蚂蚁工资条人才流失风险预测器

解决什么问题

离职挽留是一个事后动作：等到员工递了辞呈再谈条件，业内普遍认为挽留成功率不到30%。此时员工已经参加过面试、对比过 offer，HR 手上通常只有「最近状态不太好」这类模糊信号。本技能瞄准的是事前预警——在离职意图显性化之前，把分散在组织、薪酬、地域层面的风险因子量化成可比较的分数，让 HR 和管理者看到「谁的风险在上升、为什么上升、干预要花多少钱」。

如何工作

核心是三层结构：

• SQLite 数据层：内置 22 行业、48 城市、16 岗位的基准数据（流失率、技术岗溢价、生活成本、房价收入比、人才净流入等），以及 16 条留任策略库，每条含触发条件、实施步骤和成功率。
• Python 评分层：6 维 24 因子经 Sigmoid 平滑函数合成分数，替代阶梯式打分（避免因子从 0.84 跳到 0.86 导致分数突变 20 分的失真）。权重按行业和城市动态调整，例如 AI 行业外部机会维度权重上调 50%，深圳的城市竞争权重上调 25%。
• LLM 分析层：引擎输出结构化上下文，可直接喂给 LLM 生成风险解读、策略论证、Stay Interview 沟通话术和 CEO 简报四类文案。

标准流程是：收集目标范围与员工最少信息（姓名+职级+岗位类型）→ 匹配数据库基准并评分 → 生成 What-If 情景模拟（如「调到 P50 会怎样」）→ 输出预警清单、策略优先级、替代成本对比和风险趋势数据。

适用边界

• 因子值缺失时可用数据库推断或默认值，但评分精度依赖输入质量，「红旗」信号（被挖、面试记录）建议显式提供。
• 基准数据面向国内 HR 场景，22 个行业和 48 个城市之外的样本需自行校准。
• 16 条策略的「成功率」来自行业历史数据，是参考而非承诺；具体落地仍需结合公司实际预算和职级体系。
• 输出是风险排序和决策输入，不替代 HR 的专业判断，也不涉及劳动合同或法律意见。