最近，某家公司被討論的沸沸揚(yáng)揚(yáng)：

上一個(gè)被如此討論的還是某個(gè)帶顏色的自行車，結(jié)果大家也知道了，維穩(wěn)而已。

不知道大家有沒有聽過一個(gè)段子，入職3天，公司倒閉了，由此，我想到了一個(gè)話題：如果可以提前知道什么樣的公司會(huì)被淘汰，哪些因素會(huì)使員工離職，是不是能起到一些幫助?

這也就是我們所說的人力數(shù)據(jù)分析，只不過擴(kuò)大到了另一個(gè)層面。

我們通過收集到相關(guān)的數(shù)據(jù)，然后做出可視化，就可以得到結(jié)果了。

一、數(shù)據(jù)來源

根據(jù)各大數(shù)據(jù)網(wǎng)站的項(xiàng)目或者數(shù)據(jù)集，還有一些專業(yè)的統(tǒng)計(jì)網(wǎng)站，有些是現(xiàn)成的，也有些是需要通過python來處理的，最后就可以獲取到這些數(shù)據(jù)了。

二、數(shù)據(jù)處理

通常，清理數(shù)據(jù)需要大量的工作，并且可能是一個(gè)非常繁瑣的過程。

這個(gè)數(shù)據(jù)集的獲取過程是靠譜的，相對而言很干凈，不含缺失值。但是，我仍然需要檢查數(shù)據(jù)集，以確保所有其他內(nèi)容都是可讀的，并且觀察值與特征名稱適當(dāng)?shù)仄ヅ洹?/p>

三、數(shù)據(jù)可視化

這就到了比較關(guān)鍵的一步了。

一般來說，做可視化需要學(xué)習(xí)Numpy，pandas，matplotlib幾個(gè)包的使用，而且過程還是比較復(fù)雜的：

于是，BI工具做可視化就出現(xiàn)了，像FineBI一樣簡單地做可視化，這才是上手快速簡單的那個(gè)：

接下來就是用FineBI對整個(gè)數(shù)據(jù)進(jìn)行分析了，首先設(shè)立分析目標(biāo)：

整體概況：分析每年被淘汰的公司總數(shù)、不同省市的情況、背后的原因等

特定分析：抽取發(fā)達(dá)地區(qū)北、上、廣作進(jìn)一步的分析，主要淘汰的行業(yè);公司類型

1、各年份被淘汰的公司總數(shù)對比

從數(shù)據(jù)上來看，2017年是個(gè)轉(zhuǎn)折，那么問題來了，2017年到底發(fā)生了什么?如果統(tǒng)計(jì)項(xiàng)多一個(gè)20年的話，我相信這個(gè)柱狀圖會(huì)更高。

2、被淘汰公司的倒閉時(shí)間集中在所在的月份

總體來看2016年-2018年期間被淘汰的公司集中在7月、8月以及12月倒閉，這也是符合規(guī)律的：年底經(jīng)營不善，在年中的時(shí)候遇到困難找不到新人等。

為何會(huì)受到這種影響?如果數(shù)據(jù)集沒有問題那么需要結(jié)合當(dāng)年的經(jīng)濟(jì)情況來看。

3、被淘汰公司的主要原因

“我也不知道我是怎么沒的”，可能這就是命吧。

除了倒閉原因不明之外，商業(yè)模式匱乏，也是一個(gè)值得引起注意的地方，這也是很多企業(yè)的痛點(diǎn)。

4、經(jīng)濟(jì)發(fā)達(dá)地區(qū)被淘汰的公司總數(shù)最多的行業(yè)分析

為了產(chǎn)生對比，我用python的可視化庫技術(shù)做了一個(gè)：

是不是覺得比FineBI的可視化要弱不少?美觀上就少了不少。

言歸正傳，找工作要避開這些坑，有人會(huì)問，那還有別的行業(yè)了嗎?

這其實(shí)，被淘汰得越多，就說明這一行的競爭越多，就說明越有做的意義，空間和泡沫是成正比的。

其實(shí)人力資料分析也是要做的點(diǎn)，與其讓員工來幾天就走人，不如做好自身的改變。

總得來說，公司、員工都是需要對對方有個(gè)明確的了解，這就可以通過FineBI工具進(jìn)行大數(shù)據(jù)分析得來。