Tento projekt pracuje so syntetickými HR & Finance dátami za rok 2024. Obsahuje analýzu zamestnancov, miezd, odchodov a ďalších metrík. Dáta sú spracované v Python (pandas, matplotlib) a vizualizované aj v Power BI.
File: dataset_HR_ESG_Finance_2024.xlsx
Obsahuje metriky ako: Oddělení, Město, Čtvrtletí Počet zaměstnanců, FTE Počet nástupů, Počet odchodů Důvody odchodů Průměrná mzda (CZK) Počet sick days, Skóre onboardingu
(Dáta sú syntetické – vytvorené pre účely cvičenia.)
EN: The chart shows workforce distribution across Brno, Ostrava, and Prague, broken down by departments and quarters. It highlights regional and organizational differences in employee allocation.
CZ: Graf zobrazuje rozložení zaměstnanců v Brně, Ostravě a Praze, rozdělené podle oddělení a čtvrtletí. Zdůrazňuje regionální a organizační rozdíly v rozmístění pracovní síly.
EN: A KPI card displaying the average salary of employees across all departments. The value dynamically changes with filters and provides a quick overview of salary levels in the organization.
CZ: KPI karta zobrazující průměrnou mzdu zaměstnanců napříč všemi odděleními. Hodnota se dynamicky mění podle filtrů a poskytuje rychlý přehled o mzdových úrovních v organizaci.
EN: Bar chart illustrating employee exits (attrition) per department and per quarter. It helps identify departments with the highest turnover and periods with increased employee departures.
CZ: Sloupcový graf znázorňující odchody zaměstnanců (attrition) podle oddělení a čtvrtletí. Pomáhá identifikovat oddělení s nejvyšší fluktuací a období s vyšším počtem odchodů.
EN: Detailed view of the HR department shows employee distribution between Brno and Prague. The visualization supports workforce planning by comparing regions.
CZ: Detailní pohled na oddělení HR ukazuje rozložení zaměstnanců mezi Brno a Prahu. Vizualizace podporuje plánování pracovní síly prostřednictvím regionálního srovnání.
EN: Combined view of salary development and employee attrition by department. This helps HR analytics link salary trends with employee turnover and spot risk areas.
CZ: Kombinovaný pohled na vývoj mezd a odchody zaměstnanců podle oddělení. Pomáhá HR analytikům propojit mzdové trendy s fluktuací zaměstnanců a identifikovat riziková oddělení.
Průměrná mzda podle oddělení a Počet odchodů podle města
avg_salary = (df.groupby("Oddělení", as_index=False)["Průměrná mzda_CZK"]
.mean()
.sort_values("Průměrná mzda_CZK", ascending=False))
print(avg_salary)
leaves_by_city = (df.groupby("Město", as_index=False)["Počet odchodů"]
.sum()
.sort_values("Počet odchodů", ascending=False))
print(leaves_by_city)
___________________
** CZ:**
- **Soubor:** [`dataset_HR_ESG_Finance_2024.xlsx`](dataset_HR_ESG_Finance_2024.xlsx)
- **Obsah:**
- Počty zaměstnanců podle oddělení, města a čtvrtletí
- Průměrné mzdy (CZK)
- Odchody zaměstnanců (attrition)
- Trendy podle oddělení a čtvrtletí
---
## Key Metrics / Klíčové metriky
- **Headcount** – počet zaměstnanců podle oddělení, lokality a času
- **Average Salary (CZK)** – průměrná mzda na zaměstnance
- **Attrition (Employee Exits)** – počty odchodů podle oddělení a čtvrtletí
- **Departmental Comparison** – porovnání HR, IT, Sales, Marketing a Finance mezi lokalitami Brno, Ostrava, Praha
---
### 🛠 Použité nástroje
## Python (pandas, matplotlib)
## Google Colab
## Power BI (dashboard)
## Conclusion / Závěr
**EN:**
This Power BI project demonstrates practical HR data analysis skills using synthetic data. It highlights how to track employee counts, attrition, and salary trends across locations and departments.
**CZ:**
Tento Power BI projekt demonstruje praktické dovednosti HR datové analytiky na syntetických datech. Ukazuje, jak sledovat počty zaměstnanců, odchody a trendy mezd napříč lokalitami a odděleními. 👉 Tento projekt ukazuje kombináciu HR analytiky a vizualizácií v Pythone a Power BI.
---