员工流失率与离职趋势分析

关键是先统一口径

离职人数增加不必然等于流失恶化，团队规模也可能同时变化。HR 需要定义统计期间、在册人数、离职类型和关键岗位口径，才能比较部门、司龄和月份。AI 适合清洗花名册、计算和画趋势，原因解释仍要回到访谈和业务事件。

输入

准备期初、期末在职人员清单、期间入离职明细、部门和岗位历史变动、离职类型及调查记录。员工唯一编号要一致；内部调岗不能重复计作离职。组织调整前后的部门边界应另做映射。

分析步骤

先核对每月“期初人数＋入职－离职±调动＝期末人数”，列出无法平账的记录。再按企业约定公式计算：示例为期间离职人数 ÷ 期初与期末人数的平均值；若企业已有其他公式，以其管理口径为准并在报告首页说明。之后分别看自愿/非自愿、试用期/在岗、关键岗位以及部门趋势；分母过小的波动不宜夸大。把明显变动与组织变革、项目结束、薪酬周期等事件放在时间轴上，仅提出待访谈的解释，不说“AI 找到了真正原因”。

提示词：

使用以下脱敏花名册与入离职明细，先做人数平账和重复编号检查，再按指定口径计算月度流失率，并分离职类型、部门、司龄和关键岗位分析。输出公式、分子分母、异常记录、趋势与待验证原因。不得把相关变化直接写成因果。资料：〔表〕。

验收与来源

抽核一个月的原始人数与公式，确认部门改名和调动没有重复计数。A0142《AI 助力 HR 数据分析之⑤员工离职分析》提供了 HR 系统与访谈数据的组合思路；其 IBM“95% 预测准确率”等数字缺少可核实上下文，不作为本文效果依据。A0712 展示特定行业的离职压力，但不代表所有组织。

一个公式陷阱

某部门期初 20 人、期末 10 人，期间离职 10 人。若用期末人数作分母会得到 100%，若按期初期末平均人数计算则约为 66.7%。两者都不是可以脱离口径独立比较的“真值”。报告应在图表旁标公式，并说明部门是否在同期拆分、关闭或转移人员。若 10 人全部随业务并入新部门，记录为内部流动而非外部离职，结论完全不同。

异常处理

同一员工先离职再返聘、月底离职次月入职、合同终止后转外包等情况必须按既定口径处理，并保留原事件。跨年度趋势应检查是否有统计规则改变。管理层看到高流失率后，先问岗位、时间与业务背景，再结合离职访谈寻找原因；数字本身不能证明薪酬、主管或文化是哪一个因素。

对账要走在画图之前

月末在册人数来自花名册，离职人数来自异动流水，两者往往存在生效日与录入日差异。AI 应先按员工编号检查同月重复离职、返聘、转岗、调入调出与试用期未报到，生成异常清单。用 12 个月数据画趋势前，先保证每个月都可平账；若某月因系统切换缺数据，图表上标缺口，不补一条平滑曲线。

分组分析要能回答业务问题。比如整体离职率稳定，关键岗位离职却上升，就应单独看这些岗位的分子分母；若某部门只有 5 人，一人离开便是 20%，不能直接拿它与 500 人部门比较“管理水平”。还要区分自愿离职、合同到期、组织调整等不同性质，避免一个总率遮蔽原因。涉及年龄、性别等个人属性的分析应有明确目的与合法性，不能默认用于不利人事决策。

结论页列事实、可能背景和下一步取材：是否需要访谈离职员工、核对岗位发展路径或检查排班。不要把 A0142 文中的 IBM 预测数字复制成自己企业的目标或已实现成果。

交付与验收清单

• 每月人数流水能与花名册平账。
• 离职率公式、分子分母和统计时间写在报告里。
• 组织拆并、返聘、调岗和小分母波动有说明。
• 原因分析与离职访谈、业务事件交叉核对。

只展示总离职率可能掩盖关键岗位集中流失，应按业务目标保留必要的细分视图。