shield_lock
金大哥
← 返回 Skill 列表
extension
分类: 数据与分析无需 API Key

蚂蚁工资条 · 人才流失风险预测器

蚂蚁工资条人才流失风险预测器 v2。当用户需评估员工离职风险、批量扫描团队流失风险、识别关键岗位流失影响、计算替代成本、制定留任策略、模拟What-If情景、进行行业/城市/同行对标、生成离职预警报告时触发。v2重大升级：6维24因子Sigmoid平滑评分 × SQLite数据库(22行业/48城市/16岗位/16策略) × LLM深度分析接口 × What-If情景模拟 × 行业城市动态权重调整。Python引擎负责精确计算+数据库查询，LLM负责策略解读、沟通话术、管理报告生成。

person作者: u_57ea54a5hubenterprise
download下载资源包

蚂蚁工资条 · 人才流失风险预测器 v2

定位

能力维度：「测」— 预测预警 | v2 代号：Precision

人才流失是HR最痛的问题——等到员工提离职再挽留，成功率不到30%。v2 将流失风险管理从「经验判断」升级为 24因子量化模型 × SQLite数据引擎 × LLM智能分析 的三层架构，让HR在员工产生离职意图之前就精准发现问题、量化影响、制定策略。

v2 核心升级 vs v1

| 维度 | v1 | v2 | |------|-----|-----| | 因子体系 | 5维18因子 | 6维24因子（+城市/地域） | | 评分函数 | 阶梯式（有突变） | Sigmoid平滑函数（连续可微） | | 数据支撑 | 硬编码12行业 | SQLite数据库：22行业×48城市×16岗位 | | 权重 | 固定权重 | 行业+城市动态调整 | | 策略库 | 10条 | 16条，每条含实施步骤+成功率 | | LLM集成 | 简单描述 | 结构化上下文接口：风险解读/策略论证/沟通话术/管理汇报4类Prompt | | 情景模拟 | 无 | What-If：任意变量改动→实时预测分数变化 | | 历史追踪 | 无 | SQLite记录：风险评估历史/流失事件/趋势曲线 | | 对标分析 | 简单 | 同行对标：vs行业均值/vs百分位/vs城市竞争 |

架构：Python 精算 + SQLite 数据 + LLM 智能

用户需求 → LLM解析（识别行业/城市/岗位/风险信号）
         → SQLite 查询（行业基准/城市竞争/岗位数据/历史记录）
         → Python 引擎（24因子Sigmoid评分 + 动态权重 + 策略匹配 + What-If）
         → LLM 深度分析（风险解读 + 策略论证 + 沟通话术 + CEO简报）

三层能力详解

Layer 1 — SQLite 数据引擎

  • 22 行业基准：含流失率/技术岗流失率/热门岗位/猎头活跃度/行业增长率/AI冲击
  • 48 城市数据：含均薪/技术溢价/竞争强度/生活成本/房价收入比/人才净流入/主导产业
  • 16 岗位基准：含P25/P50/P75市场薪/需求水平/猎头频率/技能过时率
  • 16 策略库：含触发条件/实施步骤/成功率/适用层级/成本估算
  • 历史记录：风险评估趋势/离职原因分析/部门风险变化

Layer 2 — Python 评分引擎

  • 24因子Sigmoid平滑评分（消除阶梯函数分水岭效应）
  • 行业动态权重（AI行业 external+50%，餐饮 personal+40%）
  • 城市竞争调整（深圳 city 权重+25%，哈尔滨 -8%）
  • What-If 情景模拟（"给他调薪到P50会怎样？"）
  • 替代成本计算（含城市/行业溢价）

Layer 3 — LLM 智能分析

  • 风险解读：将 55.9分「中高」翻译成HR和管理者能理解的通俗语言
  • 策略论证：解释为什么推荐这 6 条策略，每条怎么落地
  • 沟通话术：生成不压迫、基于数据的 Stay Interview 框架
  • 管理报告：200字CEO简报 + 关键数字 + 行动建议

触发场景

日常预警

  • 「帮我看看AI部门哪些人有离职风险」
  • 「钱工最近状态不太对，数据化评估一下」
  • 「如果我们的首席架构师离职，真实成本是多少？」

战略决策

  • 「北京AI行业人才竞争太激烈了，我们的人会不会被挖？」
  • 「对比一下我们在深圳和成都两个研发中心的人才稳定性」
  • 「Q2如果给核心团队涨薪10%，能降低多少流失风险？」

管理汇报

  • 「给我一份季度人才风险报告给CEO」
  • 「对比同行，我们的流失率正常吗？」
  • 「下个季度的人才流失预警和预算建议」

核心能力

1. 6维24因子精准评分

城市/地域 (10%) ─┐
个人因素 (10%)   ├─→ Sigmoid平滑聚合 ─→ 0-100风险分
外部吸引力 (15%)  │                    ─→ 六级风险等级
工作环境 (18%)    │                    ─→ Top驱动因子
职业发展 (22%)    │                    ─→ 置信度评估
薪酬竞争力 (25%) ─┘

Sigmoid 平滑 vs 传统阶梯：

  • 旧：CR=0.84→85分，CR=0.86→65分（跳变20分，失真）
  • 新：CR=0.84→67分，CR=0.86→63分（渐变4分，真实）

2. 行业 × 城市动态权重

不同行业/城市的风险结构不同，引擎自动调整：

| 场景 | 权重调整 | |------|---------| | AI大模型 + 北京 | external↑50%, city↑20%, career↑20% | | 餐饮 + 三线城市 | personal↑40%, compensation↑15% | | FinTech + 深圳 | compensation↑20%, external↑25%, city↑25% | | 制造业 + 苏州 | environment↑15%, personal↓15% |

3. What-If 情景模拟

输入任意变量变化，引擎实时计算新评分：

  • "把CR调到1.0" → 风险降多少？
  • "给钱工晋升" → 职业发展维度改善多少？
  • "让他远程办公" → 通勤满意度改善多少？

4. 16条策略 × 智能匹配

引擎根据风险画像自动匹配 Top 6 策略，每条含：

  • 5步实施清单
  • 成功率（基于行业数据）
  • 成本 vs 替代成本 ROI

5. 替代成本含城市溢价

北京 × AI行业 × 高级工程师：
年薪78万 → 替代成本 ¥532,818 (0.68x) → 恢复期4个月
留任干预预算：¥62,400 (年薪8%)
ROI：8.5x → 强烈建议留任

6. LLM 深度分析接口

引擎输出结构化上下文，可直接输入LLM生成：

  • 🗣️ 风险解读：通俗语言解释评分逻辑
  • 📋 策略论证：为什么选这些策略，怎么落地
  • 💬 沟通话术：Stay Interview 框架（温和不压迫）
  • 📊 CEO简报：200字结论+3个关键数字+行动建议

7. 历史趋势追踪

SQLite 持续记录每次评估，支持：

  • 单员工风险变化曲线
  • 部门风险趋势（改善/稳定/恶化）
  • 离职原因热力图
  • 季节性流失模式识别

工作流

Step 1：信息收集（LLM对话引导）

向用户确认：

  • 目标范围：单个员工/整个部门/全公司/特定城市团队
  • 行业 + 城市：自动匹配数据库基准（22行业×48城市）
  • 员工数据：最少只需姓名+职级+岗位类型，因子值可用默认/数据库推断
  • 特殊信号：已知的「红旗」（被挖/抱怨/面试）

Step 2：数据库 + 引擎评估

SQLite查询：
├── industry_benchmarks → 行业流失率/热门岗位/猎头活跃度
├── city_data → 城市竞争强度/生活成本/人才净流入
├── position_benchmarks → 市场薪资P50/需求水平
└── historical_turnover → 历史流失模式

Python引擎计算：
├── assess_individual() → 24因子评分 + 风险等级
├── assess_criticality() → 关键岗位识别
├── calc_replacement_cost() → 替代成本（含城市/行业溢价）
├── recommend_strategies() → Top 6策略匹配
├── what_if_simulation() → 情景模拟
└── peer_benchmark() → 同行对标

Step 3：LLM 策略解读

将引擎输出装入 prepare_llm_context() 生成的4组Prompt，让LLM完成：

  1. 风险解读：通俗解释 + 关键数字
  2. 策略论证：推荐理由 + 落地步骤 + 成本效益
  3. 沟通话术：Stay Interview框架
  4. 管理汇报：CEO级简报

Step 4：输出交付

  • 预警清单（Markdown/JSON）：高风险排行 + 因子明细
  • 策略作战图（Markdown）：每人匹配策略 + 优先级 + 时间线
  • CEO简报（Markdown）：一句话结论 + 关键数据 + 建议
  • 成本分析表（JSON）：替代成本 vs 留任成本对比
  • 风险热力图数据（JSON）：可用于可视化

与已有技能的协同

| 协同技能 | 关系 | |----------|------| | 股权期权激励计算器 | 长期激励补充(RS13) → 用股权计算器出具体方案 | | 竞业限制评估工具 | 高风险关键岗位离职 → 自动触发竞业评估 | | 年度调薪预算测算器 | 识别需优先调薪的高风险员工 → 输入预算测算器 | | 用工成本测算器 | 替代成本 → 输入总影响测算 | | 薪酬方案对比工具 | 留任调薪方案 → 用对比工具测算 | | 薪酬制度生成器 | 留任策略 → 写入薪酬制度"人才保留"章节 |

使用示例

示例1：单人风险评估（AI/大模型+北京）

用户：钱工是我们大模型团队核心，年薪78万，最近听说有竞对在挖他，
      帮我评估一下风险。

执行流程：
1. SQLite查询：AI/大模型行业(流失28%/技术35%) + 北京(竞争92%/流入+12%)
2. 收集24因子 → Python评分
3. 输出：55.9分「中高」| 置信度：中
   - 外部吸引力83分 🔴（竞对被挖92/猎头频繁88/极度紧缺90）
   - 薪酬竞争力58分 🟡（CR=0.78/22月未调薪）
   - 职业发展53分 🟡（晋升停滞30月/技能瓶颈）
4. What-If：调到P50 → 53.5分（-2.4分，单一变量影响有限）
5. 替代成本：¥532,818 (0.68x年薪)，ROI 8.5x
6. LLM策略推荐：
   🔴 立即：RS12(紧急干预)+RS08(反猎头)+RS02(保留奖金)
   🟡 本周：RS01(调薪到P50)+RS04(加速晋升通道)
   🟢 本月：RS13(股票期权激励)
7. LLM沟通话术：基于担忧而非威胁的Stay Interview框架

示例2：多城市对比

用户：我们在北京、成都、西安都有AI团队，对比一下三地人才稳定性。

执行流程：
1. 三城相同岗位(高级AI工程师)的24因子评估
2. 城市差异自动体现：
   北京：竞争92% → city权重+25% → 评分55.9分
   成都：竞争72% → city权重+18% → 评分48.2分
   西安：竞争60% → city权重+10% → 评分42.8分
3. LLM分析：北京团队面临3倍于西安的外部吸引力，建议差异化留任策略

示例3：部门全员扫描 + 趋势

用户：AI部门20人，帮我做季度风险排查并看趋势。

执行流程：
1. scan_department()：20人风险分布
2. SQLite历史对比：上季度平均43分 → 本季度47分 → 恶化↑
3. 识别：3人高/极高风险（均为高级岗），2人为关键岗位
4. 预估替代总成本：¥185万
5. LLM建议：
   - 立即启动：3名高风险Key Person留任干预
   - 部门层面：引入季度Stay Interview + 竞品薪酬对标
   - 预算申请：建议Q3调薪预算增加15%

品牌定位

  • 品牌前缀：蚂蚁工资条 ·
  • Slug：mayi-turnover-predictor
  • 版本：v2.0 (Precision)
  • 所属团队：蚂蚁工资条
  • 能力矩阵：「测」维度核心，Phase 2 L1 必选
  • 技术栈：Python Sigmoid引擎 + SQLite数据库 + LLM分析接口
  • 数据规模：22行业 × 48城市 × 16岗位 × 16策略 × 24因子
  • 差异化价值：国内HR行业首个「多因子量化+数据库驱动+LLM深度分析」三层架构的离职预测工具