1 Konteks & Masalah Bisnis
Tingkat turnover (attrition) karyawan yang tidak terkontrol meningkatkan biaya rekrutmen dan onboarding. Manajemen memerlukan audit data berbasis kueri SQL yang transparan dan dapat diaudit secara berkala untuk mengetahui di divisi dan kelompok mana risiko keluar paling tinggi.
2 Sumber Data & Skema Database
Menggunakan dataset IBM HR Analytics (1.470 data karyawan fiksi, 35 kolom atribut). Data dimodelkan menjadi skema relasional 3 tabel:
- employees (fact table: data demografi, kompensasi, jam lembur, performa)
- departments (lookup: R&D, Sales, HR)
- job_roles (lookup: 9 jabatan kerja spesifik)
3 Metodologi & Teknik SQL
- Data Ingestion: Pipeline script Python (load_data.py) untuk validasi tipe data dan migrasi CSV ke SQLite.
- Agregasi & Filtering: Menghitung rasio attrition rate per divisi dan jabatan dengan agregasi bersyarat.
- Multi-Table JOINs: Menggabungkan tabel fakta karyawan dengan tabel dimensi departemen dan jabatan untuk visualisasi relasional lengkap.
- Subquery & CASE: Mengelompokkan masa kerja (tenure) dan kepuasan kerja ke dalam profil risiko dinamis.
- Benchmarking Kompensasi: Menghitung perbandingan gaji karyawan terhadap rata-rata divisi menggunakan subquery dan pengelompokan
GROUP BYdanHAVING.
4 Insight Kunci
- Faktor Lembur: Karyawan dengan status OverTime mencatatkan tingkat keluar 30.5%, hampir 3x lipat dibanding karyawan tanpa lembur (10.4%).
- Divisi Paling Rentan: Posisi Sales Representative memiliki rasio attrition tertinggi (39.8%), berkorelasi dengan tingginya beban kerja dan tenure di bawah 3 tahun.
- Distribusi Kompensasi: Teridentifikasi disparitas gaji pada 14% karyawan berkinerja baik yang masih menerima gaji di bawah rata-rata standar kompensasi departemen mereka.
5 Rekomendasi Aksi
Rekomendasi bagi tim People Ops mencakup evaluasi batasan jam lembur terstruktur, peninjauan ulang penjenjangan gaji karyawan berkinerja tinggi, dan jalur retensi khusus untuk Sales Representatives.