人力资源
数据驱动的过程改进计划通常与制造业等行业相关。然而，使用统计和数据分析解决问题的过程足够灵活，可以使任何业务职能部门受益。“精益六西格玛在基于事务和服务的环境中不断发展，”精益六西格玛黑带大师 Jeff Parks 表示。“例如，我有机会将质量改进技术应用于人力资源领域。” 在最近的一个精益六西格玛项目中，依靠 Minitab Statistical Software 中的强大工具来分析数据，Parks 着手了解并降低大型航空航天发动机部件制造商的高员工流失率。
挑战
员工流失或流动率是指员工离开公司的速度。由于招聘和培训新员工的相关费用，高流失率对公司来说可能是个问题，而且成本很高。
2009 年，俄亥俄州一家大型航空航天发动机部件制造商的正常流失率为 15-18%，这反映了该公司所在地区的一般制造业流失率。然而，2009 年美国经济衰退恰逢公司流失率上升，其时流失率飙升至 30% 以上。鉴于区域和全国失业率高，管理层预计流失率要低得多。“高流失率非常有问题，”领导公司质量改进工作的 Parks 说。“这暗示公司内部存在更深层次的问题 - 人力资源部门无法扭转这个问题。”
制造商的人力资源人员通常依靠离职面谈来了解员工离职的原因。虽然可以从这些面谈中学到很多东西，但当员工毫无预警地离开时，就没有机会进行离职面谈了。在小时制的生产环境中，工作非常辛苦，员工不打招呼就辞职的情况并不少见，很少或根本没有留下导致他们离职的信息。这家制造商汇编了过去两年内未公布离职的员工的基本数据，Parks 承担了分析这些数据的任务，看看这些数据可能为员工流失率的突然上升提供哪些见解。
Minitab 如何帮助他们
该公司在两年内雇佣了 100 名员工。在这些新员工中，有 32 名未通知就辞职了。该公司拥有每位新员工的基本信息，包括员工的性别、职位、工资分类、轮班、前几年的制造经验和通勤时间。为了了解在工资分类（时薪与工资）和工作班次（第一班次与第二班次）之间离职的员工比例是否存在统计显著差异，Parks 在 Minitab 中执行了假设检验。他曾希望揭示员工流失行为的模式，但分析显示，任何变量的比例之间都没有统计学上的显著差异。
但是 Parks 并没有止步于此。他进一步调查了原始数据，并注意到许多离职的员工都是以前有制造经验的女性，她们上班的距离不同。他使用 Minitab 了解性别、前几年的制造经验或通勤距离是否与员工是否离开公司相关。在这种情况下，Parks 想要评估的反应（离职或不离职）是二元的，且只有两个可能的值。Minitab 强大的二元逻辑回归分析使 Parks 能够创建统计模型来预测哪些变量可能使一个人更有可能离职。
分析显示，员工的通勤时间统计意义显著。他的 Minitab 分析输出得出了一个回归方程，Parks 可以使用该回归方程根据员工上下班的里程数来预测员工辞职的概率。他使用方程分析了长达 30 英里的距离，发现通勤距离对员工在 12 英里标记之前辞职的概率影响不大。在 12 英里处，员工辞职的概率增加到 18% 以上。“在 13 英里处，大约是 30-45 分钟的通勤，辞职的概率跃升到 92% 以上，”Parks指出。“如果通勤距离超过 13 英里，几乎可以确信员工会辞职。”
成果
该制造商的人力资源部门使用 Parks 的分析结果来改进制造职位的面试过程。他们开始更仔细地查看潜在员工的通勤距离，并在做出招聘决策之前考虑这一点。
Parks 认为，这些数据解释了流失率上升和失业率高企之间看似矛盾的现象。“分析似乎意味着在经济衰退期间，由于经济形势非常糟糕，人们对申请的工作都很随意。”Parks 说。“一旦员工意识到通勤可能很辛苦，他们很快就会继续寻找其他工作，而且经常会辞职。”
Parks 成为 Minitab 用户已经超过 15 年，他喜欢该软件可供所有技能水平和不同背景的人使用。他说：“Minitab 使我能够讲授统计能力有限的数百个带级人员，并在许多不同的业务领域完成质量改进项目。” “就易用性和统计功效而言，它是市场上最好的统计软件包。”
