27｜Employee Attrition：離職分類與風險分析

一、案例定位

用 300 位員工資料建立透明的規則式 Classification。學生不只看到『誰是高風險』，還要用 Confusion Matrix、Accuracy、Precision、Recall 評估模型。

二、學習目標

建立離職風險特徵與規則式分數。

理解二元分類與門檻。

建立 Confusion Matrix。

計算 Accuracy、Precision、Recall。

討論 AI/模型在人資決策中的偏誤與倫理限制。

三、案例情境

HR 希望用年資、加班、滿意度、升遷等待與出差頻率辨識需要關懷的員工，但公司要求模型必須透明，而且不得把預測當作解雇依據。

Excel 核心表格（Word 完整閱讀版）

下列內容直接整理自本案例對應的 Excel 工作簿。Word 版保留理解案例所需的核心輸入、計算結果與管理輸出；若原始資料筆數很大，正文列示代表性樣本，而模型結果與管理摘要則完整呈現。學生可先只閱讀 Word 完成案例理解，再到 Excel 修改參數與資料進行情境重算。

Excel表 27-1｜員工資料與風險變數代表性樣本

員工ID

部門

年資

加班

滿意度

風險分數

預測分類

正確?

風險原因

E001

Sales

7

1

5

3.000

0

Y

加班;

E002

IT

0

0

3

3.000

0

Y

低年資;

E003

Finance

7

0

2

4.000

0

Y

低滿意; 高出差;

E004

IT

10

0

3

4.000

0

Y

久未升遷; 高出差;

E005

Finance

0

0

5

2.000

0

Y

低年資;

E006

Operations

4

1

3

4.000

0

Y

加班;

E007

IT

6

0

3

1.000

0

Y

E008

IT

0

0

4

3.000

0

Y

低年資; 高出差;

E009

Operations

4

1

3

6.000

1

N

加班; 久未升遷;

E010

Customer Service

9

0

4

2.000

0

N

久未升遷;

註：此表列示代表性資料樣本，用來理解欄位與模型邏輯；完整資料保留於 Excel 工作簿供深入分析與 What-if 重算。

Excel表 27-2｜分類模型評估

預測留任0

預測離職1

實際留任0

212

34

實際離職1

32

22

指標

結果

Accuracy

0.78

Precision

39.29%

Recall

40.74%

離職率

18.00%

Excel表 27-3｜部門離職分析

部門

人數

實際離職率

高風險率

Sales

65

15.38%

18.46%

Operations

71

18.31%

30.99%

Finance

56

21.43%

12.50%

IT

61

13.11%

14.75%

Customer Service

47

23.40%

12.77%

Excel表 27-4｜管理摘要

KPI

結果

樣本數

300

實際離職率

18.00%

高風險員工數

56

Accuracy

0.78

Precision

39.29%

Recall

40.74%

四、主要結果

300 位員工的模擬實際離職率約 18.0%。

目前透明規則模型 Accuracy 約 78.0%、Precision 約 39.3%、Recall 約 40.7%。

Excel 同時列出每位員工的風險原因，讓學生能追溯分類，而不是只看到黑箱分數。

五、Excel 分析方法

依加班、低滿意、低年資、久未升遷、高出差累計風險分數。

分數達門檻即分類為高風險。

COUNTIFS 建立 TN、FP、FN、TP。

Accuracy 看整體正確率；Precision 看預測離職者有多少真的離職；Recall 看真正離職者抓到多少。

六、主要結果與管理解讀

高 Accuracy 不一定代表模型好，尤其當離職本來就是少數類別。

HR 若目標是不要漏掉需要關懷者，Recall 可能比 Accuracy 更重要。

模型輸出應用於訪談、工作設計與留才方案，不應自動做不利人事處分。

七、What-if 練習

把高風險門檻由 6 分改成 5 或 7，觀察 Precision 與 Recall 如何交換；討論哪個門檻較符合 HR 目的。

八、AI 分析 Prompt

你是負責任的人資分析助理。根據風險規則、Confusion Matrix、Accuracy、Precision、Recall 與部門離職率：評估模型是否適合『關懷篩選』。指出 false positive / false negative 的管理成本。不得建議依模型自動解雇、降薪或拒絕升遷，也不得把風險分數當成個人必然行為。

九、Excel 與 AI 的分工

Excel：透明分類、門檻、混淆矩陣與評估指標。

AI：解釋錯誤成本、門檻選擇、倫理限制與後續訪談策略。

十、課堂討論題

離職模型應優先 Precision 還是 Recall？

哪些員工資料不適合拿來做分類？

預測正確是否代表使用方式公平？

十一、資料說明

300 筆員工資料為教材模擬；不得用於真實個人就業決策。