最近，某家公司被讨论的沸沸扬扬：
上一个被如此讨论的还是某个带颜色的自行车，结果大家也知道了，维稳而已。
不知道大家有没有听过一个段子，入职3天，公司倒闭了，由此，我想到了一个话题：如果可以提前知道什么样的公司会被淘汰，哪些因素会使员工离职，是不是能起到一些帮助?
这也就是我们所说的人力数据分析，只不过扩大到了另一个层面。
我们通过收集到相关的数据，然后做出可视化，就可以得到结果了。
一、数据来源
根据各大数据网站的项目或者数据集，还有一些专业的统计网站，有些是现成的，也有些是需要通过python来处理的，最后就可以获取到这些数据了。
二、数据处理
通常，清理数据需要大量的工作，并且可能是一个非常繁琐的过程。
这个数据集的获取过程是靠谱的，相对而言很干净，不含缺失值。但是，我仍然需要检查数据集，以确保所有其他内容都是可读的，并且观察值与特征名称适当地匹配。
三、数据可视化
这就到了比较关键的一步了。
一般来说，做可视化需要学习Numpy，pandas，matplotlib几个包的使用，而且过程还是比较复杂的：
于是，BI工具做可视化就出现了，像FineBI一样简单地做可视化，这才是上手快速简单的那个：
接下来就是用FineBI对整个数据进行分析了，首先设立分析目标：
整体概况：分析每年被淘汰的公司总数、不同省市的情况、背后的原因等
特定分析：抽取发达地区北、上、广作进一步的分析，主要淘汰的行业;公司类型
1、各年份被淘汰的公司总数对比
从数据上来看，2017年是个转折，那么问题来了，2017年到底发生了什么?如果统计项多一个20年的话，我相信这个柱状图会更高。
2、被淘汰公司的倒闭时间集中在所在的月份
总体来看2016年-2018年期间被淘汰的公司集中在7月、8月以及12月倒闭，这也是符合规律的：年底经营不善，在年中的时候遇到困难找不到新人等。
为何会受到这种影响?如果数据集没有问题那么需要结合当年的经济情况来看。
3、被淘汰公司的主要原因
“我也不知道我是怎么没的”，可能这就是命吧。
除了倒闭原因不明之外，商业模式匮乏，也是一个值得引起注意的地方，这也是很多企业的痛点。
4、经济发达地区被淘汰的公司总数最多的行业分析
为了产生对比，我用python的可视化库技术做了一个：
是不是觉得比FineBI的可视化要弱不少?美观上就少了不少。
言归正传，找工作要避开这些坑，有人会问，那还有别的行业了吗?
这其实，被淘汰得越多，就说明这一行的竞争越多，就说明越有做的意义，空间和泡沫是成正比的。
其实人力资料分析也是要做的点，与其让员工来几天就走人，不如做好自身的改变。
总得来说，公司、员工都是需要对对方有个明确的了解，这就可以通过FineBI工具进行大数据分析得来。
