本文分析利用IBM离职员工数据进行分析。在对离职率的影响因素进行观察的基础至上，建立模型并预测哪些员工更易离职。
一般而言，数据分析分为三个步骤：数据收集与清洗、探索性分析和建模预测。本文的数据集是IBM用于研究员工预测的 模拟数据 ，数据十分完整，无需清洗。因此，本文主要分为三个部分：
通过对IBM离职员工数据实践，本文希望发掘出影响员工流失的因素，并对利用R语言进行数据分析过程进行复习，深化对数据分析工作意义的理解。
IBM离职员工数据集共有35个变量，1470个观测个案。部分需要重点关注的变量如下：
上述变量可以分为三个部分：
载入分析包和数据集
通过描述性统计可以初步观测到：
分析结果：
基于对数据的探索性分析，员工离职有多方面因素的影响，主要有：
1.工作与生活的不平衡——加班、离家远和出差等；
2.工作投入如果不能获得相匹配的回报，员工更倾向离职；
3.优先股认购等福利是员工较为关注的回报形式；
4.年龄、任职过的公司数量的因素也会影响员工离职率；
删除需要的变量：EmployeeCount, EmployeeNumber, Over18, StandardHours
变量重新编码：JobRole, EducationFiled
分析结果表明：
随机森林所得的AUC值为0.5612，小于决策树模型。
GBM模型得到的AUC值为0.5915
对于对于随机森林和GBM的方法，AUC值小于单一决策树模型的AUC值的情况较少见，这显然说明单一的树拟合得更好或者更稳定的情况。（一般需要得到AUC值大于0.75的模型）
当结果分类变量之间的比列是1：10或者更高的时候，通常需要考虑优化模型。本例中，离职变量的比列是1：5左右，但仍然可能是合理的，因为在决策树中看到的主要问题是预测那些实际离开的人（敏感度）。
加权旨在降低少数群体中的错误，这里是离职群体。
向上采样（up-sampling）指从多数类中随机删除实例。
向下采样（down-sampling）指从少数类中复制实例。
分析结果表明：
加权调整的模型表现最好，相比较于单纯的随机森林和GBM模型，AUC值从0.5612上升至0.7803，灵敏度也达到了0.7276。据此，后续将采用加权调整后的模型进行预测。
已经训练出一个表现较好的模型。将其应用于实践时，需要注意以下几个方面：
可以观察到影响员工流失的前5个因素是：
因此，在实践中就需要注意：
本例中对工作投入高、收入低的员工进行预测。
本例分析仍有需要足够完善的地方，还可以往更多更有意义的地方探索：
1、技能一：理解数据库。
还以为要与文本数据打交道吗？答案是：NO！进入了这个领域，你会发现几乎一切都是用数据库 来存储数据，如MySQL，Postgres，CouchDB，MongoDB，Cassandra等。理解数据库并且能熟练使用它，将是一个基础能力。
2、技能二：掌握数据整理、可视化和报表制作。
数据整理，是将原始数据转换成方便实用的格式，实用工具有DataWrangler和R。数据可视化，是创建和研究数据的视觉表现，实用工具有ggvis，D3，vega。数据报表是将数据分析和结果制作成报告。也是数据分析师的一个后续工作。这项技能是做数据分析师的主要技能。可以借助新型软件帮助自己迅速学会分析。
3、技能三：懂设计
说到能制作报表成果，就不得不说说图表的设计。在运用图表表达数据分析师的观点时，懂不懂设计直接影响到图形的选择、版式的设计、颜色的搭配等，只有掌握设计原则才能让结果一目了然。否则图表杂乱无章，数据分析内容不能良好地呈现出来，分析结果就不能有效地传达。
4、技能四：几项专业技能
统计学技能——统计学是数据分析的基础，掌握统计学的基本知识是数据分析师的基本功。从数据采集、抽样到具体分析时的验证探索和预测都要用到统计学。
社会学技能——从社会化角度看，人有社会性，收群体心理的影响。数据分析师没有社会学基本技能，很难对市场现象做出合理解释。
另外，最好还能懂得财务管理知识和心理学概况。这些都将会使你做数据分析的过程更容易。
5、技能五：提升个人能力。
有了产品可以将数据展示出来，还需要具备基本的分析师能力。首先，要了解模型背后的逻辑，不能单纯地在模型中看，而要放到整个项目的上下文中去看。要理解数据的信息，形成一个整体系统，这样才能够做好细节。另外，与数据打交道，细心和耐心也是必不可少的。
6、技能六：随时贴近数据文化
拥有了数据分析的基本能力，还怕不够专业？不如让自己的生活中充满数据分析的气氛吧！试着多去数据分析的论坛看看，多浏览大数据知识的网站，让自己无时无刻不在进步，还怕不能学会数据分析吗？
拥有这些技能，再去做数据分析，数据将在你手里变得更亲切，做数据分析也会更简单更便捷，速成数据分析师不再遥远。
扩展资料：
企业对数据分析师的基础技能需求差别不大，可总结如下：
SQL数据库的基本操作，会基本的数据管理
会用Excel/SQL做基本的数据分析和展示
会用脚本语言进行数据分析，Python or R
有获取外部数据的能力，如爬虫
会基本的数据可视化技能，能撰写数据报告
熟悉常用的数据挖掘算法：以回归分析为主
参考资料：数据分析师_百度百科
可以调查下员工的工作满意度，从几个维度，比如工作挑战，工作薪酬，工作环境，再从以往离职人员的离职原因进行归纳，看看他们的匹配度，再给那几个维度添上比重，比如工作薪酬占的比重比较大，那么满意度比重，得分越高越不容易离职，从而预测离职率。
现在很多公司通过做测评可以察觉一个人的工作动机，结合图片，举个例子：
从上面这张截图截图可以看出，此人动机中需求最高的是财富和权力，说明他对金钱财富与权力掌控的欲望非常强烈，很想做官或管理层；最低的创新和工作分最低，说了他目前的工作状态不是很好，比较急功近利，而且又不愿意过多的付出，在工作中并不开心。因此可以看出其离职概率很高。
员工离职前的10大征兆：
1、上网另投简历
2、参与度减少
3、工作效率变低
4、办公室恐惧症
5、比较各家公司
6、仪容仪表问题
7、经常往家搬东西，收拾自己的东西
8、频繁请假
9、和周围人的关系不再象以前那样
离职原因大体有以下几方面：
1、感觉个人在公司发展的空间有限；
2、薪酬待遇与个人期望值有较大差距；
（注：待遇比同地区同岗位平均水平低15%-20%，员工将对公司产生抱怨；待遇比同地区同岗位平均水平低25%，员工将极有可能选择离职）
3、员工与领导层之间的互相信用程度较差，员工与上司不容易沟通，想法得不到上司重视；
4、与领导人在公司理念上产生分歧（这条大都发生在企业高层离职上）；
5、企业人际关系过于复杂，导致员工情绪低落、心情郁闷；
6、公司发生改制、股东或主要经营者更换等，被调整离职；
7、个人原因（如自己选择创业、离开企业所在城市、出国、考研等）选择离职；
8、公司对员工的职业生涯规划不清晰，在员工晋升、培训、薪酬增幅、激励、承担更多工作责任方面与个人期望值有较大差距，员工感觉到成长机会较少而选择离职；
9、办公环境不佳，如有辐射、噪音、被动吸二手烟等；（这一项在女性离职原因中占有一定比例）；
10、合同期满或项目（工程）到期。
