编程统计行业人才流动方向数据，提前储备紧缺岗位人才，解决企业职场用工短缺紧急问题。
定位是：企业内部用工风险预警与人才储备分析工具，去营销化，不涉及任何招聘平台推广，仅关注数据如何辅助决策。
一、实际应用场景描述
某多点布局的制造企业（或连锁服务企业），常年面临：
- 关键技工/技术岗季节性短缺
- 核心岗位人员突然离职导致产线停滞
- 招聘总是“救火”，缺乏前瞻性
- 行业人才流向不明，不知道去哪“抢人”
HR 与生产计划部门希望：
用行业人才流动数据 + 内部流失规律，提前识别紧缺岗位，制定人才储备与内培计划。
二、引入痛点（真实管理问题）
痛点 说明
流动数据缺失 只知离职，不知行业去向
紧缺岗位滞后 缺人时才发现市场也缺
储备无依据 储备谁、储备多少靠猜
内外数据割裂 只看内部离职率
预测能力弱 无趋势推演机制
👉 本质问题：
用工管理长期处于被动响应状态，缺少“市场—内部”双视角的流动洞察。
三、核心逻辑讲解（BI + 劳动力规划）
1️⃣ 分析目标
- 统计行业人才流动方向（岗位 / 行业 / 区域）
- 识别流动热点与外流风险岗位
- 对标内部紧缺岗位
- 输出提前储备建议（招聘 / 内培 / 实习生）
2️⃣ 核心指标（中立）
维度 指标
内部流动 离职率、司龄分布、关键岗流失
外部流动 行业岗位供需比、跨区域流入/流出
紧缺信号 招聘周期、简历供给下降、薪酬涨幅
储备优先级 业务依赖度 × 市场稀缺度
3️⃣ 紧缺判定逻辑（示意）
紧缺岗位 =
内部流失风险高
+ 外部供给下降
+ 招聘周期上升
+ 业务战略依赖度高
四、代码模块化设计（Python）
📁 项目结构
talent_flow_bi/
├── main.py
├── config.py
├── data_loader.py
├── internal_metrics.py
├── external_metrics.py
├── shortage_detector.py
├── visualizer.py
├── README.md
└── requirements.txt
五、核心代码示例（注释完整）
"config.py"
# 人才流动分析配置
CONFIG = {
"role_col": "job_role",
"leave_col": "is_leaved",
"time_to_hire_col": "time_to_hire",
"supply_col": "candidate_count",
"demand_col": "open_positions"
}
"data_loader.py"
import pandas as pd
def load_internal(path: str) -> pd.DataFrame:
"""内部HR数据：离职、司龄、岗位"""
df = pd.read_csv(path)
return df
def load_external(path: str) -> pd.DataFrame:
"""外部市场数据：供需、招聘周期、流动方向"""
df = pd.read_csv(path)
return df
"internal_metrics.py"
import pandas as pd
def turnover_by_role(df: pd.DataFrame) -> pd.DataFrame:
"""
岗位级离职率
"""
return (
df.groupby("job_role")
.agg(
headcount=("emp_id", "count"),
leave_rate=("is_leaved", "mean")
)
.reset_index()
)
"external_metrics.py"
import pandas as pd
def supply_demand_ratio(df: pd.DataFrame) -> pd.DataFrame:
"""
供需比：<1 表示紧缺
"""
df = df.copy()
df["supply_demand_ratio"] = df["candidate_count"] / df["open_positions"]
return df
"shortage_detector.py"
import pandas as pd
def detect_shortage(internal: pd.DataFrame,
external: pd.DataFrame) -> pd.DataFrame:
"""
合并内外数据，输出紧缺岗位清单
"""
df = internal.merge(external, on="job_role", how="left")
df["shortage_score"] = (
df["leave_rate"] * 0.4 +
(1 - df["supply_demand_ratio"]).clip(lower=0) * 0.4 +
df["time_to_hire"] * 0.002 * 0.2
)
return df.sort_values("shortage_score", ascending=False)
"visualizer.py"
import matplotlib.pyplot as plt
def plot_shortage(df: pd.DataFrame):
plt.barh(df["job_role"][:10], df["shortage_score"][:10])
plt.xlabel("Shortage Score")
plt.title("Top 10 Shortage Risk Roles")
plt.tight_layout()
plt.show()
"main.py"
from data_loader import load_internal, load_external
from internal_metrics import turnover_by_role
from external_metrics import supply_demand_ratio
from shortage_detector import detect_shortage
from visualizer import plot_shortage
def main():
internal_df = load_internal("data/internal_hr.csv")
external_df = load_external("data/market_flow.csv")
turnover = turnover_by_role(internal_df)
external_df = supply_demand_ratio(external_df)
risk = detect_shortage(turnover, external_df)
print(risk.head(10))
plot_shortage(risk)
if __name__ == "__main__":
main()
六、README.md（标准工程文档）
# Talent Flow & Shortage Analysis (HR BI)
## 简介
本工具用于统计行业人才流动方向，识别紧缺岗位，辅助提前储备与内培决策。
## 功能
- 内部离职率分析
- 外部供需比计算
- 紧缺岗位评分
- 储备优先级输出
## 安装
bash
pip install -r requirements.txt
## 运行
bash
python main.py
## 数据要求
internal_hr.csv:
- emp_id, job_role, is_leaved, tenure_months
market_flow.csv:
- job_role, candidate_count, open_positions, time_to_hire
## 说明
- 结果仅作决策参考
- 不直接替代业务判断与现场评估
七、核心知识点卡片（去营销化）
知识点 说明
劳动力流动指标 离职率、司龄、招聘周期
供需比 判断市场紧缺程度
风险加权评分 多因子综合而非单指标
内外数据对齐 HR + 市场数据融合
前置储备逻辑 从“缺人再招”到“预判”
八、总结（中立、工程视角）
本方案的价值不在“精准预言”，而在：
- 把用工风险从暗处搬到明处
- 把储备动作从事后提前到事前
- 用可解释指标替代感觉与经验
⚠️ 关键认知：
人才储备不是多招人，而是把有限资源投向更高风险的岗位与时间窗。
如果你愿意，可以继续：
- ✅ 加入 区域人才净流入/流出分析
- ✅ 设计 关键岗“继任者储备”模型
- ✅ 对接 企业现有 HRIS / 招聘系统字段
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！