CDA數據分析師 出品

作者：真達、Mika

數據：真達

后期：澤龍

【導讀】

今天教大家如何用Python寫一個員工流失預測模型。Show me data，用數據說話。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：

1. 錢沒給到位

2. 心受委屈了

有人離職是因為“世界那么大，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，員工離職對于企業而言有什么影響呢？

要知道，企業培養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，通過找到導致員工流失的主要因素，預測未來的員工離職狀況，從而進一步減少員工流失。

那么，哪些因素最容易導致員工離職呢？

這次我們用數據說話，

教你如何用Python寫一個員工流失預測模型。

01、數據理解

我們分析了kaggle平臺分享的員工離職相關的數據集，共有10個字段14999條記錄。數據主要包括影響員工離職的各種因素（員工滿意度、績效考核、參與項目數、平均每月工作時長、工作年限、是否發生過工作差錯、5年內是否升職、部門、薪資）以及員工是否已經離職的對應記錄。字段說明如下：

02、讀入數據

# 讀入數據 df = pd.read_csv('HR_comma_sep.csv')
df.head() 

# 讀入數據 df = pd.read_csv('HR_comma_sep.csv')
df.head() 

# 讀入數據 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()) 

可以發現，數據質量良好，沒有缺失數據。

03、探索性分析

描述性統計

df.describe().T

從上述描述性分析結果可以看出：

• 員工滿意度：范圍0.09~1, 中位數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0.72, 均值0.716, 員工平均考核水平在中等偏上；
• 參與項目數：范圍2~7, 中位數4, 均值3.8, 平均參加項目數約4個；
• 平均每月工作時長：范圍96~310小時, 中位數200, 均值201。
• 工作年限：范圍2~10年, 中位數3, 均值3.5。

離職人數占比

整理數據后發現，總共有14999人，其中紅色部分代表離職人群，用數字1表示，藍色為未離職人群，用數字0表示。離職人數為3571，占總人數的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):     # 產生數據     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。

平均每月工作時長

從直方圖可以看出，月工作時長正常的員工離職率最低。而工時過低、過高的員工離職人數最多。證明恰當的工作任務分配是非常重要的。

參加項目數

從圖中可以看出：除項目數為2以外，隨著項目數的增多，離職率在增大，且項目數是7的時候，離職率達到了100%以上。綜上兩點，項目數2的離職率高，可能是這部分人工作能力不被認可。項目數6、7的總體少，離職率高，體現了他們的工作能力強，但同時工作壓力太大導致他們離職。

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年的員工離職人數超過在職人數?？梢姽g長于6年的員工，由于種種原因，其“忠誠度”較高。

而員工進入公司工作的第5年是一個較為“危險”的年份，也許是該企業的“5年之癢”，應當重點關注該階段的員工滿意度、職業晉升等情況，以順利過渡。

工作事故

從圖中可看出，是否發生工作事故對員工離職的影響較小，可推測該企業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，薪資越高離職人數越少。證明為了減少離職率，提升員工福利待遇是一個可行的手段。

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、財務部、科技部。之后依次是：支持部、銷售部、市場部、IT部門、產品部、研發部、管理部。對于離職率過高的部門，應進一步分析關鍵原因。

04、數據預處理

由于sklearn在建模時不接受類別型變量，我們主要對數據做以下處理，以方便后續建模分析：

• 薪資水平salary為定序變量, 因此將其字符型轉化為數值型。
• 崗位是定類型變量, 對其進行one-hot編碼。

# 數據轉換 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森林進行模型建置，首先導入所需包：

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

然后劃分訓練集和測試集，采用分層抽樣方法劃分80%數據為訓練集，20%數據為測試集。

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

決策樹

我們使用決策樹進行建模，設置特征選擇標準為gini，樹的深度為5。輸出分類的評估報告：

# 訓練模型 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('訓練集：', classification_report(y_train, train_pred)) print('-' * 60)  print('測試集：', classification_report(y_test, test_pred))

訓練集：               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 

假設我們關注的是1類（即離職類）的F1-score,可以看到訓練集的分數為0.95，測試集分數為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、參與項目數、每月工作時長。

然后使用網格搜索進行參數調優。

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

使用最優的模型重新評估訓練集和測試集效果：

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

訓練集：               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 

可見在最優模型下模型效果有較大提升，1類的F1-score訓練集的分數為0.99，測試集分數為0.96。

隨機森林

下面使用集成算法隨機森林進行模型建置，并調整max_depth參數。

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('訓練集：', classification_report(y_train, train_pred)) print('-' * 60)  print('測試集：', classification_report(y_test, test_pred))

訓練集：               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

可以看到在調優之后的隨機森林模型中，1類的F1-score訓練集的分數為0.99，測試集分數為0.98。

模型后續可優化方向：

• 屬性：數值型數據常常是模型不穩定的來源，可考慮對其進行分箱；重要屬性篩選和字段擴充；
• 算法：其他的集成方法；不同效能評估下的作法調整。