基于Accenture评论的员工流失预测数据集
数据来源：互联网公开数据
标签：员工流失, HR分析, NLP, 机器学习, 预测模型, 职场体验, 满意度分析
数据概述
本数据集来源于一次关于员工流失（Attrition）分析的AI黑客马拉松挑战，结合了统计分析和自然语言处理（NLP）两个维度的内容。数据集旨在通过分析员工的离职原因，预测哪些员工更可能离职，并探索减少员工流失的主动方法。
- 统计分析部分
该部分包含员工的详细属性数据，涵盖多个维度，如年龄、离职状态、出差频率、每日薪资、所属部门、教育背景、工作满意度等。具体字段包括：
- Age：员工年龄
- Attrition：离职状态（是否离职）
- BusinessTravel：出差频率
- DailyRate：每日薪资
- Department：所属部门
- DistanceFromHome：住家与工作地点距离
- Education：教育水平
- EducationField：教育领域
- EmployeeCount：员工人数
- EmployeeNumber：员工编号
- EnvironmentSatisfaction：工作环境满意度
- Gender：性别
- HourlyRate：时薪
- JobInvolvement：工作投入度
- JobLevel：职位级别
- JobRole：职位角色
- JobSatisfaction：工作满意度
- MaritalStatus：婚姻状态
- MonthlyIncome：月收入
- MonthlyRate：月薪资
- NumCompaniesWorked：曾工作过的公司数量
- Over18：是否年满18岁
- Overtime：加班情况
- PercentSalaryHike：薪资涨幅百分比
- PerformanceRating：绩效评级
- RelationshipSatisfaction：人际关系满意度
- StandardHours：标准工时
- StockOptionLevel：股票期权级别
- TotalWorkingYears：总工作年限
- TrainingTimesLastYear：去年的培训次数
- WorkLifeBalance：工作与生活平衡
- YearsAtCompany：在公司工作年限
- YearsInCurrentRole：在当前职位工作年限
- YearsSinceLastPromotion：上次晋升以来的年限
-
YearsWithCurrManager：与当前经理共事年限
-
NLP分析部分
该部分包含员工的反馈数据，如评论、满意度评分、绩效评估等。具体字段包括：
- review_title：评论标题
- overall_rating：总体评分
- review_text：评论内容
- recommends：是否推荐
- pros：优点
- cons：缺点
- experience：工作体验
- shift：工作转变
数据来源
数据集整合了多个公开数据源，包括但不限于：
- IBM人力资源分析离职数据集
- 员工离职数据集
- 职场满意度分析数据集
- 员工调查数据集
- 员工评论数据集
数据规模
本数据集包含数千条记录，统计分析部分和NLP分析部分的数据量分别根据具体数据源决定，整体数据规模较大，适合用于复杂建模和分析。
数据用途概述
该数据集具有广泛的应用场景，适用于多个领域，包括但不限于：
- 员工流失预测模型
- 研究人员和数据科学家可以利用统计和NLP分析字段，构建预测模型，识别哪些员工更有可能离职。
-
通过分析关键字段（如工作满意度、薪资涨幅、绩效评级等），预测离职风险。
-
HR策略优化
- HR部门可以基于数据集中的统计分析结果，制定针对性的员工保留策略，例如改善工作环境满意度、提升薪资待遇等。
-
利用NLP分析部分，深入理解员工的离职原因和工作体验，优化员工管理。
-
员工满意度分析
-
通过NLP分析员工的评论和反馈，识别影响员工满意度的关键因素，为改善员工体验提供依据。
-
绩效管理
-
结合员工绩效评级和离职倾向，优化绩效管理流程，提升员工留存率。
-
入职与离职趋势研究
-
分析员工在公司的工作年限、职位变动等数据，研究入职与离职的长期趋势，为战略决策提供支持。
-
跨领域研究
- 数据集中的多维度数据（统计与NLP结合）适合用于跨领域的研究，例如心理学、组织行为学、管理学等，探索员工行为与工作环境之间的复杂关系。
数据集特点
- 综合性：结合了统计分析和NLP分析两个方面，提供了全面的员工数据视角。
- 多样性：数据来源丰富，涵盖多个公开数据集，样本量大且具有代表性。
- 实用性：适用于解决实际的员工流失预测和管理问题。
- 可扩展性：数据集中的字段和结构设计合理，支持进一步的扩展和深度分析。
通过该数据集，用户能够深入探究员工流失的原因，构建预测模型，并为HR部门和企业管理提供有价值的决策支持。无论是学术研究还是实际应用，本数据集都具有重要的参考价值。
