CN110929797A - 一种人员能力量化评估方法 - Google Patents

Abstract

本发明属于测评技术领域，公开了一种人员能力量化评估方法，包括：获取待评估人员的目标数据，得到能力数据及行为数据；将当前能力数据输入预设的能力评估模型中且将当前行为数据输入预设的行为评估模型中，得到当前待评估人员的能力值及行为值；根据当前能力值、行为值、能力数据及行为数据，得到当前待评估人员的标签值；根据当前能力值、行为值及标签值，得到并输出当前待评估人员的人员画像。本发明生成能够立体化、清晰化、精准化的展现包含人员能力的人员画像，使得人员能力能够被有效量化，进而使得人力资源管理更加规范化，实现大数据对人力资源管理业务赋能，适于在有大数据基础及人员能力量化的企事业单位推广使用。

Description

一种人员能力量化评估方法

技术领域

本发明属于评测技术领域，具体涉及一种人员能力量化评估方法。

背景技术

目前，由于大型企业的业态复杂，对于人员的能力判断多来源于直觉判断或定性分析，企业对员工能力评价的主观性是造成人力资源管理偏差的主要成因，其形成的原因可能由于企业管理者能力、管理细度的差异造成，亦或是由于人力资源岗位预估与员工能力匹配度识别的主观差异造成的。随着智慧企业建设的推进，大型企业大多呈现柔性化管理的趋势，组织形态逐渐趋向柔性，员工工作关系网络复杂，专项任务、临时交办任务多，涉及跨部门协同，这对人力资源管理提出了更加精细、更加智能的发展要求。人力资源部门希望基于对员工能力和行为的精准画像，来更加全面地了解和衡量一个人在组织中的表现，更加客观、公正的考核评价员工的绩效贡献，实现大数据对人力资源管理业务赋能。而在各个维度上准确勾勒出人员的主要特征，为不同的任务推荐合适的人，并科学量化考评，变直觉主观判断为数据驱动决策是目前亟需解决的问题。

在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：

1)难以通过数据定量、客观的评判人员工作能力；

2)难以准确、科学地选取指标数据来评价人员工作能力。

发明内容

本发明旨在于至少在一定程度上解决上述技术问题之一。

为此，本发明目的在于提供一种人员能力量化评估方法，能够使得人员的能力及表现能够量化，使得人员的各项能力得到立体化、清晰化、精准化的展现。

本发明所采用的技术方案为：

一种人员能力量化评估方法，包括以下步骤：

获取待评估人员的目标数据，得到能力数据及行为数据；

将当前能力数据输入预设的能力评估模型中且将当前行为数据输入预设的行为评估模型中，得到当前待评估人员的能力值及行为值；

根据当前能力值、行为值、能力数据及行为数据，得到当前待评估人员的标签值；

根据当前能力值、行为值及标签值，得到并输出当前待评估人员的人员画像。

作为优选，人员画像包括身份信息、成长曲线信息、标签信息及分析信息；分析信息包括根据能力值得到的能力分析信息及根据行为值得到的行为分析信息；成长曲线信息根据当前人员画像与其他人员画像进行比对并分析后得到；标签信息根据标签值得到。

作为优选，构建能力评估模型时，具体步骤如下：

A1.获取预设能力因子集，其中，预设能力因子集包括多个能力因子；

A2.获取多个能力基础数据组，然后对每个能力基础数据组进行预处理，得到多个能力训练数据组及多个能力样本数据组；其中，每个能力基础数据组均包括多个能力基础数据，每个能力训练数据组均包括多个能力训练数据，每个能力基础数据均对应一能力因子，每个能力样本数据组均对应一样本能力值；

A3.用多个能力训练数据组分别对初始能力评估网络进行训练，得到初始能力评估模型；

A4.将多个能力样本数据组分别输入初始能力评估模型，得到多个校验能力值；

A5.依次判断多个校验能力值与对应的能力样本数据组的样本能力值之间的差值是否均小于第一阈值，如是，则将当前初始能力评估模型作为能力评估模型，完成能力评估模型的构建，如否，则对初始能力评估网络的参数进行调整，然后重复步骤A3-A5，直到完成能力评估模型的构建。

作为优选，任一预设能力因子集均对应一需量化评估人员能力的人员集；构建预设能力因子集时，具体步骤如下：

获取预设的参考能力因子库，其中，能力因子库包括多个参考能力因子；

获取当前人员集中多个预设的能力参考数据组及多个预设的能力对比数据组；其中，每个能力参考数据组均包括多个能力参考数据，每个能力对比数据组均包括多个能力对比数据，每个能力基础数据及每个能力对比数据均对应一参考能力因子；

通过Pearson相关性分析算法得到每个参考能力因子对应的多个相关系数，其中，任一相关系数均为单个能力参考数据与对应参考能力因子的能力对比数据之间的相关系数；

将所有对应的多个相关系数均大于第三阈值的参考能力因子形成的因子集作为当前人员集对应的预设能力因子集。

作为优选，对每个能力基础数据组进行预处理时，具体步骤如下：

对每个能力基础数据均进行赋值计算，得到对应的能力初始数据；

通过基于KNN的SMOTE算法对每个能力初始数据进行过采样处理，得到能力均衡数据；

对每个能力均衡数据进行分层随机抽样处理，将处理后的能力均衡数据组中的其中一部分作为过程能力样本数据组，将处理后的能力均衡数据组中的其余部分作为过程能力训练数据组；

通过PCA算法分别对过程能力样本数据组及过程能力训练数据组进行降维处理，得到能力样本数据组及能力训练数据组。

作为优选，构建行为评估模型时，具体步骤如下：

B1.获取预设行为因子集，其中，预设行为因子集包括多个行为因子；

B2.获取多个行为基础数据组，对每个行为基础数据组进行预处理，得到多个行为训练数据组及多个行为样本数据组；其中，每个行为基础数据组均包括多个行为基础数据，每个行为训练数据组均包括多个行为训练数据，每个行为基础数据均对应一行为因子，每个行为样本数据组均对应一样本行为值；

B3.通过预设行为因子集建立初始行为评估网络，用多个行为训练数据组分别对初始行为评估网络进行训练，得到初始行为评估模型；

B4.将多个行为样本数据组分别输入初始行为评估模型，得到多个校验行为值；

B5.依次判断多个校验行为值与对应的行为样本数据组的样本行为值之间的差值是否均小于第二阈值，如是，则将当前初始行为评估模型作为行为评估模型，完成行为评估模型的构建，如否，则对初始行为评估网络的参数进行调整，然后重复步骤B3-B5，直到完成行为评估模型的构建。

作为优选，任一预设行为因子集均对应一需量化评估人员能力的人员集；构建预设行为因子集时，具体步骤如下：

获取预设的参考行为因子库，其中，行为因子库包括多个参考行为因子；

获取当前人员集中多个预设的先进人员的行为参考数据组及多个预设的普通人员的行为对比数据组；其中，每个行为参考数据组均包括多个行为参考数据，每个行为对比数据组均包括多个行为对比数据，每个行为基础数据及每个行为对比数据均对应一参考行为因子；

通过Pearson相关性分析算法得到每个参考行为因子对应的多个相关系数，其中，任一相关系数均为单个行为参考数据与对应参考行为因子的行为对比数据之间的相关系数；

将所有对应的多个相关系数均大于第三阈值的参考行为因子形成的因子集作为当前人员集对应的预设行为因子集。

作为优选，通过LRCV多元逻辑回归算法、C4.5决策树算法及CatBoost集成学习算法中的一种或多种计算得到初始行为评估网络。

作为优选，对初始行为评估网络的参数进行调整时，采用GridSearchCV交叉验证自动调参模型进行参数优化，其中，其中交叉验证的折数cv为5。

作为优选，对每个行为基础数据组进行预处理时，具体步骤如下：

对每个行为基础均进行赋值计算，得到对应的行为初始数据；

通过基于KNN的SMOTE算法对每个行为初始数据进行过采样处理，得到行为均衡数据；

对每个行为均衡数据进行分层随机抽样处理，将处理后的行为均衡数据组中的其中一部分作为过程行为样本数据组，将处理后的行为均衡数据组中的其余部分作为过程行为训练数据组；

通过PCA算法分别对过程行为样本数据组及过程行为训练数据组进行降维处理，得到行为样本数据组及行为训练数据组。

作为优选，得到当前待评估人员的标签值时，具体步骤如下：

获取预设的标签库，其中，标签库中包括多个基础标签及多个高级标签，每个基础标签及每个高级标签均对应一标签数据，任一标签数据均包括行为值、能力值、行为基础数据及能力基础数据中的至少一个；

将当前待评估人员的行为值、能力值、行为基础数据或能力基础数据依次与每个标签数据进行比对，然后将比对成功的标签数据对应的基础标签和/或高级标签作为当前待评估人员的标签值。

作为优选，标签库的高级标签的生成方法具体步骤如下：

获取行为基础数据、能力基础数据及基础标签；

通过聚类等机器学习算法进行行为基础数据及能力基础数据分类得到过程标签数据，然后将基础标签转换为标签矩阵；

通过聚类算法对过程标签数据及标签矩阵进行分析，生成新的高级标签，然后将新的高级标签及对应的标签数据存储至标签库中。

本发明的有益效果为：

通过对人员行为数据及能力数据的分析，生成能够立体化、清晰化、精准化的展现包含人员能力的人员画像，使得人员能力能够被有效量化，进而使得人力资源管理更加规范化，实现大数据对人力资源管理业务赋能，适于在有大数据基础及人员能力量化的企事业单位推广使用。

本发明的其他有益效果将在具体实施方式中详细说明。

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是实施例1的流程框图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本发明阐述的实施例中。

应当理解，本发明使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

应当理解，在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例1：

如图1所示，本实施例提供一种人员能力量化评估方法，包括以下步骤：

获取待评估人员的目标数据，得到能力数据及行为数据；其中，行为数据为人员的行为特点和工作准则，如岗位纪律、加班时间、学习强国时长、个人360信息安全管理、OA公文邮件处理量等；能力数据为人员具备的知识、技能、工作能力以及未来潜能，如表达能力、学习能力及科研能力等，能力数据及行为数据可根据不同人员集选择相关性高的指标形成对应人员集的能力因子集或行为因子集；

将当前能力数据输入预设的能力评估模型中且将当前行为数据输入预设的行为评估模型中，得到当前待评估人员的能力值及行为值；

根据当前能力值、行为值、能力数据及行为数据，得到当前待评估人员的标签值；

根据当前能力值、行为值及标签值，得到并输出当前待评估人员的人员画像。

本实施例提供的人员能力量化评估方法基于企业关注人才的动向需求，构建一套衡量人员工作行为和能力的因子集，应用大数据技术建立行为能力模型、绩效考评模型及标签库等人员画像模型簇，使人力资源管理呈现出大数据驱动的新模态。

作为其中一种优选的实施方式，采用如欧式距离算法等的相似度算法计算待评估人员与先进人员之间的矩阵距离，然后进行升序排序便可以得知潜在的先进样本，可作为后续标签生成、人才能岗匹配、绩效考评、评先选优推荐系统的基础；其中，相似度算法主要任务是衡量对象之间的相似程度，是信息检索、推荐系统、数据挖掘等的一个基础性计算。

实施例2

本实施例提供的技术方案是在实施例1的技术方案基础上作出的进一步改进，本实施例与实施例1的区别技术特征在于：

本实施例中，人员画像包括身份信息、成长曲线信息、标签信息及分析信息；分析信息包括根据能力值得到的能力分析信息及根据行为值得到的行为分析信息；成长曲线信息根据当前人员画像与其他人员画像进行比对并分析后得到；标签信息根据标签值得到；其中，身份信息可以但不仅限于包括姓名、照片、性别、人员编号、工作单位及职务等信息。

作为其中一种优选的实施方式，在人员画像基础上结合任务目标及关键成果OKR管理等实现能岗匹配、绩效自动考核及智能评先选优推荐等应用。

实施例3

本实施例提供的技术方案是在实施例1或2的技术方案基础上作出的进一步改进，本实施例与实施例1或2的区别技术特征在于：

本实施例中，构建能力评估模型时，具体步骤如下：

A1.获取预设能力因子集，其中，预设能力因子集包括多个能力因子；

A2.获取多个能力基础数据组，然后对每个能力基础数据组进行预处理，得到多个能力训练数据组及多个能力样本数据组；其中，每个能力基础数据组均包括多个能力基础数据，每个能力训练数据组均包括多个能力训练数据，每个能力基础数据均对应一能力因子，每个能力样本数据组均对应一样本能力值；预处理将非结构化数据转化为统一的结构化数据，使得后续模型训练更加准确；

A3.用多个能力训练数据组分别对初始能力评估网络进行训练，得到初始能力评估模型；

A4.将多个能力样本数据组分别输入初始能力评估模型，得到多个校验能力值；

A5.依次判断多个校验能力值与对应的能力样本数据组的样本能力值之间的差值是否均小于第一阈值，如是，则将当前初始能力评估模型作为能力评估模型，完成能力评估模型的构建，如否，则对初始能力评估网络的参数进行调整，然后重复步骤A3-A5，直到完成能力评估模型的构建。

实施例4

本实施例提供的技术方案是在实施例3的技术方案基础上作出的进一步改进，本实施例与实施例3的区别技术特征在于：

本实施例中，任一预设能力因子集均对应一需量化评估人员能力的人员集；人员集可以但不仅限于为一个企业、一个部门或一个岗位。

构建预设能力因子集时，具体步骤如下：

获取预设的参考能力因子库，其中，能力因子库包括多个参考能力因子；预设能力因子集中的每个能力因子均对应一参考能力因子，参考能力因子库中参考能力因子的数量不少于任一能力因子集中能力因子的数量；

获取当前人员集中多个预设的能力参考数据组及多个预设的能力对比数据组；其中，每个能力参考数据组均包括多个能力参考数据，每个能力对比数据组均包括多个能力对比数据，每个能力基础数据及每个能力对比数据均对应一参考能力因子；

通过Pearson相关性分析算法得到每个参考能力因子对应的多个相关系数，其中，任一相关系数均为单个能力参考数据与对应参考能力因子的能力对比数据之间的相关系数；

将所有对应的多个相关系数均大于第三阈值的参考能力因子形成的因子集作为当前人员集对应的预设能力因子集。

由此可以通过Pearson相关性分析算法，计算当前人员集内各个参考能力因子与当前人员集的相关情况，验证能力因子的可用性及有效性，并筛选出相关性高的指标，作为后续人员画像构建能力因子集。

作为其中一种优选的实施方式，预设能力因子集包括学习能力因子集、业务能力因子集、表达能力因子集、协作能力因子集、科研创新能力因子集、文体能力因子集及政治素质能力因子集等；每个因子集至少包括一个因子数据，如学习能力因子集包括学历学位登记数据、职称数据、职业资格跨度数据、履职跨度数据、培训情况数据及电子书屋阅读时长数据等因子数据；每个因子数据还可以包括多个小类数据，如职称数据包括职称等级数据、总职称数据及跨专业数据等小类数据。

作为另外一种优选的实施方式，每个能力参考数据组均来自于当前人员集中的一个先进人员，如劳模、先进工作者、创新标兵等职工等，由此使得能力因子的选择更加准确；每个能力对比数据组均来自于当前人员集中的一个普通人员。

实施例5

本实施例提供的技术方案是在实施例3或4的技术方案基础上作出的进一步改进，本实施例与实施例3或4的区别技术特征在于：

本实施例中，对每个能力基础数据组进行预处理时，具体步骤如下：

对每个能力基础数据均进行赋值计算，得到对应的能力初始数据；其中，进行赋值计算时，获取当前能力基础数据对应的计算规则进行运算，如职称数据的计算规则为∑(职称等级*职称履历对口情况*职称衰减)，每个基础数据的计算规则通过系统预设的方式设置。

通过基于KNN的SMOTE算法对每个能力初始数据进行过采样处理，得到能力均衡数据；

对每个能力均衡数据进行分层随机抽样处理，将处理后的能力均衡数据组中的其中一部分作为过程能力样本数据组，将处理后的能力均衡数据组中的其余部分作为过程能力训练数据组；

通过PCA算法分别对过程能力样本数据组及过程能力训练数据组进行降维处理，得到能力样本数据组及能力训练数据组。

实施例6

本实施例提供的技术方案是在实施例1-5任一的技术方案基础上作出的进一步改进，本实施例与实施例1-5任一的区别技术特征在于：

本实施例中，构建行为评估模型时，具体步骤如下：

B1.获取预设行为因子集，其中，预设行为因子集包括多个行为因子；

B2.获取多个行为基础数据组，对每个行为基础数据组进行预处理，得到多个行为训练数据组及多个行为样本数据组；其中，每个行为基础数据组均包括多个行为基础数据，每个行为训练数据组均包括多个行为训练数据，每个行为基础数据均对应一行为因子，每个行为样本数据组均对应一样本行为值；预处理将非结构化数据转化为统一的结构化数据，使得后续模型训练更加准确；

B3.通过预设行为因子集建立初始行为评估网络，用多个行为训练数据组分别对初始行为评估网络进行训练，得到初始行为评估模型；

B4.将多个行为样本数据组分别输入初始行为评估模型，得到多个校验行为值；

B5.依次判断多个校验行为值与对应的行为样本数据组的样本行为值之间的差值是否均小于第二阈值，如是，则将当前初始行为评估模型作为行为评估模型，完成行为评估模型的构建，如否，则对初始行为评估网络的参数进行调整，然后重复步骤B3-B5，直到完成行为评估模型的构建。

实施例7

本实施例提供的技术方案是在实施例6的技术方案基础上作出的进一步改进，本实施例与实施例6的区别技术特征在于：

本实施例中，任一预设行为因子集均对应一需量化评估人员能力的人员集；人员集可以但不仅限于为一个企业、一个部门或一个岗位。

构建预设行为因子集时，具体步骤如下：

获取预设的参考行为因子库，其中，行为因子库包括多个参考行为因子；预设行为因子集中的每个行为因子均对应一参考行为因子，参考行为因子库中参考行为因子的数量不少于任一行为因子集中行为因子的数量；

获取当前人员集中多个预设的行为参考数据组及多个预设的行为对比数据组；其中，每个行为参考数据组均包括多个行为参考数据，每个行为对比数据组均包括多个行为对比数据，每个行为基础数据及每个行为对比数据均对应一参考行为因子；

通过Pearson相关性分析算法得到每个参考行为因子对应的多个相关系数，其中，任一相关系数均为单个行为参考数据与对应参考行为因子的行为对比数据之间的相关系数；

将所有对应的多个相关系数均大于第三阈值的参考行为因子形成的因子集作为当前人员集对应的预设行为因子集。

由此可以通过Pearson相关性分析算法，计算当前人员集内各个参考行为因子与当前人员集的相关情况，验证行为因子的可用性及有效性，并筛选出相关性高的指标，作为后续人员画像构建行为因子集。

作为其中一种优选的实施方式，预设行为因子集包括劳动纪律行为因子集、安全行为因子集、风控行为因子集、科研行为因子集、文体行为因子集及政治行为因子集等；每个因子集至少包括一个因子数据，如政治行为数据包括学习强国积分数据及支部组织生活数据等因子数据；每个因子数据还可以包括多个小类数据，如支部组织生活数据包括活动参与次数数据及活动负责职务数据等小类数据。

作为另外一种优选的实施方式，每个行为参考数据组均来自于当前人员集中的一个先进人员，如劳模、先进工作者、创新标兵等职工等，由此使得行为因子的选择更加准确；每个行为对比数据组均来自于当前人员集中的一个普通人员。

实施例8

本实施例提供的技术方案是在实施例6或7的技术方案基础上作出的进一步改进，本实施例与实施例6或7的区别技术特征在于：

本实施例中，通过LRCV多元逻辑回归算法、C4.5决策树算法及CatBoost集成学习算法中的一种或多种计算得到行为指标体系；其中，C4.5算法是用于产生决策树的算法，C4.5算法是对ID3算法的一个扩展，C4.5算法产生的决策树可以被用作分类目的，也可以用于统计分类。经过自动参数选择后的LRCV多元逻辑回归算法、C4.5决策树算法及CatBoost集成学习算法模型F1_Weighted均在80％以上，在训练集中已经有了较好的拟合能力及泛化能力，且其中采用LRCV算法得到行为指标体系的模型的F1_Weighted＝0.872为最优。

实施例9

本实施例提供的技术方案是在实施例6-8任一的技术方案基础上作出的进一步改进，本实施例与实施例6-8任一的区别技术特征在于：

本实施例中，对初始行为评估网络的参数进行调整时，采用GridSearchCV交叉验证自动调参模型进行参数优化，其中，其中交叉验证的折数cv为5，采用结合交叉验证(折数＝5)的网格搜索算法对模型进行调参，弥补了数据量少的情况下，模型训练欠佳的缺陷。Grid Search即网格搜索，其结合了K折交叉验证的自动调参方法，通过遍历不同参数组合，找到算法模型最优的参数组合从而达到分类性能最好的模型和对应的参数。

实施例10

本实施例提供的技术方案是在实施例6-9任一的技术方案基础上作出的进一步改进，本实施例与实施例6-9任一的区别技术特征在于：

本实施例中，对每个行为基础数据组进行预处理时，具体步骤如下：

对每个行为基础均进行赋值计算，得到对应的行为初始数据；

通过基于KNN的SMOTE算法对每个行为初始数据进行过采样处理，得到行为均衡数据；

对每个行为均衡数据进行分层随机抽样处理，将处理后的行为均衡数据组中的其中一部分作为过程行为样本数据组，将处理后的行为均衡数据组中的其余部分作为过程行为训练数据组；

通过PCA算法分别对过程行为样本数据组及过程行为训练数据组进行降维处理，得到行为样本数据组及行为训练数据组。

作为其中一种优选的实施方式，如存在样本数量少、维度多等情况时，为了消除潜在维度灾难，故通过PCA算法对过程能力样本数据组、过程能力训练数据组、过程行为样本数据组及过程行为训练数据组进行降维处理时，以累计贡献率大于0.9作为阈值进行PCA降维处理。

其中，PCA算法即主成分分析，一种无监督算法，其可以把可能具有相关性的高维变量合成线性无关的低维变量，是降维的常用算法；由于样本可能存在数量少、维度多的特点，因此可能存在过拟合或无法拟合的问题，因此实施例4与实施例8中便采用了PCA将多个因子维度以累计贡献率等于0.9为阈值划分，选取了少于因子维度数量的多个PC作为降维后的结果，即多个PC为多个因子维度以不同线性组合的关系，使得模型可以训练少量维度但不丢失全部数据信息，同时保障了分类器性能稳定。

其中，SMOTE算法(即合成(增加)新的少数类样本)，其是对每个少数类样本a，运用K近邻算法，从它的最近邻中随机选一个样本b，然后在a、b之间的连线上随机选一点作为新合成的少数类样本。实施例4与实施例8采用SMOTE过采样手段，将标记为1、2、4类的样本个数均增加至114个，使得四类样本类型的样本个数相同，一方面算法分类器的分类性能提升了260％，另一方面也解决了小样本建模欠拟合或无法拟合模型的问题。

实施例11

本实施例提供的技术方案是在实施例1-10任一的技术方案基础上作出的进一步改进，本实施例与实施例1-10任一的区别技术特征在于：

本实施例中，得到当前待评估人员的标签值时，具体步骤如下：

获取预设的标签库，其中，标签库中包括多个基础标签及多个高级标签，每个基础标签及每个高级标签均对应一标签数据，任一标签数据均包括行为值、能力值、行为基础数据及能力基础数据中的至少一个；

将当前待评估人员的行为值、能力值、行为基础数据或能力基础数据依次与每个标签数据进行比对，然后将比对成功的标签数据对应的基础标签和/或高级标签作为当前待评估人员的标签值。

作为其中一种优选的实施方式，基础标签包括事实标签及模型标签；事实标签为因子数据的基本信息，按照合理分类贴基础标签，如党员、高级工程师等，高级标签可基于事实标签而生成；模型标签为行为数据或能力数据的统计分析结果，按照合理阈值进行分类打分贴标签，如影响业务能力的新闻稿个数的数据在分布上呈现极度右偏，即中位数在1.14，众数为0，而75％分位6.07、95％分位大于25以及最大值163.56。此统计结果显示，大多数人员的新闻稿个数为0，而极少数人员新闻稿个数大于中位数，通过分析，将该字段的评分标准分位三类，即小于中位数的人员评为“0”，在中位数与75％分位之间的人员评分“1”，大于75％分位的人员评分“2”并打标签“笔杆子”。

实施例12

本实施例提供的技术方案是在实施例10的技术方案基础上作出的进一步改进，本实施例与实施例10的区别技术特征在于：

本实施例中，标签库的高级标签的生成方法具体步骤如下：

获取行为基础数据、能力基础数据及基础标签；

通过聚类等机器学习算法进行行为基础数据及能力基础数据分类得到过程标签数据，然后将基础标签转换为标签矩阵；

通过聚类算法对过程标签数据及标签矩阵进行分析，生成新的高级标签，然后将新的高级标签及对应的标签数据存储至标签库中；其中，聚类算法用于是在过程标签数据及标签矩阵中发现数据之间关系。

作为其中一种优选的实施方式，聚类算法采用K-means算法、层次聚类算法及基于EM的GNN聚类算法中的一种或几种；上述聚类算法均可实现无监督学习，易于实现；其中，K-means算法适用于数值型数据，如使用K-means算法对学习能力维度中的学历、职业资格、职称评分、电子书屋阅读、履历变动几个因子进行聚类，得出k＝4时，4类人群分别具有典型的“学历高、在职学习主动”、“学历高、在职学习不主动”、“学历低、在职学习主动”、“学历低、在职学习不主动”特征，赋予“学霸”、“天道酬勤”等标签。

通过构建行为能力模型、绩效考评模型及标签库，同时配合量化的指标，使人员的各项能力得到立体化、清晰化、精准化的展现。

以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。

Claims (12)

1.一种人员能力量化评估方法，其特征在于：包括以下步骤：

获取待评估人员的目标数据，得到能力数据及行为数据；

将当前能力数据输入预设的能力评估模型中且将当前行为数据输入预设的行为评估模型中，得到当前待评估人员的能力值及行为值；

根据当前能力值、行为值、能力数据及行为数据，得到当前待评估人员的标签值；

根据当前能力值、行为值及标签值，得到并输出当前待评估人员的人员画像。

2.根据权利要求1所述的人员能力量化评估方法，其特征在于：人员画像包括身份信息、成长曲线信息、标签信息及分析信息；分析信息包括根据能力值得到的能力分析信息及根据行为值得到的行为分析信息；成长曲线信息根据当前人员画像与其他人员画像进行比对并分析后得到；标签信息根据标签值得到。

3.根据权利要求1所述的人员能力量化评估方法，其特征在于：构建能力评估模型时，具体步骤如下：

A1.获取预设能力因子集，其中，预设能力因子集包括多个能力因子；

A2.获取多个能力基础数据组，然后对每个能力基础数据组进行预处理，得到多个能力训练数据组及多个能力样本数据组；其中，每个能力基础数据组均包括多个能力基础数据，每个能力训练数据组均包括多个能力训练数据，每个能力基础数据均对应一能力因子，每个能力样本数据组均对应一样本能力值；

A3.用多个能力训练数据组分别对初始能力评估网络进行训练，得到初始能力评估模型；

A4.将多个能力样本数据组分别输入初始能力评估模型，得到多个校验能力值；

A5.依次判断多个校验能力值与对应的能力样本数据组的样本能力值之间的差值是否均小于第一阈值，如是，则将当前初始能力评估模型作为能力评估模型，完成能力评估模型的构建，如否，则对初始能力评估网络的参数进行调整，然后重复步骤A3-A5，直到完成能力评估模型的构建。

4.根据权利要求3所述的人员能力量化评估方法，其特征在于：任一预设能力因子集均对应一需量化评估人员能力的人员集；构建预设能力因子集时，具体步骤如下：

获取预设的参考能力因子库，其中，能力因子库包括多个参考能力因子；

获取当前人员集中多个预设的能力参考数据组及多个预设的能力对比数据组；其中，每个能力参考数据组均包括多个能力参考数据，每个能力对比数据组均包括多个能力对比数据，每个能力基础数据及每个能力对比数据均对应一参考能力因子；

通过Pearson相关性分析算法得到每个参考能力因子对应的多个相关系数，其中，任一相关系数均为单个能力参考数据与对应参考能力因子的能力对比数据之间的相关系数；

将所有对应的多个相关系数均大于第三阈值的参考能力因子形成的因子集作为当前人员集对应的预设能力因子集。

5.根据权利要求4所述的人员能力量化评估方法，其特征在于：对每个能力基础数据组进行预处理时，具体步骤如下：

对每个能力基础数据均进行赋值计算，得到对应的能力初始数据；

通过基于KNN的SMOTE算法对每个能力初始数据进行过采样处理，得到能力均衡数据；

对每个能力均衡数据进行分层随机抽样处理，将处理后的能力均衡数据组中的其中一部分作为过程能力样本数据组，将处理后的能力均衡数据组中的其余部分作为过程能力训练数据组；

通过PCA算法分别对过程能力样本数据组及过程能力训练数据组进行降维处理，得到能力样本数据组及能力训练数据组。

6.根据权利要求1所述的人员能力量化评估方法，其特征在于：构建行为评估模型时，具体步骤如下：

B1.获取预设行为因子集，其中，预设行为因子集包括多个行为因子；

B2.获取多个行为基础数据组，对每个行为基础数据组进行预处理，得到多个行为训练数据组及多个行为样本数据组；其中，每个行为基础数据组均包括多个行为基础数据，每个行为训练数据组均包括多个行为训练数据，每个行为基础数据均对应一行为因子，每个行为样本数据组均对应一样本行为值；

B3.通过预设行为因子集建立初始行为评估网络，用多个行为训练数据组分别对初始行为评估网络进行训练，得到初始行为评估模型；

B4.将多个行为样本数据组分别输入初始行为评估模型，得到多个校验行为值；

B5.依次判断多个校验行为值与对应的行为样本数据组的样本行为值之间的差值是否均小于第二阈值，如是，则将当前初始行为评估模型作为行为评估模型，完成行为评估模型的构建，如否，则对初始行为评估网络的参数进行调整，然后重复步骤B3-B5，直到完成行为评估模型的构建。

7.根据权利要求6所述的人员能力量化评估方法，其特征在于：任一预设行为因子集均对应一需量化评估人员能力的人员集；构建预设行为因子集时，具体步骤如下：

获取预设的参考行为因子库，其中，行为因子库包括多个参考行为因子；

获取当前人员集中多个预设的行为参考数据组及多个预设的行为对比数据组；其中，每个行为参考数据组均包括多个行为参考数据，每个行为对比数据组均包括多个行为对比数据，每个行为基础数据及每个行为对比数据均对应一参考行为因子；

通过Pearson相关性分析算法得到每个参考行为因子对应的多个相关系数，其中，任一相关系数均为单个行为参考数据与对应参考行为因子的行为对比数据之间的相关系数；

将所有对应的多个相关系数均大于第三阈值的参考行为因子形成的因子集作为当前人员集对应的预设行为因子集。

8.根据权利要求7所述的人员能力量化评估方法，其特征在于：通过LRCV多元逻辑回归算法、C4.5决策树算法及CatBoost集成学习算法中的一种或多种计算得到初始行为评估网络。

9.根据权利要求8所述的人员能力量化评估方法，其特征在于：对初始行为评估网络的参数进行调整时，采用GridSearchCV交叉验证自动调参模型进行参数优化，其中，其中交叉验证的折数cv为5。

10.根据权利要求9所述的人员能力量化评估方法，其特征在于：对每个行为基础数据组进行预处理时，具体步骤如下：

对每个行为基础均进行赋值计算，得到对应的行为初始数据；

通过基于KNN的SMOTE算法对每个行为初始数据进行过采样处理，得到行为均衡数据；

对每个行为均衡数据进行分层随机抽样处理，将处理后的行为均衡数据组中的其中一部分作为过程行为样本数据组，将处理后的行为均衡数据组中的其余部分作为过程行为训练数据组；

通过PCA算法分别对过程行为样本数据组及过程行为训练数据组进行降维处理，得到行为样本数据组及行为训练数据组。

11.根据权利要求1-10任一所述的人员能力量化评估方法，其特征在于：得到当前待评估人员的标签值时，具体步骤如下：

获取预设的标签库，其中，标签库中包括多个基础标签及多个高级标签，每个基础标签及每个高级标签均对应一标签数据，任一标签数据均包括行为值、能力值、行为基础数据及能力基础数据中的至少一个；

将当前待评估人员的行为值、能力值、行为基础数据或能力基础数据依次与每个标签数据进行比对，然后将比对成功的标签数据对应的基础标签和/或高级标签作为当前待评估人员的标签值。

12.根据权利要求11所述的人员能力量化评估方法，其特征在于：标签库的高级标签的生成方法具体步骤如下：

获取行为基础数据、能力基础数据及基础标签；

通过聚类等机器学习算法进行行为基础数据及能力基础数据分类得到过程标签数据，然后将基础标签转换为标签矩阵；

通过聚类算法对过程标签数据及标签矩阵进行分析，生成新的高级标签，然后将新的高级标签及对应的标签数据存储至标签库中。

Images