相关表及其字段分析：

主表列分析：

1.离职日期（为所有离职员工的数据分析，固无空数据）

2，员工编号

3，性别，M  F

4，年龄 （如何计算的？？？？？）

5，种族编号，相当于民族，与种族表关联  （1，2，3.。）

6，工作类型（全职还是兼职）P F

7，地理信息编号（1，2.。。。），与地理信息表相关联，也就是我们所写的区域等省份住址信息

8，雇佣日期，

9，薪水支付方式 时薪还是月/年薪  H  S

衍生列

10，在职天数，tenureday =离职日期-雇佣日期

11，年龄分组，    ==if（年龄<30,1,if,,,,,,,,)    嵌套if就行

12，在职月数，TenureMonths = CEILING([TenureDays]/30, 1) -1

13，是否不良招聘，规则为不满两个月离职为不良招聘

                     招聘不良 = IF(OR(ISBLANK(Employee[TermDate]),(Employee[HireDate]-Employee[TermDate])>=61),0,1)

14，是否当月新招，如果离职的年份和月份都相同就是指当月新招的，相当于试用期吧

度量值分析：

月新招人数

1，当月新招总和，New Hires = SUM([isNewHire])

2,去年同期，===CALCULATE([NewHires],SAMEPERIODLASTYEAR('Date'[Date]))

3，新招差值，New Hires YoY Var = [New Hires]-[New Hires SPLY]

4，新招同比，New Hires YoY = DIVIDE([New Hires YoY Var], [New Hires SPLY])

月/年员工总计

1，当月员工总计，应该在日期表里面新建辅助列，以数值的方式表示月年

           EmpCount = CALCULATE(COUNT([EmplID]),  FILTER(ALL('Date'[PeriodNumber]), 'Date'[PeriodNumber] = MAX('Date'[PeriodNumber])))

2，记住如果用的是DATE[DATE],算出的结果则是累计，而非单独当月或当年的数据

3，全年同期月员工总计 ，加SAMEPERIODLASTYEAR（DATE[DATE])即可

基本平均

1，平均年龄 AVG Age = ROUND(AVERAGE([Age]), 0)

2，平均在职天数 AVG Tenure Days = AVERAGE([TenureDays])

3，在职月 平均  AVG Tenure Months = ROUND([AVG Tenure Days]/30, 1)-1

不良招聘

 1，不良招聘总数  Sum of BadHires = SUM([BadHires])

2，去年同期不良招聘  CALCULATE([SumBadHires],SAMEPERIODLASTYEAR('Date'[Date]))

3，与去年相比的差值     = [Sum of BadHires]-[Bad Hires SPLY]

4，是去年同期的多少比率    = DIVIDE([Bad Hires YoY Var], [Bad Hires SPLY])

5，

离职原因

从这开始就看不懂模型了

1，离职人数（不知道翻译有错没有）

          Seps = CALCULATE(COUNT([EmplID]), FILTER(Employee, NOT(ISBLANK(Employee[TermDate]))))

  2.在职人数（不知道翻译有错没有）

Actives = CALCULATE([EmpCount], FILTER(Employee, ISBLANK(Employee[TermDate])))

3，然后再分别计算其去年同期，同比，比率等度量值

主要介绍日期表

最好是自己做一个日期表，以后介绍如何做吧，现在我也不知道咋弄，但肯定是在基础数据上添加相关的列以便于以后在模型中的建设

1，DATE 就是按自然日的递增，如2010/1/1。。。2012/1/31

2，年  YEAR[DATE]

3，  月  MONTN[DATE]

4，季度 QUANTY[DATE]  不知道英语写错了没，反正实际操作的时候会有智能感知的，至少会判断那个是季度的英语吧，

5，PEARIODNUMBER    100年+月

6，天  

总结：一般是一个文本格式用于显示以方便读报表者理解，外加一个数值格式便于计算机理解以方便运算    如日期格式  2012/10  要附带一列数值格式为   201210

全文总结：

对于本案例HR数据分析的主要思路就是

  1，招聘不良的定义，年同比，年差异

2月总员工人数，一样的对比

3，还有两个指标，一样方式来处理数据（主要是没懂）

补充，在实际的操作中肯定会有各个部门表，其中包含有需招聘人的确定人数或范围，最后根据完成情况，可以据此评价人力资源部门的部门工作绩效。当然文章的数据主要是细分到对离职员工的相关分析，可以展现的维度还有一些吧，毕竟如果是学人力的不会把模型做的如此的粗糙，但重要的是专业知识来确定度量值的计算方式，然后用技术来提高自己的数据处理速度，后者才更加的有必要，因为这是转化智力的最明显，直观的方式。

这一节就点到这为止吧，下一节用截图来展示前台的结果，其实，只要模型做好了，以后就只需对度量值打对勾就可以导出数据，完全用不着重新处理数据。

发现自己的文章越来越规范了，相比以前的杂乱无章，至少在排版上可以看的过去了，说实话，以前是知识的积累阶段，笔记乱也无可厚非，毕竟只是给 自己看。明天再把这个案例完善一下，估计如果把官网上的几个案例都记录一遍的话，也能佩剑江湖去见识武林了吧。祝自己好运，今天七夕啊，但与我无关的美丽，也想给谁邮寄半副象棋，这样她有对象，我也有对象，好可惜的是连收件人的姓字都不知晓。