CN109657855A - 离职概率的预测方法、装置、计算机设备和存储介质 - Google Patents
离职概率的预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109657855A CN109657855A CN201811532033.5A CN201811532033A CN109657855A CN 109657855 A CN109657855 A CN 109657855A CN 201811532033 A CN201811532033 A CN 201811532033A CN 109657855 A CN109657855 A CN 109657855A
- Authority
- CN
- China
- Prior art keywords
- employee
- value
- information
- probability
- leaving office
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及大数据领域，特别涉及一种离职概率的预测方法、装置、计算机设备和存储介质。所述方法包括：获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像；获取员工动态信息，并根据所述员工动态信息更新所述员工画像；根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息。本申请通过为员工创建画像并根据画像数据进行员工动态的预测，从而让人事部门提前介入，采取措施，挽留人才，减少企业的损失。
Description
技术领域
本申请涉及大数据领域，特别涉及一种离职概率的预测方法、装置、计算机设备和存储介质。
背景技术
对于企业来说，人才作为生产资料中的稀缺资源，成为市场竞争的核心,在企业的生存和发展过程中起决定性作用，同样地，企业员工的高离职率和不稳定性也给企业带来直接的经济损失和资源流失,影响企业凝聚力和工作效率，一定程度上给企业的发展带来不利影响。尤其是对于那些高端人才，人力资源部门花费大量时间、金钱和精力去招聘，但是由于公司的原因导致员工离职，就会给公司带来巨大损失。
发明内容
本申请的目的在于针对现有技术的不足，提供一种离职概率的预测方法、装置、计算机设备和存储介质，有效的提前预测员工的离职动向，从而采取措施挽留人才，减少企业的损失。
为达到上述目的，本申请的技术方案提供一种离职概率的预测方法、装置、计算机设备和存储介质。
本申请公开了一种离职概率的预测方法，包括以下步骤：
获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像；
获取员工动态信息，并根据所述员工动态信息更新所述员工画像；
根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息。
较佳地，所述获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像，包括：
获取员工静态信息并将所述员工静态信息进行分项；
设置分值栏，并将所述分值栏与各项员工静态信息对应；
获取所述各项员工静态信息的分值，并将所述各项员工静态信息的分值记录在与所述各项员工静态信息对应的分值栏中；
根据所述各项员工静态信息的分值对所述员工进行价值评估获取员工价值，并根据所述员工静态信息、员工价值及与所述员工静态信息对应的分值创建员工画像。
较佳地，所述获取员工动态信息，并根据所述员工动态信息更新所述员工画像，包括：
获取员工动态信息并在所述员工画像中添加所述员工动态信息；
将所述员工动态信息在所述员工画像中进行分项；
设置分值栏，并将所述分值栏与各项员工动态信息对应；
获取所述各项员工动态信息的分值，并将所述各项员工动态信息的分值记录在与所述各项员工动态信息对应的分值栏中，根据所述员工动态信息及与所述员工动态信息对应的分值更新所述员工画像。
较佳地，所述根据所述各项员工静态信息的分值对所述员工进行价值评估获取员工价值，包括：
根据所述分值栏中各项员工静态信息的分值进行统计；
根据所述统计后的员工静态信息总分值对所述员工的价值进行评估获取员工价值。
较佳地，所述根据所述更新后的员工画像，对所述员工进行离职概率预测，包括：
根据所述分值栏中各项员工动态信息的分值进行统计获得员工动态信息总分值；
根据所述员工动态信息总分值对所述员工进行离职概率预测。
较佳地，所述根据所述预测的离职概率设置告警信息，包括：
获取所述员工的离职概率阈值并根据所述员工动态信息总分值获取预测的员工离职概率；
当所述预测的员工离职概率大于所述员工的离职概率阈值时，在所述员工画像上设置警示标识；
当所述预测的员工离职概率不大于所述员工的离职概率阈值时，删除所述警示标识。
较佳地，所述根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息之后，包括：
获取员工价值阈值并检测所述告警信息；
当检测到所述告警信息并当所述评估的员工价值小于所述员工价值阈值时，在所述员工画像上设置员工不挽留标识。
本申请还公开了一种离职概率的预测装置，所述装置包括：
静态信息获取模块：设置为获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像；
动态信息获取模块：设置为获取员工动态信息，并根据所述员工动态信息更新所述员工画像；
离职概率预测模块：设置为根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息。
本申请还公开了一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述方法的步骤。
本申请还公开了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述方法的步骤。
本申请的有益效果是：本申请通过为员工创建画像并根据画像数据进行员工动态的预测，从而让人事部门提前介入，采取措施，挽留人才，减少企业的损失。
附图说明
图1为本申请实施例的一种离职概率的预测方法的流程示意图；
图2为本申请实施例的一种离职概率的预测方法的流程示意图；
图3为本申请实施例的一种离职概率的预测方法的流程示意图；
图4为本申请实施例的一种离职概率的预测方法的流程示意图；
图5为本申请实施例的一种离职概率的预测方法的流程示意图；
图6为本申请实施例的一种离职概率的预测方法的流程示意图；
图7为本申请实施例的一种离职概率的预测方法的流程示意图；
图8为本申请实施例的一种离职概率的预测装置结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本申请实施例的一种离职概率的预测方法流程如图1所示，本实施例包括以下步骤：
步骤s101，获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像；
具体的，所述员工的静态信息包括员工个人的一些基本信息，如员工的姓名、家庭地址、电话、户籍、年龄、身份证号、毕业院校、学历，专业等，上述这些基本信息一般都是不大会改动的，也可以很方便的从员工入职时的简历中获得。
具体的，当获取到员工的所述静态信息之后，可以为该员工建立专属于该员工的个人档案，所述个人档案可以配合员工的照片以及工号，方便查找，所有建立的这些档案可以存储在数据库中，由于工号在企业内部是唯一的，因此存储在数据库中的档案可以根据工号或者员工的身份证号等唯一标识进行查找。
具体的，所述员工档案中的静态信息由于包含很多项，因此可以在档案中逐项排列，分别分配序号，比如序号1为姓名，序号2为年龄，序号3为电话，依次类推；在为所述员工档案中的各项静态信息分配序号之后，可以为各项静态信息进行打分，例如某员工的学历是博士，假设满分是100分，那么分值可以打到90分，如果是硕士，那么分值可以打80分；再比如毕业院校是国外名校，如牛津哈佛等，那么分数可以打到95，如果是国内顶尖名校，分数可以打到90，如果是国内211或者985等重点高校，分数可以打到85等等；当然并不是所述员工档案中所有静态信息都需要进行打分，对于可评分项可以分配分值栏，所述的可评分项是可以分出等级或者优劣的，如学历、学校、年龄、工资收入、职位、技能等级等等，对于部分不可评分项可以不分配分值栏，如姓名、电话等。
具体的，所述员工档案中各项静态信息的分值代表该项信息的重要程度，也代表该员工的价值，分数越高，代表该员工的价值越高，可以对所述各项静态信息的分值进行综合评估后获取员工价值。
具体的，当获取到员工的静态信息、员工价值以及与所述员工静态信息对应的分值以后，可以根据所述员工静态信息、员工价值及与所述员工静态信息对应的分值创建员工画像。
步骤s102，获取员工动态信息，并根据所述员工动态信息更新所述员工画像；
具体的，所述员工的动态信息包括员工在工作以及生活中的一些动态生成的信息，比如人事部门进行调查问卷信息或者所属部门领导做的访谈以及生活慰问情况等信息，其中还可包括企业内部对每个员工每个周期进行的绩效考核；所有上述动态信息可以来自同一部门，也可来自不同部门。具体可包括员工的企业评价、部门评价、主管评价、未来规划、人生态度、绩效、职位以及收入等，由此可分析出目前该员工的一些状态，如该员工对目前的收入是否满意，对公司的评价是否正面，对自己职业规划是否清晰，对未来是否充满憧憬等等，并可以进一步的结合静态信息对员工做出预测，该员工是否有离职的可能。
具体的，当获取到员工的动态信息之后，由于在所述员工档案中只有静态信息项，因此可以在所述员工的静态信息项之后添加动态信息项，并为所述动态信息项添加相应的序号，所述动态信息的第一项的序号与所述静态信息最后一项的序号衔接，如所述静态信息有8项，各项序号分别为1-8，如果动态信息有4项，那么动态信息的各项序号就为9-12；也可以将所述静态信息归为静态信息类，将所述动态信息类归为动态信息类，所述静态信息类的各项信息和所述动态信息类的各项信息都单独编号，如所述静态信息类有8项，各项序号分别为静态信息类1-8，如果动态信息类有4项，那么动态信息的各项序号就为动态信息类1-4。
具体的，在为所述员工档案中的各项动态信息分配序号之后，可以为各项动态信息进行打分，例如在企业评价项中，如果评价很低，那么分值可以打为80分，如果评价中等，分数可以打为60分，如果评价较高，分数可以打为30分；再比如在收入评价中，如果非常不满意，那么分值可以打为90分，如果是一般不满意，分数可以打为70分，如果是基本满意，那么分数可以打为50分，如果是比较满意，那么分数可以打为30分，如果是很满意，那么分数可以打为10分。
具体的，所述动态信息各项分数的高低可以看出该员工对企业文化的认可程度，对办公室文化的认可程度，与公司同事的融洽程度，对目前收入的满意程度等等，由此根据上述数据可以分析出该员工的离职概率，分数越低，离职概率越高。
具体的，对于所述员工档案中添加的动态信息项，都需给出分值，即所述动态信息各项都需有一个分值栏，对应相应的打分。
具体的，由于所述动态信息的添加，可能会对所述静态信息有所更新，如员工的收入发生变化了，职位发生变动了，绩效考核等等，假设员工刚入职的时候等级或者员工职级评定是80分，也就是所述静态信息中的员工职级项分值为80分，当经过一段时间进行绩效考核之后，该员工考核结果为优，因此员工的职级也应该有所提升，这时所述静态信息中的员工职级项分值可以提高到85分，而所述动态信息中的绩效考核项由于考核结果为优，因此分值可以为90分。
步骤s103，根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息。
具体的，所述对所述员工进行离职概率预测可以根据所述员工档案中动态信息获取该员工的离职风险度，也就是离职概率，由于所述员工画像中动态信息各项都具有分值，可以假设每项分值都为100分，且每项都有权重，当每项分值乘上权重以后再分别相加，就是总的得分，所述总分越高，说明该员工的离职概率越高。假设员工的动态信息项有4项，分别为企业评价、部门评价、职业规划、绩效考核，其分数分别为60、50、50、40，其权重分别为0.1、0.2、0.3、0.4，那么其总分就为60*0.1+50*0.2+50*0.3+40*0.4＝47。
具体的，还可以在系统中先预设一个员工离职概率阈值，比如说50，总分不高于50分的即为安全，高于50分的即为离职风险高的员工，所述的总分即为所述员工档案中动态信息各项加权以后的累计总分。一旦系统检测到高于所述离职概率阈值的员工档案，就可以发出警示，所述的警示可以在系统界面上显示警示标识，比如说一个感叹号，或者在屏幕的最上方通过字幕进行滚动播放，所述的字幕滚动播放的内容可以不限于一个员工，当进入到某个警示员工的档案时，所述警示员工的档案上可以设置警示标识，所述警示标识也可以是感叹号或者红色叉叉等醒目标识。系统也可以通过邮件告知，用户可以预先设定接收邮件的地址，一旦系统检测到高于离职概率阈值的员工就把该员工的个人档案发送给邮件接收方。
具体的，当系统对某员工画像发出告警信息后，如果所述员工画像中动态信息一直没有更新，所述告警信息会一直持续下去；但所述员工画像的动态信息更新后，如果当系统再次检测到所述员工的预测离职概率不高于所述员工离职概率阈值时，可以删除所述告警信息。
具体的，当发现系统中有感叹号或者屏幕上方有滚动字幕时，用户可以点开，点开后如果警示的员工不止一个，可以显示员工列表，点击其中一个员工后，可以显示员工的具体个人档案，这时可以对所述员工进行分析；如果警示的员工只有一个，那么点开以后就直接进入该员工的具体个人档案。
具体的，根据所述员工档案中静态信息可以获取该员工的价值，也就是对该员工进行价值评估，由此分析出该员工对公司的价值或者对公司的贡献，由于所述员工档案中静态信息各项都具有分值，可以假设每项分值都为100分，且每项都有权重，当每项分值乘上权重以后再分别相加，就是总的得分，所述总分越高，说明该员工的价值越高。假设员工的静态信息项有4项，分别为毕业院校、学历、职级、专业技能，其分数分别为80、80、90、90，其权重分别为0.1、0.1、0.5、0.3，那么其总分就为80*0.1+80*0.1+90*0.5+90*0.3＝88。
具体的，在系统中还可以预设一个价值评价范围，比如，低于60分的为低价值员工，60-80分的为普通价值员工，80-100分的为高价值员工，当系统计算出总分后并匹配价值评价范围，然后可以给出相应的结果，比如总分为88分，那么该员工是高价值员工，可以在静态信息类后面添加一个价值栏，把对应的价值结果填在里面，或者在该员工档案的背景上盖个背景戳，或者说是水印，显示“高价值员工”几个字。
具体的，当系统检测到所述预测的员工离职概率大于所述员工离职概率阈值时，即系统收到告警信息后，如果所述员工通过所述静态信息评价，属于低价值员工，那么可以在所述员工画像上可以设置员工不挽留标识。
具体的，当处理事件的人员，通常是HR人员看到警示标识以后，还可以查看该员工档案的详细信息，具体分析该员工的离职动向，如果分析下来觉得该员工离职倾向比较大，然后可以再分析该员工的价值，如果该员工是高价值人员，那么可以马上采取挽留措施或者行动，如果该员工为低价值人员，即不值得挽留，那么可以不采取任何措施或者行动，选择系统上的延迟处理选项，当系统收到延迟处理的指令时，可以删除相应的警示标识。
本实施例中，通过为员工创建画像并根据画像数据进行员工动态的预测，有效的提前预测员工的离职动向，从而采取措施挽留人才，减少企业的损失。
图2为本申请实施例的一种离职概率的预测方法流程示意图，如图所示，所述步骤s101，获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像，包括：
步骤s201，获取员工静态信息并将所述员工静态信息在所述员工画像中进行分项；
具体的，所述员工的静态信息包括员工个人的一些基本信息，如员工的姓名、家庭地址、电话、户籍、年龄、身份证号、毕业院校、学历，专业等，上述这些基本信息一般都是不大会改动的，也可以很方便的从员工入职时的简历中获得。
具体的，当获取到员工的所述静态信息之后，可以为该员工建立专属于该员工的个人档案，所述档案可以配合员工的照片以及工号，方便查找，所有建立的这些档案可以存储在数据库中，由于工号在企业内部是唯一的，因此存储在数据库中的档案可以根据工号或者员工的身份证号等唯一标识进行查找。
具体的，所述员工档案中的静态信息由于包含很多项，因此可以在档案中逐项排列，分别分配序号，比如序号1为姓名，序号2为年龄，序号3为电话，依次类推。
步骤s202，设置分值栏，并将所述分值栏与各项员工静态信息对应；
具体的，对于可评分项可以分配分值栏，所述的可评分项是可以分出等级或者优劣的，如学历、学校、年龄、工资收入、职位、技能等级等等，对于部分不可评分项可以不分配分值栏，如姓名、电话等，所述分值栏与各项员工静态信息对应。
步骤s203，获取所述各项员工静态信息的分值，并将所述各项员工静态信息的分值记录在与所述各项员工静态信息对应的分值栏中；
具体的，在为所述员工档案中的各项静态信息分配序号之后，可以为各项静态信息进行打分，例如某员工的学历是博士，假设满分是100分，那么分值可以打到90分，如果是硕士，那么分值可以打80分；再比如毕业院校是国外名校，如牛津哈佛等，那么分数可以打到95，如果是国内顶尖名校，分数可以打到90，如果是国内211或者985等重点高校，分数可以打到85等等，所述各项员工静态信息的分值记录在与所述各项员工静态信息对应的分值栏中。
步骤s204，根据所述各项员工静态信息的分值对所述员工进行价值评估获取员工价值，并根据所述员工静态信息、员工价值及与所述员工静态信息对应的分值创建员工画像。
具体的，所述员工档案中各项静态信息的分值代表该项信息的重要程度，也代表该员工的价值，分数越高，代表该员工的价值越高，可以对所述各项静态信息的分值进行综合评估后获取员工价值。
具体的，当获取到员工的静态信息、员工价值以及与所述员工静态信息对应的分值以后，可以根据所述员工静态信息、员工价值及与所述员工静态信息对应的分值创建员工画像。
本实施例中，通过对员工静态静态信息进行分项并进行评估，可以获取所述员工的价值。
图3为本申请实施例的一种离职概率的预测方法流程示意图，如图所示，所述步骤s102，获取员工动态信息，并根据所述员工动态信息更新所述员工画像，包括：
步骤s301，获取员工动态信息并在所述员工画像中添加所述员工动态信息；
具体的，所述员工的动态信息包括员工在工作以及生活中的一些动态生成的信息，比如人事部门进行调查问卷信息或者所属部门领导做的访谈以及生活慰问情况等信息，其中还可包括企业内部对每个员工每个周期进行的绩效考核；所有上述动态信息可以来自同一部门，也可来自不同部门。具体可包括员工的企业评价、部门评价、主管评价、未来规划、人生态度、绩效、职位以及收入等，由此可分析出目前该员工的一些状态，如该员工对目前的收入是否满意，对公司的评价是否正面，对自己职业规划是否清晰，对未来是否充满憧憬等等，并可以进一步的结合静态信息对员工做出预测，该员工是否有离职的可能。
具体的，当获取到员工的动态信息之后，可以在所述员工画像中进行添加。
步骤s302，将所述员工动态信息在所述员工画像中进行分项；
具体的，当获取到员工的动态信息之后，由于在所述员工档案中只有静态信息项，因此可以在所述员工的静态信息项之后添加动态信息项，并为所述动态信息项添加相应的序号，所述动态信息的第一项的序号与所述静态信息最后一项的序号衔接，如所述静态信息有8项，各项序号分别为1-8，如果动态信息有4项，那么动态信息的各项序号就为9-12；也可以将所述静态信息归为静态信息类，将所述动态信息类归为动态信息类，所述静态信息类的各项信息和所述动态信息类的各项信息都单独编号，如所述静态信息类有8项，各项序号分别为静态信息类1-8，如果动态信息类有4项，那么动态信息的各项序号就为动态信息类1-4。
步骤s303，设置分值栏，并将所述分值栏与各项员工动态信息对应；
具体的，对于所述员工档案中添加的动态信息项，都需给出分值，即所述动态信息各项都需有一个分值栏，对应相应的打分，所述分值栏与各项员工动态信息对应。
步骤s304，获取所述各项员工动态信息的分值，并将所述各项员工动态信息的分值记录在与所述各项员工动态信息对应的分值栏中，根据所述员工动态信息及与所述员工动态信息对应的分值更新所述员工画像。
具体的，在为所述员工档案中的各项动态信息分配序号之后，可以为各项动态信息进行打分，例如在企业评价项中，如果评价很低，那么分值可以打为80分，如果评价中等，分数可以打为60分，如果评价较高，分数可以打为30分；再比如在收入评价中，如果非常不满意，那么分值可以打为90分，如果是一般不满意，分数可以打为70分，如果是基本满意，那么分数可以打为50分，如果是比较满意，那么分数可以打为30分，如果是很满意，那么分数可以打为10分；所述各项员工动态信息的分值记录在与所述各项员工动态信息对应的分值栏中。
具体的，当获取到所述员工动态信息及与所述员工动态信息对应的分值后，可以根据所述员工动态信息及与所述员工动态信息对应的分值更新所述员工画像；也可以在与所述员工动态信息对应的分值更新后，即获取到新的与所述员工动态信息对应的分值后对所述员工画像进行更新。
本实施例中，通过对员工的动态信息进行分项并进行评估，可以获取员工的离职动态。
图4为本申请实施例的一种离职概率的预测方法流程示意图，如图所示，所述步骤s101，根据所述各项员工静态信息的分值对所述员工进行价值评估获取员工价值，包括：
步骤s401，根据所述分值栏中各项员工静态信息的分值进行统计；
具体的，根据所述员工档案中静态信息可以获取该员工的价值，也就是对该员工进行价值评估，由此分析出该员工对公司的价值或者对公司的贡献，由于所述员工档案中静态信息各项都具有分值，可以假设每项分值都为100分，且每项都有权重，当每项分值乘上权重以后再分别相加，就是总的得分，所述总分越高，说明该员工的价值越高。假设员工的静态信息项有4项，分别为毕业院校、学历、职级、专业技能，其分数分别为80、80、90、90，其权重分别为0.1、0.1、0.5、0.3，那么其总分就为80*0.1+80*0.1+90*0.5+90*0.3＝88。
步骤s402，根据所述统计后的员工静态信息总分值对所述员工的价值进行评估获取员工价值。
具体的，在系统中还可以预设一个价值评价范围，比如，低于60分的为低价值员工，60-80分的为普通价值员工，80-100分的为高价值员工，当系统计算出总分后并匹配价值评价范围，然后可以给出相应的结果，比如总分为88分，那么该员工是高价值员工，可以在静态信息类后面添加一个价值栏，把对应的价值结果填在里面，或者在该员工档案的背景上盖个背景戳，或者说是水印，显示“高价值员工”几个字。
本实施例中，通过对员工各项静态信息分值的统计，可以获取员工的价值。
图5为本申请实施例的一种离职概率的预测方法流程示意图，如图所示，所述步骤s103，根据所述更新后的员工画像，对所述员工进行离职概率预测，包括：
步骤s501，根据所述分值栏中各项员工动态信息的分值进行统计获得员工动态信息总分值；
具体的，由于所述员工画像中动态信息各项都具有分值，可以假设每项分值都为100分，且每项都有权重，当每项分值乘上权重以后再分别相加，就是员工动态信息总分值，所述员工动态信息总分值越高，说明该员工的离职概率越高。假设员工的动态信息项有4项，分别为企业评价、部门评价、职业规划、绩效考核，其分数分别为60、50、50、40，其权重分别为0.1、0.2、0.3、0.4，那么其员工动态信息总分值就为60*0.1+50*0.2+50*0.3+40*0.4＝47。
步骤s502，根据所述员工动态信息总分值对所述员工进行离职概率预测。
具体的，所述对所述员工进行离职概率预测可以根据所述员工档案中动态信息获取该员工的离职风险度，也就是离职概率，可以在系统中先预设一个员工离职概率阈值，比如说50，总分不高于50分的即为安全，高于50分的即为离职风险高的员工，所述的总分即为所述员工档案中动态信息各项加权以后的累计总分。一旦系统检测到高于所述离职概率阈值的员工档案，就可以发出警示。
本实施例中，通过对员工各项动态信息分值的统计，可以获取员工的离职动态。
图6为本申请实施例的一种离职概率的预测方法流程示意图，如图所示，所述步骤s103，根据所述预测的离职概率设置告警信息，包括：
步骤s601，获取所述员工的离职概率阈值并根据所述员工动态信息总分值获取预测的员工离职概率；
具体的，可以在系统中先预设一个员工离职概率阈值，比如说50，总分不高于50分的即为安全，高于50分的即为离职风险高的员工，并根据所述员工动态信息总分值获取预测的员工离职概率，所述预测的员工离职概率对应的员工动态信息总分值与所述员工离职概率阈值进行比较。
步骤s602，当所述预测的员工离职概率大于所述员工的离职概率阈值时，在所述员工画像上设置警示标识；
具体的，当所述预测的员工离职概率对应的员工动态信息总分值与所述员工离职概率阈值进行比较后，一旦系统检测到所述预测的员工离职概率对应的员工动态信息总分值高于所述离职概率阈值时，就可以发出警示，所述的警示可以在系统界面上显示警示标识，比如说一个感叹号，或者在屏幕的最上方通过字幕进行滚动播放，所述的字幕滚动播放的内容可以不限于一个员工，当进入到某个警示员工的档案时，所述警示员工的档案上可以设置警示标识，所述警示标识也可以是感叹号或者红色叉叉等醒目标识。系统也可以通过邮件告知，用户可以预先设定接收邮件的地址，一旦系统检测到高于离职概率阈值的员工就把该员工的个人档案发送给邮件接收方。
步骤s603，当所述预测的员工离职概率不大于所述员工的离职概率阈值时，删除所述警示标识。
具体的，当系统对某员工画像发出告警信息后，如果所述员工画像中动态信息一直没有更新，所述告警信息会一直持续下去；但所述员工画像的动态信息更新后，如果当系统再次检测到所述员工的预测离职概率不高于所述员工离职概率阈值时，可以删除所述告警信息。
本实施例中，通过员工动态信息进行离职概率预测，可以有效获取员工离职动向，并提示用户。
图7为本申请实施例的一种离职概率的预测方法流程示意图，如图所示，所述步骤s103，根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息之后，包括：
步骤s701，获取员工价值阈值并检测所述告警信息；
具体的，在系统中可以预设一个价值评价范围，比如，低于60分的为低价值员工，60-80分的为普通价值员工，80-100分的为高价值员工，当系统计算出总分后并匹配价值评价范围，然后可以给出相应的结果，比如总分为88分，那么该员工是高价值员工，可以在静态信息类后面添加一个价值栏，把对应的价值结果填在里面，或者在该员工档案的背景上盖个背景戳，或者说是水印，显示“高价值员工”几个字。
具体的，所述检测所述告警信息为检测所述预测的员工离职概率是否大于所述员工离职概率阈值。
步骤s702，当检测到所述告警信息并当所述评估的员工价值小于所述员工价值阈值时，在所述员工画像上设置员工不挽留标识。
具体的，当系统检测到所述预测的员工离职概率大于所述员工离职概率阈值时，即系统收到告警信息后，如果所述员工通过所述静态信息评价，属于低价值员工，那么可以在所述员工画像上可以设置员工不挽留标识。
本实施例中，通过对员工价值的判断，让决策者为离职风险高的员工是否做出挽留决定提供参考。
本申请实施例的一种离职概率的预测装置如图8所示，包括：
静态信息获取模块801、动态信息获取模块802以及离职概率预测模块803；其中，静态信息获取模块801与动态信息获取模块802相连，动态信息获取模块802与离职概率预测模块803相连；静态信息获取模块801设置为获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像；动态信息获取模块802设置为获取员工动态信息，并根据所述员工动态信息更新所述员工画像；离职概率预测模块803设置为根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息。
本申请实施例还公开了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机可读指令，所述计算机可读指令被所述处理器执行时使得所述处理器执行上述各实施例中所述预测方法中的步骤。
本申请实施例还公开了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施例中所述预测方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种离职概率的预测方法，其特征在于，包括以下步骤：
获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像；
获取员工动态信息，并根据所述员工动态信息更新所述员工画像；
根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息。
2.如权利要求1所述的离职概率的预测方法，其特征在于，所述获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像，包括：
获取员工静态信息并将所述员工静态信息进行分项；
设置分值栏，并将所述分值栏与各项员工静态信息对应；
获取所述各项员工静态信息的分值，并将所述各项员工静态信息的分值记录在与所述各项员工静态信息对应的分值栏中；
根据所述各项员工静态信息的分值对所述员工进行价值评估获取员工价值，并根据所述员工静态信息、员工价值及与所述员工静态信息对应的分值创建员工画像。
3.如权利要求1所述的离职概率的预测方法，其特征在于，所述获取员工动态信息，并根据所述员工动态信息更新所述员工画像，包括：
获取员工动态信息并在所述员工画像中添加所述员工动态信息；
将所述员工动态信息在所述员工画像中进行分项；
设置分值栏，并将所述分值栏与各项员工动态信息对应；
获取所述各项员工动态信息的分值，并将所述各项员工动态信息的分值记录在与所述各项员工动态信息对应的分值栏中，根据所述员工动态信息及与所述员工动态信息对应的分值更新所述员工画像。
4.如权利要求2所述的离职概率的预测方法，其特征在于，所述根据所述各项员工静态信息的分值对所述员工进行价值评估获取员工价值，包括：
根据所述分值栏中各项员工静态信息的分值进行统计；
根据所述统计后的员工静态信息总分值对所述员工的价值进行评估获取员工价值。
5.如权利要求3所述的离职概率的预测方法，其特征在于，所述根据所述更新后的员工画像，对所述员工进行离职概率预测，包括：
根据所述分值栏中各项员工动态信息的分值进行统计获得员工动态信息总分值；
根据所述员工动态信息总分值对所述员工进行离职概率预测。
6.如权利要求5所述的离职概率的预测方法，其特征在于，所述根据所述预测的离职概率设置告警信息，包括：
获取所述员工的离职概率阈值并根据所述员工动态信息总分值获取预测的员工离职概率；
当所述预测的员工离职概率大于所述员工的离职概率阈值时，在所述员工画像上设置警示标识；
当所述预测的员工离职概率不大于所述员工的离职概率阈值时，删除所述警示标识。
7.如权利要求1所述的离职概率的预测方法，其特征在于，所述根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息之后，包括：
获取员工价值阈值并检测所述告警信息；
当检测到所述告警信息并当所述评估的员工价值小于所述员工价值阈值时，在所述员工画像上设置员工不挽留标识。
8.一种离职概率的预测装置，其特征在于，所述装置包括：
静态信息获取模块：设置为获取员工静态信息，根据所述员工静态信息对所述员工进行价值评估获取员工价值，并根据所述员工静态信息及所述员工价值创建员工画像；
动态信息获取模块：设置为获取员工动态信息，并根据所述员工动态信息更新所述员工画像；
离职概率预测模块：设置为根据所述更新后的员工画像，对所述员工进行离职概率预测，并根据所述预测的离职概率设置告警信息。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811532033.5A CN109657855A (zh) | 2018-12-14 | 2018-12-14 | 离职概率的预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811532033.5A CN109657855A (zh) | 2018-12-14 | 2018-12-14 | 离职概率的预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109657855A true CN109657855A (zh) | 2019-04-19 |
Family
ID=66113089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811532033.5A Pending CN109657855A (zh) | 2018-12-14 | 2018-12-14 | 离职概率的预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657855A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472685A (zh) * | 2019-08-15 | 2019-11-19 | 中国银行股份有限公司 | 对象行为持续时长预测方法及装置 |
| CN110704692A (zh) * | 2019-09-12 | 2020-01-17 | 重庆大学 | 基于图嵌入的员工离职行为预测方法及装置 |
| CN111105148A (zh) * | 2019-12-04 | 2020-05-05 | 贝壳技术有限公司 | 离职概率评估方法、装置及计算机可读存储介质 |
| CN111429114A (zh) * | 2020-04-16 | 2020-07-17 | 上海应用技术大学 | 一种员工流失预警预控制机制系统 |
| CN111639814A (zh) * | 2020-06-02 | 2020-09-08 | 贝壳技术有限公司 | 预测变动行为发生概率的方法、装置、介质和电子设备 |
| CN112049624A (zh) * | 2019-06-06 | 2020-12-08 | 中国石油天然气股份有限公司 | 油井动态储量的预测方法、装置、设备及存储介质 |
| CN113762621A (zh) * | 2021-09-09 | 2021-12-07 | 南京领行科技股份有限公司 | 网约车司机离职预测方法及系统 |
-
2018
- 2018-12-14 CN CN201811532033.5A patent/CN109657855A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112049624A (zh) * | 2019-06-06 | 2020-12-08 | 中国石油天然气股份有限公司 | 油井动态储量的预测方法、装置、设备及存储介质 |
| CN112049624B (zh) * | 2019-06-06 | 2024-04-30 | 中国石油天然气股份有限公司 | 油井动态储量的预测方法、装置、设备及存储介质 |
| CN110472685A (zh) * | 2019-08-15 | 2019-11-19 | 中国银行股份有限公司 | 对象行为持续时长预测方法及装置 |
| CN110472685B (zh) * | 2019-08-15 | 2022-02-08 | 中国银行股份有限公司 | 对象行为持续时长预测方法及装置 |
| CN110704692A (zh) * | 2019-09-12 | 2020-01-17 | 重庆大学 | 基于图嵌入的员工离职行为预测方法及装置 |
| CN111105148A (zh) * | 2019-12-04 | 2020-05-05 | 贝壳技术有限公司 | 离职概率评估方法、装置及计算机可读存储介质 |
| CN111105148B (zh) * | 2019-12-04 | 2023-10-17 | 贝壳技术有限公司 | 离职概率评估方法、装置及计算机可读存储介质 |
| CN111429114A (zh) * | 2020-04-16 | 2020-07-17 | 上海应用技术大学 | 一种员工流失预警预控制机制系统 |
| CN111639814A (zh) * | 2020-06-02 | 2020-09-08 | 贝壳技术有限公司 | 预测变动行为发生概率的方法、装置、介质和电子设备 |
| CN113762621A (zh) * | 2021-09-09 | 2021-12-07 | 南京领行科技股份有限公司 | 网约车司机离职预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657855A (zh) | 离职概率的预测方法、装置、计算机设备和存储介质 | |
| Sciulli | Weathering the storm: Accountability implications for flood relief and recovery from a local government perspective | |
| Hermannsson et al. | Local consumption and territorial based accounting for CO2 emissions | |
| Khan | Does affective commitment positively predict employee performance?: Evidence from the banking industry of Bangladesh | |
| Warshawsky | Food insecurity and the covid pandemic: uneven impacts for food bank systems in Europe | |
| Crociata et al. | Creative workforce and economic development in precrisis Europe: Main trends and causality relationships | |
| McCarthy et al. | Public service motivation in the Chinese public and private sectors | |
| Soh et al. | Did the covid-19 recession increase the demand for digital occupations in the united states? evidence from employment and vacancies data | |
| Sabary et al. | Key motivational factors behind Asian immigrant entrepreneurship: A causal relationship analysis employing the DEMATEL approach for Germany | |
| Bala et al. | Identifying the prospects of decent job creation along the value chain of plastic recycling | |
| Paiva et al. | Exploratory note on consumption and socioeconomic classification in Brazil based on evidences from the family expenditure survey | |
| Ali et al. | Post-9/11 perceptions of Islamic finance | |
| Wang et al. | Geography matters in online hotel reviews | |
| Ryan | What are the longer-term outcomes for individuals completing vocational education and training qualifications? | |
| Bisharat | Patronage factors in Islamic banks in Pakistan | |
| Odollo et al. | Influence of Career Development on Performance of Local Non-Governmental Organizations in Kenya | |
| Cochrane et al. | Urban influence and population change in New Zealand | |
| Agostinho et al. | What makes cities sustainable? Empirical evidence from a Brazilian context | |
| Önder et al. | Ranking the strategies of human resource management during economic crisis period using analytic hierarchy process | |
| Wiardi et al. | The Perspective of Business Strategy and Sustainability of Micro, Small, and Medium Enterprises (MSMEs) Resilience During COVID-19 | |
| Dharmadasa et al. | A gravity model analysis of international migration from Sri Lanka to south-east Asian and European countries | |
| Ņikadimovs et al. | Hospitality Industry During Covid-19 Crisis: Review of the Current Situation and Sustainable Post-Crisis Response | |
| Walker | War and organizational disruption in professional service firms | |
| Ostraszewska et al. | The role of human resources in the creation of innovation position of Poland-comparative analysis to EU countries based on SII index | |
| Mukhtar et al. | Impactful crisis management in the surviving organizations: A dynamic model and empirical evidence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190419 |