CN110298472B - 预测雇员绩效度量 - Google Patents
预测雇员绩效度量 Download PDFInfo
- Publication number
- CN110298472B CN110298472B CN201910211998.2A CN201910211998A CN110298472B CN 110298472 B CN110298472 B CN 110298472B CN 201910211998 A CN201910211998 A CN 201910211998A CN 110298472 B CN110298472 B CN 110298472B
- Authority
- CN
- China
- Prior art keywords
- performance metrics
- processor
- performance
- variables
- computer
- 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.)
- Active
Links
Images
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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Abstract
用于由处理器预测计算环境中的雇员绩效度量的实施例。使用基于历史数据、时间窗口、一个或多个绩效度量的当前和历史观察结果或其组合的动态概率模型来预测所选择的时间段内的雇员绩效。
Description
技术领域
本发明总体上涉及计算系统,并且更具体地涉及用于使用计算处理器预测雇员绩效度量的各种实施例。
背景技术
由于信息技术的最新进展和因特网的日益普及,大量信息现在以数字形式可用。这种信息可用性提供了很多机会。数字和在线信息是对于实体在竞争激烈的环境中的生存和适应性至关重要的商业情报的有利来源。
发明内容
提供了用于由处理器预测所选择的时间段内的雇员绩效评估度量的各种实施例。在另外的方面,提供了一种用于由处理器预测计算环境中的雇员绩效度量的各种实施例。使用基于历史数据、时间窗口、一个或多个绩效度量的当前和历史观察结果或其组合的动态概率模型来预测所选择的时间段内的雇员绩效。
附图说明
为了易于理解本发明的优点,将通过参考在附图中示出的特定实施例来呈现上面简要描述的本发明的更具体的描述。应当理解,这些附图仅描绘了本发明的典型实施例,并且因此不应当被认为是对其范围的限制,将通过使用附图以附加的特征和细节来描述和解释本发明,在附图中:
图1是描绘根据本发明的实施例的示例性云计算节点的框图;
图2是描绘根据本发明的实施例的示例性云计算环境的附加框图;
图3是描绘根据本发明的实施例的抽象模型层的附加框图;
图4是描绘根据本发明的实施例的用于预测雇员绩效度量的预测需求的框图/流程图;
图5是描绘根据本发明的各方面的用于预测雇员绩效度量的敏感性分析操作的框图/流程图;
图6是描绘根据本发明的实施例的所选择的时间段内的动态概率模型的框图;以及
图7是描绘根据本发明的各方面的用于预测雇员绩效度量的另一示例性方法的流程图。
具体实施方式
随着电子信息量的持续增加,对复杂信息访问系统的需求也在增长。通过实时全球计算机网络,数字或“在线”数据越来越多地变得可用。数据可以反映各种组织和团体或个人的很多方面,包括科学、政治、政府、教育、商业等。
此外,以人为本的组织倾向于依赖于以雇员为中心的组织结构。该表示可以使得能够查找雇员在层级中的位置和关联。雇员技能和绩效直接或间接地被编码在很多不同的信息来源中,范围从他们的简历(“CV”)到技能组、绩效评估和/或组织内与他们相关联的项目。因此,充分了解雇员的技能组和绩效评估对于很多公司而言至关重要。
雇员绩效可能会影响生产、销售和整体公司绩效。雇员绩效还会影响财务稳定性以及服务质量或企业产品。评估雇员绩效对于企业而言相对耗时,但是这在需要将来自不同雇员的不同技能组合以形成团队诸如例如以最大化企业团队的整体绩效时是必不可少且相关的。但是,雇员的很多技能和绩效取决于其他技能、绩效度量和变量,这些可能会在一段时间内发生变化。例如,具有用于沟通和提出想法、产品或服务的技能的雇员可能具有庞大的客户网络。了解技能、绩效度量或其他变量之间的依赖性对于预测雇员绩效至关重要。因此,需要用于预测所选择的时间段内的雇员绩效评估度量。
在一个方面,本发明提供了一种用于通过在所选择的时间段(例如,“时间窗口”或“时间范围”)内沿着若干不同维度(例如,绩效度量)监视和预测雇员绩效来预测在所选择的时间段内的雇员绩效度量的解决方案。雇员预测可以包括使用动态贝叶斯网络模型来使用雇员历史绩效数据。概率推理可以用于计算沿着时间窗口的一个或多个绩效度量的后验概率分布。可以确定、提供或计算对雇员绩效数据中的当前或过去事件的一个或多个解释。可以执行敏感性分析以发现可以对其他变量(或绩效度量)起作用以便在一段时间内提高雇员绩效的最相关变量(或绩效度量)。
在一个方面,可以使用基于历史数据、时间窗口、一个或多个绩效度量的当前和历史观察结果或其组合的动态概率模型来预测所选择的时间段内的雇员绩效度量。
首先应当理解,尽管本公开包括关于云计算的详细描述,但其中记载的技术方案的实现却不限于云计算环境,而是能够结合现在已知或以后开发的任何其他类型的计算环境而实现。
云计算是一种服务交付模式,用于对共享的可配置计算资源池进行方便、按需的网络访问。可配置计算资源是能够以最小的管理成本或与服务提供者进行最少的交互就能快速部署和释放的资源,例如可以是网络、网络带宽、服务器、处理、内存、存储、应用、虚拟机和服务。这种云模式可以包括至少五个特征、至少三个服务模型和至少四个部署模型。
特征包括:
按需自助式服务:云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入:计算能力可以通过标准机制在网络上获取,这种标准机制促进了通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池:提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者,其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下,消费者不能控制或甚至并不知晓所提供的资源的确切位置,但可以在较高抽象程度上指定位置(例如国家、州或数据中心),因此具有位置无关性。
迅速弹性:能够迅速、有弹性地(有时是自动地)部署计算能力,以实现快速扩展,并且能迅速释放来快速缩小。在消费者看来,用于部署的可用计算能力往往显得是无限的,并能在任意时候都能获取任意数量的计算能力。
可测量的服务:云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力,自动地控制和优化资源效用。可以监测、控制和报告资源使用情况,为服务提供者和消费者双方提供透明度。
服务模型如下:
软件即服务(SaaS):向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外,消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS):向消费者提供的能力是在云基础架构上部署消费者创建或获得的应用,这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构,但对其部署的应用具有控制权,对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS):向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构,但是对操作系统、存储和其部署的应用具有控制权,对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下:
私有云:云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云:云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云:云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云:云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成,这些云依然是独特的实体,但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的,特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图1,其中示出了云计算节点的一个示例。图1示出的云计算节点10仅仅是适合的云计算节点的一个示例,不应对本发明实施例的功能和使用范围带来任何限制。总之,云计算节点10能够被用来实现和/或执行以上所述的任何功能。
云计算节点10具有计算机系统/服务器12,其可与众多其他通用或专用计算系统环境或配置一起操作。众所周知,适于与计算机系统/服务器12一起操作的计算系统、环境和/或配置的示例包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统、大型计算机系统和包括上述任意系统的分布式云计算技术环境等。
计算机系统/服务器12可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括执行特定的任务或者实现特定的抽象数据类型的例程、程序、目标程序、组件、逻辑、数据结构等。计算机系统/服务器12可以在通过通信网络链接的远程处理设备执行任务的分布式云计算环境中实施。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
如图1所示,云计算节点10中的计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16、系统存储器28、连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MAC)总线、增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是能够被计算机系统/服务器12访问的任意可获得的介质,包括易失性和非易失性介质、可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12还可以包括其他可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图1未示出,通常称为“硬盘驱动器”)。尽管图1中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM、DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在系统存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其他程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可以与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信,和/或与使得该计算机系统/服务器12能与一个或多个其他计算设备进行通信的任何设备(例如网卡、调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)、广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机系统/服务器12的其他模块通信。应当明白,尽管图中未示出,其他硬件和/或软件模块可以与计算机系统/服务器12一起操作,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本发明的上下文中,并且如本领域技术人员将理解的,图1中描绘的各种组件可以位于移动的车辆中。例如,与所示实施例的机制相关联的一些处理和数据存储能力可以经由本地处理组件在本地进行,而相同的组件经由网络连接到远程定位的分布式计算数据处理和存储组件以实现本发明的各种目的。同样,如本领域普通技术人员将理解的,本说明旨在仅传达可以是共同实现各种发明方面的分布式计算组件的整个连接网络的子集。
现在参考图2,其中示出了示例性的云计算环境50。如图所示,云计算环境50包括云计算消费者使用的本地计算设备可以与其相通信的一个或者多个云计算节点10,本地计算设备例如可以是个人数字助理(PDA)或移动电话54A、台式电脑54B、笔记本电脑54C和/或汽车计算机系统54N。云计算节点10之间可以相互通信。可以在包括但不限于如上所述的私有云、共同体云、公共云或混合云或者它们的组合的一个或者多个网络中将云计算节点10进行物理或虚拟分组(图中未示出)。这样,云的消费者无需在本地计算设备上维护资源就能请求云计算环境50提供的基础架构即服务(IaaS)、平台即服务(PaaS)和/或软件即服务(SaaS)。应当理解,图2示出的各类计算设备54A-N仅仅是示意性的,云计算节点10以及云计算环境50可以与任意类型网络上和/或网络可寻址连接的任意类型的计算设备(例如使用网络浏览器)通信。
现在参考图3,其中示出了云计算环境50(图2)提供的一组功能抽象层。首先应当理解,图3所示的组件、层以及功能都仅仅是示意性的,本发明的实施例不限于此。如图3所示,提供下列层和对应功能:
设备层55包括物理和/或虚拟设备、嵌入和/或独立电子设备、传感器、致动器和其他对象以在云计算环境50中执行各种任务。设备层55中的每个设备包含到其他功能抽象层的联网能力,使得可以向其提供从设备获得的信息,和/或可以向设备提供来自其他抽象层的信息。在一个实施例中,包括设备层55的各种设备可以包含统称为“物联网”(IoT)的实体网络。如本领域普通技术人员将理解的,这种实体网络允许数据的相互通信、收集和传播以实现多种目的。
如图所示,所示设备层55包括传感器52、致动器53、具有集成处理、传感器和网络电子装置的“学习”恒温器56、相机57、可控制的家用电源插座/插座58和可控电气开关59。其他可能的设备可以包括但不限于各种附加传感器设备、网络设备、电子设备(诸如遥控设备)、附加致动器设备、所谓的“智能”设备(诸如冰箱或洗衣机/干衣机)和各种其他可能的互连物体。
硬件和软件层60包括硬件和软件组件。硬件组件的示例包括:主机61;基于RISC(精简指令集计算机)架构的服务器62;服务器63;刀片服务器64;存储设备65;以及网络和网络组件66。在一些实施例中,软件组件包括网络应用服务器软件67和数据库软件68。
虚拟化层70提供抽象层,从该抽象层可以提供虚拟实体的以下示例:虚拟服务器71;虚拟存储装置72;虚拟网络73,包括虚拟专用网络;虚拟应用和操作系统74;以及虚拟客户端75。
在一个示例中,管理层80可以提供下面描述的功能。资源供应81提供用于在云计算环境内执行任务的计算资源和其他资源的动态采购。计量和定价82提供在资源在云计算环境内被利用时的成本跟踪,并且提供用于消费这些资源的计费或发票。在一个示例中,这些资源可以包括应用软件许可。安全性为云消费者和任务提供身份验证并且提供对数据和其他资源的保护。用户门户83为消费者和系统管理员提供对云计算环境的访问。服务级别管理84提供云计算资源分配和管理,使得能够满足所需要的服务级别。服务水平协议(SLA)规划和实现85提供根据SLA而预期其未来需求的云计算资源的预先布置和采购。
工作负载层90提供可以利用云计算环境的功能的示例。可以从该层提供的工作负载和功能的示例包括:映射和导航91;软件开发和生命周期管理92;虚拟教室教育传输93;数据分析处理94;交易处理95;以及在本发明的所示实施例的上下文中,用于预测雇员绩效度量的各种工作负载和功能96。此外,用于预测雇员绩效度量的工作负载和功能96可以包括诸如数据分析(包括来自组织数据库、在线信息、知识域、数据源和/或社交网络/媒体以及其他数据存储系统的数据收集和处理)等操作以及预测和数据分析功能。本领域普通技术人员将理解,用于预测雇员绩效度量的工作负载和功能96也可以与各种抽象层的其他部分一起工作,诸如硬件和软件60、虚拟化70、管理80和其他工作负载90(诸如例如,数据分析处理94)中的那些,以实现本发明的所示实施例的各种目的。
如前所述,本发明的机制提供了随时间来预测雇员绩效评估度量。在一个方面,历史性能数据、时间窗口(例如,“时间范围”,诸如例如,每月、每季度、每年等)、一个或多个绩效度量的当前和/或过去观察结果可以被收集、聚集、并且用作机器学习组件的输入(例如,输入数据)。机器学习组件可以在一个或多个未来时间步长生成一个或多个绩效度量的概率分布。机器学习组件可以从输入数据中学习动态概率模型,该动态概率模型捕获在定义的或选择的时间段内的每个雇员绩效度量(如果有的话)之间的依赖性。可以确定和/或计算对所学习的动态概率模型中的输入观察结果和相关联的值的解释。可以对动态概率模型变量执行敏感性分析,以检测对另一组变量具有最强影响的最小变量集。
现在转到图4,框图/流程图400描绘了预测雇员绩效度量。在一个方面,可以在图4中使用在图1-3中描述的组件、模块、服务、应用和/或功能中的一个或多个。例如,图1的计算机系统/服务器12(包含处理单元16)可以用于执行根据本发明的各个方面的各种计算、数据处理和其他功能。
而且,如图所示,各种功能框用箭头描绘,以表示框400彼此之间的关系并且示出处理流程。另外,还可以看到与每个功能框400相关的描述性信息。如将看到的,很多功能框也可以被认为是功能的“模块”。考虑到前述内容,模块框400还可以并入根据本发明的用于目标学习和招募的系统的各种硬件和软件组件中。很多功能框400可以作为后台进程在分布式计算组件中或在用户设备上或其他地方的各种组件上执行。
在框406处,可以将雇员绩效数据402和一个或多个绩效指示符404(例如,绩效度量)之间的一个或多个附加约束输入和/或摄取到模型学习引擎(例如,用于学习模型的机器学习组件)中。也就是说,雇员绩效数据402和一个或多个绩效指示符404之间的一个或多个附加约束可以包括历史数据(例如,先前的雇员评估、绩效评估、技能、教育等)、时间窗口、一个或多个绩效度量的当前和历史观察结果或其他数据。
机器学习引擎可以被初始化,并且使用雇员绩效数据402和一个或多个绩效指示符404(例如,历史数据、时间窗口、一个或多个绩效度量的当前和历史观察结果或其他数据)之间的一个或多个附加约束来学习和生成动态概率模型,如框408所示。机器学习引擎可以学习所选择的时间段内的一个或多个绩效度量之间的依赖性。
在一个方面,机器学习引擎可以使用历史数据来学习具有“k”个时间步长的动态贝叶斯网络模型(“M”),其中k是输入时间窗口的大小。可以将期望最大化(EM)用于任何学习,尤其是在缺少数据的情况下。而且,可以使用最大似然估计(“MLE”)来搜索动态贝叶斯网络模式的一个或多个参数(例如,绩效度量的参数)(如果完全观察到数据)。在给定观察结果的情况下,MLE可以估计统计模型(例如,动态贝叶斯网络模型)的参数。在给定观察结果的情况下,MLE可以找到使似然函数最大化的参数值。
用于结构学习的搜索操作可以被使用,并且输入约束和/或性能指示符变量之间的关系以约束结构学习操作。对于每个未来的绩效指示符变量(“Vi”),可以执行一个或多个概率推理(例如,变量消除、加权小型桶)以计算边际后验分布(“P”)(例如,P(Vi|观察结果))。机器学习引擎可以返回P(Vi|观察结果)。
动态概率模型可以与关于雇员和/或雇员绩效度量的一个或多个学习观察结果410结合使用作为概率推理引擎的输入,如框412所示。
概率推理引擎可以生成未来时间段的每个绩效指示符变量(例如,影响另一组绩效度量的一组绩效度量的边际后验分布)的边际后验分布、绩效度量的解释和值、以及一个或多个介入查询(例如,“假设分析(what-if)”问题)作为输出414,一个或多个介入查询可以转换为一个或多个概率查询。
现在转向图5,框图/流程图500描绘了用于预测雇员绩效度量的敏感性分析操作。在一个方面,在图5中可以使用在图1-4中描述的组件、模块、服务、应用和/或功能中的一个或多个。例如,图1的计算机系统/服务器12(包含处理单元16)可以用于执行根据本发明的各个方面的各种计算、数据处理和其他功能。
如图所示,框504描绘了动态概率模型504(其可以在图4中确定并且可以是动态贝叶斯网络模型)、以及可以用作概率推理引擎的输入的雇员和/或雇员绩效度量的一个或多个观察结果502,如框506所示。概率推理引擎可以生成边际后验分布、绩效度量的解释和值、以及一个或多个介入查询作为输出,其可以由敏感性分析使用,如框508所示。敏感性分析引擎可以对一个或多个参数(例如,绩效度量的变量)执行敏感性分析,以基于调节一个或多个绩效度量的一个或多个参数来标识一个或多个绩效度量中对变化具有敏感性的绩效度量。也就是说,概率推理引擎可以执行概率推理(例如,AND/OR搜索)以计算当前观察结果的边际最大后验概率(MMAP)或MAP解释,并且将MMAP和/或MAP指派与其在动态贝叶斯网络模型中的值一起返回。可以对动态概率模型执行敏感性分析以标识最敏感的变量/值以及对其他变量具有最强影响的变量。
从框508,可以调节概率模型的一个或多个绩效度量的一个或多个参数,如框512所示。可以在框506中发送和使用经调节的参数。
此外,敏感性分析引擎可以使用概率推理引擎的输出,并且结合概率推理引擎,敏感性分析引擎可以确定根据预定阈值和/或与其他参数相比对变化最敏感的那些参数(例如,绩效度量的变量)作为输出510。而且,输出510可以包括与其他参数相比对其他参数或绩效度量具有最大量影响的那些参数(例如,绩效度量的变量)。
现在转到图7,描绘了用于由处理器预测雇员绩效度量的方法700,其中可以实现所示实施例的各个方面。也就是说,图7是根据本发明的示例的用于预测计算环境中的雇员绩效度量的附加示例方法700的流程图。功能700可以被实现为作为指令在机器上执行的方法,其中指令被包括在至少一个计算机可读介质或一个非暂态机器可读存储介质上。功能700可以在框702中开始。可以基于历史数据、时间窗口、一个或多个绩效度量的当前和历史观察结果或其组合来学习动态概率模型,如框704所示。动态概率模型可以用于学习所选择的时间段内的一个或多个绩效度量之间的一个或多个依赖性,如框706所示。可以使用动态概率模型来预测所选择的时间段内的雇员绩效度量,如框708所示。也就是说,动态概率模型可以用于生成在一个或多个未来时间步长处的一个或多个绩效度量的概率分布。一个或多个绩效度量的一个或多个参数,如框710所示。基于调节一个或多个绩效度量的一个或多个参数,可以对一个或多个绩效度量执行敏感性分析,以标识一个或多个绩效度量中对变化具有敏感性的绩效度量,如框712所示。功能700可以在框714中结束。
在一个方面,结合图7的至少一个框和/或作为图7的至少一个框的一部分,700的操作可以包括以下每个中的一个或多个。机器学习机制可以被初始化,并且使用历史数据、时间窗口、一个或多个绩效度量的当前和历史观察结果或其组合来学习包含所选择的一段时间内的一个或多个绩效度量之间的依赖性的动态概率模型。可以学习所选择的时间段内的一个或多个绩效度量之间的一个或多个依赖性。
700的操作可以调节一个或多个绩效度量的一个或多个参数。基于调节一个或多个绩效度量的一个或多个参数,可以对一个或多个绩效度量执行敏感性分析,以标识一个或多个绩效度量中对变化具有敏感性的绩效度量。可以根据敏感性分析来确定对替代的一组绩效度量具有影响的一组绩效度量。
700的操作可以将一个或多个介入查询转换为一个或多个概率查询,和/或确定影响第一组绩效度量的第二组绩效度量的边际后验分布。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有用于引起处理器执行本发明的各方面的计算机可读程序指令的一个或多个计算机可读存储介质。
计算机可读存储介质可以是可以保留和存储指令以供指令执行设备使用的有形设备。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述的任何合适组合。计算机可读存储介质的更具体示例的非详尽列表包括以下各项:便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、机械编码设备(诸如在其上记录有指令的凹槽中的穿孔卡或凸起结构)、以及前述的任何合适的组合。本文中使用的计算机可读存储介质不应当被解释为暂态信号本身,诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如,通过光纤电缆的光脉冲)或通过电线传输的电信号。
本文中描述的计算机可读程序指令可以经由网络(例如,因特网、局域网、广域区域网络和/或无线网络)从计算机可读存储介质或外部计算机或外部存储设备下载到相应的计算/处理设备。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令,并且转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言(包括诸如Smalltalk、C++等面向对象的编程语言、以及诸如“C”编程语言或类似编程语言等传统过程编程语言)的任意组合编写的任一源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上执行,部分在用户的计算机上执行,作为独立的软件包来执行,部分地在用户的计算机上并且部分地在远程计算机上执行,或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机,或者可以进行到外部计算机的连接(例如,通过因特网使用因特网服务提供商)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来个性化电子电路来执行计算机可读程序指令,以执行本发明的各方面。
本文中参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图来描述本发明的各方面。将理解,流程图和/或框图中的每个框以及流程图和/或框图中的框的组合可以通过计算机可读程序指令来实现。
这些计算机可读程序指令可以被提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的一个或多个框中规定的功能/动作的部件。这些计算机可读程序指令还可以被存储在计算机可读存储介质中,该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式运行,使得其中存储有指令的计算机可读存储介质包括制造品,其包括实现在流程图和/或框图的一个或多个框中规定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上,以引起一系列操作步骤在计算机、其他可编程装置或其他设备上被执行以产生计算机实现的过程,使得在计算机、其他可编程装置或其他设备上执行的指令实现在流程图和/或框图的一个或多个框中规定的功能/动作。
附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能实现的架构、功能和操作。就这一点而言,流程图或框图中的每个框可以表示包括用于实现一个或多个规定的逻辑功能的一个或多个可执行指令的指令的模块、段或部分。在一些替代实现中,框中提到的功能可以不按照附图中标注的顺序发生。例如,取决于所涉及的功能,连续示出的两个框实际上可以基本上同时执行,或者框有时可以以相反的顺序执行。还要注意,框图和/或流程图中的每个框以及框图和/或流程图中的框的组合可以由执行规定的功能或动作或者执行专用硬件和计算机指令的组合的基于专用硬件的系统来实现。
Claims (9)
1.一种用于由处理器预测计算环境中的雇员绩效度量的方法,包括:
由所述处理器从存储与雇员绩效相关的一个或多个绩效度量的当前和历史观察结果的数据库接收所述当前和历史观察结果;
由所述处理器根据历史数据和从所述数据库接收的所述一个或多个绩效度量的所述当前和历史观察结果来生成所预测的雇员绩效的动态贝叶斯网络的动态概率模型,所述动态概率模型具有代表时间窗口的多个时间步长;
由所述处理器使用所生成的所述动态概率模型来执行结构学习操作,以生成多个变量的一个或多个概率推理,所述结构学习操作受所述一个或多个绩效度量的所述多个变量约束;
其中所述结构学习操作将搜索操作的一个或多个介入查询转换成被用于生成所述一个或多个概率推理的一个或多个概率查询;
响应于执行受所述多个变量约束的所述结构学习操作,由所述处理器根据所述多个变量的所述一个或多个概率推理来确定影响所述一个或多个绩效度量的第一集合的所述一个或多个绩效度量的第二集合的边际后验分布;以及
由所述处理器根据所述动态概率模型的所述一个或多个绩效度量的所述边际后验分布,经由显示器输出所选择的时间段内的所述所预测的雇员绩效的结果分析;
其中输出还包括显示所述多个时间步长中的一个特定时间步长处的所述一个或多个绩效度量的所述多个变量中的、与所述一个或多个绩效度量的所述多个变量中的所有变量相对地比较对所述一个或多个绩效度量的所述多个变量中的其他变量具有最大量影响的一些变量。
2.根据权利要求1所述的方法,还包括使用所述动态概率模型生成在一个或多个未来时间步长处的一个或多个绩效度量的概率分布。
3.根据权利要求1所述的方法,还包括使用所述历史数据、所述时间窗口、所述一个或多个绩效度量的所述当前和历史观察结果或其组合来初始化机器学习机制,以学习包含所述所选择的时间段内的所述一个或多个绩效度量之间的依赖性的所述动态概率模型。
4.根据权利要求1所述的方法,还包括学习所述所选择的时间段内的所述一个或多个绩效度量之间的一个或多个依赖性。
5.根据权利要求1所述的方法,还包括:
调节一个或多个绩效度量的一个或多个参数;以及
基于调节所述一个或多个绩效度量的所述一个或多个参数,对一个或多个绩效度量执行敏感性分析,以标识所述一个或多个绩效度量中对变化具有敏感性的绩效度量。
6.根据权利要求1所述的方法,还包括根据敏感性分析来确定对替代的一组绩效度量具有影响的一组绩效度量。
7.一种计算机系统,包括:
处理器;
耦合到所述处理器的存储器,所述存储器包括指令,所述指令在由所述处理器执行时执行根据权利要求1-6中任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序产品,所述计算机程序产品包括计算机可读程序指令,所述计算机可读程序指令由处理器可执行以引起所述处理器执行根据权利要求1-6中任一项所述的方法。
9.一种计算机系统,包括分别用于执行根据权利要求1-6中任一项所述的方法的步骤的模块。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/933,729 | 2018-03-23 | ||
US15/933,729 US10891578B2 (en) | 2018-03-23 | 2018-03-23 | Predicting employee performance metrics |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298472A CN110298472A (zh) | 2019-10-01 |
CN110298472B true CN110298472B (zh) | 2023-05-12 |
Family
ID=67983623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910211998.2A Active CN110298472B (zh) | 2018-03-23 | 2019-03-20 | 预测雇员绩效度量 |
Country Status (2)
Country | Link |
---|---|
US (1) | US10891578B2 (zh) |
CN (1) | CN110298472B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10134001B2 (en) * | 2011-02-22 | 2018-11-20 | Theatro Labs, Inc. | Observation platform using structured communications for gathering and reporting employee performance information |
US10204524B2 (en) | 2011-02-22 | 2019-02-12 | Theatro Labs, Inc. | Observation platform for training, monitoring and mining structured communications |
US11599843B2 (en) | 2011-02-22 | 2023-03-07 | Theatro Labs, Inc. | Configuring , deploying, and operating an application for structured communications for emergency response and tracking |
EP2679041B1 (en) | 2011-02-22 | 2018-11-14 | Theatro Labs, Inc. | Observation platform for using structured communications |
US9602625B2 (en) | 2011-02-22 | 2017-03-21 | Theatrolabs, Inc. | Mediating a communication in an observation platform |
US9407543B2 (en) | 2011-02-22 | 2016-08-02 | Theatrolabs, Inc. | Observation platform for using structured communications with cloud computing |
US10375133B2 (en) | 2011-02-22 | 2019-08-06 | Theatro Labs, Inc. | Content distribution and data aggregation for scalability of observation platforms |
US11636420B2 (en) | 2011-02-22 | 2023-04-25 | Theatro Labs, Inc. | Configuring, deploying, and operating applications for structured communications within observation platforms |
US10699313B2 (en) | 2011-02-22 | 2020-06-30 | Theatro Labs, Inc. | Observation platform for performing structured communications |
US11605043B2 (en) | 2011-02-22 | 2023-03-14 | Theatro Labs, Inc. | Configuring, deploying, and operating an application for buy-online-pickup-in-store (BOPIS) processes, actions and analytics |
US20190347594A1 (en) * | 2018-05-11 | 2019-11-14 | International Business Machines Corporation | Task group formation using social interaction energy |
US20220253784A1 (en) * | 2019-06-21 | 2022-08-11 | Steve Mullinjer | Interactive and predictive tool for monitoring performance metrics |
US11635990B2 (en) | 2019-07-01 | 2023-04-25 | Nutanix, Inc. | Scalable centralized manager including examples of data pipeline deployment to an edge system |
US11501881B2 (en) | 2019-07-03 | 2022-11-15 | Nutanix, Inc. | Apparatus and method for deploying a mobile device as a data source in an IoT system |
US20210112128A1 (en) * | 2019-10-09 | 2021-04-15 | Nutanix, Inc. | Platform-as-a-service deployment including service domains |
GB2589828A (en) * | 2019-10-15 | 2021-06-16 | Babylon Partners Ltd | Causal reasoning and counterfactual probabilistic programming framework using approximate inference |
CN111428963B (zh) * | 2020-02-21 | 2023-12-19 | 贝壳技术有限公司 | 一种数据处理方法及装置 |
US11726764B2 (en) | 2020-11-11 | 2023-08-15 | Nutanix, Inc. | Upgrade systems for service domains |
US11665221B2 (en) | 2020-11-13 | 2023-05-30 | Nutanix, Inc. | Common services model for multi-cloud platform |
US11736585B2 (en) | 2021-02-26 | 2023-08-22 | Nutanix, Inc. | Generic proxy endpoints using protocol tunnels including life cycle management and examples for distributed cloud native services and applications |
CN114037288A (zh) * | 2021-11-11 | 2022-02-11 | 青岛民航凯亚系统集成有限公司 | 基于机器学习的绩效调整系统与方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252286A (zh) * | 2013-06-27 | 2014-12-31 | 成功要素股份有限公司 | 用于显示和分析雇员历史数据的系统及方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7593861B2 (en) | 2001-10-24 | 2009-09-22 | Employee Motivation & Performance Assessment, Inc. | Employee assessment tool |
US7444263B2 (en) * | 2002-07-01 | 2008-10-28 | Opnet Technologies, Inc. | Performance metric collection and automated analysis |
US7865390B2 (en) | 2004-05-21 | 2011-01-04 | Siebel Systems, Inc. | Modeling of employee performance result data |
CA2544324A1 (en) * | 2005-06-10 | 2006-12-10 | Unicru, Inc. | Employee selection via adaptive assessment |
US7689554B2 (en) * | 2006-02-28 | 2010-03-30 | Yahoo! Inc. | System and method for identifying related queries for languages with multiple writing systems |
US20110131082A1 (en) | 2008-07-21 | 2011-06-02 | Michael Manser | System and method for tracking employee performance |
US20110106734A1 (en) * | 2009-04-24 | 2011-05-05 | Terrance Boult | System and appartus for failure prediction and fusion in classification and recognition |
US20110077989A1 (en) | 2009-09-24 | 2011-03-31 | Accenture Global Services Limited | System for valuating employees |
US20110145740A1 (en) * | 2009-12-11 | 2011-06-16 | Mccue Geoffrey | Predictive Performance Calculator Apparatus and Method |
US8539018B2 (en) * | 2010-11-04 | 2013-09-17 | International Business Machines Corporation | Analysis of IT resource performance to business organization |
GB2504081B (en) * | 2012-07-16 | 2019-09-18 | Bae Systems Plc | Assessing performance of a vehicle system |
US20140032280A1 (en) | 2012-07-26 | 2014-01-30 | Uniloc Luxembourg, S.A. | Employee performance evaluation |
US10885803B2 (en) * | 2015-01-23 | 2021-01-05 | Massachusetts Institute Of Technology | System and method for real-time analysis and guidance of learning |
US20160239783A1 (en) * | 2015-02-13 | 2016-08-18 | Tata Consultancy Services Limited | Method and system for employee assesment |
US9501793B1 (en) | 2015-06-04 | 2016-11-22 | Herofi, Inc. | Archetecture and associated methodology for data standardization and utilization in retail industry applications |
-
2018
- 2018-03-23 US US15/933,729 patent/US10891578B2/en active Active
-
2019
- 2019-03-20 CN CN201910211998.2A patent/CN110298472B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104252286A (zh) * | 2013-06-27 | 2014-12-31 | 成功要素股份有限公司 | 用于显示和分析雇员历史数据的系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
US10891578B2 (en) | 2021-01-12 |
US20190295012A1 (en) | 2019-09-26 |
CN110298472A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298472B (zh) | 预测雇员绩效度量 | |
US11263052B2 (en) | Determining optimal compute resources for distributed batch based optimization applications | |
US20200320462A1 (en) | Calculating online social network distance between entities of an organization | |
US20190004891A1 (en) | Automated hardware failure prediction framework | |
US11403131B2 (en) | Data analysis for predictive scaling of container(s) based on prior user transaction(s) | |
US11436129B2 (en) | System, method and recording medium for generating mobile test sequences | |
US20200034776A1 (en) | Managing skills as clusters using machine learning and domain knowledge expert | |
US11070646B1 (en) | Methods and systems for selection of remote services | |
US11449772B2 (en) | Predicting operational status of system | |
US20180240052A1 (en) | Recommendation service for ad-hoc business intelligence report analysis | |
US20220147852A1 (en) | Mitigating partiality in regression models | |
US20210286699A1 (en) | Automated selection of performance monitors | |
US20210056457A1 (en) | Hyper-parameter management | |
WO2023077989A1 (en) | Incremental machine learning for a parametric machine learning model | |
US20230419136A1 (en) | Black-box explainer for time series forecasting | |
US20220114459A1 (en) | Detection of associations between datasets | |
US20220198404A1 (en) | Asset health score based on digital twin resources | |
US20220013239A1 (en) | Time-window based attention long short-term memory network of deep learning | |
CN117616436A (zh) | 机器学习模型的联合训练 | |
US20210089932A1 (en) | Forecasting values utilizing time series models | |
US20230161846A1 (en) | Feature selection using hypergraphs | |
US20220138614A1 (en) | Explaining machine learning based time series models | |
US20230267323A1 (en) | Generating organizational goal-oriented and process-conformant recommendation models using artificial intelligence techniques | |
US11188968B2 (en) | Component based review system | |
US20230419137A1 (en) | Global context explainers for artificial intelligence (ai) systems using multivariate timeseries data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |