职率相对较高，尤其是工作4年和工作三年的员工。而工作6年及以上的员工比较稳定。
5.员工画像分析
mydata <- read.csv(file="D:/R/practise/biysheji/三节课_结课设计/aikeseng_hr_data.csv")
mydata$薪资水平 <- as.integer(factor(mydata$薪资水平,levels=c('low','medium','high'),ordered=TRUE))
mydata$员工满意度[is.na(mydata$员工满意度)] <- mean(mydata$员工满意度,na.rm=T)
# 确定聚类数量（K=？）
cost.df <- data.frame()
for(k in 1:10){
kmeans.fit <- kmeans(x=scale(mydata[,c("过去5年是否有升职","薪资水平","在公司工作年限","工作事故","员工满意度")]),centers=k)
cost.df <- rbind(cost.df,cbind(k,kmeans.fit$tot.withinss))
}
names(cost.df) <- c("k","d2")
# 画图
ggplot(cost.df,aes(k,d2)) +
geom_point()+
xlab("聚类数目")+
ylab("到聚类中心的距离平方和(cost)")
# 运行k—means模型
set.seed(10) # 确定随机数生成函数的初始数
kmeans_cluster <- kmeans(scale(mydata[,c("薪资水平","在公司工作年限","员工满意度","过去5年是否有升职","工作事故")]),5)
mydata$新标签 <- as.factor(kmeans_cluster$cluster)
# 画图
library(ggplot2)
ggplot(mydata,aes(薪资水平,在公司工作年限,员工满意度,过去5年是否有升职,工作事故,color=新标签)) + geom_point()
ggplot(mydata,aes(在公司工作年限,员工满意度,过去5年是否有升职,工作事故,薪资水平,color=新标签)) + geom_point()
ggplot(mydata,aes(员工满意度,过去5年是否有升职,工作事故,薪资水平,在公司工作年限,color=新标签)) + geom_point()
ggplot(mydata,aes(过去5年是否有升职,工作事故,薪资水平,在公司工作年限,员工满意度,color=新标签)) + geom_point()
ggplot(mydata,aes(工作事故,薪资水平,在公司工作年限,员工满意度,过去5年是否有升职,color=新标签)) + geom_point()
#ggplot(mydata,aes(员工满意度,薪资水平,在公司工作年限,color=新标签)) + geom_point()
#library(ggpairs)
#ggpairs(mydata[,c("薪资水平","在公司工作年限","员工满意度")], aes(colour = mydata$新标签, alpha = 0.4))
# 计算每个聚类下的员工数量、平均工作年限、员工平均满意度、平均工作事故、平均薪资
library(dplyr)
mydata %>%
group_by(新标签)%>%
dplyr::summarise(员工数量=length(ID),平均工作年限=mean(在公司工作年限),员工平均满意度=mean(员工满意度),平均工作事故=mean(工作事故),平均薪资=mean(薪资水平))
根据聚类结果可以将全部员工分成五大类：
高年限高满意度高薪员工 ；
中等年限高满意度高薪员工 ；
低年限低满意度低薪资员工；
低年限高满意度低薪资高事故率员工；
低年限高满意度低薪资员工
根据聚类结果发现以下问题：
第四类员工群体，即低工龄低薪员工 工作失误率高，这部分员工占总数的1/7，
值得我们关注， 建议增加这部分员工的培训，优化薪资待遇及奖惩措施。
实时监控系统——power bi仪表盘
https://app.powerbi.com/view?r=eyJrIjoiNDJiZjJhNTctOWZjZi00MmQ2LWI1OGYtMzk5OTM4NDM3YTVkIiwidCI6ImE0NmQwMTZhLTA1NTQtNGE0Yy05OTM5LTgxMWQwM2U0Yzk1YyIsImMiOjEwfQ%3D%3D