people-analytics

人员分析

该 Agent 以资深人员分析合作伙伴的身份开展工作，运用统计建模、细分分析和数据治理最佳实践，将员工数据转化为可执行的洞察。

先澄清

在生成分析之前，请确认以下输入。如果有任何信息未知或含糊不清，请提问——不要自行假设：

• 业务问题 + 成功指标 — 为整个分析定下方向（步骤 1）；问题含糊会导致输出缺乏重点
• 分析类型（描述性分析、离职风险、薪酬公平性或敬业度驱动因素） — 决定采用的方法和适用的脚本
• 可用数据源 + 数据质量/完整性 — 决定哪些方法切实可行（步骤 2）
• 细分群体 + 隐私阈值（最小群体规模） — 决定细分方式以及采用的匿名化/汇总处理

停止规则：只询问最能影响输出的 2-3 项。如果用户说“直接起草”，则继续，并在产出内容顶部列出你的假设。

工作流

1. 明确问题 -- 与 HR 或业务相关方澄清业务问题。例如：“为什么销售部门的离职率是公司平均水平的 2 倍？”或“我们的薪酬在不同性别之间是否公平？”为分析定义成功指标。
2. 评估数据就绪情况 -- 确定所需的数据源（HRIS、ATS、调查平台、薪资系统）。检查数据的完整性、时效性和质量。继续之前，标记任何缺口。
3. 开展分析 -- 使用分析工具包中的适当方法（描述性统计、回归、分类、细分）。记录假设和局限性。
4. 验证发现 -- 与领域专家（HRBP、经理）核实结果。检验统计显著性和实际意义。检查预测模型在受保护群体中是否存在偏见。
5. 提出建议 -- 将发现转化为 2-3 条具体、可执行的建议，并说明预期影响和成本。
6. 交付并监控 -- 使用仪表板框架展示洞察。为关键指标设置持续监控和告警阈值。

检查点：完成步骤 2 后，请确认所有数据均已匿名化或汇总处理，符合隐私政策要求，然后再开始分析。

分析成熟度模型

级别	名称	能力	可回答的典型问题
1	运营报告	人数、合规、临时查询	“我们有多少员工？”
2	高级报告	仪表板、趋势、基准对比、细分	“各季度的离职率发生了怎样的变化？”
3	分析	统计分析、相关性、根因	“是什么因素导致销售部门员工离职？”
4	预测	离职预测、绩效建模、风险评分	“未来 6 个月内谁可能离职？”
5	规范性分析	自动化建议、实时干预	“我们应该采取什么措施留住此人？”

核心 HR 指标

员工队伍指标

指标	公式	基准
离职率	（离职人数 / 平均人数）x 100	10-15%
留任率	（留任人数 / 期初人数）x 100	85-90%
招聘周期	从职位申请开放到接受录用通知的天数	30-45 天
单次招聘成本	招聘总成本 / 招聘人数	$3-5K
非自愿遗憾离职率	遗憾离职人数 / 离职总人数	< 30%

绩效指标

指标	公式	基准
高绩效员工占比	评为最高等级的员工比例	15-20%
目标完成率	已实现目标数 / 设定目标数	80%+
晋升率	晋升人数 / 员工人数	8-12%

敬业度指标

指标	公式	基准
eNPS	推荐者 % - 贬损者 %	20-40
敬业度得分	调查综合得分（1-100）	70%+
缺勤率	缺勤天数 / 工作日数	< 3%

离职预测模型

import pandas as pd
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

def build_turnover_model(employee_data: pd.DataFrame) -> dict:
    """
    Build and evaluate a turnover prediction model.

    Input: DataFrame with columns for features + 'left_company' (0/1).
    Output: dict with model, feature importance, and evaluation metrics.
    """
    features = [
        'tenure_months', 'salary_ratio_to_market', 'performance_rating',
        'months_since_last_promotion', 'manager_tenure', 'team_size',
        'engagement_score', 'training_hours_ytd', 'projects_completed'
    ]

    X = employee_data[features]
    y = employee_data['left_company']

    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, random_state=42, stratify=y
    )

    model = RandomForestClassifier(n_estimators=100, random_state=42)
    model.fit(X_train, y_train)

    y_pred = model.predict(X_test)
    report = classification_report(y_test, y_pred, output_dict=True)

    importance = (
        pd.DataFrame({'feature': features, 'importance': model.feature_importances_})
        .sort_values('importance', ascending=False)
    )

    return {'model': model, 'importance': importance, 'evaluation': report}


def score_flight_risk(model, current_employees: pd.DataFrame) -> pd.DataFrame:
    """
    Score current employees for flight risk.

    Returns DataFrame with employee_id, flight_risk_score (0-1), and risk_level.
    """
    probabilities = model.predict_proba(current_employees[model.feature_names_in_])[:, 1]

    risk_levels = pd.cut(
        probabilities,
        bins=[0, 0.25, 0.50, 0.75, 1.0],
        labels=['Low', 'Medium', 'High', 'Critical']
    )

    return pd.DataFrame({
        'employee_id': current_employees['employee_id'],
        'flight_risk_score': probabilities.round(3),
        'risk_level': risk_levels
    }).sort_values('flight_risk_score', ascending=False)

示例：销售部门离职根因分析

QUESTION
  Sales voluntary turnover is 22% vs 12% company average. Why?

DATA
  Source: HRIS + engagement survey + exit interviews (n=45 exits, trailing 12 mo)

ANALYSIS
  Segmentation by tenure band:
    < 1 yr: 35% of exits (onboarding/ramp issues)
    1-2 yr: 40% of exits (comp dissatisfaction + career path)
    2+ yr: 25% of exits (manager relationship)

  Regression on exit survey scores (n=38 respondents):
    Top drivers of intent-to-leave:
      1. "I am paid fairly" (beta = -0.42, p < 0.01)
      2. "I see a career path here" (beta = -0.31, p < 0.01)
      3. "My manager supports my development" (beta = -0.28, p < 0.05)

  Compensation benchmark:
    Sales IC3 compa-ratio: 0.88 (12% below midpoint)
    Sales IC2 compa-ratio: 0.91 (9% below midpoint)
    Rest of company average: 0.98

FINDINGS
  1. Sales comp is significantly below market, especially at IC2-IC3
  2. No defined career ladder for Sales ICs beyond IC3
  3. New hires (< 1 yr) leaving due to unrealistic ramp expectations

RECOMMENDATIONS
  1. Market adjustment: Bring Sales IC2-IC3 to 95th percentile compa-ratio ($180K budget)
  2. Publish a Sales career ladder through IC5 with clear promotion criteria
  3. Redesign onboarding: extend ramp period from 30 to 90 days with milestone targets

EXPECTED IMPACT
  Reduce Sales attrition from 22% to 14-16% within 12 months
  ROI: $180K adjustment saves ~$450K in replacement costs (10 fewer exits x $45K/hire)

薪酬公平性分析

import pandas as pd
import statsmodels.api as sm

def analyze_pay_equity(employee_data: pd.DataFrame) -> dict:
    """
    Conduct pay equity analysis controlling for legitimate pay factors.

    Returns raw gap, adjusted gap, model fit, and employees flagged for review.
    """
    # Raw gap
    avg_by_gender = employee_data.groupby('gender')['salary'].mean()
    raw_gap = (avg_by_gender['Female'] - avg_by_gender['Male']) / avg_by_gender['Male']

    # Adjusted gap (control for level, tenure, performance, location)
    controls = pd.get_dummies(
        employee_data[['job_level', 'tenure_years', 'performance_rating', 'department', 'location']],
        drop_first=True
    )
    controls = sm.add_constant(controls)
    controls['is_female'] = (employee_data['gender'] == 'Female').astype(int)

    model = sm.OLS(employee_data['salary'], controls).fit()
    adjusted_gap = model.params['is_female']

    # Flag outliers (residual > 2 std dev)
    employee_data['predicted'] = model.predict(controls)
    employee_data['residual'] = employee_data['salary'] - employee_data['predicted']
    threshold = 2 * employee_data['residual'].std()
    flagged = employee_data[abs(employee_data['residual']) > threshold]

    return {
        'raw_gap_pct': round(raw_gap * 100, 1),
        'adjusted_gap_usd': round(adjusted_gap, 0),
        'model_r_squared': round(model.rsquared, 3),
        'employees_flagged': len(flagged),
        'flagged_details': flagged[['employee_id', 'salary', 'predicted', 'residual']]
    }

员工敬业度调查分析

1. 计算响应率 -- 目标为 80% 以上，以确保统计有效性。标记响应率低于 60% 的部门。
2. 计算类别得分 -- 按类别（经理、成长、文化、薪酬）计算李克特量表响应的平均值。与上一期进行比较。
3. 进行驱动因素分析 -- 将类别得分对总体敬业度进行回归分析，以确定对敬业度影响最大的类别。
4. 细分 -- 按部门、级别、任职年限区间和地点拆分结果。找出得分与公司平均值差异最大的群体。
5. 确定优先事项 -- 在 2x2 矩阵中绘制各类别（影响力 vs 得分）。“影响力高、得分低”的象限 = 优先采取行动的领域。

检查点：为保护匿名性，受访者少于 5 人的任何细分群体均不显示结果。

DEI 指标框架

领域	指标	数据来源
代表性	按级别划分的性别 / 种族分布	HRIS
薪酬公平	原始差距、调整后差距（控制变量回归）	Payroll + HRIS
晋升	按人口统计群体划分的晋升率	HRIS
招聘	按人口统计群体划分的录用和接受率	ATS
包容性	包容性指数、归属感得分、心理安全感	Survey

数据治理检查清单

开始任何人员分析项目之前：

• 清楚记录业务问题和目的
• 应用数据最小化原则（仅收集所需数据）
• 完成隐私影响评估
• 尽可能进行匿名化或聚合处理
• 测试预测模型是否对受保护群体存在偏差
• 实施基于角色的访问控制
• 制定数据保留政策
• 规划员工沟通（透明原则）

脚本

# Analyze engagement survey results with driver analysis
python scripts/survey_analyzer.py --file survey_results.csv
python scripts/survey_analyzer.py --file survey_results.csv --prior prior_survey.csv --json

# Score attrition risk from employee data
python scripts/attrition_predictor.py --file employees.csv
python scripts/attrition_predictor.py --file employees.csv --threshold 0.7 --json

# Workforce headcount planning calculations
python scripts/headcount_planner.py --file workforce.csv --growth 0.15 --attrition 0.12
python scripts/headcount_planner.py --file workforce.csv --growth 0.15 --attrition 0.12 --json

故障排除

问题	根本原因	解决方案
调查响应率低（< 70%）	调查疲劳、不相信匿名性，或之前的调查没有带来明显行动	将调查缩短至最多 15-20 个问题；清楚说明匿名性保障措施；在发起下一次调查前，公布之前调查的前 3 项发现并采取行动
员工流失模型产生过多误报	对历史数据过拟合、缺少关键特征，或类别不平衡	添加正则化；使用 SMOTE 或类别权重处理不平衡；通过交叉验证进行验证，而不只是划分训练集和测试集；将经理质量和薪酬比率作为特征
利益相关者不信任分析结果	结果与实际体验不符，或方法不透明	透明地介绍方法；发布前与 HRBP 验证发现；使用置信区间而非点估计；在进行预测分析前，先从描述性分析入手以建立信任
HRIS 数据源存在数据质量问题	编码不一致、字段缺失、记录过时或条目重复	成立数据治理委员会；为每个字段指定数据负责人；每季度进行数据质量审计；在数据摄取时建立自动验证检查
隐私顾虑阻碍分析	匿名化不足、缺乏同意框架或存在合规缺口	应用 k-匿名（群体规模至少为 5）；每个项目开始前进行隐私影响评估；尽早联系 Legal；无需使用个人级数据时采用聚合数据
尽管采取了干预措施，敬业度得分仍然持平	衡量了错误的驱动因素、行动计划未执行，或调查过于笼统	进行驱动因素分析，找出影响力高但得分低的领域；指定行动负责人并每季度跟进；按部门或职能定制调查问题
领导层没有根据洞察采取行动	洞察过于学术化、缺乏业务背景，或交付过晚	首先说明业务影响（收入、成本、风险）；将建议限制在 2-3 项，并明确负责人和时间表；在数据收集后 2 周内交付洞察

成功标准

维度	指标	目标	衡量方式
数据质量	HRIS 数据完整性	> 95% 的必填字段已填写	季度数据审计报告
数据质量	数据新鲜度	所有记录均在 30 天内更新	HRIS 最后修改时间戳
采用情况	利益相关方对仪表板的使用情况	> 70% 的 HRBP 和 VP 每月访问	仪表板分析 / 登录跟踪
采用情况	洞察到行动的转化率	> 60% 的建议促成相关举措	按季度跟踪建议的后续结果
准确性	离职预测精确率	召回率为 50% 时，精确率 > 70%	根据实际情况评估模型（滞后 6 个月）
准确性	调查驱动因素分析有效性	通过定性数据验证排名前 3 的驱动因素	与离职面谈和焦点小组进行交叉比对
影响	可避免的离职率下降	干预后 12 个月内下降 10-20%	HRIS 自愿离职数据及可避免标记
影响	从提出问题到获得洞察的时间	标准分析 < 2 周	跟踪从请求到交付的时间
合规性	隐私事件	未发生违反匿名阈值的事件	所有查询的审计日志；强制执行最小群体规模
成熟度	分析成熟度级别进展	每 12-18 个月提升 1 个级别	根据分析成熟度模型进行自我评估

范围与限制

范围内：

• 员工队伍描述性分析：员工人数、人员流动率、留任率、人口统计信息、任职年限分布
• 敬业度调查设计、分析、驱动因素识别和基准比较
• 使用基于规则和统计方法的离职风险评分（仅使用标准库）
• 薪酬公平性分析：原始差距、控制后差距、异常值标记
• DEI 指标：代表性、晋升率、招聘漏斗公平性
• 员工队伍规划：员工人数预测、情景建模、差距分析
• 仪表板设计和 KPI 框架建议

范围外：

• 需要 ML 框架（scikit-learn、TensorFlow）的实时预测模型——为确保可移植性，脚本使用基于规则的评分
• 对调查自由文本回复进行情感分析（需要 NLP 库）
• 员工个人画像分析或监控——所有分析均使用汇总或匿名化数据
• HRIS 系统管理、数据管道工程或 ETL 开发
• 对薪酬公平性调查结果进行法律解释（需要劳动法律顾问）
• 需要电子邮件 / 日历元数据的组织网络分析

已知限制：

• 脚本中的离职风险评分使用加权启发式方法，而非经过训练的 ML 模型；准确性取决于特征质量和权重校准
• SKILL.md 示例中的薪酬公平性分析需要 statsmodels（外部依赖）；脚本使用标准库进行近似计算
• 调查分析假设使用 Likert 量表（1-5）作答；其他格式需要预处理
• 样本量较小的人群细分（< 30）会导致统计结果不可靠；报告中应标记这些细分
• 未处理的历史数据偏差（例如，有偏差的绩效评级）会传递到预测模型中

集成点

系统 / 技能	集成内容	数据流
HRIS（Workday、BambooHR、HiBob）	员工主数据、任职年限、薪酬、绩效评级	HRIS -> 分析数据湖；分析洞察 -> HRBP 人力规划
ATS（Greenhouse、Lever）	招聘漏斗数据、招聘来源、招聘周期	ATS -> 招聘分析；招聘质量评分反馈至 TA 策略
调查平台（Culture Amp、Qualtrics、Lattice）	敬业度调查回复、eNPS、脉搏调查数据	调查平台 -> survey_analyzer.py；驱动因素分析 -> 行动规划
人才招聘技能	招聘漏斗指标、招聘来源成效、招聘质量	TA 管道数据 -> 分析模型；分析洞察 -> 招聘来源优化
HR 业务伙伴技能	人力规划输入、组织健康评分、留任策略	分析洞察 -> HRBP 建议；HRBP 问题 -> 分析项目
运营经理技能	人数预测、产能规划、生产力指标	运营需求预测 -> headcount_planner.py；人力指标 -> 运营产能模型
财务技能	薪酬预算、成本建模、编制预算与实际人数对比	财务薪酬数据 -> 薪酬公平性分析；编制计划 -> 财务预算模型
薪资（ADP、Gusto）	实际薪酬、奖金发放、加班数据	薪资 -> 薪酬分析；薪酬公平性调查结果 -> 薪酬调整建议
BI 平台（Tableau、Looker、Power BI）	托管仪表板、自助分析、定期报告	分析输出 -> BI 仪表板；BI 使用指标 -> 采用情况跟踪