最近,某家公司被讨论的沸沸扬扬:
上一个被如此讨论的还是某个带颜色的自行车,结果大家也知道了,维稳而已。
不知道大家有没有听过一个段子,入职3天,公司倒闭了,由此,我想到了一个话题:如果可以提前知道什么样的公司会被淘汰,哪些因素会使员工离职,是不是能起到一些帮助?
这也就是我们所说的人力数据分析,只不过扩大到了另一个层面。
我们通过收集到相关的数据,然后做出可视化,就可以得到结果了。
一、数据来源
根据各大数据网站的项目或者数据集,还有一些专业的统计网站,有些是现成的,也有些是需要通过python来处理的,最后就可以获取到这些数据了。
二、数据处理
通常,清理数据需要大量的工作,并且可能是一个非常繁琐的过程。
这个数据集的获取过程是靠谱的,相对而言很干净,不含缺失值。但是,我仍然需要检查数据集,以确保所有其他内容都是可读的,并且观察值与特征名称适当地匹配。
三、数据可视化
这就到了比较关键的一步了。
一般来说,做可视化需要学习Numpy,pandas,matplotlib几个包的使用,而且过程还是比较复杂的:
于是,BI工具做可视化就出现了,像FineBI一样简单地做可视化,这才是上手快速简单的那个:
接下来就是用FineBI对整个数据进行分析了,首先设立分析目标:
整体概况:分析每年被淘汰的公司总数、不同省市的情况、背后的原因等
特定分析:抽取发达地区北、上、广作进一步的分析,主要淘汰的行业;公司类型
1、各年份被淘汰的公司总数对比
从数据上来看,是个转折,那么问题来了,到底发生了什么?如果统计项多一个的话,我相信这个柱状图会更高。
2、被淘汰公司的倒闭时间集中在所在的月份
总体来看-期间被淘汰的公司集中在7月、8月以及12月倒闭,这也是符合规律的:年底经营不善,在年中的时候遇到困难找不到新人等。
为何会受到这种影响?如果数据集没有问题那么需要结合当年的经济情况来看。
3、被淘汰公司的主要原因
“我也不知道我是怎么没的”,可能这就是命吧。
除了倒闭原因不明之外,商业模式匮乏,也是一个值得引起注意的地方,这也是很多企业的痛点。
4、经济发达地区被淘汰的公司总数最多的行业分析
为了产生对比,我用python的可视化库技术做了一个:
是不是觉得比FineBI的可视化要弱不少?美观上就少了不少。
言归正传,找工作要避开这些坑,有人会问,那还有别的行业了吗?
这其实,被淘汰得越多,就说明这一行的竞争越多,就说明越有做的意义,空间和泡沫是成正比的。
其实人力资料分析也是要做的点,与其让员工来几天就走人,不如做好自身的改变。
总得来说,公司、员工都是需要对对方有个明确的了解,这就可以通过FineBI工具进行大数据分析得来。