CN105117869A - 一种工作人员管理方法 - Google Patents

Abstract

本发明公开了一种工作人员管理方法，包括：获取预设量的工作人员；确定聚类指标，并确定每个工作人员与聚类指标对应的数据为该工作人员的聚类指标数据；根据每个工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果；根据聚类结果将工作人员分成不同的类，得到分类结果。本申请并不预先确定需要将工作人员进行分类的类个数，而是通过视觉聚类算法根据每个工作人员的聚类指标数据对其进行分类，视觉聚类算法是模拟人的视觉认知过程，可以自动辨析聚类个数，因此，本申请公开的一种工作人员管理方法能够自动确定工作人员的类个数，准确度较高，避免了工作人员的分类不符合工作人员的实际工作表现的情况发生。

Description

一种工作人员管理方法

技术领域

本发明涉及企业管理技术领域，更具体地说，涉及一种工作人员管理方法。

背景技术

企业管理(BusinessManagement)，是对企业的生产经营活动进行计划、组织、指挥、协调和控制等一系列职能的总称。其中，企业管理的一个重要管理对象为人力资源管理，具体为对于企业中相关工作人员的管理。

现有的对于企业的工作人员的管理中，通常由管理者根据需要将相关工作人员分为不同的类，进而按照工作人员的不同类对工作人员进行管理。其中，对于工作人员的分类的合理性及准确性直接影响对于企业的工作人员的综合管理，但是，现有技术中通过管理者确定对工作人员进行分类的类个数的方式是不准确的，举例说明：在对电力客户服务中心(以下简称客服中心)的话务员的管理中，通常由管理者决定将话务员分成几类，进而按照管理者指定的标准对话务员进行分类。但是，可能按照话务员的工作表现来说，其更适合于分为的类个数与管理者确定为其分类的类个数是不相同的，这就会导致某些类中出现话务员的工作表现差别较大，不应分为一类的情况，从而不能很好的适应话务员的实际工作表现。

综上所述，现有技术对于工作人员的管理中，存在对工作人员的分类不准确，进而容易出现对工作人员的分类不符合工作人员的实际工作表现的情况发生的问题。

发明内容

本发明的目的是提供一种工作人员管理方法，以解决现有技术中存在的对工作人员的分类不准确，容易出现对工作人员的分类不符合工作人员的实际工作表现的情况发生的问题。

为了实现上述目的，本发明提供如下技术方案：

一种工作人员管理方法，包括：

获取预设量的工作人员；

确定聚类指标，并确定每个所述工作人员与所述聚类指标对应的数据为该工作人员的聚类指标数据；

根据每个所述工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果；

根据所述聚类结果将所述工作人员分成不同的类，得到分类结果。

优选的，所述确定每个所述工作人员与所述聚类指标对应的数据为该工作人员的聚类指标数据，包括：

确定任一所述聚类指标为目标聚类指标；

如果有M个所述工作人员不具有与所述目标聚类指标对应的数据，则确定该M个工作人员均为第一工作人员，M为正整数；

确定全部所述工作人员中所述第一工作人员以外的其他工作人员均为第二工作人员；

确定每个所述第二工作人员与所述目标聚类指标对应的数据的和为数据总值；

确定所述数据总值与所述第二工作人员的数量的比值为每个所述第一工作人员对应所述目标聚类指标的数据。

优选的，所述确定每个所述工作人员与所述聚类指标对应的数据为该工作人员的聚类指标数据之后，所述方法还包括：

将每个所述工作人员的聚类指标数据均进行标准化处理，得到具有统一度量单位的聚类指标数据。

优选的，所述确定聚类指标，包括：

确定所述聚类指标，所述聚类指标包括接听量、平均通话时长、平均案头时长、推送率及满意率；

其中，所述接听量包括所述工作人员接听电话的总数，所述平均通话时长包括所述工作人员接听电话的总时长与该工作人员的接听量的比值，所述平均案头时长包括所述工作人员每次接听电话后填写与该接听的电话对应的工单所用时长的平均值，所述推送率包括所述工作人员接听电话后向该接听的电话对应的客户推送“满意度评价”的电话总数与该工作人员的接听量的比值，所述满意率为所述工作人员对应的客户对该工作人员的“满意度评价”为满意的电话总数与该工作人员的接听量的比值。

优选的，所述根据每个所述工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果，包括：

步骤1：确定初始视觉尺度，将所述初始视觉尺度作为当前视觉尺度；在当前视觉尺度下，确定所述工作人员的聚类指标数据形成的斑点的数量；

步骤2：将按照预设算法对所述当前视觉尺度进行计算得到的结果作为当前视觉尺度，在当前视觉尺度下，确定所述工作人员的聚类指标数据形成的光斑的数量，并判断所述光斑的数量是否为1，如果是，则执行步骤4，否则，则执行步骤3；

步骤3：返回执行步骤2；

步骤4：按照预设原则选取所述光斑的不同数量中最大重要性的数量为聚类结果。

优选的，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果，包括：

确定所述光斑的数量为所述工作人员的类的数量；且任一所述光斑对应的聚类指标数据对应的工作人员为同一类。

优选的，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果之后，所述方法还包括：

根据所述分类结果确定每个类的工作人员的特征；

根据每个类的工作人员的特征确定该类的工作人员的工作内容及工作时间。

优选的，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果之后，所述方法还包括：

利用“循环轮换法”由每个类的工作人员中选取工作人员组建成N个班组，N为正整数。

优选的，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果之后，所述方法还包括：

根据所述分类结果确定每个类的工作人员的特征；

根据每个类的工作人员的特征确定该类的工作人员的工作缺陷，并针对每个类的工作人员的工作缺陷对该类的工作人员进行培训。

优选的，所述方法还包括：

利用高维可视化图对所述聚类结果进行展示。

本发明提供的一种工作人员管理方法，包括：获取预设量的工作人员；确定聚类指标，并确定每个所述工作人员与所述聚类指标对应的数据为该工作人员的聚类指标数据；根据每个所述工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果；根据所述聚类结果将所述工作人员分成不同的类，得到分类结果。与现有技术相比，本申请并不预先确定需要将工作人员进行分类的类个数，而是通过视觉聚类算法根据每个工作人员的聚类指标数据对其进行分类，视觉聚类算法是模拟人的视觉认知过程，可以自动辨析聚类个数，即利用视觉聚类算法得到的聚类结果对工作人员进行分类，可自动确定类个数，且确定的类个数为最优的类个数，每个类内的工作人员可最大化的相似，因此，本申请公开的一种工作人员管理方法能够自动确定工作人员的类个数，准确度较高，避免了工作人员的分类不符合工作人员的实际工作表现的情况发生。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种工作人员管理方法的流程图；

图2为本发明实施例提供的一种工作人员管理方法中确定每个工作人员与聚类指标对应的数据为该工作人员的聚类指标数据的流程图；

图3为本发明实施例提供的一种工作人员管理方法中根据每个工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果的流程图；

图4为本发明实施例提供的一种工作人员管理方法中由远及近不同视觉尺度下光斑的状态示意图；

图5为本发明实施例提供的一种工作人员管理方法中进行试验时的原始数据图；

图6为本发明实施例提供的一种工作人员管理方法中与原始数据图对应的视觉尺度为0.2时的分类图；

图7为本发明实施例提供的一种工作人员管理方法中与原始数据图对应的视觉尺度为1.2时的分类图；

图8为本发明实施例提供的一种工作人员管理方法中与原始数据图对应的视觉尺度为5.0时的分类图；

图9为本发明实施例提供的一种工作人员管理方法中聚类结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明实施例提供的一种工作人员管理方法的流程图，可以包括：

S11：获取预设量的工作人员。

其中，预设量可以根据实际需要进行确定，在此不做具体限定。

S12：确定聚类指标，并确定每个工作人员与聚类指标对应的数据为该工作人员的聚类指标数据。

其中，聚类指标是工作人员的工作表现方面的指标，其具体含义根据工作人员的职位不同而有所区别。另外，聚类指标的数量可以为1个，也可以为多个，根据实际需要进行确定，在此不做具体限定。

S13：根据每个工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果。

其中，聚类就是将集合中的对象分成若干个类的数据分析方法，它使得每个类中的对象之间尽可能地相似，不同的类中的对象尽可能相异，本申请中的对象即为工作人员。视觉聚类算法是模拟人的视觉机制的聚类算法，其具有如下优点：1、模拟人的的视觉认知过程，可以自动辨析聚类个数；2、每次迭代可得到全局最优解，即，可使得每个类中的对象之间尽可能地相似，不同的类中的对象尽可能相异。

S14：根据聚类结果将工作人员分成不同的类，得到分类结果。

本申请提供的一种工作人员管理方法，并不预先确定需要将工作人员进行分类的类个数，而是通过视觉聚类算法根据每个工作人员的聚类指标数据对其进行分类，而视觉聚类算法是模拟人的视觉认知过程，可以自动辨析聚类个数，即利用视觉聚类算法得到的聚类结果对工作人员进行分类，可自动确定类个数，且确定的类个数为最优的类个数，每个类内的工作人员可最大化的相似，因此，本申请公开的一种工作人员管理方法能够自动确定工作人员的类个数，准确度较高，避免了工作人员的分类不符合工作人员的实际工作表现的情况发生。

另外，本发明将视觉聚类算法应用于对于工作人员的分类，有利于实现工作人员的精益化管理，便于及时了解企业运营状况和发展战略实施过程中存在的问题，并通过修正策略来跟踪行动计划和绩效结果，从而保证发展战略的实现。

如图2所示，上述实施例提供的一种工作人员管理方法中，确定每个工作人员与聚类指标对应的数据为该工作人员的聚类指标数据，可以包括：

S21：确定任一聚类指标为目标聚类指标。

S22：如果有M个工作人员不具有与目标聚类指标对应的数据，则确定该M个工作人员均为第一工作人员，M为正整数。

M的具体数值是根据具体情况进行确定的。而工作人员不具有与目标聚类指标对应的数据，即目标聚类指标具有缺失值。

S23：确定全部工作人员中第一工作人员以外的其他工作人员均为第二工作人员。

即，根据是否具有与目标聚类指标对应的数据将全部工作人员分为两类，第一类的工作人员均为第一工作人员，不具有与目标聚类指标对应的数据，第二类的工作人员均为第二工作人员，具有与目标聚类指标对应的数据。

S24：确定每个第二工作人员与目标聚类指标对应的数据的和为数据总值。

S25：确定数据总值与第二工作人员的数量的比值为每个第一工作人员对应目标聚类指标的数据。

举例说明上述步骤，如共有5个工作人员，其中4个工作人员对应目标聚类指标的数据分别为1、2、3、4，而第5个工作人员不具有与目标聚类指标对应的数据，则将第5个工作人员与目标聚类指标对应的数据设置为(1+2+3+4)/4，即采用均值替换法确定目标聚类指标的缺失值。由此，通过将工作人员缺少的数据设置成其他工作人员的数据的平均值，保证了根据上述数据获取聚类结果的准确性，避免因将缺少的数据设置的过大或者过小而影响聚类的准确性。

上述实施例提供的一种工作人员管理方法中，确定每个工作人员与聚类指标对应的数据为该工作人员的聚类指标数据之后，还可以包括：

将每个工作人员的聚类指标数据均进行标准化处理，得到具有统一度量单位的聚类指标数据。

上述步骤为数据标准化的步骤，由于不同的聚类指标的度量单位通常是不相同的，为了使得能够将聚类指标对应的数据应用于视觉聚类算法，需要对聚类指标进行规范化处理，可以将聚类指标数据按比例缩放，使之落入一个小的特定区间。本申请中可以通过min-max标准化方法，利用下列函数变换公式：

$x^{*}=\frac{x-x_{min}}{x_{max}-x_{min}}$

将每个聚类指标数据的数值x映射到对应的区间[0,1]，以实现不同聚类指标的统一化，保证利用视觉聚类算法顺利得到聚类结果。

上述实施例提供的一种工作人员管理方法中，确定聚类指标，可以包括：

确定聚类指标，聚类指标包括接听量、平均通话时长、平均案头时长、推送率及满意率；

接听量包括工作人员接听电话的总数，平均通话时长包括工作人员接听电话的总时长与该工作人员的接听量的比值，平均案头时长包括工作人员每次接听电话后填写与该接听的电话对应的工单所用时长的平均值，推送率包括工作人员接听电话后向该接听的电话对应的客户推送“满意度评价”的电话总数与该工作人员的接听量的比值，满意率为工作人员对应的客户对该工作人员的“满意度评价”为满意的电话总数与该工作人员的接听量的比值。

其中，工作人员每次接听电话之后都需要将该次接听电话的相关信息填写至工单中，以供查询。而工作人员接听电话后向该接听的电话对应的客户推送“满意度评价”，以使得客户对该工作人员的服务做出评价，具体的评价类别可以根据实际需要进行确定，如可将评价类别分为满意、一般及不满意，或者将满意进一步分为一般满意及非常满意等。而满意率则为工作人员的“满意度评价”为代表满意的评价类别的电话总数与该工作人员的接听量的比值，是表示客户对工作人员的满意度的值。

需要说明的是，本发明实施例提供的一种工作人员管理方法可以适用于任何需要根据工作人员的工作表现对工作人员进行分类的工作场景，其中，就包括对于电力客户服务中心的话务员的分类及管理，上述实施例提供的聚类指标，即接听量、平均通话时长、平均案头时长、推送率及满意率就是针对电力客户服务中心的话务员设置的。基于上述聚类指标，能够全面客观的实现对于话务员的分类，不受管理者的主观观念，由此得到的分类结果与话务员的实际工作表现相符，有利于对于话务员的进一步管理。从而，促进了客户服务水平的提升，对外树立了电力客户服务中心的良好形象。

需要说明的是，视觉聚类算法的基本思想是：将每一数据点视作空间的一个光点，一个数据集就构成了空间的一幅图像。当人由近及远观察图像即观察视觉尺度变化时，小光点就会变为一个小光斑，进一步由近及远，小光斑逐渐溶为大光斑，当人距图像足够远时，整个图形便成为一个大光斑。如果将每个光斑看成一个类，则上述过程便形成逐级聚类的过程，在整个聚类过程中类的个数存活最长的个数就是原始数据集的聚类个数。

对一个给定数据点集X＝{x_i∈R^d:i＝1,…,Nd为数据维数}，将每一数据点x_i看成一小光点，数学上该光点由Dirac广义函数δ(x-x_i)表示。于是数据点集X在空间形成一个图像p(x)，其中：

$p\left(x\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\mathrm{\δ}(x-x_i)$

根据视觉尺度空间理论，图像p(x)的多视觉尺度表示p(x)与高斯函数 $g(x,\mathrm{\σ})={\left(2{\mathrm{\π\σ}}^2\right)}^2{e}^{-\frac{x^{T}x}{2{\mathrm{\σ}}^2}}$ 的卷积，即：

$p(x,\mathrm{\σ})=p\left(x\right)\×g(x,\mathrm{\σ})={\left(2{\mathrm{\π\σ}}^2\right)}^{-\frac{d}{2}}\underset{i=1}{\overset{N}{\Σ}}{e}^{-\frac{{(x-x_i)}^T(x-x_i)}{2{\mathrm{\σ}}^2}}$

其中，高斯函数的窗宽σ称为视觉尺度参数。在给定视觉尺度σ下，一个光斑的中心即为为p(x,σ)关于x的一个极大值点。而相应于一个中心x^*的光斑则定义为x^*关于梯度系统的吸引域，记为B(x^*)，即：

$B\left(x^{*}\right)=\left\{x_0\∈R^d:\lim x\underset{t\→\mathrm{\∞}}{\left(t,x_0\right)}=x^{*}\right\}$

这里x(t,x₀)为梯度系统初值问题，即下列求解方程的解：

$\left\{\begin{array}{c}\frac{dx}{dt}={\▿}_{x}p(x,\mathrm{\σ})\\ x(0,x_0)=x_0\end{array}\right.$

因此，在给定视觉尺度下，验证一点x₀是否属于一个光斑B(x^*)可通过数值上述求解方程来完成.

当视觉尺度变化时，每一个光斑仅在一定视觉尺度范围(σ₁,σ₂)内存在。当视觉尺度σ小于σ₁(如图3(a))时，这一个光斑分解为多个小光斑。而当视觉尺度σ大于σ₂(如图3(b))时，这一光斑与其它光斑溶合。因此，随着视觉尺度σ的增大，各种视觉尺度的光斑形成一个等级结构(如图3(C))。

视觉聚类算法随着σ的变化产生一系列的类，这些类按照包含关系形成一个树形结构，由它们可产生数据的一系列分类。由于事先没有任何关于数据的先验知识，因此根据显著性假设来选取相对重要的数据分划，对于在某一视觉尺度下得到的分类C而言，我们定义其存活区间为该分类由产生到消亡的视觉尺度区间，记为(σ₁,σ₂)，则分类C的重要性定义为ln(σ₁-σ₂)。根据不同分类的重要性度量，我们可选取具有最大重要性的分类作为最有效的分类。记π(σ)为视觉聚类算法在视觉尺度参数为σ时所得到的数据分类中所含类的个数，则π(σ)在分类C的存活区间(σ₁,σ₂)内为常数。利用这一性质，便可利用π(σ)的性质来确定最有效分类，即寻求视觉尺度参数σ在对数标度下使得π(σ)为常数的最大区间。可见，每一个大的类是如何由小的类聚合而成，视觉尺度空间聚类算法可得到不同层次的有效聚类。

图4为进行试验时的原始数据图，从图4明显可以看出，数据集是由3个类划分的；图5至图7为不同视觉尺度下的聚类过程，其中，图5为视觉尺度为0.2时的分类图，图6为视觉尺度为1.2时的分类图，图7为视觉尺度为5.0时的分类图，从中可以发现，具有最大的存活区间(即从图6变化到图7的过程视觉尺度变化3.8)的类为3类，这与我们对原始图的观察是非常一致的。

视觉聚类算法的优点在于，它既不依赖任何初值，也不涉及整体优化问题。图像与高斯函数作卷积具有抑制噪声的作用，而分类重要性度量定义表明最有效分类对视觉尺度变化有显著的鲁棒性。

如图8所示，上述实施例提供的一种工作人员管理方法中，根据每个工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果，可以包括：

S31：确定初始视觉尺度，将初始视觉尺度作为当前视觉尺度；在当前视觉尺度下，确定工作人员的聚类指标数据形成的斑点的数量。

可以将工作人员的聚类指标数据形成数据集，用X表示。其中，初始视觉尺度设置的充分小，用σ₀表示，可以令初始视觉尺度σ₀＝0.029，此时，对应每个话务员是一个单独的类。

S32：将按照预设算法对当前视觉尺度进行计算得到的结果作为当前视觉尺度，在当前视觉尺度下，确定工作人员的聚类指标数据形成的光斑的数量，并判断光斑的数量是否为1，如果是，则执行步骤S34，否则，则执行步骤S33。

预设算法可以为：σ_i+1＝σ_i+kσ_i，其中，σ_i为当前视觉尺度，σ_i+1为对当前视觉尺度进行计算得到的结果，即新的当前视觉尺度。对视觉尺度为σ_i时所得到的任一光斑进行下列运算：设X^*(σ_i)是视觉尺度为σ_i时的一个光斑中心，如果在视觉尺度为σ_i+1时，光斑中心X^*(σ_i)落在由中心X^*(σ_i+1)所表示的光斑内，则属于光斑B(X^*(σ_i))的类就归入了由B(X^*(σ_i+1))所表示的类。因此，当视觉尺度增加为σ_i+1时，如果两个或数个在视觉尺度为σ_i时所得到的光斑中心落入同一光斑内，则这些光斑中心所表示的类在视觉尺度为σ_i+1时溶入同一类。

S33：返回执行步骤S32。

如果光斑数量不为1，则一直循环执行步骤S32。记π(σ0为视觉聚类算法在视觉尺度为σ时所得到的数据分类中所含类的个数，寻求视觉尺度σ在对数标度下使得π(σ)为常数的最大区间。当σ充分大，所有数据也即所有工作人员溶入一个类时，终止算法，即，光斑数量为1时，执行步骤S34。

S34：按照预设原则选取光斑的不同数量中最大重要性的数量为聚类结果。

进行上述步骤后，得到聚类个数π(σ)，以及每个类的类标号及对应的中心点。

需要说明的是，视觉尺度离散化格式Δσ＝σ_i+1-σ_i＝kσ以及k的选取基于Weber定律。根据Weber定律，在给定视觉尺度σ下，当视觉尺度变化Δσ满足Δσ＜kσ时，视觉上感觉不到视觉尺度的变化，其相应的视觉聚类结果便也没有差别，而只有当Δσ≥kσ时，聚类结果按视觉效应而言才有变化。由于视觉尺度σ是一个由一维参数表示的窗口宽度参数，而基于心理物理学试验，一维长度参数的Weber分数为0.03，因此在这里令k＝0.03，不会损失任何视觉效果。

而根据不同分类的重要性度量，这里选取具有最大重要性的分类作为最有效的分类。

另外，根据聚类结果将工作人员分成不同的类，得到分类结果，包括：

确定光斑的数量为工作人员的类的数量；且任一光斑对应的聚类指标数据对应的工作人员为同一类。

按照上述相关步骤，可以以电力客户服务中心的话务员作为工作人员，对其进行分类。电力客户服务中心的话务员的自身素质和工作态度各不相同，其工作效率和客户满意度相应地有所差异。基础支撑平台、呼叫平台、业务支持系统、运营管理系统等记录了话务员的工作数据。利用这些数据，对他们进行有效地分类，并提炼出对其客观评价的关键特征，进而对话务员进行“精、准、细、严”的评价，从而为客户服务中心分班、排班和培训策略的制定提供有力的决策支持。具体为：

首先，从基础支撑平台、呼叫平台、业务支持系统、运营管理系统这4个系统中提炼出接听量、平均通话时长、平均案头时长、推送率和满意率作为话务员的聚类指标，或者说评价指标，各聚类指标的含义和作用如表1所示。

表1聚类指标及其含义

其次，从基础支撑平台、呼叫平台的数据库中选取7162个话务员从2013年1月至2014年10月的25万条样本数据，进行聚类。其数据示例如表2所示。

表2样本数据

其中，得到能够利用视觉聚类算法进行计算的数据，具体的处理方式可参见上文，包括缺失值的确定及聚类指标数据的标准化处理。

然后，按照步骤S31至步骤S34进行聚类，得到类个数π(σ)＝4。

最后，实现对话务员特征刻画，通过这些特征对话务员的工作技能和岗位匹配符合度进行评价。

具体来说，结合聚类结果，可将话务员分为以下几类：

聚类0(质量型)：涉及的话务员人数最多，占比60.53％。推送率和满意率最高，说明这类人工作质量最高，接听量、平均通话时长、平均案头时长中等。

聚类1(效率型)：这类话务员的接听量最大，说明工作量大，同时平均通话时长、平均案头时长最短，说明工作效率高，同时推送率和满意率较高。

聚类2(问题型)：涉及的话务员人数最少，占比7.25％。接听量小、平均通话时间长、平均案头时长大，说明工作效率最低，推送率、满意率最低，说明工作质量也最低。

聚类3(中间型)：这类话务员的接听量、平均通话时长、平均案头时长、满意率都居中，而推送率最低。

上述实施例提供的一种工作人员管理方法中，根据聚类结果将工作人员分成不同的类，得到分类结果之后，方法还可以包括：

根据分类结果确定每个类的工作人员的特征；

根据每个类的工作人员的特征确定该类的工作人员的工作内容及工作时间。

以上述例子进行说明，针对质量型、效率型、中间型和问题型话务员，采取对应的激励惩罚制度，进行工作内容及工作时间的安排，其中，工作内容和工作时间具体可以包括排班时长和服务客户的差异性安排等，如“问题型”人员夜班的排班时间较长，“质量型”人员和“效率型”人员服务电力客户服务中心的集团客户及VIP客户。

由此，根据不同工作人员的特征，合理调整班次，并且对应不同的需求(如客户需求等)，分配不同的特征的工作人员，有利于对于工作人员的管理，以及提高工作人员的工作效率。

上述实施例提供的一种工作人员管理方法中，根据聚类结果将工作人员分成不同的类，得到分类结果之后，方法还可以包括：

利用“循环轮换法”由每个类的工作人员中选取工作人员组建成N个班组，N为正整数。

为任一班组分配工作人员时，确定该班组为目标组，从第一个类开始，分别从每个类的工作人员中选取一名工作人员分配给目标组，并且目标组每分得一名工作人员，均需判断目标组的工作人员数量是否达到预期，如果否，则继续为目标组分配工作人员，如果是，则停止为目标组分配工作人员。另外，如果全部类均分出一名工作人员后目标组的工作人员数量还未达到预期，则再由第一个类开始，重复上述动作，直至目标组的工作人员的数量达到预期为止。

以上述例子进行说明，利用“循环轮换法”从4个类中选取话务员组建多个班组。从聚类0-质量型开始，按照上述方法依次将每个类的话务员分给每个班组。

由此，解决了现有技术中局部最优的问题，能够使得每个班组均具有相等或者相似的水平，在一定程度上保证了分班后班组内部工作人员构成的合理性和均衡性，为不同班组之间的绩效考核奠定平等基础。

上述实施例提供的一种工作人员管理方法中，根据聚类结果将工作人员分成不同的类，得到分类结果之后，还可以包括：

根据分类结果确定每个类的工作人员的特征；

根据每个类的工作人员的特征确定该类的工作人员的工作缺陷，并针对每个类的工作人员的工作缺陷对该类的工作人员进行培训。

以上述例子进行说明，将话务员进行了分类后，可以将质量型、效率型的人员的指标中心点设置为各指标的优秀阀值，为进一步绩效考核细化提供了参考。同时，针对聚类中发现的问题短板，即工作缺陷，如中间型的话务员的推送率较低，为培训内容和培训对象等提供了方向。其中，电力客服中心的培训内容覆盖电价电费、电能计量、故障报修、规章制度等业务知识汇总，通过集中培训、自主学习、随机抽查、模拟考核等多形式进行强化培训。另外，为提升坐席人员综合素质。电力客服中心对话务受理、工单派发、维修处理、意见反馈、用户回访的考核管控可以进行规范管理，将话务员考核指标、服务水平、主动服务、日常管理等各方面综合考核与绩效相挂钩，实施奖惩制度。具体的，一方面，可以通过电力客户话务员精益化管理来提高话务员素质、规划话务员发展，留住话务员的心。另一方面，电力客户服务中心可针对性的开发培训计划，提高话务员绩效能力，进而实现组织目标。并且，在话务员职业发展过程中，作为选拔、轮岗、晋升的参考依据，话务员精益化管理起到了重大作用，并为留住优秀人才做了铺垫。

即，基于分类结果确定每个类的工作人员的工作缺陷，有利于管理者根据每个类的工作人员的工作缺陷不同为期安排不同的培训，有利于工作人员水平的提高。在此基础上，建立长效培训机制，形成自主学习的工作氛围。

另外，上述实施例提供的一种工作人员管理方法中，还可以包括：

利用高维可视化图对聚类结果进行展示。

将上述例子进行聚类后得到的4个聚类结果作图，取横轴为5个聚类指标，纵轴为4个类及本类中话务员占所有话务员人数的比例，中央的气泡大小代表着4个类中心点在聚类指标上的数据的大小，结果图9所示。

高维化可视图可以包括类、类的工作人员个数、类的聚类指标的权重等，由此，将聚类结果直观、形象的展示出来，方便管理人员对相关信息的获取。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种工作人员管理方法，其特征在于，包括：

获取预设量的工作人员；

确定聚类指标，并确定每个所述工作人员与所述聚类指标对应的数据为该工作人员的聚类指标数据；

根据每个所述工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果；

根据所述聚类结果将所述工作人员分成不同的类，得到分类结果。

2.根据权利要1所述的方法，其特征在于，所述确定每个所述工作人员与所述聚类指标对应的数据为该工作人员的聚类指标数据，包括：

确定任一所述聚类指标为目标聚类指标；

如果有M个所述工作人员不具有与所述目标聚类指标对应的数据，则确定该M个工作人员均为第一工作人员，M为正整数；

确定全部所述工作人员中所述第一工作人员以外的其他工作人员均为第二工作人员；

确定每个所述第二工作人员与所述目标聚类指标对应的数据的和为数据总值；

确定所述数据总值与所述第二工作人员的数量的比值为每个所述第一工作人员对应所述目标聚类指标的数据。

3.根据权利要求2所述的方法，其特征在于，所述确定每个所述工作人员与所述聚类指标对应的数据为该工作人员的聚类指标数据之后，所述方法还包括：

将每个所述工作人员的聚类指标数据均进行标准化处理，得到具有统一度量单位的聚类指标数据。

4.根据权利要求3所述的方法，其特征在于，所述确定聚类指标，包括：

确定所述聚类指标，所述聚类指标包括接听量、平均通话时长、平均案头时长、推送率及满意率；

其中，所述接听量包括所述工作人员接听电话的总数，所述平均通话时长包括所述工作人员接听电话的总时长与该工作人员的接听量的比值，所述平均案头时长包括所述工作人员每次接听电话后填写与该接听的电话对应的工单所用时长的平均值，所述推送率包括所述工作人员接听电话后向该接听的电话对应的客户推送“满意度评价”的电话总数与该工作人员的接听量的比值，所述满意率为所述工作人员对应的客户对该工作人员的“满意度评价”为满意的电话总数与该工作人员的接听量的比值。

5.根据权利要求1所述的方法，其特征在于，所述根据每个所述工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结果，包括：

步骤1：确定初始视觉尺度，将所述初始视觉尺度作为当前视觉尺度；在当前视觉尺度下，确定所述工作人员的聚类指标数据形成的斑点的数量；

步骤2：将按照预设算法对所述当前视觉尺度进行计算得到的结果作为当前视觉尺度，在当前视觉尺度下，确定所述工作人员的聚类指标数据形成的光斑的数量，并判断所述光斑的数量是否为1，如果是，则执行步骤4，否则，则执行步骤3；

步骤3：返回执行步骤2；

步骤4：按照预设原则选取所述光斑的不同数量中最大重要性的数量为聚类结果。

6.根据权利要求5所述的方法，其特征在于，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果，包括：

确定所述光斑的数量为所述工作人员的类的数量；且任一所述光斑对应的聚类指标数据对应的工作人员为同一类。

7.根据权利要求1所述的方法，其特征在于，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果之后，所述方法还包括：

根据所述分类结果确定每个类的工作人员的特征；

根据每个类的工作人员的特征确定该类的工作人员的工作内容及工作时间。

8.根据权利要求7所述的方法，其特征在于，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果之后，所述方法还包括：

利用“循环轮换法”由每个类的工作人员中选取工作人员组建成N个班组，N为正整数。

9.根据权利要求8所述的方法，其特征在于，所述根据所述聚类结果将所述工作人员分成不同的类，得到分类结果之后，所述方法还包括：

根据所述分类结果确定每个类的工作人员的特征；

根据每个类的工作人员的特征确定该类的工作人员的工作缺陷，并针对每个类的工作人员的工作缺陷对该类的工作人员进行培训。

10.根据权利要求1至9任一项所述的方法，其特征在于，所述方法还包括：

利用高维可视化图对所述聚类结果进行展示。