Kaggle IBM HR dataset

1. Kaggle data analysis case report :
IBM HR Analytics Employee
Attrition & Performance
報告⼈ : 李佳勳
2018.9.5
資料來源網址：HTTPS://WWW.KAGGLE.COM/SHUCHIRB/IBM-ATTRITION-ANALYSIS
資料附檔名：WA_FN-USEC_-HR-EMPLOYEE-ATTRITION.CSV

2. ⼀、欄位描述：
35 個變數、1470筆資料
⼆、分析動機與⽬的:
了解⼈員離職與留任的原因作為未來發展⽤⼈策略
三、分析敘述與研究步驟:
step 1 資料預處理 1.欄位定義
2.正規化 (字串轉換值, 或補值)、相關係數、單因⼦變異數分析、
ANOVA
step 2 分析 3.KMEANS
4.CHAID
5.Appriroi
step 3 結論與建議 6.與 Kaggle 等⽂獻比較結論是否有差異或不⾜
7.建議

3. step 1 資料預處理
✓清查35 個變數、1470筆資料作資料理解，資料類別包括demography類, 薪酬福利類 ⼯作經歷跟
⼯作價值觀
✓依資料分布可勾勒出IBM公司員⼯樣貌，年齡18-37、R&D部⾨員⼯占多數，教育背景是⽣命科
學、教育程度中等及以上是⼤宗，尤其是績效表現在1 'Low' 2 'Good' 根本無數量顯⽰IBM 多為⾼
階⼈才. 根據任職年數、⽬前職務⾓⾊年數、與⽬前主管共事年數、曾任職公司數等數據資料，員⼯
是新鮮⼈的比例相當⾼.
✓以Attrition是否在職/離職率作為因變數、其他為⾃變數進⾏分析
✓單因⼦變異數分析、ANOVA、回歸、3D散步圖顯⼯作年數、性別、職務⾓⾊、職務階級、婚姻狀
態、前⼀年度教育訓練時間、績效表現、教育科系/類別、員⼯所屬部⾨、前⼀年度教育訓練時間、⼈
際關係滿意度..等與離職與留任無相關
✓以相關係數展開，並觀察前10⼤細項資料分布

4. Correlation

6. KMEANS

7. KMEANS

8. CHAID (first round)

9. CHAID (2nd round)

10. CHAID

11. CHAID

12. CHAID

13. Appriori

14. Appriori

15. Appriori

16. 結論與建議
• IBM員⼯多為⾼階⼈才，⾃我要求⾼所以⼯作投入程度⾼，績效表現也⾼，但以情
感聯繫來看，年輕員⼯會比較勇於挑戰⽽轉職機會也較多，倘若激勵因⼦不彰，則
年輕員⼯在收入較低、未婚跟主管共事都不長也不⽤顧念⼈情狀況下，年輕員⼯離
職機率會較⾼。
• 反觀不易離職的特徵，在職年資累績、已婚(甚⾄失婚)、沒加班等是IBM 可以營造
的⼯作環境跟選⼈策略保健因⼦(赫茲伯格)，另可以打破業界慣例讓新⼈在拚搏第
0,1年就有機會拿stock option，也會是有效的激勵因⼦。