Hr Data Analystics

HR Data Analytics new project ✨️

حابب أشارك معاكوا مشروعي الجديد HR Data Analysis

هل الرواتب هي السبب الوحيد لمغادرة الموظفين؟ وإزاي ممكن نتوقع مين اللي هيقدم استقالته الفترة الجاية؟ وهل فعلًا الموظف اللي غيابه كتير هو الأقل إنتاجية؟ ?

الأسئلة دي وغيرها كانت المحرك الأساسي لمشروعي الجديد في HR Data Analytics، واللي حبيت أشاركم خطواته:

1️⃣ الاستثمار في الفهم (Domain Knowledge First):

قبل ما ألمس الداتا، كان لازم أفهم الـ Business Logic الخاص بالموارد البشرية. قضيت وقت كبير بذاكر الـ HR Analysis مع Claude AI، والنتيجة كانت إننا عملنا PDF متكامل بيضم أهم الـ KPIs والمفاهيم اللي أي حد محتاجها عشان يحلل بيانات الـ HR صح.

لأن التحليل من غير فهم للمجال هو مجرد أرقام.

اللي محتاجه يبعتلي مسج هبعتهوله.

2️⃣ مرحلة تنظيف البيانات (Data Preprocessing):

الداتا الحقيقية دايماً بتبقى "Dirty". اشتغلت بدقة على تنظيف الـ Nulls، الـ Duplicates، والـ Errors، عشان أضمن إن كل Insight هطلعه يكون مبني على أساس سليم وموثوق.

3️⃣ التنفيذ والـ DAX:

المشروع أخد مجهود كبير في بناء الـ DAX Measures لحساب معدلات زي الـ Attrition و الـ Gender Pay Gap بدقة. استخدمت كمان الـ Conditional Formatting في الكروت عشان تلفت النظر فوراً للأرقام الحرجة.

? أهم الـ Insights اللي طلعت بيها من الداشبورد:

جرس إنذار: معدل الـ Attrition وصل لـ 33.44%، وده رقم عالي جداً محتاج وقفة، خصوصاً إن السبب الأول هو "الرحيل لوظيفة أخرى" يليه "عدم السعادة".

فجوة الأجور: الـ Gender Pay Gap في المؤسسة 4.02%، وهي نسبة تعتبر جيدة ومستقرة.

الغياب والأداء: فيه علاقة طردية واضحة؛ الموظفين اللي في الـ PIP (خطة تحسين الأداء) هما الأكثر غياباً بمتوسط بيعدي الـ 10 أيام، وقطاع Sales هو الأعلى في نسبة الغيابات.

الرواتب: متوسط الرواتب حوالي 69K، والملاحظ إن قسم الـ Production هو الأعلى استهلاكاً لميزانية الرواتب كـ Total، لكن الـ Software Engineering هما الأعلى في الـ Average.

4️⃣ التصميم والـ UI:

لأن "العين بتشوف قبل العقل ما يحلل"، ركزت جداً إن التصميم يكون Minimalist & Professional، مريح للعين وبيوصل المعلومة بأقل مجهود ذهني ممكن (Low Cognitive Load).