工廠人資福爾摩斯:用AI分析出勤表揪出離職預警

月底的出勤報表又攤在桌上,人資主管一邊捲動著三百多人的Excel,一邊在心裡犯嘀咕。這個月是誰請假請得特別頻繁?哪個線別的遲到率悄悄爬升?這種「翻表找異常」的工作,理論上該有專人盯著,但現實是工廠人資部常常只有一兩個人,身兼招募、勞資、薪資,出勤異常分析永遠排在最後面,等真的發現整條線集體離職,往往已經來不及補人。

離職不是突然發生,是一路遲到早退預告的

做過現場管理的人都知道,員工要離職前,行為模式通常會先變。原本準時的人開始頻繁遲到、原本全勤的人請假變多、加班意願明顯下降。這些訊號分散在打卡系統的原始資料裡,單看某一天看不出異狀,但拉長到一兩個月,趨勢其實很明顯。問題是,人資很少有時間把一整季的出勤紀錄按部門、按班別拆開來比對,通常都是等離職單交上來才後知後覺。

把Excel丟給AI,幾分鐘讀完三個月的出勤紀錄

2023年7月底,OpenAI開放了ChatGPT Plus用戶測試「Code Interpreter」(進階數據分析)功能,可以直接把Excel或CSV檔案上傳進對話,AI會自己寫程式讀取、整理、畫圖,不需要人工先把資料清好。這對工廠人資來說是個實質的轉折點:過去要分析出勤異常,得先請IT或資訊人員幫忙寫報表、拉樞紐分析表,現在只要把打卡匯出的Excel丟進去,直接用白話文問問題,AI就能算出遲到率、缺勤率隨時間的變化,並依部門排序。

不是取代人資判斷,是先幫你把嫌疑犯排出來

要注意的是,AI分析出來的「高風險部門」只是統計上的異常訊號,不是離職原因的答案。像是某條線遲到率連續三週上升,可能是員工士氣問題,也可能單純是排班改了、宿舍搬遷導致通勤變遠。AI能做的是幫你快速把嫌疑範圍從三百人縮小到幾個部門、幾個名字,接下來還是要靠人資或線長實際去談、去了解,才能確認真正原因並對症下藥。把AI當成第一輪篩選工具,而不是最終判官,才不會把統計巧合當成管理結論。

在泰國工廠現場,這類出勤異常訊號常常會和幾個在地時間點重疊:外籍移工的工作許可證(ใบอนุญาตทำงาน)即將到期、仲介合約進入續約季,或是宋干節等長假前後,部分移工遲遲未歸、整條線遲到率同步上升。把AI抓出的風險部門對照這些時間點,通常能更快分辨這是「制度性流失」還是「個人因素」——如果遲到潮剛好卡在工作許可到期潮,該優先處理的往往不是績效面談,而是提前協助辦理換證,才不會等到證件過期、人真的離開才後知後覺。

🔧 AI 動手做:三分鐘出勤異常初篩

把近三個月的出勤匯出Excel(建議欄位包含姓名、部門、日期、遲到分鐘數、是否缺勤),上傳到ChatGPT Plus的Code Interpreter功能,貼上以下提示詞,AI會自動計算每個部門的遲到率與缺勤率變化趨勢,並列出風險最高的前五名部門。

我上傳了一份工廠出勤紀錄Excel,欄位包含姓名、部門、日期、遲到分鐘數、是否缺勤。
請幫我:
1. 依部門分組,計算每週的平均遲到率與缺勤率
2. 找出近四週遲到率或缺勤率呈上升趨勢的部門,依上升幅度排序
3. 列出風險最高的前五個部門,並用一張折線圖呈現趨勢
4. 用條列方式說明可能需要人資優先關注的原因方向(不要下結論,只列出可能性)

拿到結果後,別急著發通知警告哪個部門,先找該部門的線長聊聊近期是否有排班、宿舍、薪資或工安相關的變動,把AI的統計訊號當成談話的開場白,而不是考核的依據。

本週就能做的一步

這週先把過去三個月的出勤Excel整理成單一檔案,用上面的提示詞跑一次初篩,把結果排出風險前三名部門,安排一次和該部門線長的十分鐘非正式對話,確認是統計巧合還是真的有事在發生。