数据分析实操案例分享：如何对人事数据进行BI分析？

在数据驱动时代，数据分析已经成为企业和个人获取竞争优势的关键技能。特别是在人力资源管理领域，数据分析的应用正变得越来越重要。通过对在职和离职数据的深入分析，企业不仅能够洞察员工的动态，揭示员工流动的模式、预测人才需求，甚至洞察员工满意度和组织健康，从而制定更有效的人力资源策略。

数据分析的完整流程包括了解数据本身，洞悉业务场景，制定分析计划，进行数据准备和加工，之后进行原因分析和策略制定，并验证策略的有效性。在这个过程中，不仅要求业务人员掌握数据分析的方法和工具，还需要具备丰富的业务知识和实践经验。

本文将分享对人事在职和离职数据的分析案例，详细介绍如何运用商业智能BI工具进行人事在职、离职数据的分析，并基于数据分析流程的步骤展示数据分析在人力资源管理中的应用，为有人事数据分析需求的企业和业务人员提供一些可行建议，帮助构建系统化的分析框架。

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、洞悉业务场景：可以从哪些维度进行人事分析？

在数据分析时，面对各种各样的数据，我们需要进行数据的初步分类，找出需要进行分析的数据维度。

从人事数据分析的角度来说，员工的编号、性别、部门、职务、职称等多个维度，都可以成为我们分析的切入点。具体来说，可以从下列维度进行分析。

人事数据分析维度

上面仅仅是罗列了一些常见的人事分析维度，针对具体的业务需求，大家可以搭建自己的分析框架。

洞悉业务背景主要是通过描述性分析来实现的。描述性分析能够直观地展示数据的现状，如入职人数、在职人数、离职人数以及离职率等。同时，我们还可以结合不同的维度进行更深入的分析，以揭示数据背后的规律和趋势。

在拿到一个数据表时，我们首先要做的就是观察和分析其中的字段。哪些字段可以作为分析的维度？哪些字段能够反映数据的核心特征？这些都需要我们认真思考和判断。比如在人事数据分析中，性别、部门、职称、入职离职时间、文化程度和职级等都是重要的分析维度。只有当我们对这些维度有了清晰的认识后，才能准确构建自己的分析框架。

二、了解数据本身：数据可以分为哪几类？

也许有人对“维度”这个概念还不是很熟悉，那么，一起来看对维度的解释。

维度，简而言之，就是可以直接用于分类的要素。比如，性别可以明确分为男生和女生两类，部门可以按照不同的部门名称或职能来分类的。出生日期，作为一个时间型数据，可以按照年份、月份等时间单位进行分类统计。

然而，并不是所有数据都像性别或日期那样容易分类。比如数值型数据中的工资，由于每个人的工资都可能不同，因此很难将工资直接归为一个类别。这类数值型数据通常是离散型的，不太适合直接进行分类。

那应该怎么办呢？不用担心，在Fine BI中，这个问题很好解决。

FineBI是一款功能强大的国产商业智能工具，它可以完美适配多样化的复杂数据可视化场景，从揭示数据分布的细节，到追踪时间序列的波动，再到呈现地理信息的可视化，FineBI均能呈献专业而高效的处理方式。同时，Fine BI门槛较低，无需深厚的编程基础即可上手。利用FineBI，企业和个人都得以更高效地处理各类数据可视化任务，不仅优化了工作流程，还确保了决策的精确性。

FineBI

在Fine BI中，我们通常会将数据分为三大类：日期型、文本型和数值型。这里的分类是针对数据分析的常规方式而言的。现在，我们具体来谈谈这三种类型。

日期型数据：如出生日期，是典型的时间相关数据。
文本型数据：包含了大量的非数值信息，如部门名称、员工姓名等。
数值型数据：虽然直接在我们的数据表中可能不总是以显式的形式出现，但当我们将数据导入Fine BI 时，系统会默认生成一个名为“记录数”的数值型字段，这个字段代表了数据表中的记录条数，是一个隐藏的数值型数据。

说到这里，大家可能会觉得奇怪：为什么我的数据表里似乎没有明确的数值型字段呢？其实，记录数就是一种数值型数据，它在数据分析中扮演着重要角色。

可以说，在Fine BI中，无论是日期型、文本型还是隐含的记录数，都是可以进行分析的维度。要强调的是，这些维度是我们制定分析计划的基础。基于对这些维度的理解，我们可以结合业务知识来制定具体的分析目标。

三、制定分析计划：选择哪些数据呈现方式？

关于数据的呈现方式。我们通常会使用各种图表来直观地展示数据分析结果。

比如KPI指标卡可以用来突出显示关键数据；饼图则适合展示不同类别的占比情况；而组合图则可以同时展示多个指标的趋势和对比情况。通过选择合适的图表类型并结合清晰的数据分析思路，我们可以更好地向领导汇报工作成果并辅助决策制定。

当我们要观察整体趋势，特别是在一个完整时间段内离职率是如何变化的，我们通常会用折线图来展示这种走势。下图是制定分析计划时的一个考虑点，不过，这个计划并非固定不变，它取决于你的分析意图和你想从哪些角度去探索数据。基于同一份数据，不同的人可能会设计出不同的分析计划，这是完全正常的。因此，在处理自己业务上的数据时，先制定一个计划，明确分析的目标和步骤，是必须要做的。

数据分析计划

四、数据准备和加工：如何对数据进行明细过滤？

接下来，进入数据准备和加工的环节。之前已经提到过，我们的数据来源于原始区，但为了满足分析需求，我们需要对数据进行一系列的加工处理。在这个过程中，自助数据集是一个非常重要的工具，它允许我们灵活地处理和转换数据。在创建自助数据集时，我们可能会用到上下合并或左右合并等功能.

此外，为了得到特定的指标，如离职期间、在职期末等，我们还需要对数据进行明细过滤。这个过滤过程不仅是为了筛选出我们需要的数据，还涉及到参数传递的概念，这在动态展示不同条件下的数据时非常有用。下面是具体的过滤过程。

（1）离职信息过滤

先复制一份原始数据表，然后在这份复制的数据表中只保留离职相关的信息。通过字段筛选的方式去掉入职日期和员工状态等不需要的列，只保留离职日期和能够唯一标识员工的字段。这样处理后，可以得到一个只包含离职员工信息的表。

接下来，针对这个只包含离职员工信息的表进行过滤，筛选出离职日期非空的记录，即实际已经离职的员工。然后，给这些记录打上“离职”的标签，以便后续分析。

（2）入职信息过滤

同样地，为了得到入职员工的信息，需要回到原始数据表，但这次只需保留入职日期相关的信息，并去掉离职日期和员工状态等列。这样处理后，就可以得到一个只包含入职员工信息的表。

通过上述这样的场景洞悉、维度分析、计划制定和数据准备、加工的流程，我们就可以灵活、方便地借助BI智能分析工具对人事数据进行分析了。下图便是试用FineBI制作的员工离职分析看板，无论是统计离职率、入职率还是分析其他与员工流动相关的指标，利用好BI工具都让分析会变得更加简单和直观，最终得到高质量、高价值的数据分析结果，制定相应的应对策略。

人事数据分析

帆软软件深耕数字行业，能够凭借强大的产品，为企业快速搭建报表系统与数据分析平台。旗下产品FineBI——市场占有率第一的BI数据分析软件，旨在帮助企业的业务人员充分了解和利用他们的数据，加速企业数字化转型，提升市场竞争力。得益于FineBI强劲的大数据分析功能，用户只需简单拖拽便能制作出丰富多样的数据可视化信息，自由地对数据进行分析和探索。