孙睿宇 Sydeny Work and HR Analytics - WORK2345
Individual Assignment - Copilot Data Analysis & Critical Reflection (20%)
Individual Report (20%)
官方课件与 Canvas 指导材料原文转录
1. 个人报告概览与两项提交要求（Individual Report Overview）
- 任务目标：提供解决组织/HR 问题的改进建议（具体细节见 Case Study）。你将收到一份数据集。
- 两项强制提交成果：
- Handout：包含输入 Copilot 的 Prompt 以及 Copilot 给出的原始回复
- 1500 词个人报告（Your 1500 word report）
- 报告双重目的：
- 1) 基于 Microsoft Copilot (AI) 的数据分析结果向管理层提供建议；
- 2) 通过个人学术反思，对 Copilot 的数据分析选择和建议进行批判性评估。该反思需建立在：对数据的理解、Lecture 2, 3, 4, 5, 6 课件及阅读文献，以及个人/专业判断之上。
- 报告核心预期内容：
- 解释由 Copilot 协助分析的自变量选择理由
- 反思 Copilot 的统计学方法与分析发现
- 反思 Copilot 给管理层提出的建议
- 讨论伦理层面的考量与挑战（Ethical considerations/issues）
- 探讨在制作 Handout 过程中与 AI 协作的学习收获
- 规格与截止时间：1500 词（不含参考文献列表，允许浮动 10% 即至多 1650 词）。截止日期：9 月 25 日。详情见 Canvas。
2. 案例背景（The Case Study: Background）
- 企业概况：CodeWorks Australia 是一家处于成长期的软件开发公司，总部位于新南威尔士州悉尼。成立于 2014 年，专注于为澳大利亚及更广泛亚太地区的医疗保健、物流和教育行业客户提供定制软件解决方案。
- 人员规模与团队构成：目前拥有 311 名员工，涵盖软件工程师、IT/IS、生产、销售和行政团队，以及高管领导层。
- 企业文化与品牌：CodeWorks 围绕创新（Innovation）、敏捷（Agility）和员工赋能（Employee empowerment）建立了品牌声誉。
- 面临挑战：近期内部反馈以及非正式投诉的增加，引发了高管层对员工士气下滑的担忧。
- 应对举措：为了更好地了解员工对其工作和工作场所的真实感受，公司近期开展了首次全员员工敬业度调查（Employee Engagement Survey）。
3. 敬业度调查与变量维度（The Survey & Variables）
- 调查完成度：全员 311 名员工均完成了本次敬业度调查。
- 数据属性：调查为实名可识别（Identifiable），以便与现有 HR 人事数据（如年龄、性别、婚姻状况、入职日期、所在部门及管理层关系）建立关联匹配。
- 核心考量维度与变量列表：
- Overall employee engagement（整体员工敬业度）
- Performance score（主管评定的最新绩效分数；分数越高 = 评价越优）
- Rating of manager（员工对直属主管自评打分；分数越高 = 评价越优）
- Employee satisfaction（员工整体自评满意度；分数越高 = 评价越优）
- Number of special projects the employee is currently assigned to（员工当前被指派的特殊项目数量）
- Number of days late to work in the past quarter（过去一个季度上班迟到天数）
- Number of absences in the past year（过去一年缺勤天数）
- Date of termination（离职日期，以及员工自述的离职原因）
- 调查初步发现：结果揭示了令人担忧的模式 —— 员工敬业度显著偏低。员工普遍处于懈怠脱节状态，部分员工似乎长期伴随缺勤或频繁迟到问题。
4. 顾问角色定位（Your Role）
- 角色身份：你作为受邀外部 HR 分析咨询团队（External HR analytics consulting team）的一员，协助 CodeWorks 理解并解读该批数据。
- 核心使命：分析调研结果及相关 HR 数据，找出导致低敬业度的深层驱动因素，并向高管领导团队（Executive leadership team）提供切实可行且有数据支持的管理决策建议。
5. 报告章节划分与官方要求细则（Report Sections & Details）
- 1. Introduction and Choice of Variables (10%)：阐明选择所选变量的理由，以及预期的关联关系（如正相关或负相关）。必须引用 2 篇学术期刊文章（Academic journal articles）提供理论支持。
- 2. Reflection on Copilot's Statistical Approach (20%)：对 Copilot 的统计分析过程和输出结果提供批判性反思。你是否认同 Copilot 采用的分析路径？为什么认同或不认同？Copilot 的输出是否准确（即总体描述、所选变量的均值与标准差、统计检验结果）？需基于你对数据的理解以及 Lecture 2, 3, 4, 5, 6 课件与阅读材料展开反思。
- 3. Reflection on Copilot's Recommendation for Management (20%)：基于数据分析，对 Copilot 提出的管理建议进行批判性评判与评估。你是否认同这些建议？为什么？是否有需要补充或修改的内容？同样基于数据理解与 Lecture 2~6 课件材料展开反思。
- 4. Ethical Considerations (20%)：如果处于现实商业情境中，概述并深入探讨使用 Copilot 分析该数据集并为组织提供建议所涉及的伦理考量。需结合数据理解与 Lecture 2~6 课件材料。
- 5. Future Use of AI (20%)：你对输入 Copilot 的 Prompt 是否满意？在与 Copilot 协作获取所需输出的过程中学到了什么？如果未来执行类似任务，你会对 Prompt 或 AI 的整体使用方式做出哪些改变？
- 6. Clarity, Flow, & Referencing (10%)：全文整体逻辑连贯性、表达清晰度、各章节之间的顺畅衔接，以及严格遵循 APA 7 引用格式规范。
6. 评分量表：引言与变量选择（Rubric: Introduction and Choice of Variables, 10%）
- High Distinction (HD)：对研究证据进行全面综述与深刻见解分析。变量选择清晰、高度相关，并获得至少 2 篇顶级学术期刊文章（High-ranking journal articles）的有力支持。
- Distinction (D)：对研究证据进行了详尽综述与良好分析。变量选择具有相关性，并获得至少 2 篇学术期刊文章支持。
- Credit (CR)：对研究证据进行了充分综述与分析。变量选择具有相关性，且获得至少 1 篇学术期刊文章支持。
- Pass (P)：对研究证据进行了基础且有限的综述分析。变量选择在一定程度上获得学术期刊文章支持。
7. 官方作业示例：引言与变量假设示范（Example: Introduction）
- 示例示范段落：
- “本报告探讨在面临高员工流失率的 X 公司中，员工工作负荷（Workload）与角色清晰度（Role clarity）是否与离职意向（Turnover intentions）存在关联。理解与员工离职意向相关的因素，有助于管理层识别工作环境中可促进人才留存的改进方面。”
- 写作逻辑留白支架：
- 选择工作负荷（Workload）作为自变量的原因是……（引用学术文献）
- 选择角色清晰度（Role clarity）作为自变量的原因是……（引用学术文献）
- 因此，我预期……（明确陈述假设的关联方向）
8. 官方作业示例：Copilot 统计与建议反思示范（Example: Reflection on Copilot）
- 统计方法反思示范（Statistical Approach）：
- “Copilot 使用多元线性回归（Multiple linear regression）是恰当的，因为离职意向属于连续数值因变量，而工作负荷与角色清晰度是两个预测变量……”
- “我通过 Excel 独立核算了描述性统计量与回归分析结果，发现……；然而，Copilot 没有考虑到……”
- 管理建议反思示范（Recommendation）：
- “Copilot 建议……。我部分认同该建议，因为……。然而，Copilot 给出的建议所展现出的自信程度，超出了数据分析本身所能支撑的范围……”
- “因此，管理层在开展重大干预投资前应做进一步调查，例如检验工作负荷与离职意向是否在某些特定团队中格外严重，并与员工深入访谈交流其体验。我建议管理层将这些发现仅作为进一步深入调查的起点……”
9. 官方作业示例：伦理考量、AI 未来使用与结论示范（Example: Ethics, Future Use, & Conclusion）
- 伦理考量示范（Ethical Considerations）：
- “若在现实中使用 Copilot 分析真实员工数据，需考量诸多伦理问题。首先，员工隐私与保密性至关重要，因为……”
- “偏见与公平性同样重要。例如，利用 Copilot 的分析结果将某些员工或团队直接贴上‘离职风险’标签，若分析本身不完整或不准确，可能导致不公对待……”
- “最后，最终决策的问责权必须始终保留在人类决策者手中，因为……”
- AI 未来使用示范（Future Use）：
- “我对最初输入的 Prompt 大致满意，因为……。因此其回复具有实用价值，但批判深度仍显不足……”
- “该过程让我认识到 AI 输出质量高度取决于……。总体而言，未来我仍会使用 Copilot……”
- 结论示范（Conclusion）：
- “分析表明工作负荷和角色清晰度与员工离职意向存在关联，尽管对这些关联的解读必须保持审慎。Copilot 提供了有价值的分析辅助，但其结果与建议仍必须经过独立验证、结合情境解读以及人类专业判断。”
10. Canvas 官方详细提交流程与 Handout 规定（Canvas Submission & Handout Rules）
- 报告目标：1) 基于 Microsoft Copilot 数据分析向管理层提供建议；2) 结合 Lecture 2~6 课件对 Copilot 进行批判性反思。
- 需提交两个独立文件：1. 你的 Prompt 及 Copilot 回复记录；2. 你的 1500 词报告。
- 文件 1 必须包含的具体要素：
- 数据概况：以表格或文字形式呈现总体描述、所选自变量与因变量的均值与标准差
- 数据分析策略说明与分析结果（包含统计检验结果）
- 结果解读分析
- 基于上述结果向管理层提出的改进建议
- Copilot 操作指引：需使用 USYD 悉尼大学账号登录 Microsoft Copilot，上传官方数据集。选择至少两个变量考察其与因变量的关系。因变量由案例直接指定（即管理层最关心的变量）。撰写完整详尽的 Prompt 请求上述信息，并导出为 Word 独立上传。
- 重要诚信警示：教师端将使用你提交的 Prompt 重新运行校验，核对 Copilot 回复未被人工改写或编辑，请勿更改回复内容！此文件不计入字数限制。
11. Canvas 报告 6 部分要求与关键提示（Canvas Report Structure & Tips）
- 报告 6 大组成部分：
- 1. Introduction and Choice of Variables (10%)：阐述选择变量的原因及预期关系，附 2 篇期刊引用。
- 2. Reflection on Copilot's Statistical Approach (20%)：批判反思 Copilot 统计方法与结果准确性，对照 Lecture 2~6 课件。
- 3. Reflection on Copilot's Recommendation for Management (20%)：审视管理建议合理性，结合 Lecture 2~6 课件提出增改方案。
- 4. Ethical Considerations (20%)：讨论真实情境下的伦理隐私挑战，结合 Lecture 2~6 课件。
- 5. Future Use of AI (20%)：反思 Prompt 设计与人机交互学习体会，提出未来改进。
- 6. Conclusion：1~2 句话极简总结。
- 最后 10% 评分项：全文结构行文流畅度、表达清晰度、各章节过渡衔接，以及 APA 7 格式规范。
- 官方核心提示（Tips）：
- 严禁使用列表点符号（Avoid writing in bullet points），必须为论文篇章体（Essay-style report）。
- 审慎选择变量并寻找学术实证支持，例如选择“年龄”并预期对敬业度产生正向影响，需提供两篇同行评审期刊文献支持该关系。
- 参考文献必须来自同行评审学术期刊（Peer-reviewed journal articles），不得引用博客、网页或行业报告。
- 运用 Lecture 2, 3, 4, 5, 6 课件材料及阅读文献支撑观点时，必须按照 APA 7 规范做好文内引用与参考文献列表。
- 字数标准：1,500 词（含文内夹注，不含文末参考文献列表），允许超出 10%（即上限 1,650 词）。
Lecture 4 - Driving Change – All About Interventions
What is an intervention?
A deliberate, theory-based set of actions, programs, or procedures implemented to alter a specific condition, behaviour, or status quo whose outcomes can be measured.
Process
Define（定义问题）
- 核心定义与核心问题：
- 目标：明确“想改变什么（What）”以及“针对谁（For whom）”。
- 要求：必须保持具体（Be specific）。
- 常见误区/陷阱：
- 结果过于模糊（Vague outcome）。
- 解决了一个根本没人实际面临/存在的问题（Solving a problem no one actually has）。
- 选择了“容易测量”而非“真正有影响力”的指标（Choosing ease of measurement vs impact）。
- 实际案例应用（Port Campbell 国家公园案例）：
- 背景问题：游客离开主步道去拍照，引发安全与环境风险；过去没有相关研究，只有大量的主观意见与直觉。
- 具体定义（Define）：明确目标为“减少在 Port Campbell 国家公园走出指定步道的游客数量”。
Diagnose（诊断原因）
- 核心目标：
- 核心问题：找出“为什么现状没有发生改变（What is causing this / Why isn't this already happening）”。
- 核心原则：必须依靠证据（evidence），不能凭主观假设（don't assume）；借助理论（Theory）来帮助解释行为机制。
- 常见误区/陷阱：
- 假定自己已经知道了原因（Assuming you know the cause）。
- 询问了错误的对象或提出了错误的问题（Asking the wrong people or questions）。
- 案例应用：收集证据：
- 调查结果：96% 的游客相信走在步道上能保护环境，79% 相信这样更安全，但 47% 的人认为走在步道上会错过美景和拍照机会。
- 诊断结论：现有的警告牌一直在宣传“保护环境/安全”，但游客早已深信不疑；真正导致游客走下步道的原因，是他们害怕错过美景。
- 理论依据：计划行为理论 Theory of Planned Behaviour：
- 介绍由 Ajzen (1991) 提出的 TPB 理论，包含行为信念（Behavioral Beliefs）、规范信念（Normative Beliefs）和控制信念（Control Beliefs）。
- 作用：该理论用于解释个体理性的决策过程，帮助理解说服性沟通（persuasion）是如何改变人们实际行为的。
- 介绍由 Ajzen (1991) 提出的 TPB 理论，包含行为信念（Behavioral Beliefs）、规范信念（Normative Beliefs）和控制信念（Control Beliefs）。
Design（设计方案）
- 核心目标与策略分类：
- 核心问题：寻找“什么措施能改变导致问题的根本原因（What will shift the cause）”。
- 干预的三个层级：
- 一级干预（Primary）：解决根本原因。
- 二级干预（Secondary）：帮助人们应对/缓解压力。
- 三级干预（Tertiary）：治疗/修复已造成的损害。
- 常见误区/陷阱：在没有完成“诊断（Diagnose）”前就盲目设计方案，或默认只采用个体层面的修复方法。
- 理论工具与框架：
- 行为改变轮（Behaviour Change Wheel）：结合 COM-B 模型（能力 Capability、机会 Opportunity、动机 Motivation），从教育、限制、激励、环境重塑等多维度选择干预类型。
- 强调利用有证据支持的工具箱（如 Theory and Techniques Tool）来制定干预手段。
- 行为改变轮（Behaviour Change Wheel）：结合 COM-B 模型（能力 Capability、机会 Opportunity、动机 Motivation），从教育、限制、激励、环境重塑等多维度选择干预类型。
- 案例应用：针对性设计（Port Campbell 国家公园案例）：
- 设计依据：针对 Diagnsose 阶段发现的根本原因——游客担心“走在步道上会错过美景和拍照机会”。
- 针对性方案设计：设计了不同切入点的告示牌进行对比测试：
- 个人故事：展示商业摄影师 Terry 的感谢信，证明“在指定步道上就能拍到绝佳照片”。
- 强调个人规范：诉诸道德感（做正确的事能睡个好觉）。
- 组合信息：结合个人故事与护林员（Ranger）的专业建议。
Evaluate（评估效果）
- 核心目标：
- 核心问题：评估干预措施是否有效（Did it work?）。
- 理论路径验证：通过“计划行为理论（TPB）”的模型路径（信念 - 态度/主观规范/知觉行为控制 - 行为意图 - 实际行为）来验证干预手段究竟影响了哪个环节。
- 案例应用：效果对比（ Port Campbell 国家公园案例）：
- 评估方式：将前面设计的不同告示牌投放至现场，测试它们对游客信念、态度以及最终行为（是否依然走出步道）的具体改变效果：
- 个人故事（Terry 的信）：改变了游客“会错过美景”的信念。
- 强调个人规范（做正确的事）：改变了游客的道德态度与信念。
- 个人故事 + 护林员信息：同时改变了信念与态度。
- 个人规范 + 规范信念：多维度改变了信念与规范认知。
- 最终结论：以此找出哪种或哪几种告示牌信息组合能最有效地减少游客走下步道的行为。
- 评估方式：将前面设计的不同告示牌投放至现场，测试它们对游客信念、态度以及最终行为（是否依然走出步道）的具体改变效果：
Evaluating Interventions: Research Questions and Hypotheses
背景示例/Business Scenario
- 背景痛点：客服部门近期高压运转，月度离职率上升 15%，员工满意度下降。
- 干预设计：HR 引入了一款每日 10 分钟的“Wellbeing Game（健康游戏）”，试图通过心理干预缓解耗竭感。
Research Questions and Hypotheses
Hypothesis: states your predictions about what your research will find. It is a tentative answer to your research question that has not yet been tested.
Hypothesis 1a: Those who have played the Wellbeing Game for 1 week will report an increase in levels of wellbeing
Hypothesis 1b: Those who have played the Wellbeing Game for 1 week will report a reduction of stress Null
Hypothesis: There will be no difference in levels of wellbeing or stress
概念操作化/Operationalization]
| 概念 (Concept) | 干预手段 (Intervention) | 测量方式 (Survey Metrics) | 预期指标 (Target) |
| 幸福感 (Wellbeing) | 玩 Wellbeing Game 1 周 | 问卷题：“过去 7 天我感到心情愉悦” (1-7分) | 平均分提升 ≥1.0 分 |
| 工作压力 (Stress) | 玩 Wellbeing Game 1 周 | 问卷题：“过去 7 天我感到被工作压垮” (1-7分) | 平均分下降 ≥ 1.5分 |
Outcome variables
Hypothesis 1a: increase levels of wellbeing
Hypothesis 1b: reduction of stress
对比实验设计/Experimental Design
- 实验组 (Treatment Group)：连续 1 周每天体验 Wellbeing Game。
- 对照组 (Control Group)：保持原有工作流程（或仅阅读普通健康宣讲手册）。
- 逻辑验证：只有当实验组的幸福感提升幅度显著高于对照组时，才能证明游戏确实有效（而非“本周刚好发了奖金”等外部因素导致）。
Evaluating Interventions: Collecting our Data
Intervention & Survey Design
Intervention best practices
- Control group - group who does not get the intervention
Study 1: "The participants were 60 students from the University of Canterbury. The experimental group included 32 participants (24 female and 8 male), and the control group included 28 participants (20 female and 8 male)."
- Pre-Post Testing
Using validated measures before + after the intervention, to see whether the outcome variables changed in the expected direction
- Manipulation Check
Study 1: "All participants completed a survey at the end of the study asking whether they had been asked to play, and whether they had played, the Wellbeing Game as part of the study. This was used to ensure that those in the control group had not played the Wellbeing Game."
干预的最佳实践（Intervention Best Practices）
评估一项干预是否有效，需要遵循三个核心原则：
- 设置对照组（Control Group）： 引入不接受干预的群体，用来对比排除外部干扰因素。
- 前后测（Pre-Post Testing）： 在干预前后均使用经过验证的量表进行测量，观察目标结果变量（Outcome variables）是否朝预期方向改变。
- 操作检验（Manipulation Check）： 确认受试者是否真正按要求执行了干预，并确保对照组没有误触干预内容。
How to design a good survey?
涵盖问卷题干（Question Stem）与选项（Response Option）的具体设计规则，确保收集到的数据真实有效
Checking for Normal Distribution
可用于后续的正态分布检验（Normal Distribution）、相关性分析（Correlations）及显著性检验（T-Tests）
Evaluating Interventions: Correlations, P-Values, and Significance Testing
Correlations
P-Values and Significance Testing
表面看干预组降了，但我们必须通过统计检验（Statistical Testing）来确认它们在统计学上是否存在显著差异（Significantly different），而衡量这个差异的核心工具就是 p-value
“The p-value is the probability that the observed effect within the study would have occurred by chance if, in reality, there was no true effect.”
P 值的反向推导逻辑与 0.05 阈值
- 设立原假设（Null Hypothesis）：我们一开始先假设该干预没有任何效果（即原假设）。
- 提出质问（How surprising?）：然后对比实测数据，并反问自己：“如果干预真的没有任何效果，那么看到当前这么大的数据差异，会有多么令人意外/反常（how surprising/unusual would it be to see a difference this large）？”
- 设定判定红线（Cutoff 0.05）：在 HR 和心理学研究中，学者普遍将 0.050.05 作为判定“统计学显著（Statistical Significance）”并拒绝原假设（Reject the Null Hypothesis）的标准界限。
- 具象化举例：
- 假设算出的 p=.03，我们决定拒绝原假设。
- 这代表的真实含义是：“假设干预真的一点用都没有，只有 3% 的概率会观察到当前这么极端的结果，这在统计上是非常罕见/不太可能的（fairly unlikely）！”
P 值绝对「不代表」什么？
当计算得出 p≤.05p≤.05 时：
- ❌ 错误理解 1：“说明有 95% 的几率干预是起效的，或者证明了干预起效。”
- 讲义原话批驳：NO！它仅仅说明如果干预真的无效，出现这个结果是极其反常的。拒绝原假设（Rejecting the null）并不等同于“接受或证明了备择假设（accepting/proving the alternative hypothesis）”，因为我们根本没有直接检验备择假设。
- ❌ 错误理解 2：“说明有 5% 的几率这个结果纯属偶然。”
- 讲义原话批驳：NO！同样不对。正确的含义依然是：如果真的毫无效果，获得如此极端结果的概率只有 5%。
作业和报告中对 p 值的模板句式
- 如果未拒绝原假设（p>.05p>.05）：
- ✔️ "The intervention does not have a significant effect on stress level, p > .05."
- 如果拒绝原假设（p<.05p<.05）：
- ✔️ "Participants in the intervention group scored significantly lower stress level than participants in the control group, p < .05."
- ✔️ "The intervention has a significant effect on stress levels, p < .05."
- ⚠️ 讲师红色警告（全大写）：
- ❌ “NEVER say: We prove / It is proven that the intervention is effective in reducing stress.”（绝不能使用 prove 这个词）。
T-Tests
📖 Tutorial 4 Activity 1 讲义：相关分析、混杂变量与正态性检验
1. 研究问题与数据集结构 (Research Question & Data Structure)
- 探究问题：儿童每日饮用牛奶量（GlassesMilk）与其身高（HeightCM）之间是否存在因果促进关系？
- 样本规模：共 120 名儿童样本 (ChildID 1 ~ 120)
- 变量清单：
ChildID：儿童唯一编号 (1–120)HeightCM：身高（厘米），Mean = 134.98 cm, SD = 18.20 cm, 范围 [90, 175]AgeYrs：年龄（岁），Mean = 8.41 岁, SD = 2.30 岁, 范围 [4, 14]GlassesMilk：每天喝牛奶杯数，Mean = 1.90 杯, SD = 1.45 杯, 范围 [0, 5]
2. Excel 课堂实操指南 (Excel Instructions)
- Step 1（相关性矩阵）：点击顶部菜单
Data → Data Analysis → Correlation→ Input Range 框选B1:D121（包含表头） → 勾选 Labels in First Row → 输出至新区域。 - Step 2（正态性检验-图表法）：选中 HeightCM 列数据 → 点击
Insert → Histogram→ 双击横坐标轴调整Bin Width（柱宽），观察是否呈现钟形正态分布。 - Step 3（正态性检验-数值法）：点击
Data → Data Analysis → Descriptive Statistics→ 框选数据列 → 勾选 Summary statistics → 读取偏度（Skewness）与峰度（Kurtosis）。
3. 实测统计结果与深度解读 (Results & Statistical Interpretation)
- 相关性矩阵结果 (Pearson Correlation Matrix)：
r(HeightCM, AgeYrs) = +0.9487：极强正相关。儿童身高随着年龄自然生长，完全符合生理规律。r(HeightCM, GlassesMilk) = -0.1750：呈现弱负相关！打破直觉认知。r(AgeYrs, GlassesMilk) = -0.1818：呈现弱负相关。大龄儿童每日饮用牛奶杯数略少于低龄儿童。- 偏相关分析 (Partial Correlation Controlling for Age)： 控制年龄变量后，身高与牛奶的偏相关系数为
r = -0.0081 ≈ 0！说明喝牛奶与身高根本没有直接统计关联。 - 正态性检验达标判定（讲义 Slide 53 黄金标准）： 偏度 Skewness ∈ [-2, +2]，峰度 Kurtosis ∈ [-3, +3]。三项变量 Skewness 分别为 0.11 / 0.36 / 0.38，Kurtosis 分别为 -0.37 / 0.38 / -0.78，均完美符合正态分布假设。
📖 Tutorial 4 Activity 2 讲义：实验设计评估与两类 T 检验实战
1. 业务场景与数据集结构 (Business Context & Data Structure)
- 干预背景：公司推行为期 1 周的「Wellbeing Game」心理健康干预项目，旨在降低员工工作压力。
- 样本分组：共 16 名参与者，分为干预组（Intervention）8人与对照组（Control）8人。
- 干预组 (Participant 1~8)：
InterventionStressT1（前测）：Mean = 4.50, SD = 0.535InterventionStressT2（后测）：Mean = 2.50, SD = 0.535（干预后显著下降）- 对照组 (Participant 9~16)：
ControlStressT1（前测）：Mean = 4.50, SD = 0.535ControlStressT2（后测）：Mean = 4.50, SD = 0.535（保持恒定）
2. 两项研究假设与 T 检验实操 (Hypotheses & T-Test Walkthrough)
- 检验 1：Hypothesis 1（组间差异）—— 独立样本 T 检验 (Independent Samples T-Test)
- 假设陈述：参与干预组的员工在 T2 时的压力水平显著低于未参与的对照组。
- 适用原理：对比的是两个不同、相互独立的群体（Between-subjects）。
- Excel 操作步骤：点击
Data → Data Analysis → t-Test: Two-Sample Assuming Equal Variances→ Variable 1 Range 选干预组 T2 (C1:C9)，Variable 2 Range 选对照组 T2 (E1:E9) → 勾选 Labels。 - 统计检验结果：
t(14) = -7.4833, p = 0.000003 < 0.001 (***)。结果高度显著，拒绝原假设，支持假设 1。 - 检验 2：Hypothesis 2（组内前后变化）—— 配对样本 T 检验 (Paired Samples T-Test)
- 假设陈述：干预组员工在干预后（T2）的压力得分显著低于干预前（T1）。
- 适用原理：对比的是同一批被试在不同时间点的重复测量得分（Within-subjects）。
- Excel 操作步骤：点击
Data → Data Analysis → t-Test: Paired Two Sample for Means→ Variable 1 Range 选干预组 T1 (B1:B9)，Variable 2 Range 选干预组 T2 (C1:C9) → 勾选 Labels。 - 统计检验结果：
t(7) = 10.5830, p = 0.000015 < 0.001 (***)。结果高度显著，拒绝原假设，支持假设 2。
3. 基线平衡与对照组的核心价值 (Baseline Check & Control Role)
- 基线检验 (Baseline Equivalence)：在 T1 前测时，干预组均值 4.50 与对照组均值 4.50 完全相等（t = 0, p = 1.0），说明实验设计排除了组间选择偏差（No Selection Bias）。
- 排除时间与成熟效应 (Maturation Effect)：对照组从 T1 到 T2 压力保持在 4.50 不变，强有力地证明了干预组压力的下降是源于干预措施本身，而非外部环境变化或时间流逝自然恢复。
4. Tutor 辅导学术规范与作业避坑指南 (Assessment & Grading Traps)
Teaching - Lecture 1 - Introduction
13 周全景教学路线
1. Work and HR Analytics Foundations（基础篇 · Weeks 1–3）
- Week 1: Introduction and Course Outline（导论与课程大纲、People Analytics 核心价值）
- Week 2: Making Sense of People at Work: What Does the Data Tell Us?（描述性统计、职场数据探索与规律发现）
- Week 3: From Insights to Impact: Reporting and Visualisation（从洞察到落地：HR 报表与可视化看板设计）
2. Tools in People Analytics（工具与伦理篇 · Weeks 4–6）
- Week 4: Driving Change: All About Interventions（驱动组织变革：HR 干预措施与因果实验评估）
- Week 5: Looking Ahead: What Data Can (and Can’t) Tell Us（预测未来：数据分析的价值边界与预测陷阱）
- Week 6: Leveraging AI: Ethical Implications and Responsible Practices（借助 AI 赋能：伦理考量、隐私合规与负责任实践）
3. All Things Big Data（大数据与前沿篇 · Weeks 7–8）
- Week 7: Machine Learning in Action: Insights from Experts（专家视角：机器学习在 HR 领域的实战应用 - 仅线上讲座）
- Week 8: Unlocking Big Data: Exploring Current Trends and Challenges（解锁大数据：前沿技术趋势与业务落地挑战）
- Mid-Semester Break: 期中放假停课（无讲座与习题课）
4. Application: Stats to Strategy（战略实战篇 · Weeks 9–13）
- Week 9: Reading Week + Prep for Practical Tests（阅读周与小组实战测试准备，无讲座/习题课）
- Weeks 10 + 11 + 12: From Stats to Strategy（从统计到战略：连续 3 周课堂闭卷小组实战案例测试）
- Week 13: Summary and Exam Prep（全课程知识复盘与期末闭卷考试冲刺）
5 项 Assessment
1. Tutorial 课堂参与度（Participation —— 10%）
- 考核形式：每周习题课考勤与课堂互动贡献。
- 硬性要求：全学期必须至少出勤 8 次 Tutorial 才能计入该项成绩。
2. 早期随堂反馈测验（Early Feedback Assessment —— 5%）
- 考核时间：Week 3 Lecture 现场（2026年8月20日）
- 考核形式：多项选择题（MCQ）在线随堂测验，需自备笔记本/平板/手机等设备现场作答。
3. 个人大作业报告（Individual Report —— 20%）
- 截止时间：9 月 25 日（周五）23:59 截止
- 篇幅要求：1,500 字（不含参考文献表，允许 ±10% 浮动）。
- 提交材料：需提交 2 份材料：① 包含输入 Copilot 的 Prompt 与 Copilot 原始回复的 Handout 文档；② 1500 字反思报告。
- 核心考察重点（批判性反思与人机协作）： • 解释并论证为何选择特定变量让 Copilot 分析 • 深度反思 Copilot 的统计分析方法选择与数据发现 • 批判性评估 Copilot 给出的管理层决策建议 • 深入讨论数据伦理、偏见与隐私考量 • 总结在与 AI 协作产出报告过程中的个人专业判断与反思
4. 小组课堂实战测试（Group Practical Tests —— 30%，每周 10%）
- 测试时间：Week 10、Week 11、Week 12 的 Tutorial 课堂（共 3 次，各占 10%）。
- 分组机制：在 Week 4 Tutorial 期间统一完成小组分配。
- 测试流程与闭卷规则： • 提前一周提前发放案例研究背景信息（不含数据）； • 课上现场发放定量/定性统计输出结果，小组成员在 1 小时内闭卷手写（严禁使用电脑/手机等电子设备）回答 3 道问题并给出管理建议； • 第 2 小时课堂即时讲评并核对答案，获得即时反馈； • 无 Special Consideration 缺席单次即按 0 分计，该测试是期末考的直接演练。
5. 期末闭卷考试（Final Exam —— 35%）
- 考核时间：期末考试周（Exam Week）统一安排。
- 考核形式：2 小时 BYOD 闭卷机考（自带设备考试） + 额外读题时间。
什么是 People Analytics（人员分析）？
"Docendo discimus" — "By teaching, we learn.”
Detailed Explanation
People Analytics（人员分析 / 人才分析，亦常与 HR Analytics、Workforce Analytics 通用）是一种以数据驱动和科学方法为核心的系统性决策方法。
它通过收集、整合并深度分析与“人”（员工/团队）、“组织运作”以及“业务成果”相关的多维数据，运用统计模型、数据挖掘、可视化以及 AI 工具，将原本孤立、主观的 HR 经验转变为可量化、可验证的数据洞察，从而优化组织的人才决策、提升员工敬业度与生产力，并最终驱动商业战略落地。
核心本质：People Analytics 的核心不是简单做人事信息统计表（HR Reporting），而是架起“人力与组织行为（People Data）”通往“商业业务价值（Business Outcomes）”的桥梁。
People Analytics 的 4 大核心内容体系
结合课程大纲与业界标准框架，People Analytics 的核心内容包含以下四个递进维度：
1. 多维数据基础与整合（Data Foundations & Integration）
People Analytics 必须打破传统 HR 的“数据孤岛”，将多源异构数据进行交叉关联：
- 核心人事与员工属性数据：技能资质、职级工龄、培训记录、薪酬福利、考勤与人员流动记录。
- 态度与心理感知数据：敬业度调查（Engagement Surveys）、工作压力评估、组织认同感与工作满意度。
- 业务与销售绩效数据：人均销售额、新客拓展数、成单周期（用于定位高绩效员工的行为特征）。
- 运营与客户体验数据：客户满意度（CSAT/NPS）、工单一次解决率、呼叫响应时长（用于量化员工培训/敬业度对客户体验与运营效率的直接影响）。
2. 进阶分析阶梯与工具方法（Analytical Capabilities）
People Analytics 依分析深度主要分为三个层次：
- 描述性分析（Descriptive - 发生了什么？）：通过报表与交互式看板（Dashboards）监控离职率、招聘漏斗、薪酬分布等现状指标。
- 诊断性分析（Diagnostic - 为什么发生？）：利用相关分析、回归模型与组织干预实验（Interventions），探索业务问题的根因（如：哪些管理行为或薪酬结构导致了高离职率？）。
- 预测性与处方性分析（Predictive & Prescriptive - 未来怎样？该怎么做？）：借助机器学习、大语言模型/Copilot 与统计推断，预测员工流失风险、评估组织变革效果并给出针对性的管理干预方案。
3. 从统计洞察到战略落地（From Stats to Strategy）
分析的终点不是统计指标（pp 值或 R2R2），而是驱动管理行动：
- 数据讲故事与可视化（Data Storytelling & Visualisation）：把复杂的统计学输出转化为业务管理者能看懂、能信服的商业图表与战略建议。
- 可行动的洞见（Actionable Insights）：确保每一个分析结论都对应具体的管理动作（如针对特定高危岗位调整激励机制、优化排班效率等）。
4. 伦理合规、偏见防范与批判性判断（Ethics & Human Judgement）
在大数据与生成式 AI（如 Copilot）深度介入 HR 决策的背景下，People Analytics 必须恪守的底线：
- 隐私安全与合法合规：数据加密、脱敏与员工知情同意。
- 算法公平与偏见防范：防范算法在招聘、晋升评估中对特定群体产生系统性歧视。
- 人的专业批判性反思：明确 AI 统计与推荐的局限性，在算法建议与商业实际之间必须保持专业的人类管理者判断（Human-in-the-loop）。
Teaching - Lecture 2 - Descriptive Statistics
Abstract 摘要
本节课围绕 HR 截面数据的描述性度量与质量控制展开，系统掌握变量类型与统计量的管理层释义（薪酬公平/绩效分布），确立信度（Cronbach's α）与效度评估体系，并基于 Excel 实现样本统计与异常值（IQR / 3σ）双轨诊断。
Overview 总结
- 变量分类与统计释义：掌握 4 类变量（二元/名义/顺序 vs 等距/比率）；理解偏态下中位数优于均值的稳健性，以及标准差在薪酬不平等与绩效一致性中的核心业务含义。
- 数据质量评估准绳：明确信度（测量的稳定性/一致性，核心为 Cronbach's α）与效度（测量的真实性/准确性，核心为构念效度）的四维分类与互斥关系。
- 实战计算与异常值诊断：掌握 Excel 样本统计口径（STDEV.S / VAR.S）与 α 系数建模；明确偏态数据用 IQR 法则（1.5 × IQR）、正态数据用 3σ 法则的选型逻辑。
- 方法边界与考核联动：明确描述统计仅为截面快照（无预测与因果解释力）；本周概念直通 Week 3 占总评 5% 的随堂选择题（Early Feedback Quiz）。
Details 详情
1. 核心理论支柱与知识图谱
- 数据快照与变量分类（Variables）：
- 类别变量（Categorical）：二元（Binary，如是否离职）、名义（Nominal，如部门/职位）、顺序（Ordinal，如 1–5 分 Likert 满意度量表）。
- 连续数值变量（Continuous）：等距（Interval，有度量无绝对零点，如温度/日期）、比率（Ratio，具绝对零点可做乘除，如薪酬、工龄、年龄）。
- HR 场景下的描述性度量核心释义：
- Mean vs. Median：均值易受极端值拉动（如高管天价薪酬）；中位数对偏态分布（Skewed）更具稳健性（Robust）。
- Standard Deviation (SD)：衡量数据离散度。在 HR 中用于评估薪酬公平性（Pay Equity）、团队绩效一致性以及培训收益均衡度（同均值下高 SD 意味着严重内部不平等）。
- Percentile & Quartiles：用于人群画像定位与分层管理（如识别前 10% 核心高潜人才 vs. 后 25% 敬业度低危群体）。
- 数据质量双准绳（Reliability & Validity）：
- 信度（Reliability - 测得准不准/一致性）：重测（Test-Retest）、评分者间（Inter-Rater）、方法间（Inter-Method）、内部一致性（Internal Consistency，以 Cronbach's α 为量化核心，0~1）。
- 效度（Validity - 是不是测了想测的/真实性）：表面（Face）、效标（Criterion）、内容（Content）、构念效度（Construct，理论根基核心）。
2. 重点实战技能与算法应用（Tutorial 核心）
- Excel 关键函数与口径选择：
- 样本统计口径区分：必须使用 STDEV.S / VAR.S（样本口径，自由度 n-1），而非 .P（总体口径）。
- Cronbach's α 手动建模公式：α = (K / (K - 1)) * (1 - (Σσ_i² / σ_Total²))。
- 异常值（Outliers）双轨判定准则：
- 箱线图/四分位距法（IQR Rule）：[Q1 - 1.5 × IQR, Q3 + 1.5 × IQR] —— 适用于偏态分布（HR 薪酬/工龄等非对称数据首选）。
- 正态标准差法（3σ Rule）：[μ - 3σ, μ + 3σ] —— 适用于近似正态分布数据。
3. 考核联动与特殊注意点
- 描述性统计的局限性：属于截面数据（Cross-sectional）快照，只能呈现“现状是什么”，不能证明因果关系，亦无法直接做预测。
- 考试联动（Early Feedback Quiz）：下周（Week 3 Lecture）现场有占总评 5% 的随堂选择题测验，覆盖范围正是 Week 1 & Week 2 的全部概念（变量类型辨析、信度/效度定义、描述性统计业务解读）。
类别变量（Categorical），连续数值变量（Continuous），Mean vs. Median，Percentile & Quartiles
一、 类别变量（Categorical Variables）
题目：某 HR 部门收集了以下 4 项数据：① 员工部门（研发/销售/行政）、② 是否通过试用期（是/否）、③ 季度绩效评级（A/B/C/D 级）、④ 员工工号（如 EMP1001）。关于这四项变量的类别属性，下列说法正确的是？
选项：
A. ①是名义变量，②是二元变量，③是顺序变量，④是比率变量
B. ①是名义变量，②是二元变量，③是顺序变量，④是名义变量
C. ①是顺序变量，②是二元变量，③是名义变量，④是等距变量
D. ①是名义变量，②是顺序变量，③是顺序变量，④是二元变量
解题：
① 员工部门有三个及以上互斥且无先后大小顺序的类别，属于名义变量（Nominal）；
② 是否通过试用期仅有两个取值（是/否），属于二元变量（Binary）；
③ 绩效评级 A/B/C/D 具有明确的优劣先后次序，属于顺序变量（Ordinal）；
④ 员工工号虽由编码或数字组成，但仅起唯一身份标识作用，无法进行数值计算，属于名义变量（Nominal）。
答案： B
题目：在员工年度敬业度调查中，采用 5 分制李克特量表（Likert Scale：1=非常不满意，2=不满意，3=中立，4=满意，5=非常满意）度量满意度。关于该变量的统计学属性，下列说法最准确的是？
选项：
A. 属于比率变量（Ratio），因为 4 分代的满意度恰好是 2 分的两倍
B. 属于等距变量（Interval），因为 1 到 2 的差距在心理感受上绝对等于 4 到 5 的差距
C. 属于顺序变量（Ordinal），因为数值反映了满意程度的排序，但相邻级别之间的心理感知间距并不严格相等
D. 属于名义变量（Nominal），因为 1-5 只是任意赋予的代码，没有任何大小意义
解题：
李克特量表（Likert Scale）虽然在实际数据处理中常被赋予 1~5 的数值，但本质上属于顺序变量（Ordinal）。数字反映的是“满意度高低”的相对先后次序，无法保证“非常不满意”到“不满意”的真实心理差距与“满意”到“非常满意”的差距完全一致，更不存在绝对零点（不能做倍数乘除），因此不属于等距或比率变量。
答案： C
二、 连续数值变量（Continuous Variables）
题目：在 HR 数据分析中，区分等距变量（Interval）与比率变量（Ratio）的最根本判断依据是？
选项：
A. 数据是整数还是包含小数点
B. 变量是否存在一个真实的、具有绝对物理意义的“绝对零点（True/Absolute Zero）”
C. 变量能否计算均值和标准差
D. 变量在 Excel 中是以数字格式还是文本格式存储
解题：
等距变量（Interval）与比率变量（Ratio）
区分两者的核心在于“0”到底代表“没有”，还是只是一个“标记点”：
- 比率变量（有真正的“零”）：
- 0 的含义：0 就是“彻底没有”。
- 运算规则：可以算倍数。
- 直观例子：月薪 0 元就是“没发钱”；工龄 0 年就是“一天没干”。所以 1 万月薪是 5 千月薪的 2 倍。
- 等距变量（只有人为设定的“基准 0”）：
- 0 的含义：0 不代表“没有”，只是个刻度。
- 运算规则：只能算差值，不能算倍数。
- 直观例子：0℃ 并不代表“没有温度”（它只是水结冰的温度）；20℃ 也不是 10℃ 的“2 倍热”（因为换成华氏度就不再是 2 倍了）。同理，公元 0 年不代表“时间不存在”。
答案： B
题目：以下四项 HR 常用度量中，哪一项属于等距变量（Interval Variable）而非比率变量（Ratio Variable）？
选项：
A. 员工基本月薪（Base Salary）
B. 员工在当前岗位的工作年限（Tenure in Years）
C. 员工签署劳动合同的具体日历日期（Contract Sign Date，如 2024-03-15）
D. 招聘一个岗位所花费的总天数（Time to Hire）
解题：
A（月薪）、B（工龄年限）、D（招聘用时天数）均具有真实的绝对零点（0 元代表无薪资，0 年/0 天代表时间跨度为零），且满足倍数关系，均属于比率变量（Ratio）；
C（具体公历日期）属于等距变量（Interval），可以计算两个日期之间的相隔天数差距，但公历纪年没有绝对零点（公元 0 年并非时间的绝对起点），且“2024 年”不能说是“1012 年”的 2 倍。
答案： C
三、 Mean vs. Median（均值 vs 中位数）
题目：某科技公司研发部门共有 10 名员工，月薪均为 6,000。本月该部门新引进了一位技术专家，月薪为 60,000。引入专家后，关于该部门员工月薪的均值与中位数，下列描述正确的是？
选项：
A. 均值显著上升至约 10,909，中位数依然保持为 6,000
B. 均值保持不变，中位数显著上升
C. 均值和中位数均同步大幅上升至 0,909
D. 均值上升至 0,000，中位数上升至 0,909
解题：
原数据为 10 个 6,000，加入 1 个 60,000 后共 11 个数据；
新均值 = (10 × 6000 + 60000) / 11 = 120,000 / 11 ≈ 10,909；
将 11 个数据从小到大排序，第 6 位（中位数）依然是 6,000。
此题直观体现了均值对极端高值（Outlier）极度敏感，而中位数对偏态分布具有强稳健性（Robustness）。
答案： A
题目：某跨国企业准备向管理层汇报各分公司基层员工的“典型薪酬水平（Typical Salary Level）”。数据审计发现，部分分公司存在极少数超高薪销售冠军，导致薪酬分布呈严重右偏态（Right-Skewed）。HR 分析师应推荐使用哪种统计量作为薪酬代表值？原因是什么？
选项：
A. 均值（Mean），因为均值利用了全部样本的数值信息，总和除以人数最精确
B. 中位数（Median），因为中位数不会被少数极端高薪拉高，能更真实反映 50% 多数员工的实际收入水平
C. 标准差（Standard Deviation），因为标准差可以代替平均水平
D. 最大值与最小值的简单平均数，这样计算最快捷
解题：
当数据呈偏态分布（尤其是存在少数极端高薪的右偏分布）时，算术均值会被极大值拉高，脱离绝大多数基层员工的真实体感；
中位数（Median）将数据按大小排列并取中间值，具有抗极端值干扰的稳健性（Robustness），能真实代表处于中等位置员工的薪资现状。
答案： B
Mean
四、 Percentile & Quartiles（百分位数与四分位数）
题目：某公司对全员开展了年度胜任力测评，某员工的综合得分对应的百分位数为第 80 百分位数（80th Percentile）。对此结果的正确解读是？
选项：
A. 该员工答对了测评试卷中 80% 的题目
B. 该员工在满分为 100 分的测评中获得了 80 分
C. 在所有参评员工中，有 80% 的员工得分低于或等于该员工
D. 该员工的得分属于全公司表现最差的后 20%
解题：
百分位数（Percentile）衡量的是某个数值在数据集中的相对位置（Relative Standing），而非绝对得分或正确率。
第 80 百分位数明确表示：在全体受测人群中，有 80% 的人得分低于或等于该员工（即该员工处于前 20% 的优秀梯队）。
答案： C
题目：在敬业度调查得分的分布分析中，已计算出第一四分位数 Q1 = 3.0，第三四分位数 Q3 = 4.0。若采用标准的四分位距（IQR）法则筛选异常低敬业度员工（Lower Outliers），其判定的下截断阈值（Lower Threshold）应为？
选项：
A. 1.0 分
B. 1.5 分
C. 2.0 分
D. 2.5 分
解题：
① 计算四分位距：IQR = Q3 - Q1 = 4.0 - 3.0 = 1.0；
② 应用四分位距异常值判定公式：Lower Threshold = Q1 - 1.5 × IQR = 3.0 - 1.5 × 1.0 = 1.5；
因此，敬业度得分严格低于 1.5 分的员工将被判定为低端异常值。
答案： B
Statistical Description
Descriptive Statistics
Standard Deviation
Standard Deviation (SD) 标准差
Limitation
Reliability
How consistent is our measurement?
- Test-Retest
- Inter-Rater
- Inter-Method
- Internal Consistency
Cronbach’s Alpha ()
Tutorial 实操与函数指引
缺少Canvas 教学系统（Module 2 -> Tutorial 2）中，配有一个名为 Worksheet 2（通常为 .xlsx 格式）的专属练习表格
一、 Activity 1: 描述性函数 —— 口径与陷阱
- Mean vs. Median：均值易受极值扭曲 → 偏态/薪酬/考核看
=MEDIAN() - S or P？（高频考点）：HR 调研属于局部组织样本（非全人类总体） → 锁定样本标准差
=STDEV.S()（分母为 ） - 分位数函数：Q1/Q3 使用
=QUARTILE.INC(range, 1/3)；百分位数使用=PERCENTILE.INC(range, k)
二、 Activity 2: Cronbach's Alpha (α) —— 5 步拆解与实操
- 核心逻辑：题项各自方差小 + 总分方差大 → 题目步调一致 → （达标）
Excel 5 步流水线：
- 单题样本方差：对每个题项列使用
=VAR.S(column) - 每人总得分：新建一列横向求和
=SUM(row_items) - 题项方差和：累加各题项方差
=SUM(var_range)（即 ） - 总分方差：对全员总分列计算方差
=VAR.S(sum_scores)（即 ） - 代入公式求值：
=(K / (K - 1)) * (1 - (题项方差和 / 总分方差))
三、 Activity 3: 异常值（Outliers）—— 双轨诊断与管理决策
- 方法 A · IQR 法则（偏态稳健）：四分位距 → 截断限：
- 方法 B · 3σ 法则（正态适用）：截断区间：
Lecture 3 - Reporting Visualisation Dashboards
HR Reporting
Key Functions of HR Reporting
HR Monitoring
- regular monitoring → improved employee engagement and retention (Society for HR Management, 2020)
Providing Managers with Information
- data-driven decision-making → better outcomes talent management, productivity, turnover (Deloitte, 2019)
Tracking Problem Areas
- tracking + reporting + addressing → improved employee satisfaction and organisational performance (Harvard Business Review, 2018)
Reporting Best Practices
- Automate: Reduce errors by 70% (PwC, 2021)
- Visualise with Dashboards: 35% increase effectiveness HR strategies (Gartner, 2020)
- Relevant Metrics: Simplify → easier to align HR activity with company goals (McKinsey & Company, 2019)
- Mindful of Mistakes: Data verification processes: better insights (Accenture, 2021)
Data Visualisation
Well-designed visualizations make data accessible, clear, enticing, and engaging to business audiences.
Explosion of prominence – why?
3 main objectives
Exploring Data
- More efficient detection of relationships/patterns/differences
Explaining Data
- Convey complex things in easy-to-understand format
Building Engagement
- More interesting to look at than tables and bullet list texts (such as this slide)
Instances
Comparing Values
1. Bar Chart（条形图/柱状图）
- 场景：比较 5 个部门的月度销售额。
- 具体化：X 轴放“销售部、市场部、HR、IT、财务部”，Y 轴放“销售金额”。哪个柱子高，哪个部门业绩就好；柱子的高低差距直接反映数值的绝对差距，极其直观。
2. Slopegraph（斜线图/倾斜图）
- 场景：对比各个部门在“今年 vs 去年”的员工满意度变化。
- 具体化：左右两根垂直轴分别代表“2025年”和“2026年”。每个部门用一根线连接两端的得分。如果线条向上倾斜，说明满意度上升；向下倾斜则说明下降；斜率越陡，变化幅度越大。
3. Alluvial Diagram（冲积图/流向图）
- 场景：追踪员工在不同年份之间的“部门流动”或“职级变化”。
- 具体化：左侧是“入职时的部门”（如：市场部 50 人、销售部 50 人），右侧是“3 年后的部门”。中间会有像河流一样的彩色线条互相交错交叉，流向不同的节点，让你直观看到有多少人从市场部转到了销售部。
4. Word Cloud（词云图）
- 场景：分析员工满意度调查问卷中“大家提到最多的词”。
- 具体化：把所有文本放入系统提取词频，出现频率越高的词（如“薪资”、“团队”、“加班”），在画面里的字体就越大、颜色越深；出现少的词字体就极小。一眼就能看出员工最关注的核心议题是什么。
Display Relationships
1. Scatterplot（散点图）
- 场景：探索“员工培训时长”与“绩效得分”之间是否存在关联。
- 具体化：每个员工在图上代表一个“点”。X 轴是该员工今年的“培训小时数”，Y 轴是“年终绩效评分”。如果这些点整体呈现从左下到右上倾斜的趋势，说明培训时间越长，绩效往往越高。
2. Bubble Plot（气泡图）
- 场景：在散点图的基础上增加第 3 个维度，比如对比各个部门的“培训时长”、“绩效评分”以及“部门人数”。
- 具体化：每个部门代表一个“圆圈/气泡”。X 轴是部门平均培训时长，Y 轴是部门平均绩效，气泡的大小代表该部门的员工总人数。气泡越大，说明该部门规模越大。
3. Parallel Coordinates（平行坐标图）
- 场景：同时对比员工在多个维度上的能力画像（如：沟通、技术、领导力、出勤率、满意度）。
- 具体化：画面中有 5 根平行的垂直轴，分别代表这 5 个指标。每位员工表现为一条贯穿这 5 根轴的折线。如果某条线在“技术”和“出勤率”轴上位置极高，但在“沟通”轴上位置极低，能一眼看出该员工的技能短板。
4. Word Tree（词树图）
- 场景：分析员工离职面谈记录中，包含“离职”一词的句子结构和上下文关系。
- 具体化：以关键词“离职（Leave/Resign）”为树干，向右像树枝一样延伸出不同的搭配短语。例如“离职”后面分支连接“因为薪资不够”、“因为缺少晋升空间”、“因为加班严重”，分支越粗说明提到该原因的人数越多。
Depict Patterns
1. Circle Packing（圆包图/嵌套圆图）
- 场景：展示公司全员的“公司 -> 部门 -> 团队”三级组织架构和人数规模。
- 具体化：最外层是一个代表“全公司（500人）”的大圆圈。里面嵌套几个中等圆圈（如：“技术部 200人”、“销售部 150人”）。技术部圆圈内部再嵌套小圆圈（“前端组 50人”、“后端组 100人”、“测试组 50人”）。圆圈越大，代表该层级的人数越多。
2. Tree Map（矩形树图）
- 场景：对比公司各个部门的“人力预算支出占比”。
- 具体化：整个大矩形代表公司今年的“1000万总人力预算”。大矩形被切割成不同大小的小方块：研发部预算最高，占了右上角最大的一块区域；HR 部门预算较少，只占左下角一小块方块。不同部门还可以用不同颜色区分。
3. Sunburst（旭日图/多层饼图）
- 场景：分析全公司员工的“学历分布”及其对应的“职级分布”。
- 具体化：类似一个多层的同心圆饼图。内环显示学历占比（如：本科 60%、硕士 35%、博士 5%）；外环把内环切分（例如在“硕士”这一块的外侧，再切分出“初级工程师 20%”、“高级经理 80%”），用来清晰呈现多层级的包含关系。
4. Donut Chart（甜甜圈图/环形图）
- 场景：展示公司当前员工的“性别比例”或“工作制类型分布”。
- 具体化：本质是一个中间挖空的饼图。比如展示工作制：“全职 70%”、“兼职 20%”、“实习生 10%”。中间挖空的位置通常可以标注核心数字（如“总员工数 1,200 人”），比普通饼图更省空间且视觉更现代。
Change over Time
1. Line Chart（折线图）
- 场景：追踪全公司过去 12 个月的“员工离职率趋势”。
- 具体化：横轴是 1月到 12月，纵轴是离职率（%）。线上的点连接起来，如果发现 7 月和 8 月折线有个明显的“尖峰”，能一眼看出夏季是离职高峰期。
2. Bump Chart（排名变动图）
- 场景：对比各个部门在过去 4 个季度的“绩效排名变化”（只看名次，不看具体分数）。
- 具体化：纵轴固定为第 1 名到第 5 名。如果销售部的线条在 Q1 是第 4 名，Q2 升到第 2 名，Q3 升到第 1 名，线条会一路向上爬升，直观展现出排名位置的动态交替。
3. Stream Graph（河流图/流向面积图）
- 场景：展示过去 5 年公司“不同招聘渠道来源的员工比例动态变化”。
- 具体化：就像一条流动的河流，中间被分成不同颜色的波浪带（如：内推、猎头、校园招聘、社招）。如果某一年“内推”对应的彩色波浪突然变宽，说明当年通过内推进来的员工占比大幅增加。
4. Horizon Chart（地平线图）
- 场景：同时监控 20 个不同业务团队在过去两年的“每周加班时长波动”。
- 具体化：把复杂的折线图进行折叠和色调分层（超过基准线越严重颜色越深）。它极其节省空间，能让你在单张屏幕上同时对比几十个团队的趋势，快速 spot 出哪些团队长期处于高压加班状态。
Locations
- Choropleth Map（分级统计地图/色调地图）
- 场景：展示跨国企业或全国分公司在各个省份/州的“员工平均满意度”。
- 具体化：整张地图按行政区划分割。满意度高的地方填涂为深绿色，满意度低的地方填涂为浅黄色。一眼就能看出哪个大区的员工满意度整体落后。
- Dot Map（打点地图/气泡地图）
- 场景：标记全公司远程办公（WFH）员工的“具体分布位置与人数规模”。
- 具体化：地图上不填涂区域颜色，而是在每个城市或办事处上画一个圆点。圆点的物理位置代表地点（如纽约、伦敦、东京），圆点的大小代表该区域的远程员工数量。
Visual Encoding
Techniques and Things to Consider
Dashboard
一、 HR 报表（HR Reporting）战略价值与最佳实践
- 定义：系统化评估 HR 全流程业务数据（入职 / 出勤 / 请假 / 绩效 / 培训等）并输出决策报告
- 三大战略职能（Key Functions）：
- HR Monitoring（监控）：例行化度量监控 → 提升员工敬业度与留存率（SHRM, 2020）
- Providing Information（赋能管理层）：数据驱动决策 → 优化人才配置、提升生产力、降低主动离职率（Deloitte, 2019）
- Tracking Problem Areas（追踪瓶颈）：定位预警 → 精准干预低效环节，改善满意度与组织效能（HBR, 2018）
- 行业 4 大最佳实践（Best Practices）：
- Automate（自动化）：减少 70% 的人为录入与统计错误（PwC, 2021）
- Visualise with Dashboards（仪表板呈现）：提升 35% 的 HR 战略落地执行有效性（Gartner, 2020）
- Relevant Metrics（指标精简对齐）：精简关键指标 → 便于 HR 举措与公司战略目标（Company Goals）直接对齐（McKinsey, 2019）
- Mindful of Mistakes（严格数据校验）：建立全流程数据验证机制以确保商业洞察信效度（Accenture, 2021）
二、 数据可视化（Data Visualisation）目标与 5 大图表图谱
- 三大核心目的：探索数据（Exploring） → 解释数据（Explaining） → 激发业务方参与（Building Engagement）
- 5 大数据意图与经典图表图谱（课件核心精选）：
- 1. 数值对比（Comparing Values）：坡度图（Slopegraph）/ 冲积图（Alluvial Diagram）/ 词云（Word Cloud）/ 条形图（Bar Chart）
- 2. 关联与关系（Display Connections / Relationships）：气泡图（Bubble Plot）/ 散点图（Scatterplot）/ 平行坐标图（Parallel Coordinates）/ 词树（Word Tree）
- 3. 层级与占比（Hierarchical / Part-to-Whole）：圆形打包图（Circle Packing）/ 树状图（Tree Map）/ 旭日图（Sunburst）/ 环形图（Donut Chart）
- 4. 时间趋势（Change over Time）：地平线图（Horizon Chart）/ 流图（Stream Graph）/ 凹凸图（Bump Chart）/ 折线图（Line Chart）
- 5. 地理空间分布（Locations / Geographies）：等值线地图（Choropleth Map）/ 点状分布地图（Dot Map）
三、 4 大可视化设计支柱（Audience / Contrast / Annotate / Sequence）
- 受众与载体（Audience & Format）：识别读者背景（高管需要战略结论与行动建议，技术团队需要明细参数） → 明确期望驱动何种业务动作
- 对比与色彩（Contrast & Colour）：
- 对比度（Contrast）：核心发现/异常报警使用聚焦色（Focal colour），基准数据统一弱化为灰度（Greyscale）
- 色彩禁忌（Colour）：严禁彩虹色平铺；严格遵守色盲友好性（Colourblindness）规范
- 标注与注释（Annotate）：
- 行动导向标题：标题直接亮明业务结论（如「研发部 Q3 离职率激增 15% 需要紧急干预」而非中性的「离职率统计」）
- 溯源与信度：嵌入 Callout 文字气泡与明确数据来源（Data Source），建立管理层质量信任
- 叙事逻辑（Sequence & Storytelling）：分镜式展开（Panel by panel） → 从全局宏观现状层层递进到微观瓶颈细节，构成完整商业叙事
四、 Tutorial 实操（Excel 绘图 / 仪表板设计）与考核联动
- Activity 1: Excel 基础图表制作与切换
- 数据选择：框选包含表头在内的完整数据矩阵（各部门各季度销售额）
- 常用图形：2D 柱形图（Bar）、2D 饼图（Pie）、2D 折线图（Line）快速插入
- 高频纠偏技巧：若图表轴向颠倒或显示异常 → 点击图表设计选项卡中的
Switch Row/Column（切换行/列）
- Activity 2: 综合仪表板（Dashboard）实战与画图演练
- 商业场景挑战：管理层要求了解当前各部门表现（优秀 vs 需改善），并横向比对本区域同类竞品企业（Benchmark）。
- 四大支柱落地检验（Audience / Contrast / Annotate / Sequence）：绘制仪表板线框图，准备向全班/管理层陈述背后的商业故事。
- 课程关键考核预警（Assessment Checkpoint）：
- Early Feedback Quiz（5%）：涵盖 Week 1 & 2 全量概念（变量类型 / 描述性统计 / 信度效度），现场随堂选择题测验
- Group Practical Tests（30%）：填报 Qualtrics 问卷进行 Week 10~12 案例大作业的均衡分组（基于 Excel 水平 / 统计背景 / 性别 / 国籍）