上我分享了怎麼用 5W1H 拆解問題，定義出離職分析的四個觀察角度
但你知道嗎？就算你觀察角度拆得再漂亮，如果欄位錯了、指標定義不對，一樣會畫出誤導性的圖表
🔹 所以這週我們不談圖，而是談更根本的問題：
「這張圖背後，是不是用對資料？欄位怎麼來？定義是否合理？有沒有資料風險？」
這些問題，才是讓你從「Power BI 畫圖」進階為「資料思維」的關鍵
每張圖，背後都是一連串資料思維選擇：
📊 部門離職率
常見錯誤是：「直接比離職人數」→ 結果是人多的部門永遠排第一
✅ 我的做法是：部門離職率 = 離職人數 ÷ 平均在職人數（近3-6月）
分母不能只抓期初／期末，否則會因單月波動產生誤判，當然還是看公司的定義為主
📉 平均任職年資
很多人會抓「現在時間－入職日」，結果混進在職者，讓穩定度看起來很高
✅ 我的做法是：只針對離職者，抓「離職日－入職日」
才能看出離開的人平均來多久就走了
📈 離職趨勢圖
你用的是離職申請日？還是實際離職日？意義會完全不同
✅ 我的做法是：雙日期並存，根據需求使用
如果想知道制度引發點，用申請日；如果想知道離職結果，則用實際日
🧱 職等 × 是否離職
若職等不統一（Ex：Grade A vs G4 vs 一般職員），交叉圖毫無意義
✅ 我的做法是：先建立職等群組（基層 / 中層 / 高層）再分析
才能看出組織結構是否斷層
但，欄位對不對，背後牽涉的不只是「會不會算」，還包括：
1. 資料從哪裡來？
離職分析常見欄位來源：
HR 主資料：員工代碼、部門、到職日、離職日、職等
異動紀錄：職務調整、調薪紀錄、升遷紀錄
其他來源（選擇性）：績效、請假、工時、問卷（用於進階 What / How 分析）
📌 第一步不是畫圖，而是盤點：「你有什麼資料？哪些需要補？」
2. 資料要怎麼清理？
常見清理作法：
日期格式轉換、欄位統一命名（Ex：轉英文、去除空格）
建立邏輯欄位（Ex：任職期間 = 離職日－到職日）
職等群組、月份分類、是否離職欄都可能要額外建立
📌 「清理」是幫你的分析做好資料品質
3. 權限誰能看？資料誰能用？
不是所有欄位都能給主管看：
敏感資料（如：薪資、績效）需加密或排除
個資欄位（如：姓名、生日）建議匿名化處理
留意主管是否會推論出特定個體，造成壓力或誤解
專業的資料設計者，不只是畫圖，也要懂資料風險
📋 我會用以下的設計表，幫助自己釐清資料結構：
所以說真正的資料思維，不是畫出什麼圖，而是從源頭設計出能回答對問題的欄位與指標，讓你看見組織該行動的地方
上週我提到，5W1H 裡的 What（離職影響）與 How（行為預警）暫時沒有對應圖表。這週你應該能理解原因了——這兩個觀察角度，牽涉到更進階的資料欄位設計與預測性資料應用
會在下週的貼文中，分享這些進階資訊，如何轉化成主管可以行動的策略
你在畫離職報表時，遇過欄位選不出來、指標定義有爭議的情況嗎？
你最常被主管問「離職率是怎麼算的」嗎？歡迎留言分享你的經驗