CN110598963A - 一种人岗匹配方法、装置、设备和存储介质 - Google Patents
一种人岗匹配方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110598963A CN110598963A CN201810607836.6A CN201810607836A CN110598963A CN 110598963 A CN110598963 A CN 110598963A CN 201810607836 A CN201810607836 A CN 201810607836A CN 110598963 A CN110598963 A CN 110598963A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- data
- dot
- types
- core
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013499 data model Methods 0.000 claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000000556 factor analysis Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 238000007621 cluster analysis Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 235000012571 Ficus glomerata Nutrition 0.000 description 2
- 244000153665 Ficus glomerata Species 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种岗位匹配方法、装置、设备和存储介质,属于人力资源匹配技术领域,尤其涉及数字化人力资源匹配技术。该岗位匹配方法,包括:获取特性数据;根据所述特性数据提取核心特性因子;根据所述核心特性因子分析网点特征,聚类成N类网点类型;根据同类网点的员工特性数据与网点业绩数据构建一类网点类型的第一数据模型,共构建N个数据模型;根据所述数据模型计算业绩得分进行岗位匹配。该岗位匹配方法,采用统计学和机器学习等手段,分析各个营业网点的业务特色将网点进行聚类,根据网点的类型不同分别建立数据模型进行岗位匹配计算,实现为不同类型的网点提供岗位的最佳候选人,为具有不同特质的候选人找到最合适的岗位。
Description
技术领域
本发明涉及人力资源匹配技术领域,尤其涉及数字化人力资源匹配技术,具体的说是一种人岗匹配方法、装置、设备和存储介质。
背景技术
近几年,随着物流速运业务的蓬勃发展,快递公司在全国经营的快递网点也不断增加,带来了更多的收入和影响力,同时业务的扩张也给一二线管理提出了更高要求。每个快递网点都需要选择一个合适的管理候选人,目前传统的人力资源对于网点候选人这个岗位往往只有一个统一的任职要求,且对于岗位候选人的选择也更多地依赖于管理者的经验和已有认知。
采取现有的网点候选人岗位匹配方法,存在以下问题:
首先,基于管理者的个人经验和个人认知招聘网点候选人,主观性过强,将会存在一定程度上的偏见。
其次,采用这种方法将无法统筹考量全网范围内的所有候选人,可能会错过最合适的候选人。
另一方面,这样也无法根据不同营业网点的业务特性,有针对性地选择具备不同管理特质的候选人。
因此,现在迫切需要研究出一种新型的岗位匹配方法、装置、设备和存储介质。通过新型的岗位匹配方法克服现有技术中存在的不足,采用统计学和机器学习等手段系统地分析各个营业网点的业务特色,将网点进行聚类,并针对不同类型的网点对候选人提出不同的任职要求;并且综合评估现有的全网各个营业网点的业绩,根据不同类型的网点对现有的网点候选人进行分类;分别建立数据模型进行岗位匹配计算。从而实现能够为不同网点类型提供岗位的最佳候选人,也能够为具有不同特质的候选人找到最合适的岗位。
发明内容
针对上述现有技术中的不足,本发明的目的在于提供一种人岗匹配方法、装置、设备和存储介质,本发明提供的人岗匹配方法、装置、设备和存储介质,能够实现为不同类型的网点找到最佳的岗位候选人,为具有不同特质的候选人找到最合适的岗位。
根据本发明的一个方面,提供了一种人岗匹配方法,其中,包括:
获取特性数据,所述特性数据;
根据所述特性数据提取核心特性因子;
根据所述核心特性因子分析网点特征,聚类成N类网点类型;
根据同类网点的员工特性数据与网点业绩数据构建一类网点类型的第一数据模型,共构建N个数据模型;
根据所述数据模型计算业绩得分进行岗位匹配。
进一步的,所述获取特性数据包括:获取岗位特性数据、员工特性数据和网点业绩数据。
岗位特性数据至少包括以下数据中的一种:
网点员工数量,总收派件量,员工平均学年,员工平均年龄,员工平均工龄,员工平均司龄,员工平均岗龄,省内户口员工占比,单元区域类别数,商业区域占比,网点成立时间,快件收派难度种类数,网点各难度等级件量占比,网点候选人异动人数,快件操作失误率,快件损坏率,快件遗失率,快件催件率,一线员工流失率,产品类型数量,时效产品占比,收件量占比,月结收入占比,人均收派效能。
员工特性数据至少包括以下数据中的一种:
员工性别、职级、民族、婚姻状况、年龄、学历、工龄、司龄、岗龄,是否有人资(区部)经验,是否有市场销售(区部)经验,是否有市场销售(总部)经验,是否有营运(分拨区)经验,是否有营运(区部)经验,是否有营运(总部)经验。
网点业绩数据为:
获取网点候选人业绩指标:网点收入达成均值,网点收入达成环比均值,网点收入同比均值,网点员工流失率;并将上述指标进行加权平均,获得各网点的网点业绩数据。
网点收入达成均值,网点收入达成环比均值,网点收入同比均值,网点员工流失率。
进一步的,所述根据所述特性数据提取核心特性因子,包括:
根据探索性因子分析法对所述特性数据进行降维提取核心特性因子。
进一步的,所述根据探索性因子分析法对所述特性数据进行降维提取核心特性因子,包括:
根据所述特性数据构建相关矩阵;
根据所述相关矩阵构建碎石图;
根据所述碎石图确定待提取的核心特性因子个数,所述核心特性因子个数不少于两个;
根据主成分分析法提取所述核心特性因子;并对所述核心特性因子进行正交旋转。
另一方面,所述根据所述特性数据提取核心特性因子,包括:
根据主成分分析对所述特性数据进行降维提取核心特性因子。
进一步的,所述根据所述核心特性因子分析网点特征,聚类成N类网点类型,包括:
根据所述核心特性因子计算网点特性系数;
根据所述网点特性系数通过层次聚类算法分析网点特征,聚类成N类网点类型。
另一方面,所述根据所述核心特性因子分析网点特征,聚类成N类网点类型,包括:
根据所述核心特性因子计算网点特性系数;
根据所述网点特性系数通过K均值聚类算法分析网点特征,聚类成N类网点类型。
另一方面,所述根据所述核心特性因子分析网点特征,聚类成N类网点类型,包括:
根据所述核心特性因子计算网点特性系数;
根据所述网点特性系数通过密度聚类算法分析网点特征,聚类成N类网点类型。
进一步的,所述构建员工特性与网点业绩的数据模型,包括:
根据所述网点类别提取每类网点的员工特性数据和网点业绩数据;
将所述员工特性数据作为自变量,将所述网点业绩数据作为因变量,构建线性回归模型。
进一步的,所述根据所述数据模型计算业绩得分进行岗位匹配,包括:
根据所述第一数据模型利用至少两名候选人的员工特性数据,计算所述至少两名候选人的业绩得分,选取所述一类网点类型的合适员工;
和/或
根据所述N个数据模型利用一名候选人的员工特性数据,计算所述候选人在N个网点类型的业绩得分,为所述候选人选取合适的网点类型。
根据本发明的另一个方面,一种岗位匹配装置,其中,包括:
数据获取单元,配置用于获取特性数据;
因子提取单元,配置用于根据所述特性数据提取核心特性因子;
网点分析单元,配置用于根据所述核心特性因子分析网点特征,聚类成N类网点类型;
模型构建单元,配置用于根据同类网点的员工特性数据与网点业绩数据构建一类网点类型的第一数据模型,共构建N个数据模型;
岗位匹配单元:配置用于根据所述数据模型计算业绩得分进行岗位匹配。
进一步的,所述数据获取单元包括:
多个数据获取子单元,配置用于分别获取岗位特性数据、员工特性数据和网点业绩数据。
进一步的,所述因子提取单元包括:
因子分析子单元A:配置用于根据探索性因子分析法对所述特性数据进行降维提取核心特性因子。
进一步的,所述因子分析子单元A包括:
矩阵构建模块:配置用于根据所述特性数据构建相关矩阵;
碎石图构建模块:配置用于根据所述相关矩阵构建碎石图;
数量确定模块:配置用于根据所述碎石图确定待提取的核心特性因子个数,所述核心特性因子个数不少于两个;
因子提取模块:配置用于根据主成分分析法提取所述核心特性因子;并对所述核心特性因子进行正交旋转;
特性系数计算模块:配置用于根据所述核心特性因子计算网点特性系数。
另一方面,所述因子提取单元包括:
因子分析子单元B:配置用于根据主成分分析对所述特性数据进行降维提取核心特性因子。
进一步的,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元A:配置用于根据所述网点特性系数通过层次聚类算法分析网点特征,聚类成N类网点类型。
另一方面,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元B:配置用于根据所述网点特性系数通过K均值聚类算法分析网点特征,聚类成N类网点类型。
另一方面,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元C:配置用于根据所述网点特性系数通过密度聚类算法分析网点特征,聚类成N类网点类型。
进一步的,所述模型构建单元包括:
数据提取子单元:配置用于根据所述网点类别提取每类网点的员工特性数据和网点业绩数据;
模型构建子单元:配置用于将所述员工特性数据作为自变量,将所述网点业绩数据作为因变量,构建线性回归模型。
进一步的,所述岗位匹配单元包括:
员工选取子单元:配置用于根据所述第一数据模型利用至少两名候选人的员工特性数据,计算所述至少两名候选人的业绩得分,选取所述一类网点类型的合适员工;
和/或
岗位选取子单元:配置用于根据所述N个数据模型利用一名候选人的员工特性数据,计算所述候选人在N个网点类型的业绩得分,为所述候选人选取合适的网点类型。
根据本发明的另一个方面,一种岗位匹配设备,其中,包括:
一个或多个处理器;
数据存储器,用于存储岗位特性数据、员工特性数据、网点业绩数据以及一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上任一项所述的方法。
根据本发明的另一个方面,一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现如上任一项所述的方法。
与现有技术相比,本发明具有以下有益效果:
1、本发明示例的岗位匹配方法,采用了统计学和机器学习等手段,对各营业网点的业务特色进行了系统的分析;通过聚类法将不同类型的网点进行了聚类分析;并且根据网点类型的不同,分析对候选人的不同的任职要求,同时综合评估全网现有各营业网点的业绩和全网现有的候选人的特质,根据不同的网点类型分别建立数据模型进行岗位匹配计算;从而实现了为不同网点类型的岗位提供最佳候选人,为具有不同特质的候选人提供最合适的岗位。本发明示例的岗位匹配方法,综合比较了各个快递网点的共性与特性,从更高层次提炼出网点的多个维度的特征,建立了一套网点聚类与评价系统,同时可以为岗位候选人和岗位进行最合适的匹配,一方面方便了企业的管理,提高了候选人的岗位匹配效率,提高了营业网点的工作效率;另一方面为企业降低了人力资源成本,为企业节约了资金。
2、本发明示例的岗位匹配装置,数据获取单元通过了统计学和机器学习等手续对营业网点的特性数据进行了统计;因子提取单元对个营业网点的业务特色进行了系统的分析和提取;网点分析单元通过聚类法将不同类型的网点进行了聚类分析;模型构建单元根据网点类型的不同,分析对候选人的不同的任职要求,同时综合评估全网现有各营业网点的业绩和全网现有的候选人的特质,根据不同的网点类型分别建立数据模型进行岗位匹配计算;岗位匹配单元实现了为不同网点类型的岗位提供最佳候选人,为具有不同特质的候选人提供最合适的岗位的功能。本发明示例的岗位匹配装置,综合比较了各个快递网点的共性与特性,从更高层次提炼出网点的多个维度的特征,建立了一套网点聚类与评价系统,同时可以为岗位候选人和岗位进行最合适的匹配,一方面方便了企业的管理,提高了候选人的岗位匹配效率,提高了营业网点的工作效率;另一方面为企业降低了人力资源成本,为企业节约了资金。
3、本发明示例的岗位匹配设备、通过存储有计算机程序的计算机可读介质,所述程序被运行用于岗位和候选人的匹配,准确率高,便于为企业的不同岗位提供最佳的候选人,同时为具有不同特质的候选人提供最合适的岗位。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本发明实施例中岗位匹配方法的流程图;
图2为本发明实施例中核心特性因子的示意图;
图3为本发明实施例中层次聚类算法分析网点类型的示意图;
图4为本发明实施例中聚类结果的热力图示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一:
如图1所示,本实施例提供了一种岗位匹配方法,包括以下步骤:
S1、获取特性数据,所述特性数据;
S2、根据所述特性数据提取核心特性因子;
S3、根据所述核心特性因子分析网点特征,聚类成N类网点类型;
S4、根据同类网点的员工特性数据与网点业绩数据构建一类网点类型的第一数据模型,共构建N个数据模型;
S5、根据所述数据模型计算业绩得分进行岗位匹配。
本实施例中,获取特性数据至少包括以下数据:获取岗位特性数据、员工特性数据和网点业绩数据。
S11、根据公司实际业务场景,以及与业务方同事、员工的沟通,结合公司的数据资源,通过统计学的方法,获取各网点可能与岗位有关联的岗位特性数据。该岗位特性数据至少包括以下数据中的一种:
网点员工数量,总收派件量,员工平均学年,员工平均年龄,员工平均工龄,员工平均司龄,员工平均岗龄,省内户口员工占比,单元区域类别数,商业区域占比,网点成立时间,快件收派难度种类数,网点各难度等级件量占比,网点候选人异动人数,快件操作失误率,快件损坏率,快件遗失率,快件催件率,一线员工流失率,产品类型数量,时效产品占比,收件量占比,月结收入占比,人均收派效能。
S12、根据公司实际业务场景,以及与业务方同事的沟通,结合公司的数据资源,通过统计学的方法,获取网点候选人可能与网点业绩有关联的员工特性数据。该员工特性数据至少包括以下数据中的一种:
员工性别、职级、民族、婚姻状况、年龄、学历、工龄、司龄、岗龄,是否有人资(区部)经验,是否有市场销售(区部)经验,是否有市场销售(总部)经验,是否有营运(分拨区)经验,是否有营运(区部)经验,是否有营运(总部)经验。
S13、同样结合公司的数据资源,获取能够反映网点候选人业绩的以下指标:网点收入达成均值,网点收入达成环比均值,网点收入同比均值,网点员工流失率;并基于这些指标进行加权平均,计算各网点的网点业绩数据。
本实施例中,根据所述特性数据提取核心特性因子,包括:
S2、根据探索性因子分析法对所述特性数据进行降维提取核心特性因子。
在S11中提取的岗位特性数据的变量太多,而且各个变量之间存在着很大程度上的相关性。因此,首先利用探索性因子分析法对岗位特性数据的原始变量进行降维,将这些具有错综复杂关系的变量综合为少数几个核心特性因子;然后在提取出来的核心特性因子的基础上对网点类型进行聚类分析,这样网点类型聚类分析的效果较利用众多岗位特性数据的原始变量直接进行聚类分析的效果要更加简洁、明了,且解释性和适用性更强。
本实施例中,根据探索性因子分析法对所述特性数据进行降维提取核心特性因子,包括:
S21、根据所述特性数据构建相关矩阵;
S22、根据所述相关矩阵构建碎石图;
S23、根据所述碎石图确定待提取的核心特性因子个数,所述核心特性因子个数不少于两个;
S24、根据主成分分析法提取所述核心特性因子;并对所述核心特性因子进行正交旋转。
为便于对本发明的理解,结合本发明提供的岗位匹配方法对核心特性因子的提取方法做进一步的描述:
首先,根据S11中获取的岗位特性数据变量构建相关矩阵,具体方法为按顺序将所获取的岗位特性数据排列为X轴,然后再按相同顺序将所获取的岗位特性数据排列为Y轴,构成一个矩阵;并计算矩阵中每个X位置与Y位置上岗位特性数据变量的相关系数。
然后,根据S21得出的相关矩阵绘制碎石图,再根据碎石图确定将要提取的核心特性因子的个数。在本实施例中,最终确定提取的核心特性因子个数为5。当然,在其他情况下,可以根据实际情况确定提取核心特性因子的个数,也可以按照特性根大于1的准则来确定提取因子的个数。
确定了需要提取的核心特性因子的个数后,在本实施例中,采用主成分分析法来提取这五个核心特性因子,并对提取出来的核心特性因子进行正交旋转。在本实施例中对提取出的因子进行正交旋转的原因是为了让提取出来的各因子之间相互独立,这样可以对实际业务更具解释性。
根据核心特性因子分析实际反应的结果,如图2所示,为本实施例提取出来的五个核心特性因子,该五个因子可以解释为体现网点的以下特性:
核心特性因子1:体现网点规模;
核心特性因子2:体现网点服务质量;
核心特性因子3:体现网点人员年龄与工龄分布;
核心特性因子4:体现网点营收构成的多样性;
核心特性因子5:体现网点的业务形态多样性。
当然,对所述特性数据进行降维提取核心特性因子的方法不限于本实施例中所列举的探索性因子分析法。对数据降维提炼高纬度特性因子还可以采用其他方法,如利用主成分分析(Principal Component Analysis,PCA)对网点的基层因子降维,提炼高纬度特性因子。
本实施例中,根据所述核心特性因子分析网点特征,聚类成N类网点类型,包括:
S31、根据所述核心特性因子计算网点特性系数,具体为将核心特性因子正交旋转后的具体值就是网点特性系数;
S32、根据所述网点特性系数通过层次聚类算法分析网点特征,聚类成N类网点类型。
为便于对本发明的理解,结合本发明提供的岗位匹配方法对网点类型的聚类方法做进一步的描述:
在S24的基础上,根据各网点五个核心特性因子计算网点特性系数,用于后续的网点类型聚类分析。
根据计算出的各网点网点特性系数,运用层次聚类算法对网点进行聚类。在本实施例中,采用层次聚类算法的原因是:可以根据不同的业务需求和解读方便,选取不同的距离作为切点来确定网点聚类的种类数。在本实施例中将全网几千个网点聚类,并分为20类。
层次聚类算法通过计算不同类型数据点间的相似度来创建一棵有层次的嵌套聚类树。在聚类树中,不同类性网点的原始数据点是树的最低层,树的顶层是一个聚类的根节点。创建聚类树有自下而上合并和自上而下分裂两种方法。本实施例中,采用合并方法来生成全网各网点的聚类树,如图3所示,为本实施例示例的聚类成果。
如图4所示,为本实施例聚类结果的热力图,可以更加直观地展现聚类结果。根据各类网点五个核心特性因子计算出的网点特性系数的数值高低来生成相应不同深浅的色块,颜色越深,表示该类网点在该核心特性因子上的平均得分越高,排名越靠前。反之,颜色越浅,则平均得分越低,排名越靠后。
如图4所示,对聚类结果的热力图进行举例解释说明:
热力图最左边数字表示网点聚类类型代码,以热力图的第一行为例,第一行表示第11类网点。可以直观的看到该类网点五个核心特性因子计算出的网点特性系数,从而获得关于该类网点的综合印象。第一列体现网点规模,第11类网点规模最大,都是超级大网点;第二列体现网点服务质量,相对其他类别来说,第11类网点的服务质量比较好;第三列体现网点员工年龄和工龄分布情况,第11类网点员工的年龄和工龄偏大;第四列体现营业收入多样性,第11类网点相对其他类型来说营业收入构成较为单一;第五列体现业务形态多样性,第11类的业务形态构成非常丰富。
当然,网点类型的聚类方法不限于本实施例所列举的层次聚类算法。还可以采用其他的聚类方法,如K均值聚类算法(Kmeans),密度聚类(Dbscan)等对网点类型进行聚类。
本实施例中,构建员工特性与网点业绩的数据模型,包括:
S41、根据所述网点类别提取每类网点的员工特性数据和网点业绩数据;
S42、将所述员工特性数据作为自变量,将所述网点业绩数据作为因变量,构建线性回归模型。
为便于对本发明的理解,结合本发明提供的岗位匹配方法对数据模型的构建方法做进一步的描述:
根据S32中网点类型的聚类结果,将全网各网点现有的候选人分别归属到其工作的网点类型中,然后在每一类网点类型中,以S12中获取的各网点候选人的员工特性数据作为自变量,以S13中获取的网点业绩数据为因变量,建立线性回归模型,并结合逐步回归算法(考虑交互作用),根据信息准则(Akaike information criterion,AIC)最小的原则训练出影响每类网点业绩的主要人员特征及其系数。信息准则(Akaike informationcriterion,AIC),是衡量统计模型拟合优良性的一种标准。因为放入线性回归模型的所有员工特性数据(自变量),不一定都是对网点业绩数据(因变量)有影响的,逐步回归算法可以筛选出对因变量有显著性影响的自变量,且同时可以得出线性回归方程中各自变量的系数。
由于在本实施例中S32将全网各网点分成了20个类型,因此相应的建立了20个线性回归模型。
将每一类网点的候选岗位看成同种类型的岗位,也就是将全网各网点候选岗位分成了20个具有不同特性的岗为。因此通过上述20个线性回归模型实际上是训练出了20种岗位的岗位候选人应该具有的特性,并且提取出了影响各类岗位的共性因素和特性因素。
本实施例中,根据数据模型计算业绩得分进行岗位匹配,包括:
S51、根据所述第一数据模型利用至少两名候选人的员工特性数据,计算所述至少两名候选人的业绩得分,选取所述一类网点类型的合适员工;
和/或
S52、根据所述N个数据模型利用一名候选人的员工特性数据,计算所述候选人在N个网点类型的业绩得分,为所述候选人选取合适的网点类型。
为便于对本发明的理解,结合本发明提供的岗位匹配方法对员工与岗位匹配过程做进一步的描述:
根据所S11中获取候选人员工特性数据、岗位业绩数据,以及的S4中构建的线性回归模型,分别进行如下计算:
为岗位提供最佳候选人
针对每一种岗位,我们将所有候选人的员工特性数据放入训练好的该种岗位对应的线性回归模型中,计算出所有候选人的业绩得分,业绩得分最高的候选人即为最佳候选人。
为候选人找到最佳岗位
对于每一位候选人,我们将该候选人的员工特性数据分别放入训练好的20个线性回归模型中,计算该候选人在每一种岗位上的业绩得分,业绩得分最高的岗位即为该候选人对应的最佳岗位。
根据本公开的实施例,与上述岗位匹配方法相应的,可以提供一种岗位匹配装置,包括:
数据获取单元,配置用于获取特性数据;
因子提取单元,配置用于根据所述特性数据提取核心特性因子;
网点分析单元,配置用于根据所述核心特性因子分析网点特征,聚类成N类网点类型;
模型构建单元,配置用于根据同类网点的员工特性数据与网点业绩数据构建一类网点类型的第一数据模型,共构建N个数据模型;
岗位匹配单元:配置用于根据所述数据模型计算业绩得分进行岗位匹配。
其中,数据获取单元包括:
多个数据获取子单元,配置用于分别获取岗位特性数据、员工特性数据和网点业绩数据。
其中,因子提取单元包括:
因子分析子单元A:配置用于根据探索性因子分析法对所述特性数据进行降维提取核心特性因子。
因子分析子单元A包括:
矩阵构建模块:配置用于根据所述特性数据构建相关矩阵;
碎石图构建模块:配置用于根据所述相关矩阵构建碎石图;
数量确定模块:配置用于根据所述碎石图确定待提取的核心特性因子个数,所述核心特性因子个数不少于两个;
因子提取模块:配置用于根据主成分分析法提取所述核心特性因子;并对所述核心特性因子进行正交旋转;
特性系数计算模块:配置用于根据所述核心特性因子计算网点特性系数。
另一方面,因子提取单元包括:
因子分析子单元B:配置用于根据主成分分析对所述特性数据进行降维提取核心特性因子。
其中,网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元A:配置用于根据所述网点特性系数通过层次聚类算法分析网点特征,聚类成N类网点类型。
另一方面,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元B:配置用于根据所述网点特性系数通过K均值聚类算法分析网点特征,聚类成N类网点类型。
另一方面,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元C:配置用于根据所述网点特性系数通过密度聚类算法分析网点特征,聚类成N类网点类型。
其中,模型构建单元包括:
数据提取子单元:配置用于根据所述网点类别提取每类网点的员工特性数据和网点业绩数据;
模型构建子单元:配置用于将所述员工特性数据作为自变量,将所述网点业绩数据作为因变量,构建线性回归模型。
其中,岗位匹配单元包括:
员工选取子单元:配置用于根据所述第一数据模型利用至少两名候选人的员工特性数据,计算所述至少两名候选人的业绩得分,选取所述一类网点类型的合适员工;
和/或
岗位选取子单元:配置用于根据所述N个数据模型利用一名候选人的员工特性数据,计算所述候选人在N个网点类型的业绩得分,为所述候选人选取合适的网点类型。
根据本发明公开的实施例,与上述岗位匹配方法相应的,可以提供一种岗位匹配设备,包括:一个或多个处理器;数据存储器,用于存储岗位特性数据、员工特性数据、网点业绩数据以及一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如上述岗位匹配的方法。
作为另一个方面,本实施例还提供了一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现描述上述岗位匹配的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术员工应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (22)
1.一种人岗匹配方法,其特征在于,包括:
获取特性数据;
根据所述特性数据提取核心特性因子;
根据所述核心特性因子分析网点特征,聚类成N类网点类型;
根据同类网点的员工特性数据与网点业绩数据构建一类网点类型的第一数据模型,共构建N个数据模型;
根据所述数据模型计算业绩得分进行岗位匹配。
2.根据权利要求1所述的人岗匹配方法,其特征在于,所述获取特性数据包括:获取岗位特性数据、员工特性数据和网点业绩数据。
3.根据权利要求1所述的人岗匹配方法,其特征在于,所述根据所述特性数据提取核心特性因子,包括:
根据探索性因子分析法对所述特性数据进行降维提取核心特性因子。
4.根据权利要求3所述的人岗匹配方法,其特征在于,所述根据探索性因子分析法对所述特性数据进行降维提取核心特性因子,包括:
根据所述特性数据构建相关矩阵;
根据所述相关矩阵构建碎石图;
根据所述碎石图确定待提取的核心特性因子个数,所述核心特性因子个数不少于两个;
根据主成分分析法提取所述核心特性因子;并对所述核心特性因子进行正交旋转。
5.根据权利要求1所述的人岗匹配方法,其特征在于,所述根据所述特性数据提取核心特性因子,包括:
根据主成分分析法对所述特性数据进行降维提取核心特性因子。
6.根据权利要求1所述的人岗匹配方法,其特征在于,所述根据所述核心特性因子分析网点特征,聚类成N类网点类型,包括:
根据所述核心特性因子计算网点特性系数;
根据所述网点特性系数通过层次聚类算法分析网点特征,聚类成N类网点类型。
7.根据权利要求1所述的人岗匹配方法,其特征在于,所述根据所述核心特性因子分析网点特征,聚类成N类网点类型,包括:
根据所述核心特性因子计算网点特性系数;
根据所述网点特性系数通过K均值聚类算法分析网点特征,聚类成N类网点类型。
8.根据权利要求1所述的人岗匹配方法,其特征在于,所述根据所述核心特性因子分析网点特征,聚类成N类网点类型,包括:
根据所述核心特性因子计算网点特性系数;
根据所述网点特性系数通过密度聚类算法分析网点特征,聚类成N类网点类型。
9.根据权利要求1所述的人岗匹配方法,其特征在于,所述构建员工特性与网点业绩的数据模型,包括:
根据所述网点类别提取每类网点的员工特性数据和网点业绩数据;
将所述员工特性数据作为自变量,将所述网点业绩数据作为因变量,构建线性回归模型。
10.根据权利要求1所述的人岗匹配方法,其特征在于,所述根据所述数据模型计算业绩得分进行岗位匹配,包括:
根据所述第一数据模型利用至少两名候选人的员工特性数据,计算所述至少两名候选人的业绩得分,选取所述一类网点类型的合适员工;
和/或
根据所述N个数据模型利用一名候选人的员工特性数据,计算所述候选人在N个网点类型的业绩得分,为所述候选人选取合适的网点类型。
11.一种人岗匹配装置,其特征在于,包括:
数据获取单元,配置用于获取特性数据;
因子提取单元,配置用于根据所述特性数据提取核心特性因子;
网点分析单元,配置用于根据所述核心特性因子分析网点特征,聚类成N类网点类型;
模型构建单元,配置用于根据同类网点的员工特性数据与网点业绩数据构建一类网点类型的第一数据模型,共构建N个数据模型;
岗位匹配单元:配置用于根据所述数据模型计算业绩得分进行岗位匹配。
12.根据权利要求11所述的人岗匹配装置,其特征在于,所述数据获取单元包括:
多个数据获取子单元,配置用于分别获取岗位特性数据、员工特性数据和网点业绩数据。
13.根据权利要求11所述的人岗匹配装置,其特征在于,所述因子提取单元包括:
因子分析子单元A:配置用于根据探索性因子分析法对所述特性数据进行降维提取核心特性因子。
14.根据权利要求13所述的人岗匹配装置,其特征在于,所述因子分析子单元A包括:
矩阵构建模块:配置用于根据所述特性数据构建相关矩阵;
碎石图构建模块:配置用于根据所述相关矩阵构建碎石图;
数量确定模块:配置用于根据所述碎石图确定待提取的核心特性因子个数,所述核心特性因子个数不少于两个;
因子提取模块:配置用于根据主成分分析法提取所述核心特性因子;并对所述核心特性因子进行正交旋转;
特性系数计算模块:配置用于根据所述核心特性因子计算网点特性系数。
15.根据权利要求11所述的人岗匹配装置,其特征在于,所述因子提取单元包括:
因子分析子单元B:配置用于根据主成分分析对所述特性数据进行降维提取核心特性因子。
16.根据权利要求11所述的人岗匹配装置,其特征在于,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元A:配置用于根据所述网点特性系数通过层次聚类算法分析网点特征,聚类成N类网点类型。
17.根据权利要求11所述的人岗匹配装置,其特征在于,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元B:配置用于根据所述网点特性系数通过K均值聚类算法分析网点特征,聚类成N类网点类型。
18.根据权利要求11所述的人岗匹配装置,其特征在于,所述网点分析单元包括:
系数计算子单元:配置用于根据所述核心特性因子计算网点特性系数;
类型选取子单元C:配置用于根据所述网点特性系数通过密度聚类算法分析网点特征,聚类成N类网点类型。
19.根据权利要求11所述的人岗匹配装置,其特征在于,所述模型构建单元包括:
数据提取子单元:配置用于根据所述网点类别提取每类网点的员工特性数据和网点业绩数据;
模型构建子单元:配置用于将所述员工特性数据作为自变量,将所述网点业绩数据作为因变量,构建线性回归模型。
20.根据权利要求11所述的人岗匹配装置,其特征在于,所述岗位匹配单元包括:
员工选取子单元:配置用于根据所述第一数据模型利用至少两名候选人的员工特性数据,计算所述至少两名候选人的业绩得分,选取所述一类网点类型的合适员工;
和/或
岗位选取子单元:配置用于根据所述N个数据模型利用一名候选人的员工特性数据,计算所述候选人在N个网点类型的业绩得分,为所述候选人选取合适的网点类型。
21.一种人岗匹配设备,其特征在于,所述设备包括:
一个或多个处理器;
数据存储器,用于存储岗位特性数据、员工特性数据、网点业绩数据以及一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1-10中任一项所述的方法。
22.一种存储有计算机程序的计算机可读存储介质,该程序被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810607836.6A CN110598963A (zh) | 2018-06-13 | 2018-06-13 | 一种人岗匹配方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810607836.6A CN110598963A (zh) | 2018-06-13 | 2018-06-13 | 一种人岗匹配方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598963A true CN110598963A (zh) | 2019-12-20 |
Family
ID=68849290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810607836.6A Pending CN110598963A (zh) | 2018-06-13 | 2018-06-13 | 一种人岗匹配方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598963A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968698A (zh) * | 2012-12-07 | 2013-03-13 | 深圳市智维通达科技有限公司 | 一种企业员工学习数据模型的建立方法及系统 |
CN103116820A (zh) * | 2013-01-16 | 2013-05-22 | 招商局国际信息技术有限公司 | 一种企业人员岗位优化的配置方法及其系统 |
CN104899331A (zh) * | 2015-06-24 | 2015-09-09 | Tcl集团股份有限公司 | 电视用户行为数据的聚类方法、装置及Spark大数据平台 |
CN105303302A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 一种电网评价指标关联性分析方法、设备以及计算设备 |
CN106709652A (zh) * | 2016-12-27 | 2017-05-24 | 中国建设银行股份有限公司 | 一种员工业绩多维度计量系统和方法 |
CN106844993A (zh) * | 2017-02-09 | 2017-06-13 | 朱亚婷 | 一种基于spss的油井分类和油藏分区的方法 |
CN107247764A (zh) * | 2017-06-02 | 2017-10-13 | 北京星河聘快线科技有限公司 | 一种信息匹配度的确定方法及系统 |
CN107784426A (zh) * | 2017-08-03 | 2018-03-09 | 平安科技(深圳)有限公司 | 一种员工的岗位分配方法、装置及设备 |
-
2018
- 2018-06-13 CN CN201810607836.6A patent/CN110598963A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968698A (zh) * | 2012-12-07 | 2013-03-13 | 深圳市智维通达科技有限公司 | 一种企业员工学习数据模型的建立方法及系统 |
CN103116820A (zh) * | 2013-01-16 | 2013-05-22 | 招商局国际信息技术有限公司 | 一种企业人员岗位优化的配置方法及其系统 |
CN104899331A (zh) * | 2015-06-24 | 2015-09-09 | Tcl集团股份有限公司 | 电视用户行为数据的聚类方法、装置及Spark大数据平台 |
CN105303302A (zh) * | 2015-10-12 | 2016-02-03 | 国家电网公司 | 一种电网评价指标关联性分析方法、设备以及计算设备 |
CN106709652A (zh) * | 2016-12-27 | 2017-05-24 | 中国建设银行股份有限公司 | 一种员工业绩多维度计量系统和方法 |
CN106844993A (zh) * | 2017-02-09 | 2017-06-13 | 朱亚婷 | 一种基于spss的油井分类和油藏分区的方法 |
CN107247764A (zh) * | 2017-06-02 | 2017-10-13 | 北京星河聘快线科技有限公司 | 一种信息匹配度的确定方法及系统 |
CN107784426A (zh) * | 2017-08-03 | 2018-03-09 | 平安科技(深圳)有限公司 | 一种员工的岗位分配方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10977293B2 (en) | Technology incident management platform | |
Shin et al. | Hospitality and tourism service innovation: A bibliometric review and future research agenda | |
CN109783639B (zh) | 一种基于特征提取的调解案件智能分派方法及系统 | |
US20090138304A1 (en) | Data Mining | |
CN111144723A (zh) | 人岗匹配推荐方法及系统、存储介质 | |
JP2019502979A (ja) | 構造化されたマルチフィールドファイルのレイアウトの自動解釈 | |
CN111125343A (zh) | 适用于人岗匹配推荐系统的文本解析方法及装置 | |
CN109711424B (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
CN111709613A (zh) | 基于数据统计的任务自动分配方法、装置及计算机设备 | |
CN111105209A (zh) | 适用于人岗匹配推荐系统的职位简历匹配方法及装置 | |
CN112561598A (zh) | 基于客户画像的客户流失预测及挽回方法和系统 | |
CN110929797A (zh) | 一种人员能力量化评估方法 | |
CN110727852A (zh) | 一种推送招聘推荐服务的方法、装置及终端 | |
Mazaheri et al. | Research directions in information systems field, current status and future trends: A literature analysis of AIS basket of top journals | |
CN107368521B (zh) | 一种基于大数据和深度学习的知识推介方法及系统 | |
Rodriguez et al. | Feature selection for job matching application using profile matching model | |
CN116384889A (zh) | 基于自然语言处理技术的情报大数据智能分析方法 | |
CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
Qatawneh | The influence of data mining on accounting information system performance: a mediating role of information technology infrastructure | |
CN114139065B (zh) | 基于大数据的人才筛选推荐方法、系统及可读存储介质 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN108959577B (zh) | 基于非主属性离群点检测的实体匹配方法和计算机程序 | |
Ikematsu et al. | A fast method for detecting communities from tripartite networks | |
Kester et al. | Business intelligence adoption in developing economies: a case study of Ghana | |
CN109993381B (zh) | 基于知识图谱的需求管理应用方法、装置、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |