工厂人资福尔摩斯:用AI分析考勤表揪出离职预警

月底的考勤报表又摊在桌上,人资主管一边滚动着三百多人的Excel,一边在心里犯嘀咕。这个月是谁请假请得特别频繁?哪个线别的迟到率悄悄爬升?这种“翻表找异常”的工作,理论上该有专人盯着,但现实是工厂人资部常常只有一两个人,身兼招募、劳资、薪资,考勤异常分析永远排在最后面,等真的发现整条线集体离职,往往已经来不及补人。

离职不是突然发生,是一路迟到早退预告的

做过现场管理的人都知道,员工要离职前,行为模式通常会先变。原本准时的人开始频繁迟到、原本全勤的人请假变多、加班意愿明显下降。这些讯号分散在打卡系统的原始数据里,单看某一天看不出异状,但拉长到一两个月,趋势其实很明显。问题是,人资很少有时间把一整季的考勤记录按部门、按班别拆开来比对,通常都是等离职单交上来才后知后觉。

把Excel丢给AI,几分钟读完三个月的考勤记录

2023年7月底,OpenAI开放了ChatGPT Plus用户测试“Code Interpreter”(进阶数据分析)功能,可以直接把Excel或CSV文件上传进对话,AI会自己写程序读取、整理、画图,不需要人工先把数据清好。这对工厂人资来说是个实质的转折点:过去要分析考勤异常,得先请IT或信息人员帮忙写报表、拉数据透视表,现在只要把打卡导出的Excel丢进去,直接用白话文问问题,AI就能算出迟到率、缺勤率随时间的变化,并按部门排序。

不是取代人资判断,是先帮你把嫌疑犯排出来

要注意的是,AI分析出来的“高风险部门”只是统计上的异常讯号,不是离职原因的答案。像是某条线迟到率连续三周上升,可能是员工士气问题,也可能单纯是排班改了、宿舍搬迁导致通勤变远。AI能做的是帮你快速把嫌疑范围从三百人缩小到几个部门、几个名字,接下来还是要靠人资或线长实际去谈、去了解,才能确认真正原因并对症下药。把AI当成第一轮筛选工具,而不是最终判官,才不会把统计巧合当成管理结论。

在泰国工厂现场,这类考勤异常讯号常常会和几个在地时间点重叠:外籍移工的工作许可证(ใบอนุญาตทำงาน)即将到期、中介合同进入续约季,或是宋干节等长假前后,部分移工迟迟未归、整条线迟到率同步上升。把AI抓出的风险部门对照这些时间点,通常能更快分辨这是“制度性流失”还是“个人因素”——如果迟到潮刚好卡在工作许可到期潮,该优先处理的往往不是绩效面谈,而是提前协助办理换证,才不会等到证件过期、人真的离开才后知后觉。

🔧 AI 动手做:三分钟考勤异常初筛

把近三个月的考勤导出Excel(建议字段包含姓名、部门、日期、迟到分钟数、是否缺勤),上传到ChatGPT Plus的Code Interpreter功能,粘贴以下提示词,AI会自动计算每个部门的迟到率与缺勤率变化趋势,并列出风险最高的前五名部门。

我上传了一份工厂考勤记录Excel,字段包含姓名、部门、日期、迟到分钟数、是否缺勤。
请帮我:
1. 按部门分组,计算每周的平均迟到率与缺勤率
2. 找出近四周迟到率或缺勤率呈上升趋势的部门,按上升幅度排序
3. 列出风险最高的前五个部门,并用一张折线图呈现趋势
4. 用条列方式说明可能需要人资优先关注的原因方向(不要下结论,只列出可能性)

拿到结果后,别急着发通知警告哪个部门,先找该部门的线长聊聊近期是否有排班、宿舍、薪资或工安相关的变动,把AI的统计讯号当成谈话的开场白,而不是考核的依据。

本周就能做的一步

这周先把过去三个月的考勤Excel整理成单一文件,用上面的提示词跑一次初筛,把结果排出风险前三名部门,安排一次和该部门线长的十分钟非正式对话,确认是统计巧合还是真的有事在发生。