汽车/新能源人才流动趋势分析

要解决的具体问题

做汽车/新能源人才流动趋势分析时，你常会遇到这些卡点：

• 人才供需、薪酬涨幅、流失率、招聘周期等指标散落在不同文件或口头需求里，口径难统一——比如“流失率”按月算还是按季度算，“招聘周期”从需求发起到入职还是到入职后首月？
• 手工整理数据要反复核对字段、剔除重复值和异常值（比如某个岗位月度流失率高达120%），耗时且容易把错误带进结论；
• 结论和原始事实、判断依据混在一起，后续要给业务方解释“为什么这么建议”时，找不到支撑的明细或参数。

核心能力与工作步骤

这个技能会按最小必要信息优先的原则运行：

1. 信息提取：直接从你的自然语言（比如“帮我做长三角新能源电池行业人才流动分析，我们公司200人，想了解薪酬涨幅趋势”）或上传的Excel/CSV文件里提取已确认事实，只追问3个最少必填项：行业和用工地区、企业规模及人员情况、要解决的业务或合规问题——不用填内部JSON，也不用给员工编号。
2. 数据质检与结构化：先检查字段完整性（比如“招聘周期”是否有缺失）、口径一致性（比如所有数据是否按“入职日期”计算周期）、时间范围是否匹配需求，再生成可复核的明细表（比如“2024年Q1新能源电控岗位招聘周期明细”），并标注异常值（比如某岗位薪酬涨幅300%的样本需确认是否为高端人才）。
3. 确定性计算：需要算具体指标（比如季度流失率均值、薪酬涨幅中位数）时，会把已确认信息写入内部临时JSON，运行python scripts/run.py --input <input_path> --output <output_path>——这个JSON不会展示给你，也不用你手动填。
4. 结论与行动分层：最后会把事实（比如“2024年Q1长三角新能源行业电池研发岗位供需比为1:1.8”）、参数（比如“薪酬涨幅计算口径为季度环比”）、判断依据（比如“供需比基于3家行业报告+2家企业访谈”）、待确认项（比如“某岗位样本量仅2条，建议补充数据”）和下一步行动（比如“针对电控岗位设计专项保留方案”）分开写，让结论有迹可循。

适用边界与注意点

• 不用敏感信息：不会索要或使用性别、年龄、婚育、籍贯、民族、健康等敏感属性做任何分析或建议；
• 不虚假执行：不会声称已经发送方案、申报数据或写入业务系统——除非宿主工具真的执行并回读了操作结果；
• 输入不足时不硬凑：如果缺少行业、地区等最少必要信息，会输出“待补充清单”（比如“需补充：企业人员结构明细”“需确认：薪酬涨幅的时间范围”），不用看似精确的数字替代未知事实；
• 外部数据有来源：涉及行业基准时（比如“行业平均招聘周期45天”），会标注来源、样本时间和适用范围——如果无法核验，会明确写“假设基于XX报告2024年样本，需进一步验证”。