Hr dashbord

يقدم هذا المشروع حلاً شاملاً لتحليل بيانات الموارد البشرية (HR) بهدف تحديث تقارير الموارد البشرية وتوفير رؤى استراتيجية حول صحة القوى العاملة، أدائها، واحتياجاتها المستقبلية. يرتكز المشروع على بناء خط أنابيب بيانات (Data Pipeline) قوي يجمع بين قوة قواعد البيانات العلائقية (SQL) ومعالجة البيانات المتقدمة باستخدام Python، بالإضافة إلى تصور البيانات التفاعلي عبر Power BI.

المشكلة التي يعالجها المشروع

تعتمد العديد من المؤسسات على بيانات موارد بشرية خام وغير منظمة، مما يعيق القدرة على استخلاص رؤى دقيقة واتخاذ قرارات مستنيرة. يهدف هذا المشروع إلى تحويل هذه البيانات الخام إلى معلومات قيمة قابلة للتحليل، مما يمكن أقسام الموارد البشرية والإدارة العليا من فهم أفضل لديناميكيات القوى العاملة لديهم.

المنهجية والتكنولوجيا المستخدمة

تم تطوير المشروع باستخدام منهجية قوية تضمن تكامل البيانات وقابليتها للتوسع:

1 قاعدة البيانات (SQL Server):

◦ الاستيعاب: تم استيعاب البيانات الخام في قاعدة بيانات SQL Server باسم HR_Workforce لتخزين منظم. يتضمن هيكل قاعدة البيانات جدول Employees الذي يخزن معلومات مفصلة عن الموظفين مثل Employee_ID, First_Name, Last_Name, Gender, State, City, Education_Level, Birthdate, Hiredate, Termdate, Department, Job_Title, Salary, و Performance_Rating.

◦ التحميل المجمع: تم استخدام أمر BULK INSERT لتحميل البيانات من ملف CSV إلى جدول Employees، مع تحديد فواصل الحقول والصفوف وترميز الأحرف لضمان استيراد صحيح.

2 معالجة البيانات (Python):

◦ الاتصال بقاعدة البيانات: تم استخدام مكتبتي SQLAlchemy و pyodbc للاتصال بقاعدة البيانات واستعلام البيانات.

◦ تنظيف البيانات ومعالجتها: تم تطبيق عمليات تنظيف متقدمة للبيانات، بما في ذلك:

• معالجة القيم المفقودة: تم التعامل مع القيم المفقودة في أعمدة مثل Salary و Performance_Rating باستخدام استيفاء المتوسط/الوسيط للحفاظ على الدقة الإحصائية.

• توحيد النصوص: تم توحيد قيم أعمدة Gender و Department لضمان الاتساق (على سبيل المثال، تحويل 'M' و 'male' إلى 'Male').

• هندسة الميزات (Feature Engineering): تم حساب مقاييس جديدة لتعميق الأبعاد التحليلية، مثل Tenure (Years) (مدة الخدمة بالسنوات)، Current Age (العمر الحالي)، و Years to Retirement (السنوات المتبقية للتقاعد).

3 تصور البيانات (Power BI):

◦ مؤشرات الأداء الرئيسية (KPIs): تم تصميم لوحة تحكم تفاعلية في Power BI لعرض مؤشرات الأداء الرئيسية (KPIs) المهمة، مثل:

• إجمالي عدد الموظفين (Total Headcount): عدد الموظفين الفريدين والنشطين.

• متوسط الراتب (Average Salary): متوسط التعويض السنوي للقوى العاملة الحالية.

• عدد الاستقالات الطوعية (Voluntary Count): إجمالي عدد الموظفين الذين غادروا الشركة.

• متوسط مدة الخدمة (Average Tenure): متوسط طول مدة الخدمة لقياس استقرار المؤسسة.

الرؤى الرئيسية المستخلصة

قدم التحليل رؤى قيمة، منها:

• استقرار القوى العاملة: جزء كبير من القوى العاملة يقع ضمن فئة

فئة "متوسطة مدة الخدمة" (3-10 سنوات)، مما يشير إلى احتفاظ قوي بالموظفين بعد مرحلة التوظيف الأولية.

• التعويض مقابل الأداء: يظهر التحليل الأولي وجود علاقة بين تقييمات الأداء العالية وشرائح الرواتب، على الرغم من أن بعض الأقسام مثل تكنولوجيا المعلومات تظهر متوسطات رواتب أعلى ولكن متوسطات مدة خدمة أقصر.

• مخاطر التقاعد: من خلال حساب "السنوات المتبقية للتقاعد"، تم تحديد مجموعة من كبار الموظفين الذين من المقرر أن يتقاعدوا خلال السنوات الخمس المقبلة، مما يشكل خطرًا محتملاً لفجوة المعرفة.

التوصيات القابلة للتنفيذ

بناءً على الرؤى المستخلصة، يقدم المشروع توصيات عملية لدعم اتخاذ القرار:

• الاحتفاظ المستهدف: تنفيذ مقابلات البقاء ومكافآت الاحتفاظ للموظفين ذوي الأداء العالي في الأقسام ذات متوسط مدة الخدمة المنخفض (مثل تكنولوجيا المعلومات والعمليات).

• تخطيط التعاقب الوظيفي: إضفاء الطابع الرسمي على برنامج إرشادي حيث يقوم كبار الموظفين (القريبين من التقاعد) بتدريب الموظفين المبتدئين لضمان انتقال سلس للمعرفة المؤسسية.

• مراجعة التعويضات: إجراء دراسة مقارنة للسوق للأقسام التي تقع حاليًا ضمن نطاق الرواتب "المنخفض" للحفاظ على القدرة التنافسية وتقليل معدل الدوران الطوعي.

الخلاصة

يمثل هذا المشروع حلاً متكاملاً لتحليل بيانات الموارد البشرية، حيث يوفر رؤى عميقة وتوصيات قابلة للتنفيذ لدعم الإدارة في اتخاذ قرارات استراتيجية مستنيرة تتعلق بالقوى العاملة. من خلال دمج SQL و Python و Power BI، يقدم المشروع نموذجًا فعالاً لإدارة الموارد البشرية القائمة على البيانات