CN110782072A - 员工离职风险预测方法、装置、设备及可读存储介质 - Google Patents

员工离职风险预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN110782072A
CN110782072A CN201910936901.4A CN201910936901A CN110782072A CN 110782072 A CN110782072 A CN 110782072A CN 201910936901 A CN201910936901 A CN 201910936901A CN 110782072 A CN110782072 A CN 110782072A
Authority
CN
China
Prior art keywords
employee
enterprise
constructing
information
job
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
Application number
CN201910936901.4A
Other languages
English (en)
Inventor
廉亚红
任娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Li Zhi Network Technology Co Ltd
Original Assignee
Guangzhou Li Zhi Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Li Zhi Network Technology Co Ltd filed Critical Guangzhou Li Zhi Network Technology Co Ltd
Priority to CN201910936901.4A priority Critical patent/CN110782072A/zh
Publication of CN110782072A publication Critical patent/CN110782072A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种员工离职风险预测方法、装置、设备及可读存储介质，该方法包括：构建企业员工信息数据库；根据企业员工信息数据库构建企业在职员工画像系统；根据企业员工信息数据库构建企业离职员工画像系统；构建招聘信息系统；根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率。本发明实施例在使用过程中能够实现实时、动态的预测员工离职风险，对于出现离职风险的人才提前向管理者发出预警，并且给出人才离职问题解决诊断办法，能够更好的保障企业人才团队的建设，以及人才相关的培养。

Description

员工离职风险预测方法、装置、设备及可读存储介质
技术领域
本发明涉及基于大数据的员工离职风险智能预测技术领域，具体涉及一种员工离职风险预测方法、装置、设备及可读存储介质。
背景技术
众所周知，人才是企业发展重要的资源，21世纪竞争的焦点无疑是科技与知识的竞争，而科技与知识的竞争归根到底是人才的竞争，有了相关人才的知识，才能使得企业在竞争中处于有利地位。所以，如何保证优秀人才不流失，是企业发展中的重中之重。
现阶段，企业处理人才离职问题，主要是通过管理者日常沟通与日常观察。一方面，对于受制于，管理者发现人才离职风险的能力；另外一方面，很多人才的不同性格、不同特性导致，相关人才离职风险很难被发现。
发明内容
本发明实施例的目的是提供一种员工离职风险预测方法、装置、设备及可读存储介质。本发明实施例在使用过程中能够通过通过收集、处理、统计企业历史人才离职相关信息及原因，构建人工智能算法，实时、动态的预测员工离职风险，对于出现离职风险的人才提前向管理者发出预警，并且给出人才离职问题解决诊断办法，能够更好的保障企业人才团队的建设，以及人才相关的培养。
为解决上述的技术问题，本发明实施例采用以下技术方案：
提供了一种员工离职风险预测方法，包括：
构建企业员工信息数据库；
根据企业员工信息数据库构建企业在职员工画像系统；
根据企业员工信息数据库构建企业离职员工画像系统；
构建招聘信息系统；
根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率。
可选的，所述根据企业员工信息数据库构建企业在职员工画像系统包括：根据在职员工薪资数据和/或在职员工在职时间数据和/或在职员工晋升数据和/或在职员工降级数据和/或在职员工奖惩数据和/或在职员工家庭信息数据，构建企业在职员工画像系统。
可选的，所述根据企业员工信息数据库构建企业离职员工画像系统包括：根据离职员工离职原因数据和/或离职员工薪资数据和/或离职员工家庭信息数据，构建企业离职员工画像系统。
可选的，所述构建招聘信息系统包括：定期获取招聘网络或相关企业官网上的招聘信息，通过对结构化和非结构化招聘信息进行整理增量入库，对文本非结构化招聘信息通过关键词匹配方法抽取招聘信息入库方式，构建招聘信息系统。
可选的，所述根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率包括：
形成训练特征向量，包括在职员工画像系统特征向量、离职员工画像系统特征向量以及招聘信息系统特征向量；
形成训练数据标签，包括离职员工特征向量标签和在职员工特征向量标签；
将所述训练特征向量和训练数据标签输入深度神经网络进行训练，所述深度神经网络最后一层为sigmoid层，输出结果为员工离职概率。
可选的，还包括：为深度神经网络隐藏层添加dropout处理，使用bernoulli函数按照丢弃概率生成丢弃节点的位置信息步骤。
可选的，还包括：对所述企业员工信息数据库和/或招聘信息系统进行数据更新。
本发明实施例还提供了一种员工离职风险预测装置，包括：
企业员工信息系统生成模块，用于构建企业员工信息数据库；
企业在职员工画像系统生成模块，用于根据企业员工信息数据库构建企业在职员工画像系统；
企业离职员工画像系统生成模块，用于根据企业员工信息数据库构建企业离职员工画像系统；
招聘信息系统生成模块，用于构建招聘信息系统；
员工离职风险预测模型训练模块，用于根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率。
本发明实施例还提供了一种员工离职风险预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述员工离职风险预测方法的步骤。
本发明实施例还提供了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，所述计算机程序被处理器执行时，实现所述员工离职风险预测方法的步骤。
本发明实施例提供了一种员工离职风险预测方法、装置、设备及可读存储介质，通过大数据和人工智能技术，通过收集、处理、统计企业历史人才离职相关信息及原因，构建人工智能算法，实时、动态的预测员工离职风险，对于出现离职风险的人才提前向管理者发出预警，并且给出人才离职问题解决诊断办法，能够更好的保障企业人才团队的建设，以及人才相关的培养。
附图说明
为了更清楚地说明本实施例中的技术方案，下面将对现有技术和实施例中所小使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种员工离职风险预测方法的流程示意图。
图2为本发明实施例提供的一种员工离职风险预测方法的架构流程示意图。
图3为本发明实施例提供的一种员工离职风险预测装置的结构示意图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
下面结合附图及实施例对本发明的具体实施方式进行详细描述。
请参照图1，图1为本发明实施例提供的一种员工离职风险预测方法的流程示意图。
该方法包括：
S11：构建企业员工信息数据库。
具体的，构建企业员工信息数据库，包括：将目标企业的所有在职员工和所有离职员工信息整合构建企业员工信息数据库。
需要说明的是，企业员工信息包括但不限于如下维度信息：
在职员工的员工岗位；员工薪资；员工就职年限；员工家庭情况；员工在公司期间表现，如奖励、惩罚等；员工晋升及降职情况信息。
离职员工的员工所属岗位；员工离职原因；员工薪资情况；员工家庭情况等信息。
S12：根据企业员工信息数据库构建企业在职员工画像系统。
具体的，根据企业员工信息数据库构建企业在职员工画像系统包括：根据在职员工薪资数据和/或在职员工在职时间数据和/或在职员工晋升数据和/或在职员工降级数据和/或在职员工奖惩数据和/或在职员工家庭信息数据，构建企业在职员工画像系统。
需要说明的是，企业在职员工画像系统内数据构建方式如下：
在职员工画像特征向量：f(x1),f(x2),f(x3),f(x4)，f(x5),f(x6),f(x7),f(x8)。
其中，x1:员工薪资,单位(k)。x2:工作时长，单位(年)。x3:员工晋升次数。x4:降级次数。X5:员工取得奖金金额，单位(k)。x6:员工居住地onehot编码，居住地onehot编码根据企业实际情况设定，如(越秀区：00001，东山区：00010…)。
x7:员工每次晋升原因对应的onehot编码向量的叠加，如无晋升则为0向量。x8:员工每次降级原因对应的onehot编码向量的叠加，如无降级则为0向量。
f(x)为归一化公式，员工画像特征系统使用到的归一化方法均为标准差归一化。
标准差归一化公式：
f(x)＝(x-μ)/σ
其中μ为该特征所有值的平均值，σ该特征所有值的标准差。
S13：根据企业员工信息数据库构建企业离职员工画像系统。
具体的，根据企业员工信息数据库构建企业离职员工画像系统包括：根据离职员工离职原因数据和/或离职员工薪资数据和/或离职员工家庭信息数据，构建企业离职员工画像系统。
需要说明的的是，离职员工画像系统维护公司每个岗位的离职员工相关信息和每个岗位离职员工统计信息。企业离职员工画像系统内数据构建方式如下：
某具体岗位离职员工统计信息特征向量：f(x1),f(x2),f(x3)。
其中，x1:该岗位离职员工中，每个员工离职原因onehot编码叠加向量，(离职原因类别根据企业情况分类，离职原因类别可能包括发展受限，薪资偏低，公司地点距离居住地较远等)。x2:该岗位离职员工中，每个员工薪资水平onehot编码叠加薪资水平类别可以根据行业具体情况划分(如5000-10000为等级1，对应onehot编码为00001。10000-20000为等级2，对应onehot编码为00010)。x3:该岗位离职员工住址与公司地址距离超过阈值(地址间距离阈值根据公司情况更改)。
S14：构建招聘信息系统。
具体的，构建招聘信息系统是通过互联网数据抓取方式，从互联网上抓取竞争企业招聘信息。其中，招聘信息包括但不限于如下维度信息：招聘岗位信息；招聘相关岗位的年限信息；招聘相关岗位的薪资信息；招聘相关岗位的工作地点信息。
需要说明的是，构建招聘信息系统的构建方式为：使用网络爬虫定期爬取招聘网站及竞争企业官网的招聘信息，对结构化和非结构化信息进行整理增量入库。文本非结构化信息通过关键词匹配方法抽取关键信息入库。
相关岗位信息在招聘信息系统内针对每个岗位的特征向量：f(x1),f(x2),f(x3).
其中，x1:各个公司招聘信息中该岗位要求的平均工作年限。x2:该岗位平均薪资。X3:工作地点onehot编码向量叠加(工作地点根据城市具体划分，可根据城市各个区划分类别，如越秀区对应0001)。f(x)为归一化公式，员工画像特征系统使用到的归一化方法均为标准差归一化。
标准差归一化公式：
f(x)＝(x-μ)/σ
其中μ为该特征所有值的平均值，σ该特征所有值的标准差。
S15：根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率。请参照图2，图2为本发明实施例提供的一种员工离职风险预测方法的框架流程示意图。
具体的，根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率的过程为：
S151：把需要评估离职风险的员工信息根据企业在职员工画像系统构建目标员工画像特征。
S152：从企业离职员工画像系统和招聘信息系统中匹配目标员工信息相关特征向量。
S153：拼接上述特征向量，把特征向量输入三层深度神经网络训练模型，模型输出为目标员工离职的概率。
需要说明的是，训练模型输入数据生成方式为：
人工筛选一批已离职员工数据和近期不会离职的员工数据。针对人工筛选的每一个员工，生成训练特征向量。
训练特征向量包括：企业在职员工画像系统特征向量+企业离职员工画像系统特征向量+相关岗位招聘信息。
训练数据标签包括：已离职员工特征向量标签为1，近期不会离职员工特征向量为0。
把训练数据输入dnn(深度神经网络)网络进行训练。dnn网络为最后一层为sigmoid层，输出结果为预测员工将要离职的概率。
需要说明的是，为防止员工数据量少导致网络过拟合，为网络隐藏层添加dropout处理，使用bernoulli函数按照丢弃概率生成丢弃节点的位置信息。节点随即丢弃概率为0.2。bernoulli函数如下：
Figure BDA0002221816360000081
Figure BDA0002221816360000082
决定第l层第j个节目点是否被丢弃，如果
Figure BDA0002221816360000083
为0，则该节点值丢弃(变为0)，如果
Figure BDA0002221816360000084
为1，则该节点值保留。
需要说明的是，为了实现预测结果更高的准确性，本实施还针对企业员工信息数据库和招聘信息系统进行定期更新，根据企业员工信息数据库的数据更新，可以定期更新企业在职员工画像系统以及企业离职员工画像系统。
具体的，定期数据更新的方式可以是爬虫每天定时爬取每个岗位最新招聘信息，录入数据库，每日生成新的岗位特征信息。系统检测到有新的离职员工，则更新离职员工统计信息特征。
当然，本发明实施例中不仅限于采用上述方法对员工离职风险进行预测，也可以采用其他的方法实现。具体采用哪种方法本发明实施例对此不做限定。
在上述实施例的基础上，本发明实施例相应的提供了一种员工离职风险预测装置，具体请参照图3。该装置包括：
企业员工信息系统生成模块，用于构建企业员工信息数据库；
企业在职员工画像系统生成模块，用于根据企业员工信息数据库构建企业在职员工画像系统；
企业离职员工画像系统生成模块，用于根据企业员工信息数据库构建企业离职员工画像系统；
招聘信息系统生成模块，用于构建招聘信息系统；
员工离职风险预测模型训练模块，用于根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率。
需要说明的是，本发明实施例具有与上述实施例中员工离职风险预测方法相同的有益效果，并且对于本发明实施例中所涉及到的员工离职风险预测方法的具体介绍请参照上述实施例，本申请在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种员工离职风险预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上所述员工离职风险预测方法的步骤。
需要说明的是，本发明实施例具有与上述实施例中员工离职风险预测方法相同的有益效果，并且对于本发明实施例中所涉及到的员工离职风险预测方法的具体介绍请参照上述实施例，本申请在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了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，所述计算机程序被处理器执行时，实现如上所述所述员工离职风险预测方法的步骤。
需要说明的是，本发明实施例具有与上述实施例中员工离职风险预测方法相同的有益效果，并且对于本发明上述实施例中所涉及到的员工离职风险预测方法的具体介绍请参照上述实施例，本申请在此不再赘述。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业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的专业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，在其他实施例中实现。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)

1.一种员工离职风险预测方法，其特征在于，包括：
构建企业员工信息数据库；
根据企业员工信息数据库构建企业在职员工画像系统；
根据企业员工信息数据库构建企业离职员工画像系统；
构建招聘信息系统；
根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率。
2.根据权利要求1所述的员工离职风险预测方法，其特征在于所述的根据企业员工信息数据库构建企业在职员工画像系统包括：根据在职员工薪资数据和/或在职员工在职时间数据和/或在职员工晋升数据和/或在职员工降级数据和/或在职员工奖惩数据和/或在职员工家庭信息数据，构建企业在职员工画像系统。
3.根据权利要求1所述的员工离职风险预测方法，其特征在于所述的根据企业员工信息数据库构建企业离职员工画像系统包括：根据离职员工离职原因数据和/或离职员工薪资数据和/或离职员工家庭信息数据，构建企业离职员工画像系统。
4.根据权利要求1所述的员工离职风险预测方法，其特征在于所述的构建招聘信息系统包括：定期获取招聘网络或相关企业官网上的招聘信息，通过对结构化和非结构化招聘信息进行整理增量入库，对文本非结构化招聘信息通过关键词匹配方法抽取招聘信息入库方式，构建招聘信息系统。
5.根据权利要求1所述的员工离职风险预测方法，其特征在于所述的根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率包括：
形成训练特征向量，包括在职员工画像系统特征向量、离职员工画像系统特征向量以及招聘信息系统特征向量；
形成训练数据标签，包括离职员工特征向量标签和在职员工特征向量标签；
将所述训练特征向量和训练数据标签输入深度神经网络进行训练，所述深度神经网络最后一层为sigmoid层，输出结果为员工离职概率。
6.根据权利要求5所述的员工离职风险预测方法，其特征在于还包括：为深度神经网络隐藏层添加dropout处理，使用bernoulli函数按照丢弃概率生成丢弃节点的位置信息步骤。
7.根据权利要求1所述的员工离职风险预测方法，其特征在于还包括：对所述企业员工信息数据库和/或招聘信息系统进行数据更新。
8.一种员工离职风险预测装置，其特征在于，包括：
企业员工信息系统生成模块，用于构建企业员工信息数据库；
企业在职员工画像系统生成模块，用于根据企业员工信息数据库构建企业在职员工画像系统；
企业离职员工画像系统生成模块，用于根据企业员工信息数据库构建企业离职员工画像系统；
招聘信息系统生成模块，用于构建招聘信息系统；
员工离职风险预测模型训练模块，用于根据企业在职员工画像系统、企业离职员工画像系统和招聘信息系统训练员工离职风险预测模型，得到员工离职概率。
9.一种员工离职风险预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述员工离职风险预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至7任意一项所述员工离职风险预测方法的步骤。
CN201910936901.4A 2019-09-29 2019-09-29 员工离职风险预测方法、装置、设备及可读存储介质 Pending CN110782072A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910936901.4A CN110782072A (zh) 2019-09-29 2019-09-29 员工离职风险预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910936901.4A CN110782072A (zh) 2019-09-29 2019-09-29 员工离职风险预测方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN110782072A true CN110782072A (zh) 2020-02-11

Family

ID=69385508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910936901.4A Pending CN110782072A (zh) 2019-09-29 2019-09-29 员工离职风险预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN110782072A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798059A (zh) * 2020-07-10 2020-10-20 河北冀联人力资源服务集团有限公司 离职预测系统及方法
CN112257777A (zh) * 2020-10-21 2021-01-22 平安科技（深圳）有限公司 基于隐马尔可夫模型的离职预测方法及相关装置
CN113344528A (zh) * 2021-06-08 2021-09-03 北京中天鹏宇科技发展有限公司 一种员工离职原因的分析方法
CN113435762A (zh) * 2020-05-06 2021-09-24 支付宝(杭州)信息技术有限公司 一种企业风险识别方法、装置及设备
CN113627135A (zh) * 2020-05-08 2021-11-09 百度在线网络技术（北京）有限公司 一种招聘岗位描述文本的生成方法、装置、设备及介质
CN113706013A (zh) * 2021-08-27 2021-11-26 上海见兴信息科技有限公司 一种结合金融技术指标的劳动关系矛盾风险分析方法
CN113723689A (zh) * 2021-09-01 2021-11-30 畅捷通信息技术股份有限公司 企业员工离职预测模型的构建方法、系统、终端及介质
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
CN117408660A (zh) * 2023-12-15 2024-01-16 山东杰出人才发展集团有限公司 一种基于大数据的人力资源数据服务管理系统
CN118350793A (zh) * 2024-06-18 2024-07-16 济南市人力资源社会保障智慧服务中心 基于大数据的人才数据分析管理方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435762B (zh) * 2020-05-06 2023-08-08 支付宝(杭州)信息技术有限公司 一种企业风险识别方法、装置及设备
CN113435762A (zh) * 2020-05-06 2021-09-24 支付宝(杭州)信息技术有限公司 一种企业风险识别方法、装置及设备
CN113627135A (zh) * 2020-05-08 2021-11-09 百度在线网络技术（北京）有限公司 一种招聘岗位描述文本的生成方法、装置、设备及介质
US12086556B2 (en) 2020-05-08 2024-09-10 Baidu Online Network Technology (Beijing) Co., Ltd. Method, apparatus, device and medium for generating recruitment position description text
CN113627135B (zh) * 2020-05-08 2023-09-29 百度在线网络技术（北京）有限公司 一种招聘岗位描述文本的生成方法、装置、设备及介质
CN111798059B (zh) * 2020-07-10 2023-11-24 河北冀联人力资源服务集团有限公司 离职预测系统及方法
CN111798059A (zh) * 2020-07-10 2020-10-20 河北冀联人力资源服务集团有限公司 离职预测系统及方法
WO2021179715A1 (zh) * 2020-10-21 2021-09-16 平安科技（深圳）有限公司 基于隐马尔可夫模型的离职预测方法及相关装置
CN112257777B (zh) * 2020-10-21 2023-09-05 平安科技（深圳）有限公司 基于隐马尔可夫模型的离职预测方法及相关装置
CN112257777A (zh) * 2020-10-21 2021-01-22 平安科技（深圳）有限公司 基于隐马尔可夫模型的离职预测方法及相关装置
CN113344528A (zh) * 2021-06-08 2021-09-03 北京中天鹏宇科技发展有限公司 一种员工离职原因的分析方法
CN113706013A (zh) * 2021-08-27 2021-11-26 上海见兴信息科技有限公司 一种结合金融技术指标的劳动关系矛盾风险分析方法
CN113706013B (zh) * 2021-08-27 2023-12-29 上海见兴信息科技有限公司 一种结合金融技术指标的劳动关系矛盾风险分析方法
CN113723689A (zh) * 2021-09-01 2021-11-30 畅捷通信息技术股份有限公司 企业员工离职预测模型的构建方法、系统、终端及介质
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
CN117408660A (zh) * 2023-12-15 2024-01-16 山东杰出人才发展集团有限公司 一种基于大数据的人力资源数据服务管理系统
CN118350793A (zh) * 2024-06-18 2024-07-16 济南市人力资源社会保障智慧服务中心 基于大数据的人才数据分析管理方法

Similar Documents

Publication Publication Date Title
CN110782072A (zh) 员工离职风险预测方法、装置、设备及可读存储介质
Malandri et al. Public mood–driven asset allocation: The importance of financial sentiment in portfolio management
Ali Shah et al. An enhanced deep neural network for predicting workplace absenteeism
Wickes et al. Neighborhood social ties and shared expectations for informal social control: Do they influence informal social control actions?
US8566262B2 (en) Techniques to filter media content based on entity reputation
West et al. Author‐level Eigenfactor metrics: Evaluating the influence of authors, institutions, and countries within the social science research network community
Fitterer et al. Predictive crime mapping
Purohit et al. Social-eoc: Serviceability model to rank social media requests for emergency operation centers
Carton et al. Identifying police officers at risk of adverse events
EP2242000A2 (en) An alert generator
US20150324939A1 (en) Real-estate client management method and system
CN107808278A (zh) 一种基于稀疏自编码器的Github开源项目推荐方法
Ramchandani et al. Unmasking human trafficking risk in commercial sex supply chains with machine learning
Morrison et al. The impact of exogenous shocks on national wellbeing. New Zealanders’ reaction to COVID-19
WO2015064713A1 (ja) 情報提示方法、装置、及びプログラム
CN113657547B (zh) 基于自然语言处理模型的舆情监测方法及其相关设备
US20210279421A1 (en) Automatic generation of scientific article metadata
Nissan An overview of data mining for combating crime
CN111696656B (zh) 一种互联网医疗平台的医生评价方法、装置
Comfort et al. The dynamics of change following extreme events: Transition, scale, and adaptation in systems under stress
Hu et al. A practice mining system for the delivery of sustainable retirement villages
Chelmis et al. Challenges and opportunities in using data science for homelessness service provision
Miller et al. Examining sanction type and drug offender recidivism: a register-based study in Finland
Coffie et al. Using extreme gradient boosting (XGBoost) machine learning to predict construction cost overruns
CN115796600A (zh) 一种舆情风险预警方法、系统、介质及电子设备

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: 20200211