上一個被如此討論的還是某個帶顏色的腳踏車，結果大家也知道了，維穩而已。

不知道大家有沒有聽過一個段子，入職3天，公司倒閉了，由此，我想到了一個話題：如果可以提前知道什麼樣的公司會被淘汰，哪些因素會使員工離職，是不是能起到一些幫助？

這也就是我們所說的人力資料分析，只不過擴大到了另一個層面。

我們透過收集到相關的資料，然後做出視覺化，就可以得到結果了。

一、資料來源

根據各大資料網站的專案或者資料集，還有一些專業的統計網站，有些是現成的，也有些是需要透過python來處理的，最後就可以獲取到這些資料了。

二、資料處理

通常，清理資料需要大量的工作，並且可能是一個非常繁瑣的過程。

這個資料集的獲取過程是靠譜的，相對而言很乾淨，不含缺失值。但是，我仍然需要檢查資料集，以確保所有其他內容都是可讀的，並且觀察值與特徵名稱適當地匹配。

三、資料視覺化

這就到了比較關鍵的一步了。

一般來說，做視覺化需要學習Numpy，pandas，matplotlib幾個包的使用，而且過程還是比較複雜的：

於是，BI工具做視覺化就出現了，像FineBI一樣簡單地做視覺化，這才是上手快速簡單的那個：

接下來就是用FineBI對整個資料進行分析了，首先設立分析目標：

整體概況：分析每年被淘汰的公司總數、不同省市的情況、背後的原因等

特定分析：抽取發達地區北、上、廣作進一步的分析，主要淘汰的行業；公司型別

1、各年份被淘汰的公司總數對比

從資料上來看，2017年是個轉折，那麼問題來了，2017年到底發生了什麼？如果統計項多一個20年的話，我相信這個柱狀圖會更高。

2、被淘汰公司的倒閉時間集中在所在的月份

總體來看2016年-2018年期間被淘汰的公司集中在7月、8月以及12月倒閉，這也是符合規律的：年底經營不善，在年中的時候遇到困難找不到新人等。

為何會受到這種影響？如果資料集沒有問題那麼需要結合當年的經濟情況來看。

3、被淘汰公司的主要原因

“我也不知道我是怎麼沒的”，可能這就是命吧。

除了倒閉原因不明之外，商業模式匱乏，也是一個值得引起注意的地方，這也是很多企業的痛點。

4、經濟發達地區被淘汰的公司總數最多的行業分析

為了產生對比，我用python的視覺化庫技術做了一個：

是不是覺得比FineBI的視覺化要弱不少？美觀上就少了不少。

言歸正傳，找工作要避開這些坑，有人會問，那還有別的行業了嗎？

這其實，被淘汰得越多，就說明這一行的競爭越多，就說明越有做的意義，空間和泡沫是成正比的。

其實人力資料分析也是要做的點，與其讓員工來幾天就走人，不如做好自身的改變。

總得來說，公司、員工都是需要對對方有個明確的瞭解，這就可以透過FineBI工具進行大資料分析得來。