CDA數(shù)據(jù)分析師 出品

作者：真達(dá)、Mika

數(shù)據(jù)：真達(dá)

后期：澤龍

【導(dǎo)讀】

今天教大家如何用Python寫一個(gè)員工流失預(yù)測模型。Show me data，用數(shù)據(jù)說話。我們聊一聊員工離職，說到離職的原因，可謂多種多樣。人們歸總了兩點(diǎn)：

1. 錢沒給到位

2. 心受委屈了

有人離職是因?yàn)椤笆澜缒敲创?，我想去看看”，也有人覺得“懷有絕技在身，不怕天下無路”。

另一方面，員工離職對于企業(yè)而言有什么影響呢？

要知道，企業(yè)培養(yǎng)人才需要大量的成本，為了防止人才再次流失，員工流失分析就顯得十分重要了。這不僅僅是公司評估員工流動率的過程，通過找到導(dǎo)致員工流失的主要因素，預(yù)測未來的員工離職狀況，從而進(jìn)一步減少員工流失。

那么，哪些因素最容易導(dǎo)致員工離職呢？

這次我們用數(shù)據(jù)說話，

教你如何用Python寫一個(gè)員工流失預(yù)測模型。

01、數(shù)據(jù)理解

我們分析了kaggle平臺分享的員工離職相關(guān)的數(shù)據(jù)集，共有10個(gè)字段14999條記錄。數(shù)據(jù)主要包括影響員工離職的各種因素（員工滿意度、績效考核、參與項(xiàng)目數(shù)、平均每月工作時(shí)長、工作年限、是否發(fā)生過工作差錯(cuò)、5年內(nèi)是否升職、部門、薪資）以及員工是否已經(jīng)離職的對應(yīng)記錄。字段說明如下：

02、讀入數(shù)據(jù)

# 讀入數(shù)據(jù) df = pd.read_csv('HR_comma_sep.csv')
df.head() 

# 讀入數(shù)據(jù) df = pd.read_csv('HR_comma_sep.csv')
df.head() 

# 讀入數(shù)據(jù) df = pd.read_csv('HR_comma_sep.csv')
df.head() 

# 查看缺失值 print(df.isnull().any().sum()) 

# 查看缺失值 print(df.isnull().any().sum()) 

# 查看缺失值 print(df.isnull().any().sum()) 

可以發(fā)現(xiàn)，數(shù)據(jù)質(zhì)量良好，沒有缺失數(shù)據(jù)。

03、探索性分析

描述性統(tǒng)計(jì)

df.describe().T

從上述描述性分析結(jié)果可以看出：

• 員工滿意度：范圍0.09~1, 中位數(shù)0.640, 均值0.613, 總體來說員工對公司比較滿意；
• 績效考核：范圍0.36~1, 中位數(shù)0.72, 均值0.716, 員工平均考核水平在中等偏上；
• 參與項(xiàng)目數(shù)：范圍2~7, 中位數(shù)4, 均值3.8, 平均參加項(xiàng)目數(shù)約4個(gè)；
• 平均每月工作時(shí)長：范圍96~310小時(shí), 中位數(shù)200, 均值201。
• 工作年限：范圍2~10年, 中位數(shù)3, 均值3.5。

離職人數(shù)占比

整理數(shù)據(jù)后發(fā)現(xiàn)，總共有14999人，其中紅色部分代表離職人群，用數(shù)字1表示，藍(lán)色為未離職人群，用數(shù)字0表示。離職人數(shù)為3571，占總?cè)藬?shù)的23.8%。

員工滿意度

從直方圖可以看出，離職員工的滿意度評分明顯偏低，平均值為0.44。滿意度低于0.126分的離職率為97.2%?？梢娞嵘龁T工滿意度可以有效防止人員流失。

df.groupby('left')['satisfaction_level'].describe() 

def draw_numeric_graph(x_series, y_series, title):     # 產(chǎn)生數(shù)據(jù)     sat_cut = pd.cut(x_series, bins=25) 
    cross_table = round(pd.crosstab(sat_cut, y_series, normalize='index'),4)*100     x_data = cross_table.index.astype('str').tolist()
    y_data1 = cross_table[cross_table.columns[1]].values.tolist()
    y_data2 = cross_table[cross_table.columns[0]].values.tolist() 

    # 條形圖     bar = Bar(init_opts=opts.InitOpts(width='1350px', height='750px'))
    bar.add_xaxis(x_data)
    bar.add_yaxis(str(cross_table.columns[1]), y_data1, stack='stack1', category_gap='0%')
    bar.add_yaxis(str(cross_table.columns[0]), y_data2, stack='stack1', category_gap='0%')
    bar.set_global_opts(title_opts=opts.TitleOpts(title), 
                        xaxis_opts=opts.AxisOpts(name=x_series.name, name_location='middle', name_gap=30),
                        yaxis_opts=opts.AxisOpts(name='百分比', name_location='middle', name_gap=30, min_=0, max_=100),
                        legend_opts=opts.LegendOpts(orient='vertical', pos_top='15%', pos_right='2%'))
    bar.set_series_opts(label_opts=opts.LabelOpts(is_show=False), 
                        itemstyle_opts=opts.ItemStyleOpts(border_color='black', border_width=0.3))
    bar.set_colors(['#BF4C51', '#8CB9D0']) 

    return bar 

bar1 = draw_numeric_graph(df['satisfaction_level'], df['left'], title='滿意度評分與是否離職')
bar1.render() 

績效考核

平均來看，績效考核成績在離職/未離職員工之間差異不大。在離職員工中，績效考核低、能力不夠和績效考核較高但工作壓力大、滿意度低、對薪資不滿意可能成為離職的原因。

平均每月工作時(shí)長

從直方圖可以看出，月工作時(shí)長正常的員工離職率最低。而工時(shí)過低、過高的員工離職人數(shù)最多。證明恰當(dāng)?shù)墓ぷ魅蝿?wù)分配是非常重要的。

參加項(xiàng)目數(shù)

從圖中可以看出：除項(xiàng)目數(shù)為2以外，隨著項(xiàng)目數(shù)的增多，離職率在增大，且項(xiàng)目數(shù)是7的時(shí)候，離職率達(dá)到了100%以上。綜上兩點(diǎn)，項(xiàng)目數(shù)2的離職率高，可能是這部分人工作能力不被認(rèn)可。項(xiàng)目數(shù)6、7的總體少，離職率高，體現(xiàn)了他們的工作能力強(qiáng)，但同時(shí)工作壓力太大導(dǎo)致他們離職。

員工工齡

可以看到7年及以上工齡的員工基本沒有離職，只有工齡為5年的員工離職人數(shù)超過在職人數(shù)。可見工齡長于6年的員工，由于種種原因，其“忠誠度”較高。

而員工進(jìn)入公司工作的第5年是一個(gè)較為“危險(xiǎn)”的年份，也許是該企業(yè)的“5年之癢”，應(yīng)當(dāng)重點(diǎn)關(guān)注該階段的員工滿意度、職業(yè)晉升等情況，以順利過渡。

工作事故

從圖中可看出，是否發(fā)生工作事故對員工離職的影響較小，可推測該企業(yè)處理工作事故的方式有可取之處。

職位晉升

從條形圖可以看出，在過去5年內(nèi)獲得未晉升的員工離職率為24.2%，比獲得晉升的員工高4倍。設(shè)定良好的晉升通道可以很好的防止員工流失。

薪資水平

可明顯看出，薪資越高離職人數(shù)越少。證明為了減少離職率，提升員工福利待遇是一個(gè)可行的手段。

不同部門

可見各部門離職率如上圖，離職率由高到低，前三位分別是：人力部、財(cái)務(wù)部、科技部。之后依次是：支持部、銷售部、市場部、IT部門、產(chǎn)品部、研發(fā)部、管理部。對于離職率過高的部門，應(yīng)進(jìn)一步分析關(guān)鍵原因。

04、數(shù)據(jù)預(yù)處理

由于sklearn在建模時(shí)不接受類別型變量，我們主要對數(shù)據(jù)做以下處理，以方便后續(xù)建模分析：

• 薪資水平salary為定序變量, 因此將其字符型轉(zhuǎn)化為數(shù)值型。
• 崗位是定類型變量, 對其進(jìn)行one-hot編碼。

# 數(shù)據(jù)轉(zhuǎn)換 df['salary'] = df['salary'].map({"low": 0, "medium": 1, "high": 2}) # 啞變量 df_dummies = pd.get_dummies(df,prefix='sales')
df_dummies.head() 

05、建模分析

我們使用決策樹和隨機(jī)森林進(jìn)行模型建置，首先導(dǎo)入所需包：

from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, f1_score, roc_curve, plot_roc_curve

然后劃分訓(xùn)練集和測試集，采用分層抽樣方法劃分80%數(shù)據(jù)為訓(xùn)練集，20%數(shù)據(jù)為測試集。

train_pred = GS.best_estimator_.predict(X_train)
test_pred = GS.best_estimator_.predict(X_test) print('訓(xùn)練集：', classification_report(y_train, train_pred)) print('-' * 60)  print('測試集：', classification_report(y_test, test_pred))

決策樹

我們使用決策樹進(jìn)行建模，設(shè)置特征選擇標(biāo)準(zhǔn)為gini，樹的深度為5。輸出分類的評估報(bào)告：

# 訓(xùn)練模型 clf = DecisionTreeClassifier(criterion='gini', max_depth=5, random_state=25)
clf.fit(X_train, y_train)
train_pred = clf.predict(X_train)
test_pred = clf.predict(X_test)   print('訓(xùn)練集：', classification_report(y_train, train_pred)) print('-' * 60)  print('測試集：', classification_report(y_test, test_pred))

訓(xùn)練集：               precision    recall  f1-score   support            0       0.98      0.99      0.98      9142            1       0.97      0.93      0.95      2857     accuracy                           0.98     11999    macro avg       0.97      0.96      0.97     11999 weighted avg       0.98      0.98      0.97     11999 ------------------------------------------------------------ 測試集：               precision    recall  f1-score   support            0       0.98      0.99      0.98      2286            1       0.97      0.93      0.95       714     accuracy                           0.98      3000    macro avg       0.97      0.96      0.97      3000 weighted avg       0.98      0.98      0.98      3000 

假設(shè)我們關(guān)注的是1類（即離職類）的F1-score,可以看到訓(xùn)練集的分?jǐn)?shù)為0.95，測試集分?jǐn)?shù)為0.95。

# 重要性 imp = pd.DataFrame([*zip(X_train.columns,clf.feature_importances_)], columns=['vars', 'importance'])
imp.sort_values('importance', ascending=False)  
imp = imp[imp.importance!=0]
imp 

在屬性的重要性排序中，員工滿意度最高，其次是最新的績效考核、參與項(xiàng)目數(shù)、每月工作時(shí)長。

然后使用網(wǎng)格搜索進(jìn)行參數(shù)調(diào)優(yōu)。

parameters = {'splitter':('best','random'),
              'criterion':("gini","entropy"),
              "max_depth":[*range(1, 20)],
             }

clf = DecisionTreeClassifier(random_state=25)
GS = GridSearchCV(clf, parameters, cv=10)
GS.fit(X_train, y_train) print(GS.best_params_) print(GS.best_score_) 

{'criterion': 'gini', 'max_depth': 15, 'splitter': 'best'}
0.9800813177648042

使用最優(yōu)的模型重新評估訓(xùn)練集和測試集效果：

train_pred = GS.best_estimator_.predict(X_train)
test_pred = GS.best_estimator_.predict(X_test) print('訓(xùn)練集：', classification_report(y_train, train_pred)) print('-' * 60)  print('測試集：', classification_report(y_test, test_pred))

訓(xùn)練集：               precision    recall  f1-score   support            0       1.00      1.00      1.00      9142            1       1.00      0.99      0.99      2857     accuracy                           1.00     11999    macro avg       1.00      0.99      1.00     11999 weighted avg       1.00      1.00      1.00     11999 ------------------------------------------------------------ 測試集：               precision    recall  f1-score   support            0       0.99      0.98      0.99      2286            1       0.95      0.97      0.96       714     accuracy                           0.98      3000    macro avg       0.97      0.98      0.97      3000 weighted avg       0.98      0.98      0.98      3000 

可見在最優(yōu)模型下模型效果有較大提升，1類的F1-score訓(xùn)練集的分?jǐn)?shù)為0.99，測試集分?jǐn)?shù)為0.96。

隨機(jī)森林

下面使用集成算法隨機(jī)森林進(jìn)行模型建置，并調(diào)整max_depth參數(shù)。

rf_model = RandomForestClassifier(n_estimators=1000, oob_score=True, n_jobs=-1, 
                                  random_state=0)
parameters = {'max_depth': np.arange(3, 17, 1) }
GS = GridSearchCV(rf_model, param_grid=parameters, cv=10)
GS.fit(X_train, y_train) print(GS.best_params_)  print(GS.best_score_) 

{'max_depth': 16} 0.988582151793161

train_pred = GS.best_estimator_.predict(X_train)
test_pred = GS.best_estimator_.predict(X_test) print('訓(xùn)練集：', classification_report(y_train, train_pred)) print('-' * 60)  print('測試集：', classification_report(y_test, test_pred))

訓(xùn)練集：               precision    recall  f1-score   support            0       1.00      1.00      1.00      9142            1       1.00      0.99      0.99      2857     accuracy                           1.00     11999    macro avg       1.00      1.00      1.00     11999 weighted avg       1.00      1.00      1.00     11999 ------------------------------------------------------------ 測試集：               precision    recall  f1-score   support            0       0.99      1.00      0.99      2286            1       0.99      0.97      0.98       714     accuracy                           0.99      3000    macro avg       0.99      0.99      0.99      3000 weighted avg       0.99      0.99      0.99      3000

可以看到在調(diào)優(yōu)之后的隨機(jī)森林模型中，1類的F1-score訓(xùn)練集的分?jǐn)?shù)為0.99，測試集分?jǐn)?shù)為0.98。

模型后續(xù)可優(yōu)化方向：

• 屬性：數(shù)值型數(shù)據(jù)常常是模型不穩(wěn)定的來源，可考慮對其進(jìn)行分箱；重要屬性篩選和字段擴(kuò)充；
• 算法：其他的集成方法；不同效能評估下的作法調(diào)整。