DC離職率預(yù)測案例分析

1.需求描述

本文分析利用DC員工數(shù)據(jù)進行分析。在對離職率的影響因素進行觀察的基礎(chǔ)至上，建立模型并預(yù)測哪些員工更易離職。

2.數(shù)據(jù)集描述

DC員工數(shù)據(jù)集共有31個變量，1100個觀測量。部分重點關(guān)注變量描述如下：

重點字段描述

員工特征可以分為以下幾類

  • 基本的身份信息變量：性別、年齡、學(xué)歷、婚姻狀況、教育程度、就讀專業(yè)；
  • 員工公司身份變量：工齡、司齡（在公司工作的時間）、職位、職級、任職過的企業(yè)數(shù)量、所在部門、商務(wù)差旅情況、和目前管理者共事年數(shù)
  • 薪酬與福利變量：月薪、工作投入、是否加班、績效評分、認購優(yōu)先股的級別、漲薪比列、上年度培訓(xùn)次數(shù)、距離上次升職的時間間隔
  • 生活質(zhì)量相關(guān)變量：工作環(huán)境滿意度、工作滿意度、關(guān)系滿意度、工作與生活平衡情況、上班距離

3.特征分析

3.1 統(tǒng)計分析

基礎(chǔ)信息描述
  • 員工基礎(chǔ)信息描述
    • 員工員工平均年齡約37歲，最大的60歲，最小的18歲；
    • 全部1100名員工中，離職178人，離職率16.2%；
    • 員工平均收入6483.6，中位收入4857.0，最小1009，最大19999;
    • 員工中男性為653人、女性為447人；男性離職率為61.2%、女性離職率為38.8%

3.2 分布分析

通過對部分變量觀察分析，發(fā)現(xiàn)以下問題：

  • 18歲-23歲員工離職率超過40%，符合當前市場對95后司齡的判斷，25歲以后員工穩(wěn)定性趨于穩(wěn)定，維持在20%-40%之間

  • 研發(fā)部門離職人數(shù)最多，這主要是因為該公司研發(fā)部門人數(shù)最多的原因，雖然人數(shù)多，但是研發(fā)部門離職率最低，離職率最高的部門是HR，該部門也是公司人數(shù)最少的部門（基數(shù)比較小）


    -員工離職率和薪資漲幅比呈現(xiàn)負相關(guān)，當漲幅比最大時員工離職率超過40%，有點奇怪，如果分析沒有錯誤那就說明該部分員工薪資基數(shù)較小故而導(dǎo)致離職率很高

    PercentSalaryHike&MonthlyIncome.png

  • 工作投入度等級為1的員工離職率有近40%，達到了38%！！！一分耕耘一份收獲，若未付出何談喜歡？

    JobInvolvement.png

  • 員工加班的離職率是不加班離職率的3倍！！！彈性工作和不加班為什么會成為一種福利待遇

  • 員工在公司供職時間越長穩(wěn)定性越好，員工司齡在0年-2年內(nèi)離職率最高為35.8%，20年-25年會有小幅增長（有可能會創(chuàng)業(yè)或者升職無望），31年-32年離職率會上升達到33%根據(jù)一般就職年限計算員工在未被企業(yè)返聘的情況下應(yīng)該已退休

  • 工作環(huán)境和工作滿意度體現(xiàn)：工作滿意度比較低、環(huán)境滿意度低都會導(dǎo)致員工流失率增加

4.特征選擇

4.1數(shù)據(jù)預(yù)處理

  • 對特征類別進行分類：數(shù)值類和非數(shù)值類 
      def  obtain_x(train_df,xtype):
      dtype_df  = train_df.dtypes.reset_index()
      dtype_df.columns = ['col','type']
      return dtype_df[dtype_df.type != xtype].col.values
  float64_col = obtain_x(train_local,'object') #float64
  • 加載數(shù)據(jù)進行歸一化處理 
      min_max_scaler = preprocessing.MinMaxScaler()
  X = min_max_scaler.fit_transform(X)
  • 加載數(shù)據(jù)對類別數(shù)據(jù)進行編碼處理 
      le = preprocessing.LabelEncoder()
  ohe = preprocessing.OneHotEncoder()  
  train = pd.DataFrame()
  local_all = pd.concat([train_local,test_local],axis=0)
  for col in object_col:
      le.fit(local_all[col])
      local_all[col] = le.transform(local_all[col])
      ohe.fit(local_all[col].reshape(-1, 1))
      ohecol = ohe.transform(local_all[col].reshape(-1, 1)).toarray()
      ohecol = pd.DataFrame(ohecol[:,1:],index=None)#columns=col+le.classes_
      ohecol.columns = ohecol.columns.map(lambda x:str(x)+col)
      train = pd.concat([train2, ohecol],axis=1, ignore_index=False)

4.2 計算相關(guān)系數(shù)

  • 計算各變量對離職率的影響程度 
    print(train.corr()['Attrition'])
x = train.corr()['Attrition'].index
y = train.corr()['Attrition'].values
plt.figure(figsize=(12,5))
plt.plot(x,y, 'b.-',label="皮爾遜相關(guān)系數(shù)")
plt.legend()
plt.ylabel("皮爾遜相關(guān)系數(shù)")
plt.xlabel("變量名稱")
plt.xticks(rotation=45)
plt.grid()
for i,j in zip(x,y):
  plt.text(i,j+0.005,'%.2f' %(j),ha='center',va='bottom')
 ` ``

4.3 利用特征的統(tǒng)計信息進行特征選擇

  • 移除低方差特征 
    from sklearn.feature_selection import VarianceThreshold
sel = VarianceThreshold()
train_all_sel = sel.fit_transform(train_all)
train_local4 = train_all.iloc[0:len(train_local)]
test_local4 = train_all.iloc[len(train_local):]
# 定義特征統(tǒng)計函數(shù)
def col_Sta(train_df):
    col_sta = pd.DataFrame(columns = ['_columns','_min','_max','_median','_mean','_ptp','_std','_var'])
    for col in train_df.columns:
        col_sta = col_sta.append({'_columns':col,'_min':np.min(train_df[col]),'_max':np.max(train_df[col]),\
            '_median':np.median(train_df[col]),'_mean':np.mean(train_df[col]),\
            '_ptp':np.ptp(train_df[col]),'_std':np.std(train_df[col]),'_var':np.var(train_df[col])},ignore_index=True)
    return col_sta
train_col_sta = col_Sta(train_local4)
test_col_sta = col_Sta(test_local4)
train_col_sta
  • 計算卡方信息量 
    from sklearn.feature_selection import chi2#調(diào)用卡方信息量
chi2_col,pval_col = chi2(train_local4[feature_end].values,train_y)
  • 計算F信息量 
    from sklearn.feature_selection import f_classif#調(diào)用f信息量
f_col,pval_col = f_classif(train_local4[feature_end].values,train_y)
  • 計算互信息量 
    from sklearn.feature_selection import mutual_info_classif#調(diào)用互信息
mic_col = mutual_info_classif(train_local4[feature_end].values,train_y)

5 建模

5.1 邏輯回歸預(yù)測

 from sklearn.linear_model import LogisticRegression
 from sklearn.model_selection import cross_val_score
 train_x_0 = train_local[['EnvironmentSatisfaction','JobInvolvement','JobSatisfaction','YearsSinceLastPromotion']]#RelationshipSatisfaction
 train_y_0 = train_local[y_col]
 clf = LogisticRegression(C=10)
 clf.fit(train_x_0, train_y_0)
 scores = cross_val_score(clf, train_x_0, train_y_0)
 print(scores.mean()) #0.8370006974003799
 x_col = [x for x in float64_col if x not in ['Attrition']]
 len(x_col)
 y_col = 'Attrition'
 train_x = train_local[x_col]
 train_y = train_local[y_col]
 clf = LogisticRegression(C=10)
 clf.fit(train_x, train_y)
 scores = cross_val_score(clf, train_x, train_y)
 print(scores.mean()) #0.8469807373205397

5.2 隨機森林預(yù)測

from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=100, max_depth=5,min_samples_split=2, random_state=0)
clf = clf.fit(train_local4[feature_end], train_y)
scores = cross_val_score(clf, train_local4[feature_end], train_y)
print(scores.mean()) # 0.8470288338984681

5.3 組合篩選創(chuàng)建模型

feature_a = feature_sel[(feature_sel['importance']>=0.005)].feature.values
clf = LogisticRegression(C=10)
clf.fit(train_x3[feature_a], train_y)
scores = cross_val_score(clf, train_x3[feature_a], train_y)
print(scores.mean()) #0.8729528894019191

5.4混淆矩陣評估模型

TP(真實為1): 7
FP(真實為0): 3
TN(真實為0): 83
FN(真實為1): 7
P: 0.7
R: 0.5
ACC: 0.9
發(fā)現(xiàn)準確率和召回率都是很很滿意，模型預(yù)測準確度也很不錯

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。