CN104106089B - 用于在企业中使用的社交网络分析的方法 - Google Patents

Abstract

关于多个因素——这些因素可能承载群体的个别成员关于群体的环境的满意度——在群体、比如企业或者组织的同事内的同级组内执行历史分析以确定群体的成员，这些成员可以是将对鼓励和/或奖励朝着提高业绩做出响应的可能候选。优选地，通过重复历史分析的计分方面并且比较当前分数与先前分数以提供实质上实时信息，并且允许检测趋势来补充历史分析。将历史分析和/或前瞻分析的结果与在群体内的社交网络分析的结果叠加以预计影响在群体内的散布。

Description

用于在企业中使用的社交网络分析的方法

技术领域

本发明总体上涉及在企业内使用社交网络，并且更具体地涉及应用社交网络分析以提高同事生产率和满意度。

背景技术

一种用于监视与企业关联的人员的总体满意度状态的传统方式一直只是使用静态和不频繁调查，这些调查还承担大量开支并且在可靠性方面颇有问题。特别是如果未在匿名进行的保证之下执行这样的调查，则对调查的响应很可能由于个体感知的明显可能响应将被企业偏爱而有偏见。在另一方面，匿名进行的调查将丢失与企业可以能够解决的具体个体的满意度水平有关的信息。

这些方式在提供同事满意度的实时理解或者在动作可以在实现提高的生产率时更有效时的及早日期解决满意度改变的潜在问题时具有很低价值。问题由于企业获得可以支持改进条件和增加满意度的信息可能视为有冒犯并且直接有害于工作满意度这样的事实而进一步变复杂。

此外还可能有影响同事满意度的附加社交因素。将预计在密切关联的个体之中的高水平分权、友谊和认同应当增加满意度。相似地，可以在相互关联的个体之中散布对企业境况的一些方面的满意度。

发明内容

因此，本发明的一个目的是提供一种用于通过组合行为分析、偏差检测和社交网络分析来提供同事满意度的实时、增加的理解。

本发明的另一目的是提供一种具有实时满意度评估系统的管理工具。

为了实现本发明的这些及其它目的，提供一种评估在个人群体内所述群体的成员将对鼓励或者激励做出响应的可能性的方法，该方法包括以下步骤：标识在群体内的多个同级组，这些同级组被选择为对群体公共的多个因素中的每个因素具有相似响应，关于相应因素评估相应同级组的成员以获得基线或者分布，基于同级组的成员的评估相对于在同级组内用于因素的所述基线或者分布而言的位置对同级组的成员进行计分以形成同级组成员分数，并且组合组成员分数并且根据比在同级组内的组成员分数的平均值或者中值显著更高或者更低的分数确定对鼓励或者激励的响应可能性。优选地，通过执行前瞻分析——这通过重复计分过程并且比较用于个体的当前分数与用于个体的先前分数——并且预计影响在群体内的散布——这通过将历史分析和/或前瞻分析的结果与群体的社交网络分析的结果叠加——来细化这样的分析的结果。

附图说明

将参照附图从本发明的一个优选实施方式的以下具体描述中更好地理解前述和其它目的、方面以及优点，在附图中：

图1是本发明的一个优选实施方式的高级示意图或者数据流程图，以及

图2是可以在传达本发明的方法的理解时有用的关于满意度因素或者指示符的用于同级同事组的数据分布的图形。

具体实施方式

现在参照附图并且更具体地参照图1，示出本发明的一个优选实施方式的架构的高级示意图。也以如下方式布置图1，该方式使得可以理解它为本发明的方法的流程图。

作为综述，在具体讨论本发明之前，本发明包括组合的两个主要分析组成：被前瞻分析补充和利用的历史分析，该前瞻分析基于可以在实时基础上执行的局外者检测和计分；以及用于预计关于社交网络同伴的(充分为正或者为负)兴趣满意度分数的定量部分的社交网络分析。

历史分析是对个体组执行的并且关于境况的可以承载满意度的属性提供该组的个体成员的行为的定量统计分布。因此，可以基于与个体行为的统计平均值或者期望值的差异推导用于个体的满意度分数。在通过引用而完全结合于此的美国公开专利申请2009/0228233A1中提供用于执行此技术的优选算法，但是其它算法可以是适合的并且可以在本发明的成功实践中有用。在任何情况下，这样的方法及其结果在对同级个体组执行时变得远远更有意义，这些个体可能显得表现如在本发明的实践中优选的响应于在企业或者个体境况中的特定事件或者改变的相互相似的行为改变。如下文更详细所述，在一个方面，选择这样的同级组(例如，可能也限于企业的相异运营的机械工程师、电气工程师、分析员、支持人员、行政人员等)往往使行为分布稳定，因为执行历史分析并且随时更新结果，而在另一方面，选择这样的同级组往往使行为分布更接近地符合标准分布曲线，该标准分布曲线简化个别满意度分数计算并且在计分过程的结果中提供增加的置信度水平。

前瞻分析实质上是基于利息分析推导的信息和检测个体满意度分数改变——这些改变可以提供用于提供支持和/或鼓励(这些支持和/或鼓励可以使同事达到更高创造性和/或生产率水平)的机会的指示——实质上实时接收和更新用于特定同级组中的个体的计分过程。可以关于可以在历史分析中跟踪的任何和所有行为凭经验确定任何分数改变的量值显著性。

应当理解，历史分析本身提供对在执行它时的满意度的有价值认识，该认识足以支持在高(以及有可能为低)分数的情况下的干预，这些分数在执行历史分析时和之后不久显著地偏离在同级组内的用于一个或者多个满意度分数的平均或者期望分数。前瞻分析提供对历史分析的补充在于可以用相对低的计算负担频繁地重复它以检测可以与在同级组的同事的环境中的特定事件或者微秒改变相关的改变。频繁地重复的前瞻分析也可以检测用于个体的趋势和用于在同级组之间的满意度水平改变的趋势。也可以通过重复历史分析、但是用增加的粒度(由于如实践规定的频率更低的重复)和计算负担检测这样的类型的满意度水平改变。

最后，执行企业内的社交网络分析并且将其叠加在前瞻性分析的结果上以预计表现分数改变的一个同事对该同事可能频繁社交联系的其他人的潜在影响。即，如果给定的个体表现用于提高业绩的潜在机会，则该个人可以或多或少接近地关联的其他人可以表现某个程度的相似机会。

更具体地，如图1中所示，可以标识多个因素10，这些因素10可以承载或者直接或者间接指示同事满意度的并且信息可用或者可以被开发的属性。这样的因素应当主要包括因素、比如自从上次业绩评审起的时间长度和该评审的结果(例如，在10a共同指示、但是可以被分离地分析)、同事已经有资格激励的实例的次数和频率、激励的性质和激励鉴于对企业的益处而对同事的境况的适当性(例如，在10b共同地指示、但是可以被分离地分析)、与支持人员的联系的数目、性质和频率(例如，在10c共同地指示、但是可以被分离地分析)和同事的工作产品的各种方面、比如开支声明数目和频率、休假使用、期限短缺、与其他人的协调的方面等(也在10d共同地指示、但是优选地被分离地分析)这些因素不限于以上指示的或者数据被普通地收集的因素、但是可以延伸至可以从其它可用信息推导的信息，该其它可用信息比如是内部通信的内容，该内容如同工作产品因素中的许多工作产品因素可以如在25指示的那样受到中间(例如，语义)分析20以便推导信息，该信息与满意度适当相关或者具有与对鼓励或者激励的响应可能性的、凭经验或者统计确定的链接。

如上文暗示的那样，希望关于基于对这样的因素具有相似响应的可能性选择的同级组执行这些因素的分析。例如，一个(或者多个)同级组可以完全或者主要是电气工程师，而一个(或者多个)同级组可以完全或者主要是机械工程师，而更多其它同级组可以主要来自一个或者多个支持、设计、营销、信息管理等组。认为优选从跨越企业的整个同事群体选择这些同级组而不限于在例如特定项目或者产品生产区域内，这是因为将在历史和前瞻分析的结果上叠加的社交网络分析如下文详细所述将考虑在这样的具体操作内的交互，并且在这样的具体操作内的事件如基于对条件或者事件的可能响应的相似性从跨越整个企业选择的同级组比较的那样可能往往歪曲关于以上讨论的满意度指示符因素10的数据的统计分布和/或减少这些统计分布的稳定性。也更可能的是如果跨越企业的整个群体选择同级组，则满意度指示符因素的分析结果将符合标准(例如，高斯)分布。

希望同级组大到足以使得用于同级组的特定因素的值的统计分布实质上未受用于任何个体的一个或者多个满意度分数的改变所影响。未要求个体是仅单个同级组的成员并且可以在多于一个同级组中包括或者甚至在一个或者多个同级组之间划分(例如，在加权基础上)个体。

一旦已经确定同级组，如在图1的30指示的那样，关于所有或者选择的满意度指示符因素10执行每个个体的评估，并且如在图1的40描绘的那样跨越每个同级组确定数据的统计分布。应当理解每组可以具有关于所有个别因素确定的分布或者在一些同级组中可以在给定的满意度指示符因素内关联一些因素或者可以在用于一些同级组的分析中完全省略一个或者多个满意度指示符因素。在图2中图示关于自从上次评审起的时间此因素10a的示例标准分布。根据因素的性质伸缩图2的水平轴。例如，如果企业策略提供年度业绩评审，则自从用于任何给定的个体的最新近业绩评审起的平均或者期望时间将如对于标准分布曲线的峰值图示所示可能近似为六个月。竖轴是如在图2的左侧所示具有从最新近业绩评审起的给定持续时间(按照任意单位)的在同级组中的同事数目。标准分布曲线210理想地对称，但是如图所示，可以根据因素的性质截短曲线的“尾部”。在此情况下，自从上次业绩评审起的时间不能小于零个月，但是可以在理论上无限地延伸该时段(图2的右手侧)。尽管优选使用理想标准分布曲线，但是也可以使用基于给定的因素的定量值的实际分布开发的曲线。例如如果业绩评审对于在给定的同级组中的多数同事为时已晚(例如，八个月的平均或者期望时间)，则个体的归因于该因素的满意度可能被减少很多并且标准或者实际分布曲线210将相对于计分曲线220被向右移位并且可以被不同地成形。

也如图2中所示，还根据标准分布曲线210提供计分函数220。此计分函数可以实质上任意、但是优选地基于使提高业绩的可能性与每个因素的定量值相关的经验数据。在图2的右手侧的标度中图示用于给定的因素的示例分数。在此情况下，在示例数值50设置用于平均或者中值的分数，但是向平均或者中值赋值的分数值除了用于对于该因素建立用于每个个别同事值的标度和权值之外对于本发明的成功实践并不重要。也可以在因素的平均或者中值设置分数值以简化跨越多个因素用于同事的总分计算。例如，如果将在历史分析中考虑十个因素，则用于平均值或者中值的分数50将通过简单求和用于同事的个别因素分数来产生分数500，该同事的满意度指示符因素被评估以精确地等于同级组的平均值或者中值而可能生成通常在范围0至1000或者提供充分分辨率以区分同事的某个其它数值范围中的复合满意度分数。也可以如可以证明方便的那样使用其它伸缩布置和标准。

对于每个同级组使用用于每个因素的分布曲线210和计分曲线220，如在图1的50描绘的那样为每个同事开发复合满意度分数。在此示例情况下，对于自从用于同事的最新近业绩评审起并且具有平均或者中值六个月的时间，已经在过去四个月内具有业绩评审的同事将被赋值用于此因素的低分数(例如，约20)，而已经等待业绩评审有十四个月——这是超过企业的建立的策略的时间——的同事将被指派用于此因素的约为140的高(并且可能不成比例)分数。然后，可选地将对于在每个同级组中的每个同事的用于相应因素的分数的组合成用于每个同事的复合满意度分数，并且在存储器55中存储结果。可选地但是优选地，也可以与复合分数存储用于每个个别同事的个别因素分数并且可以将个别因素分数用于确定将在一些动作中解决的用于提高满意度的特定因素。

应当理解，以上描述的历史分析能够提供关于满意度的比已经在本发明之前可用的信息明显改进的信息。即，极值复合或者个别因素分数(例如，在同级组中或者跨越企业的同事的所有或者显著部分的群体的所有分数的上或者下四分之一中)本身无论何时重复或者更新历史分析、具体在如以下将公开的那样通过在其上叠加社交网络分析来利用时都是用于具有业绩提高可能性的可能候选的相对可靠指示符。然而，结果可以有些被一般化并且可能未充分及时或者对在企业内的当前条件和事件敏感。因此，根据本发明，优选与现在将进一步参照图1描述的前瞻分析利用以上描述的历史分析。

根据本发明提供的前瞻分析旨在于利用如以上描述的根据本发明的历史分析以提供接近实时信息。此进一步分析在一般将有在可能引起满意度改变的在境况中的事件或者改变与给定的同事的满意度水平实际改变之间的时间滞后这样的意义上为前瞻或者预测。因此，前瞻分析提供个体的良好和即使预测符，这些个体可以在适当鼓励时变成用于提高业绩的良好候选。

本发明提供的前瞻分析60很简单并且可以基于在以上讨论的历史分析期间开发的数据来迅速执行。简而言之，在相对频繁和事件驱动的基础上，为所有同事或者同事组用以上讨论的方式重新计算和更新个体满意度指示因素分数和复合满意度分数(但是并非在同级组内的用于因素的分布)，并且如在图1的60所示比较结果与先前计算和存储的分数结果从而允许容易检测分数改变和改变的量值。然后可以按照量值对检测到的分数改变进行排序以确定及早干预或者补救动作可以最可能有成效的个体以及对于该个体而言对开发将在干预中运用的特定动作明显更重要的因素的标识。

此外，发明人已经认识其他同事的影响可能关于个体采取或者设想的特定动作明显重要。因而，如在图1的70所示，优选地执行企业同事群体或者选择的其部分的社交分析72以确定哪些同事可能关于业绩影响其他同事以及给定的同事将如何被另一同事影响的指示。许多社交网络分析方法已知和/或可预见、比如在特定同事之间的电子邮件流量的分析。比如通过将如社交网络分析确定的用于“影响者”和“跟随者”的个别因素和/或复合分数相乘、在如以上描述的历史分析和/或前瞻分析的结果上叠加社交分析的结果、因此不仅提供任何特定满意度在同事之中的散布的指示而且考虑在同事之中具有满意度承载的效果的级联。即，第一同事可以由于一个事件而变成更满意，而第二同事可以由于另一因素或者特定事件而变得更满意，但是该满意度增加可以被第一同事的满意度增加扩充，即使引起第一同事的满意度增加的事件或者境况可能对第二同事全然无关的事项。应当理解，社交分析结果的叠加也可以直接应用于如以上讨论的历史分析的结果而实质上有预计通过群体对鼓励或者激励的响应可能性的相同效果。

如在82所示如被来自社交网络分析的信息修改的所得分数然后可以被评估并且可选地按照量值来排序以如在图1的80所示标识个体和组，这些个体和组是用于某个动作的候选。同样，可以如在84所示按照个别因素的改变对用于个别同事的复合分数的改变的贡献来确定特定满意度改变来源。

鉴于前文，可见本发明提供一种用于标识其满意度受到对特定境况和事件的响应改变制约的个体以及干预可以证明有益的个体的系统和方法。根据本发明的系统和方法因此提供一种用于企业的实质上实时系统，并且可以提供一种用于增加企业的同事的生产率和业绩的工具。

尽管已经按照单个优选实施方式描述了本发明，但是本领域技术人员容易理解可以在所附权利要求书的精神实质和范围内通过修改来实践本发明。

Claims (18)

1.一种评估在个人群体内所述群体的成员将对鼓励或者激励做出响应的可能性的方法，所述方法包括以下步骤：

标识在所述群体内的多个同级组，所述同级组被选择为对所述群体公共的多个因素中的每个因素具有相似响应，

关于所述多个因素中的相应因素评估相应同级组的成员以获得基线或者分布，

基于同级组的成员的所述评估相对于在所述同级组内用于所述因素的所述基线或者所述分布而言的位置对所述同级组的成员进行计分以形成同级组成员分数，

组合所述组成员分数并且根据比在所述同级组内的组成员分数的平均值或者中值显著更高或者更低的分数确定对鼓励或者激励的响应可能性,

重复所述计分步骤以提供当前组成员分数，以及

基于在所述组成员分数与所述当前组成员分数之间的改变细化所述确定可能性。

2.如权利要求1所述的方法，还包括以下步骤：

将标准分布应用于所述基线。

3.如权利要求2所述的方法，还包括以下步骤：

存储所述组成员分数。

4.如权利要求3所述的方法，还包括以下步骤：

执行社交网络分析以确定在所述群体内的影响者和跟随者，以及

在所述组成员分数的结果上叠加所述社交网络分析的结果。

5.如权利要求4所述的方法，其中所述群体是企业的同事群体。

6.如权利要求5所述的方法，其中所述叠加结果的步骤通过乘法被执行。

7.如权利要求4所述的方法，其中所述叠加结果的步骤通过乘法被执行。

8.如权利要求2所述的方法，还包括以下步骤：

执行社交网络分析以确定在所述群体内的影响者和跟随者，以及

在所述组成员分数的结果上叠加所述社交网络分析的结果。

9.如权利要求8所述的方法，其中所述群体是企业的同事群体。

10.如权利要求9所述的方法，其中所述叠加结果的步骤通过乘法被执行。

11.如权利要求8所述的方法，其中所述叠加结果的步骤通过乘法被执行。

12.一种评估在个人群体内所述群体的成员将对鼓励或者激励做出响应的可能性的方法，所述方法包括以下步骤：

配置计算机以标识在所述群体内的多个同级组，所述同级组被选择为对所述群体公共的多个因素中的每个因素具有相似响应，

配置计算机以关于所述多个因素中的相应因素评估相应同级组的成员以获得基线或者分布，

配置计算机以基于同级组的成员的所述评估相对于在所述同级组内用于所述因素的所述基线或者所述分布而言的位置对所述同级组的成员进行计分以形成同级组成员分数，

配置计算机以组合所述组成员分数并且根据比在所述同级组内的组成员分数的平均值或者中值显著更高或者更低的分数确定对鼓励或者激励的响应可能性,

配置计算机以重复所述计分步骤以提供当前组成员分数，以及基于在所述组成员分数与所述当前组成员分数之间的改变细化所述确定可能性。

13.如权利要求12所述的方法，还包括以下步骤：

配置计算机以将标准分布应用于所述基线。

14.如权利要求12所述的方法，还包括以下步骤：

配置计算机以存储所述组成员分数。

15.如权利要求14所述的方法，还包括以下步骤：

配置计算机以执行社交网络分析以确定在所述群体内的影响者和跟随者，以及

配置计算机以在所述组成员分数的结果上叠加所述社交网络分析的结果。

16.如权利要求15所述的方法，其中所述群体是企业的同事群体。

17.如权利要求16所述的方法，其中所述叠加结果的步骤通过乘法被执行。

18.如权利要求15所述的方法，其中所述叠加结果的步骤通过乘法被执行。