CN111062573A - 员工绩效数据确定方法、装置、介质和计算机设备 - Google Patents
员工绩效数据确定方法、装置、介质和计算机设备 Download PDFInfo
- Publication number
- CN111062573A CN111062573A CN201911137248.1A CN201911137248A CN111062573A CN 111062573 A CN111062573 A CN 111062573A CN 201911137248 A CN201911137248 A CN 201911137248A CN 111062573 A CN111062573 A CN 111062573A
- Authority
- CN
- China
- Prior art keywords
- service
- assessment
- determining
- performance data
- services
- 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 42
- 238000004364 calculation method Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000007635 classification algorithm Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
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
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明提供了一种员工绩效数据确定方法、装置、计算机存储介质和计算机设备;该方法包括:确定目标员工的身份信息,从考核业务数据库中确定与所述身份信息对应的第一待考核业务,以及从实际业务系统中确定与所述身份信息对应的第二待考核业务,将所述第一待考核业务和第二待考核业务进行匹配,根据匹配结果确定多个不同类型的考核业务;获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据。通过本发明技术方案,能够提高对员工绩效考核的准确性,可以全面衡量出员工真实绩效。
Description
技术领域
本发明涉及计算机领域,具体而言,本发明涉及一种员工绩效数据确定方法、装置、介质和计算机设备。
背景技术
企业在年中或者年终的时候通常需要对员工在近半年内或近一年内做的业务进行绩效考核。
为了提高对员工进行绩效考核的效率,行业内会训练模型来对员工在考核时间段做的业务进行处理,最后将模型处理得到的结果作为员工对应的绩效值。
然而,员工在进入下一绩效考核周期之前,其领导会为其制定其负责处理的业务,但是在实际工作中,员工实际处理的业务不仅仅包括之前领导预先制定的业务,还包含了没有预先制定好的业务,比如临时分配到的业务。而目前的模型只是对员工对应的预先制定的业务进行处理,因此,最终计算出来的员工的绩效与员工实际的绩效不符合,导致员工绩效考核的准确性不高。
发明内容
本发明针对现有技术的缺点,提供了一种员工绩效数据确定方法、装置、介质和计算机设备,通过本发明技术方案,能够提高对员工绩效考核的准确性,可以全面衡量出员工真实绩效。
本发明实施例根据第一方面提供了一种员工绩效数据确定方法,包括:
确定目标员工的身份信息,从考核业务数据库中确定与所述身份信息对应的第一待考核业务,以及从实际业务系统中确定与所述身份信息对应的由所述目标员工填写的业务描述信息,所述第一待考核业务是预先制定的由所述目标员工负责处理的多个业务;
对所述业务描述信息进行预处理,对预处理后的业务描述信息进行词性划分,得到特征词汇集,确定与所述特征词汇集关联的多个业务描述文档;
分别计算所述特征词汇集中各个特征词汇对应的词汇词向量以及各个业务描述文档对应的文档词向量;
基于余弦相似度算法确定所述词汇词向量与各个文档词向量的相似度,将相似度大于预设阈值的文档词向量所对应的业务描述文档作为目标文档,根据所述目标文档对应的业务标识确定第二待考核业务,所述第二待考核业务是所述目标员工实际处理的多个业务;
将所述第一待考核业务的所有业务标识和第二待考核业务的所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务;
获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;
将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据,所述预先训练好的绩效数据确定模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的绩效数据。
进一步地,所述根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务,包括:
若所述第一待考核业务和第二待考核业务匹配,将所述第一待考核业务确定为多个不同类型的考核业务;
若所述第一待考核业务和第二待考核业务不匹配,确定出所述第二待考核业务中包含在所述第一待考核业务中的匹配业务以及没有包含在所述第一待考核业务中的非匹配业务,将所述非匹配业务与所述考核业务数据库中的所有考核业务进行对比,根据对比结果将所述第二待考核业务中的匹配业务,以及所述非匹配业务中包含在所述所有考核业务中的业务,都确定为为多个不同类型的考核业务。
进一步地,所述将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中,得到所述目标员工的绩效数据,包括:
将所述多个不同类型的业务考核数据输入训练好的逻辑回归算法模型进行计算,得到第一计算值;
将所述多个不同类型的业务考核数据输入训练好的随机森林算法模型进行计算,得到第二计算值;
将所述多个不同类型的业务考核数据输入训练好的GBDT梯度提升树模型进行计算,得到第三计算值;
根据所述第一计算值、第二计算值和第三计算值计算得到所述目标员工的绩效数据。
进一步地,所述根据所述第一计算值、第二计算值和第三计算值计算得到所述目标员工的绩效数据,包括:
分别判断所述第一计算值、第二计算值和第三计算值是否处于各自对应的预设取值范围内,从所述第一计算值、第二计算值和第三计算值中确定处于所述预设取值范围内的N个计算值,其中,N是大于等于1且小于等于3的正整数;
将所述N个计算值之间的均值作为所述目标员工的绩效数据。
进一步地,所述将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,之前包括:
确定考核业务数据库中的多个不同类型的考核业务及其各自对应的业务数据;
确定各个类型的考核业务对应的第一指标参数,以及各个业务数据对应的第二指标参数;
将所述多个不同类型的考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型。
进一步地,还包括:
所述将所述多个考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型,包括:
将所述多个考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到过渡绩效数据确定模型;
获取所述考核业务数据库中保险业务的地域特征信息数据和外部环境特征信息数据;
获取所述地域特征信息数据对应的地域指标参数、所述外部环境特征信息数据对应的环境指标参数,以及所述保险业务对应的保险指标参数;
将所述地域指标参数、环境指标参数、保险指标参数,以及所述地域特征信息数据、外部环境特征信息数据作为修正训练样本输入所述过渡绩效数据确定模型进行模型修正训练,得到训练好的绩效数据确定模型。
本发明实施例根据第二方面提供了一种员工绩效数据确定装置,包括:
第一待考核业务确定模块,用于确定目标员工的身份信息,从考核业务数据库中确定与所述身份信息对应的第一待考核业务,以及从实际业务系统中确定与所述身份信息对应的由所述目标员工填写的业务描述信息,所述第一待考核业务是预先制定的由所述目标员工负责处理的多个业务;
描述文档确定模块,用于对所述业务描述信息进行预处理,对预处理后的业务描述信息进行词性划分,得到特征词汇集,确定与所述特征词汇集关联的多个业务描述文档;
词向量计算模块,用于分别计算所述特征词汇集中各个特征词汇对应的词汇词向量以及各个业务描述文档对应的文档词向量;
第二待考核业务确定模块,用于基于余弦相似度算法确定所述词汇词向量与各个文档词向量的相似度,将相似度大于预设阈值的文档词向量所对应的业务描述文档作为目标文档,根据所述目标文档对应的业务标识确定第二待考核业务,所述第二待考核业务是所述目标员工实际处理的多个业务;
考核业务确定模块,用于将所述第一待考核业务的所有业务标识和第二待考核业务的所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务;
考核数据获得模块,用于获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;
绩效数据获得模块,用于将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据,所述预先训练好的绩效数据确定模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的绩效数据。
进一步地,所述考核业务确定模块,还用于当所述第一待考核业务和第二待考核业务匹配时,将所述第一待考核业务确定为所述多个不同类型的考核业务,当所述第一待考核业务和第二待考核业务不匹配时,确定出所述第二待考核业务中包含在所述第一待考核业务中的匹配业务以及没有包含在所述第一待考核业务中的非匹配业务,将所述非匹配业务与所述考核业务数据库中的所有考核业务进行对比,根据对比结果将所述第二待考核业务中的匹配业务,以及所述非匹配业务中包含在所述所有考核业务中的业务,都确定为所述多个不同类型的考核业务。
本发明实施例根据第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的员工绩效数据确定方法。
本发明实施例根据第四方面提供了一种计算机设备,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的员工绩效数据确定方法。
在本发明实施例中,考核服务器根据目标员工的身份信息从考核业务数据库中确定出预先制定好的由目标员工负责处理的第一待考核业务,以及从实际业务系统中确定出由所述目标员工填写的业务描述信息,计算所述业务详情信息对应的词向量信息,确定所述词向量信息对应的目标员工实际处理的第二待考核业务,将所述第一待考核业务所有业务标识和第二待考核业务所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务,然后获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据,所述预先训练好的绩效数据确定模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的绩效数据。通过本发明技术方案,能够提高对员工绩效考核的准确性,可以全面衡量出员工真实绩效。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一个实施例的员工绩效数据确定方法流程示意图;
图2为本发明一个实施例的员工绩效数据确定装置的结构示意图;
图3为本发明一种实施例的计算机设备的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
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,这里使用的“第一”、“第二”仅用于区别同一技术特征,并不对该技术特征的顺序和数量等加以限定。应该进一步理解的是,本发明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。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本发明实施例提供了一种员工绩效数据确定方法,以下结合附图对本发明的具体实施方式进行详细介绍。如图1所示,本发明实施例提供的员工绩效数据确定方法包括以下步骤:
步骤S110:确定目标员工的身份信息,从考核业务数据库中确定与所述身份信息对应的第一待考核业务,以及从实际业务系统中确定与所述身份信息对应的由所述目标员工填写的业务描述信息,所述第一待考核业务是预先制定的由所述目标员工负责处理的多个业务;
步骤S120:对所述业务描述信息进行预处理,对预处理后的业务描述信息进行词性划分,得到特征词汇集,确定与所述特征词汇集关联的多个业务描述文档;
步骤S130:分别计算所述特征词汇集中各个特征词汇对应的词汇词向量以及各个业务描述文档对应的文档词向量;
步骤S140:基于余弦相似度算法确定所述词汇词向量与各个文档词向量的相似度,将相似度大于预设阈值的文档词向量所对应的业务描述文档作为目标文档,根据所述目标文档对应的业务标识确定第二待考核业务,所述第二待考核业务是所述目标员工实际处理的多个业务;
步骤S150:将所述第一待考核业务的所有业务标识和第二待考核业务的所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务;
步骤S160:获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;
步骤S170:将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据,所述预先训练好的绩效数据确定模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的绩效数据。
在本实施例中,在绩效考核中每个员工对应的考核业务即是其负责的业务,通常每个员工都会负责多个不同类型的业务。例如,员工张三,其负责的业务是保险领域内的保险销售业务、保险客户拓展业务共两个保险业务,那么这两个保险业务就是其在绩效考核中的考核业务。
考核服务器会为每个员工和其负责的业务之间建立映射关系,当考核服务器要计算某个员工在绩效考核中的预测绩效值时,先确定与该员工,即目标员工之间具有映射关系的业务,并将其作为本次绩效考核中与该员工对应的考核业务,然后获取该员工在处理考核业务时产生的数据作为业务考核数据,由于员工通常负责多个类型的业务,因而可以获取到得到多个不同类型的业务考核数据。可以理解的是,员工在处理考核业务时产生的数据在不同业务场景中不同,比如,处理保险销售业务时产生的数据可以是在绩效考核时间区间内保险销售数量、保险销售金额、客户售后投诉情况等。
当获得多个不同类型的业务考核数据后,考核服务器就将该多个不同类型的业务考核数据输入预先训练好的绩效预测模型中进行计算,通过计算能够得到该员工对应的预测绩效值,通过预测绩效值能够进行本次绩效考核后续的奖惩处理。
由于很多企业都有多元化的跨界业务,也就是企业中的员工负责的业务有多种类型,在这种情况下不存在一个算法在所有情况下都能够胜过其他算法,因此在本实施例中该预先训练好的绩效预测模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的预测绩效值,这样能够利用到不同分类算法各种的优势,取长补短,组合形成一个强大的算法组合,多模型组合算法模型相比单一模型计算出的员工的绩效预测值更为符合员工实际情况中的绩效情况。
进一步地,当所述预测绩效值小于预置值时,说明业务考核数据达不到要求,可根据业务考核数据产生告警信息,向目标员工发送所述告警信息。
进一步地,每个员工负责处理的业务以及对应的考核指标会预先制定好,比如员工张三负责的其中一个业务是负责保险销售业务,对应的考核指标是半年内保险销售金额50万元为合格,70万元为良好,100万元为优秀等,管理人员会预先将这些数据上传到考核服务器,而考核服务器在获取到各个员工在绩效考核中对应的业务等数据后,会将其存储在考核业务数据库中,从而根据员工的身份信息可以从考核业务数据库中读取到与员工对应的业务,并将读取到的业务作为员工对应的考核业务,其中,身份信息是员工标识或证件号码等能够唯一区分员工的信息,考核业务数据库可以是指一个数据库,也可以存储于数据库中的表格,其中记录了每个员工对应的业务。
然而考虑到员工在绩效考核时间区间内真正处理的业务可能与预先制定的业务有出入,比如,上级管理者原先为员工张三制定的业务是保险销售业务,然而在实际处理过程中,上级管理者临时还为其安排了保险推广业务,所以员工张三在绩效考核时间区间内真正处理的业务包括了原先制定的保险销售业务,还包括有临时安排的保险推广业务,如果直接将考核业务数据库中与员工对应的业务作为考核业务,很有可能会导致最终计算出的绩效预测值与实际情况不符,因此考核服务器在根据目标员工的身份信息从考核业务数据库中读取到与身份信息对应的多个业务,即第一待考核业务之后,根据目标员工的身份信息从实际业务系统中读取由所述目标员工填写的业务描述信息,计算所述业务详情信息对应的词向量信息,确定所述词向量信息对应的目标员工实际负责处理的第二待考核业务,业务描述信息是由员工在实际业务系统上填写的描述业务的信息,因为实际场景中,可能员工处理的某些业务没有对应的业务编号,因此需要员工自己对自己做过的一些业务进行描述,或者员工并不清楚其处理的业务对应的业务编号,因此其该业务进行描述,然后由考核服务器对该业务描述信息进行分析。在计算词向量信息时,可以先对业务详情信息进行预处理,去除其中对分析没有积极作用或造成干扰的特殊符号,将预处理后的业务详情信息根据词语的词性进行处理,得到包括需要的动词词汇、形容词词汇以及否定词词汇等特征词汇的特征词汇集,确定与所述特征词汇集关联的多个业务描述文档,需要说明的是,为了能够根据员工对业务的描述来确定员工所做的业务是什么,预先为每个业务设置了对应的业务描述文档,业务描述文档预先由管理人员上传到考核服务器,用于描述每个业务工作内容的文本信息。
具体地,可以通过特征词汇匹配的方式从所有业务对应的业务描述文档中确定出匹配度最高的多个业务描述文档,比如,特征词为“外出”和“见客户”,那么可以进一步确定出包含有这两个特征词的业务描述文档。之后采用向量量化的方式对特征词汇以及该多个业务描述文档进行量化,具体地,可以利用预先训练好的词向量模型对特征词汇以及该多个业务描述文档进行向量化处理,例如,将特征词汇量化为:(kw1,kw2,…,kwn),将业务描述文档量化为(w1,c1;w2,c2;…,wm,cm),其中,wi为词向量,ci为该词的权重,进而得到特征词汇对应的词汇词向量以及该多个业务描述文档各自对应的文档词向量。
进一步地,基于余弦相似度算法确定该词汇词向量与各个文档词向量的相似度;将所述相似度大于预设阈值的业务描述文档作为目标文档,而该目标文档对应的业务标识也就是员工实际处理的业务,即第二待考核业务。
确定出第二待考核业务后,考核服务器确定第一待考核业务包含的所有业务各自对应的业务标识,以及确定第二待考核业务包含的所有业务各自对应的业务标识,其中,每个业务都预先分配有唯一的业务标识,同一业务在考核业务数据库和实际业务系统中的业务标识一致。之后将第一待考核业务的所有业务标识和第二待考核业务的所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,比如,第一待考核业务的所有业务标识是A01、A02和A03,如果第二待考核业务的所有业务标识也是A01、A02和A03,那么确定第一待考核业务和第二待考核业务匹配,如果第二待考核业务的所有业务标识是A01、A02和A04,那么确定第一待考核业务和第二待考核业务不匹配。对比之后根据匹配结果来确定出该目标员工在本次绩效考核中对应的多个不同类型的考核业务,可以理解的是,第一待考核业务和第二待考核业务都至少包含一个考核业务。其中,实际业务系统可以是一个包含在考核服务器内的模块,员工可以通过该模块来处理业务,也可以是一个独立于考核服务器的业务服务器,实际业务系统存储着所有员工实际在处理的业务,以及在处理业务时产生的业务数据,其中,员工需要处理的业务可以由其上级领导在业务系统上随时进行分配。
具体地,在一个实施例中,步骤根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务,包括:
若所述第一待考核业务和第二待考核业务匹配,将所述第一待考核业务确定为所述多个不同类型的考核业务;
若所述第一待考核业务和第二待考核业务不匹配,确定出所述第二待考核业务中包含在所述第一待考核业务中的匹配业务以及没有包含在所述第一待考核业务中的非匹配业务,将所述非匹配业务与所述考核业务数据库中的所有考核业务进行对比,根据对比结果将所述第二待考核业务中的匹配业务,以及所述非匹配业务中包含在所述所有考核业务中的业务,都确定为所述多个不同类型的考核业务。
在本实施例中,当第一待考核业务和第二待考核业务不匹配时,通常是员工原先的业务发生了变动,比如原先只需要处理的业务是A、B、C这三个业务,而实际处理过程中处理的业务是B、C、D,也就是第一待考核业务和第二待考核业务不匹配。但是员工处理的不属于第一待考核业务的业务不一定都能算做绩效进行考核的,比如,员工原先负责的是保险推广业务,实际上该员工另外还临时替上级领导处理了接待来访客户的业务,这时候就需要判断员工另外做的业务能够算做绩效进行考核,比如上述员工处理的接待来访客户的业务,并在判断后将所述第二待考核业务中,包含在所述所有考核业务中的业务作为所述多个不同类型的考核业务。
考虑到如果考核业务数据库中包含的业务数量很多,如果直接将第二待考核业务中包含的所有业务与考核业务数据库中包含的所有考核业务进行匹配,计算量较大,匹配的效率也比较慢,因此可以先将第一待考核业务和第二待考核业务匹配,因为第一待考核业务包含的业务都是属于考核业务数据库中的考核业务,如果两者相同,那么就直接将第一待考核业务确定为多个不同类型的考核业务,而如果两者不相同,这时该第二待考核业务中可以分为两部分业务,一部分业务是包含在第一待考核业务中的业务,即匹配业务,另一部分业务是没有包含在所述第一待考核业务中的业务,即非匹配业务,然后将该非匹配业务与该所有考核业务进行匹配,在匹配后将该非匹配业务中包含在该所有考核业务中的业务,加上之前确定的包含在第一待考核业务中的业务,即匹配业务一起确定为该多个不同类型的考核业务。
在一个实施例中,步骤S170:将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中,得到所述目标员工的绩效数据,包括:
步骤S171:将所述多个不同类型的业务考核数据输入训练好的逻辑回归算法模型进行计算,得到第一计算值;
步骤S172:将所述多个不同类型的业务考核数据输入训练好的随机森林算法模型进行计算,得到第二计算值;
步骤S173:将所述多个不同类型的业务考核数据输入训练好的GBDT梯度提升树模型进行计算,得到第三计算值;
步骤S174:根据所述第一计算值、第二计算值和第三计算值计算得到所述目标员工的绩效数据。
在本实施例中,面对企业多元化的跨界业务,运用多种机器学习模型的组合算法以提高模型的计算准确率。
具体地,预先训练好的绩效数据确定模型包括训练好的逻辑回归算法模型、随机森林算法模型和GBDT(Gradient Boosting Decison Tree)梯度提升树模型。
考核服务器将多个不同类型的业务考核数据分别输入训练好的逻辑回归算法模型、训练好的随机森林算法模型和训练好的GBDT梯度提升树模型进行计算,可以相应得到第一计算值、第二计算值和第三计算值,最后对获得的多个计算值进行处理从而确定出最终的绩效数据。
具体地,步骤S174:根据所述第一计算值、第二计算值和第三计算值计算得到所述目标员工的绩效数据,包括:
分别判断所述第一计算值、第二计算值和第三计算值是否处于各自对应的预设取值范围内,从所述第一计算值、第二计算值和第三计算值中确定处于所述预设取值范围内的N个计算值,其中,N是大于等于1且小于等于3的正整数;
将所述N个计算值之间的均值作为所述目标员工的绩效数据。
其中,业务考核数据对应的取值范围是有限的,因此使用每个算法对多个不同类型的业务考核数据进行计算得到的计算值通常都会落在一个固定范围内,如果不处于该范围内,可能业务考核数据有问题,比如对于某保险产品的保险销售业务来说,员工通常在半年内做到的保险销售金额是在1万到1百万这个区间,各个销售金额会有相应的考核指标,比如在50万以下为不合格,在50万到70万为良好,而在70万到100万为优秀,因此将员工相应的保险销售金额这一业务考核数据输入相关模型中得到的计算值也会处于相应的区间内,而如果获取到某员工的业务考核数据为0元,或者是一千万,那么计算得到的计算值就会偏离该区间。需要说明的是,不同算法对应的预设取值范围可能不同。
从所述第一计算值、第二计算值和第三计算值中确定处于预设取值范围内的N个计算值,具体是判断所述第一计算值是否处于与其对应的预设取值范围内,若是,则将所述第一计算值保留,若否,则将所述第一计算值丢弃;同理可以判断第二计算值和第三计算值是否处于各自对应的预设取值范围内;将经过前述判断操作后保留下来的计算值作为所述N个计算值,然后计算该N个计算值之间的均值,将计算得到的均值作为目标员工的绩效数据。其中,N是大于等于1且小于等于3的正整数,如果N等于1,表示第一计算值、第二计算值和第三计算值中只有一个是处于对应的预设取值范围内,同理,如果N等于3,表示第一计算值、第二计算值和第三计算值中都是处于对应的预设取值范围内。
在本实施例中,步骤S170:将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,之前包括:
步骤S210:确定考核业务数据库中的多个不同类型的考核业务及其各自对应的业务数据;
步骤S220:确定各个类型考核业务对应的第一指标参数,以及各个业务数据对应的第二指标参数;
步骤S230:将所述多个不同类型的考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型。
在本实施例中,考核业务对应的第一指标参数是指考核指标,每一个考核业务都有对应的考核指标,具体地,考核指标包含至少一个考核类型,每个考核类型都对应有考核等级。比如员工李四对应的考核业务是保险推广业务,考核指标中的考核类型分别是日均外呼电话数量、日均有效电话数量,其中,日均外呼电话数量对应的考核等级是电话数量在【150-200】内为合格,在【201-300】为良好,大于301则为优秀。
业务数据是指员工在业务系统上处理任务产生的所有日志数据,考核服务器需要根据考核业务对应的第一指标参数中的考核类型从业务数据从提取出第二指标参数,比如,员工李四对应的第一指标参数中的其中一个考核类型是日均外呼电话数量,那么考核服务器需要从业务数据中提取出李四的日均外呼电话数量。
根据多个业务数据以及第一指标参数、第二指标参数可确定出绩效数据确定模型的模型参数,从而在绩效数据确定模型输入目标业务数据时,可根据目标业务数据确定出最终的绩效数据。
具体地,将所述多个不同类型的考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型,包括:
将所述多个不同类型的考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本分别输入逻辑回归算法模型、随机森林算法模型和GBDT梯度提升树模型中进行模型训练,得到训练好的逻辑回归算法模型、随机森林算法模型和GBDT梯度提升树模型。
进一步地,所述得到训练好的绩效数据确定模型,之后包括:
确定所述考核业务数据库中多个校准后考核业务及其对应的校准后业务数据;
确定各个校准后考核业务对应的第一校准指标参数,以及各个校准后业务数据对应的第二校准指标参数;
将所述多个校准后考核业务对应的校准后业务数据、以及所述第一校准指标参数、第二校准指标参数输入所述训练好的绩效数据确定模型进行校准训练,得到校准训练好的绩效数据确定模型。
具体地,某些业务的内容可能会改变、某些业务的考核指标在处理过程中也可能会发生变动,比如保险销售业务在一个绩效考核时间区间内原先对应的考核指标是50万元为合格,然而在实际处理期间可能处于某些原因,比如政策影响导致保险产品的销售情况遇冷,上级将销售任务下调为40万元为合格,如果可以将这些考核指标的更改情况也记录下来,就可以对业务进行校准或对考核指标进行完善优化以不断优化模型,当开发人员校准了考核业务后,考核服务器就获取校准后考核业务及其对应的校准后业务数据,并以此来校准之前训练好的绩效数据确定模型,使得校准训练好的模型能够计算得更精准,更贴合业务实际。
在一个优选实施例中,步骤S230:将所述多个考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型,包括:
步骤S231:将所述多个考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到过渡绩效数据确定模型;
步骤S232:获取所述考核业务数据库中保险业务的地域特征信息数据和外部环境特征信息数据;
步骤S233:获取所述地域特征信息数据对应的地域指标参数、所述外部环境特征信息数据对应的环境指标参数,以及所述保险业务对应的保险指标参数;
步骤S234:将所述地域指标参数、环境指标参数、保险指标参数,以及所述地域特征信息数据、外部环境特征信息数据作为修正训练样本输入所述过渡绩效数据确定模型进行模型修正训练,得到训练好的绩效数据确定模型。
在本实施例中,为预测管理层级员工的绩效表现,结合保险业务特性,将保险业务的地域特征信息,如战略规划布局信息、精细化营销信息等、以及外部环境特征信息,比如监管关系、市场竞争强度、市场份额等,其他评价指标及客观信息,通过模型确定员工的绩效表现,得到指标的重要性及员工绩效考核结果。
进一步地,上述处理得到的结果还可以再经过专家的复核校验,依据专家经验,对模型进行优化修正,提高模型的精准度及与业务的适配度。
为了更好地理解本发明技术方案,本发明还提供了一种员工绩效数据确定装置,如图2所示,包括以下模块:
第一待考核业务确定模块110,用于确定目标员工的身份信息,从考核业务数据库中确定与所述身份信息对应的第一待考核业务,以及从实际业务系统中确定与所述身份信息对应的由所述目标员工填写的业务描述信息,所述第一待考核业务是预先制定的由所述目标员工负责处理的多个业务;
描述文档确定模块120,用于对所述业务描述信息进行预处理,对预处理后的业务描述信息进行词性划分,得到特征词汇集,确定与所述特征词汇集关联的多个业务描述文档;
词向量计算模块130,用于分别计算所述特征词汇集中各个特征词汇对应的词汇词向量以及各个业务描述文档对应的文档词向量;
第二待考核业务确定模块140,用于基于余弦相似度算法确定所述词汇词向量与各个文档词向量的相似度,将相似度大于预设阈值的文档词向量所对应的业务描述文档作为目标文档,根据所述目标文档对应的业务标识确定第二待考核业务,所述第二待考核业务是所述目标员工实际处理的多个业务;
考核业务确定模块150,用于将所述第一待考核业务的所有业务标识和第二待考核业务的所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务;
考核数据获得模块160,用于获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;
绩效数据获得模块170,用于将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据,所述预先训练好的绩效数据确定模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的绩效数据。
在一个实施例中,所述考核业务确定模块150,还用于当所述第一待考核业务和第二待考核业务匹配时,将所述第一待考核业务确定为所述多个不同类型的考核业务,当所述第一待考核业务和第二待考核业务不匹配时,确定出所述第二待考核业务中包含在所述第一待考核业务中的匹配业务以及没有包含在所述第一待考核业务中的非匹配业务,将所述非匹配业务与所述考核业务数据库中的所有考核业务进行对比,根据对比结果将所述第二待考核业务中的匹配业务,以及所述非匹配业务中包含在所述所有考核业务中的业务,都确定为所述多个不同类型的考核业务。
在一个实施例中,所述预设数据获得模块170,包括:
第一值获得子模块171,用于将所述多个不同类型的业务考核数据输入训练好的逻辑回归算法模型进行计算,得到第一计算值;
第二值获得子模块172,用于将所述多个不同类型的业务考核数据输入训练好的随机森林算法模型进行计算,得到第二计算值;
第三值获得子模块173,用于将所述多个不同类型的业务考核数据输入训练好的GBDT梯度提升树模型进行计算,得到第三计算值;
预设值获得子模块174,用于根据所述第一计算值、第二计算值和第三计算值计算得到所述目标员工的绩效数据。
在一个实施例中,所述预设数据获得子模块174,包括:
若干值确定单元,用于分别判断所述第一计算值、第二计算值和第三计算值是否处于各自对应的预设取值范围内,从所述第一计算值、第二计算值和第三计算值中确定处于所述预设取值范围内的N个计算值,其中,N是大于等于1且小于等于3的正整数;
预设值获得单元,用于将所述N个计算值之间的均值作为所述目标员工的绩效数据。
在一个实施例中,本发明提供的员工绩效数据确定装置在执行所述预设数据获得模块170对应的功能之前,还执行以下模块对应的功能:
业务和数据确定模块S210,用于确定考核业务数据库中的多个不同类型的考核业务及其各自对应的业务数据;
指标参数确定模块220,用于确定各个类型的考核业务对应的第一指标参数,以及各个业务数据对应的第二指标参数;
模型训练模块230,用于将所述多个不同类型的考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型。
在一个实施例中,所述模型训练模块230,包括:
过渡模块获得子模块231,用于将所述多个考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到过渡绩效数据确定模型;
相关数据获取子模块232,用于获取所述考核业务数据库中保险业务的地域特征信息数据和外部环境特征信息数据;
相关指标获取子模块233,用于获取所述地域特征信息数据对应的地域指标参数、所述外部环境特征信息数据对应的环境指标参数,以及所述保险业务对应的保险指标参数;
模型训练子模块234,用于将所述地域指标参数、环境指标参数、保险指标参数,以及所述地域特征信息数据、外部环境特征信息数据作为修正训练样本输入所述过渡绩效数据确定模型进行模型修正训练,得到训练好的绩效数据确定模型。
需要说明的是,本发明实施例提供的员工绩效数据确定装置能够实现上述员工绩效数据确定方法实施例所实现的功能,功能的具体实现参照上述员工绩效数据确定方法中的描述,在此不再赘述。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述员工绩效数据确定方法。其中,所述存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory,只读存储器)、RAM(Random AcceSS Memory,随即存储器)、EPROM(EraSable Programmable Read-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是,存储介质包括由设备(例如,计算机)以能够读的形式存储或传输信息的任何介质。可以是只读存储器,磁盘或光盘等。
本发明实施例还提供一种计算机设备,所述计算机设备包括:
一个或多个处理器310;
存储装置320,用于存储一个或多个程序300,
当所述一个或多个程序300被所述一个或多个处理器310执行,使得所述一个或多个处理器310实现上述员工绩效数据确定方法。
如图3所示为本发明计算机设备的结构示意图,包括处理器310、存储装置320、输入单元330以及显示单元340等器件。本领域技术人员可以理解,图3示出的结构器件并不构成对所有计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储装置320可用于存储应用程序300以及各功能模块,处理器310运行存储在存储装置320的应用程序300,从而执行设备的各种功能应用以及数据处理。存储装置320可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储装置包括但不限于这些类型的存储装置。本发明所公开的存储装置320只作为例子而不是作为限定。
输入单元330用于接收信号的输入,以及接收用户输入的选择语音文件等相关请求。输入单元330可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元340可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元340可采用液晶显示器、有机发光二极管等形式。处理器310是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储装置320内的软件程序和/或模块,以及调用存储在存储装置内的数据,执行各种功能和处理数据。
在一实施方式中,计算机设备包括一个或多个处理器310,以及一个或多个存储装置320,一个或多个应用程序300,其中所述一个或多个应用程序300被存储在存储装置320中并被配置为由所述一个或多个处理器310执行,所述一个或多个应用程序300配置用于执行以上实施例所述的员工绩效数据确定方法。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解的是,在本发明各实施例中的各功能单元可集成在一个处理模块中,也可以各个单元单独物理存在,也可以两个或两个以上单元集成于一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种员工绩效数据确定方法,其特征在于,包括:
确定目标员工的身份信息,从考核业务数据库中确定与所述身份信息对应的第一待考核业务,以及从实际业务系统中确定与所述身份信息对应的由所述目标员工填写的业务描述信息,所述第一待考核业务是预先制定的由所述目标员工负责处理的多个业务;
对所述业务描述信息进行预处理,对预处理后的业务描述信息进行词性划分,得到特征词汇集,确定与所述特征词汇集关联的多个业务描述文档;
分别计算所述特征词汇集中各个特征词汇对应的词汇词向量以及各个业务描述文档对应的文档词向量;
基于余弦相似度算法确定所述词汇词向量与各个文档词向量的相似度,将相似度大于预设阈值的文档词向量所对应的业务描述文档作为目标文档,根据所述目标文档对应的业务标识确定第二待考核业务,所述第二待考核业务是所述目标员工实际处理的多个业务;
将所述第一待考核业务的所有业务标识和第二待考核业务的所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务;
获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;
将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据,所述预先训练好的绩效数据确定模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的绩效数据。
2.如权利要求1所述的员工绩效数据确定方法,其特征在于,
所述根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务,包括:
若所述第一待考核业务和第二待考核业务匹配,将所述第一待考核业务确定为所述多个不同类型的考核业务;
若所述第一待考核业务和第二待考核业务不匹配,确定出所述第二待考核业务中包含在所述第一待考核业务中的匹配业务以及没有包含在所述第一待考核业务中的非匹配业务,将所述非匹配业务与所述考核业务数据库中的所有考核业务进行对比,根据对比结果将所述第二待考核业务中的匹配业务,以及所述非匹配业务中包含在所述所有考核业务中的业务,都确定为所述多个不同类型的考核业务。
3.如权利要求1所述的员工绩效数据确定方法,其特征在于,
所述将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中,得到所述目标员工的绩效数据,包括:
将所述多个不同类型的业务考核数据输入训练好的逻辑回归算法模型进行计算,得到第一计算值;
将所述多个不同类型的业务考核数据输入训练好的随机森林算法模型进行计算,得到第二计算值;
将所述多个不同类型的业务考核数据输入训练好的GBDT梯度提升树模型进行计算,得到第三计算值;
根据所述第一计算值、第二计算值和第三计算值计算得到所述目标员工的绩效数据。
4.如权利要求3所述的员工绩效数据确定方法,其特征在于,
所述根据所述第一计算值、第二计算值和第三计算值计算得到所述目标员工的计算绩效值,包括:
分别判断所述第一计算值、第二计算值和第三计算值是否处于各自对应的预设取值范围内,从所述第一计算值、第二计算值和第三计算值中确定处于所述预设取值范围内的N个计算值,其中,N是大于等于1且小于等于3的正整数;
将所述N个计算值之间的均值作为所述目标员工的绩效数据。
5.如权利要求1所述的员工绩效数据确定方法,其特征在于,
所述将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,之前包括:
确定考核业务数据库中的多个不同类型的考核业务及其各自对应的业务数据;
确定各个类型的考核业务对应的第一指标参数,以及各个业务数据对应的第二指标参数;
将所述多个不同类型的考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型。
6.如权利要求5所述的员工绩效数据确定方法,其特征在于,还包括:
所述将所述多个考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到训练好的绩效数据确定模型,包括:
将所述多个考核业务各自对应的业务数据以及所述第一指标参数、第二指标参数作为训练样本输入初始绩效数据确定模型进行模型训练,得到过渡绩效数据确定模型;
获取所述考核业务数据库中保险业务的地域特征信息数据和外部环境特征信息数据;
获取所述地域特征信息数据对应的地域指标参数、所述外部环境特征信息数据对应的环境指标参数,以及所述保险业务对应的保险指标参数;
将所述地域指标参数、环境指标参数、保险指标参数,以及所述地域特征信息数据、外部环境特征信息数据作为修正训练样本输入所述过渡绩效数据确定模型进行模型修正训练,得到训练好的绩效数据确定模型。
7.一种员工绩效数据确定装置,其特征在于,包括:
第一待考核业务确定模块,用于确定目标员工的身份信息,从考核业务数据库中确定与所述身份信息对应的第一待考核业务,以及从实际业务系统中确定与所述身份信息对应的由所述目标员工填写的业务描述信息,所述第一待考核业务是预先制定的由所述目标员工负责处理的多个业务;
描述文档确定模块,用于对所述业务描述信息进行预处理,对预处理后的业务描述信息进行词性划分,得到特征词汇集,确定与所述特征词汇集关联的多个业务描述文档;
词向量计算模块,用于分别计算所述特征词汇集中各个特征词汇对应的词汇词向量以及各个业务描述文档对应的文档词向量;
第二待考核业务确定模块,用于基于余弦相似度算法确定所述词汇词向量与各个文档词向量的相似度,将相似度大于预设阈值的文档词向量所对应的业务描述文档作为目标文档,根据所述目标文档对应的业务标识确定第二待考核业务,所述第二待考核业务是所述目标员工实际处理的多个业务;
考核业务确定模块,用于将所述第一待考核业务的所有业务标识和第二待考核业务的所有业务标识进行对比,若对比完全一致则确定所述第一待考核业务和第二待考核业务匹配,若对比不完全一致,则确定所述第一待考核业务和第二待考核业务不匹配,根据匹配结果确定所述目标员工的绩效考核对应的多个不同类型的考核业务;
考核数据获得模块,用于获取所述目标员工在各个类型的考核业务中对应的业务考核数据,得到多个不同类型的业务考核数据;
绩效数据获得模块,用于将所述多个不同类型的业务考核数据输入预先训练好的绩效数据确定模型中进行计算,得到所述目标员工的绩效数据,所述预先训练好的绩效数据确定模型为多种分类算法模型组合得到的模型,用于根据所述多个不同类型的业务考核数据输出考核的绩效数据。
8.如权利要求7所述的员工绩效数据确定装置,其特征在于,所述考核业务确定模块,还用于当所述第一待考核业务和第二待考核业务匹配时,将所述第一待考核业务确定为所述多个不同类型的考核业务,当所述第一待考核业务和第二待考核业务不匹配时,确定出所述第二待考核业务中包含在所述第一待考核业务中的匹配业务以及没有包含在所述第一待考核业务中的非匹配业务,将所述非匹配业务与所述考核业务数据库中的所有考核业务进行对比,根据对比结果将所述第二待考核业务中的匹配业务,以及所述非匹配业务中包含在所述所有考核业务中的业务,都确定为所述多个不同类型的考核业务。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6任一项所述的员工绩效数据确定方法。
10.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6任一项所述的员工绩效数据确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137248.1A CN111062573A (zh) | 2019-11-19 | 2019-11-19 | 员工绩效数据确定方法、装置、介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137248.1A CN111062573A (zh) | 2019-11-19 | 2019-11-19 | 员工绩效数据确定方法、装置、介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111062573A true CN111062573A (zh) | 2020-04-24 |
Family
ID=70298025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911137248.1A Pending CN111062573A (zh) | 2019-11-19 | 2019-11-19 | 员工绩效数据确定方法、装置、介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062573A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932018A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 银行业务绩效贡献信息预测方法及装置 |
CN112132477A (zh) * | 2020-09-28 | 2020-12-25 | 中国银行股份有限公司 | 一种业务绩效确定方法和装置 |
CN112288210A (zh) * | 2020-06-28 | 2021-01-29 | 呼伦贝尔优易数据有限公司 | 一种质量检测方法、装置、电子设备及计算机存储介质 |
CN112288338A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技(深圳)有限公司 | 用户活动监测方法、装置、设备及介质 |
CN113506023A (zh) * | 2021-07-27 | 2021-10-15 | 深圳平安智汇企业信息管理有限公司 | 工作行为数据分析方法、装置、设备及存储介质 |
CN113506050A (zh) * | 2021-09-10 | 2021-10-15 | 北京明略昭辉科技有限公司 | 员工绩效的评估方法、装置、电子设备及可读存储介质 |
CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
CN117314243A (zh) * | 2023-09-28 | 2023-12-29 | 北京工商大学 | 一种基于聚类分析进行作业人员效率评价方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070050238A1 (en) * | 2005-09-01 | 2007-03-01 | Michael Carr | Computer-implemented apparatus and method for capturing and monitoring employee development and performance in a call center |
WO2007076625A1 (fr) * | 2005-12-30 | 2007-07-12 | Mingde Yin | Systeme de traitement de donnees intelligent et procede de gestion de performance |
CN106203773A (zh) * | 2016-06-27 | 2016-12-07 | 陈包容 | 一种自动管理员工的方法及装置 |
CN107392422A (zh) * | 2017-06-13 | 2017-11-24 | 北京欣欣苹果网络科技有限公司 | 员工考核方法及系统 |
CN107818390A (zh) * | 2016-09-12 | 2018-03-20 | 方正国际软件(北京)有限公司 | 一种考核要求生成方法及装置 |
CN108563722A (zh) * | 2018-04-03 | 2018-09-21 | 有米科技股份有限公司 | 文本信息的行业分类方法、系统、计算机设备和存储介质 |
CN109284897A (zh) * | 2018-08-20 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 员工业绩考核方法、装置、计算机设备和存储介质 |
CN109460555A (zh) * | 2018-11-16 | 2019-03-12 | 南京中孚信息技术有限公司 | 公文判定方法、装置及电子设备 |
CN109492858A (zh) * | 2018-09-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于机器学习的员工绩效预测方法及装置、设备、介质 |
CN109615172A (zh) * | 2018-11-12 | 2019-04-12 | 深圳智链物联科技有限公司 | 一种处理考核数据的方法及终端 |
CN110009220A (zh) * | 2019-03-29 | 2019-07-12 | 安徽职业技术学院 | 一种绩效管理评定方法及基于该方法的人力资源管理系统 |
CN110059927A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技(深圳)有限公司 | 绩效线上评定方法、装置、设备和存储介质 |
CN110427453A (zh) * | 2019-05-31 | 2019-11-08 | 平安科技(深圳)有限公司 | 数据的相似度计算方法、装置、计算机设备及存储介质 |
-
2019
- 2019-11-19 CN CN201911137248.1A patent/CN111062573A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070050238A1 (en) * | 2005-09-01 | 2007-03-01 | Michael Carr | Computer-implemented apparatus and method for capturing and monitoring employee development and performance in a call center |
WO2007076625A1 (fr) * | 2005-12-30 | 2007-07-12 | Mingde Yin | Systeme de traitement de donnees intelligent et procede de gestion de performance |
CN106203773A (zh) * | 2016-06-27 | 2016-12-07 | 陈包容 | 一种自动管理员工的方法及装置 |
CN107818390A (zh) * | 2016-09-12 | 2018-03-20 | 方正国际软件(北京)有限公司 | 一种考核要求生成方法及装置 |
CN107392422A (zh) * | 2017-06-13 | 2017-11-24 | 北京欣欣苹果网络科技有限公司 | 员工考核方法及系统 |
CN108563722A (zh) * | 2018-04-03 | 2018-09-21 | 有米科技股份有限公司 | 文本信息的行业分类方法、系统、计算机设备和存储介质 |
CN109284897A (zh) * | 2018-08-20 | 2019-01-29 | 中国平安人寿保险股份有限公司 | 员工业绩考核方法、装置、计算机设备和存储介质 |
CN109492858A (zh) * | 2018-09-25 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于机器学习的员工绩效预测方法及装置、设备、介质 |
CN109615172A (zh) * | 2018-11-12 | 2019-04-12 | 深圳智链物联科技有限公司 | 一种处理考核数据的方法及终端 |
CN109460555A (zh) * | 2018-11-16 | 2019-03-12 | 南京中孚信息技术有限公司 | 公文判定方法、装置及电子设备 |
CN110059927A (zh) * | 2019-03-18 | 2019-07-26 | 平安科技(深圳)有限公司 | 绩效线上评定方法、装置、设备和存储介质 |
CN110009220A (zh) * | 2019-03-29 | 2019-07-12 | 安徽职业技术学院 | 一种绩效管理评定方法及基于该方法的人力资源管理系统 |
CN110427453A (zh) * | 2019-05-31 | 2019-11-08 | 平安科技(深圳)有限公司 | 数据的相似度计算方法、装置、计算机设备及存储介质 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288210A (zh) * | 2020-06-28 | 2021-01-29 | 呼伦贝尔优易数据有限公司 | 一种质量检测方法、装置、电子设备及计算机存储介质 |
CN111932018A (zh) * | 2020-08-13 | 2020-11-13 | 中国工商银行股份有限公司 | 银行业务绩效贡献信息预测方法及装置 |
CN111932018B (zh) * | 2020-08-13 | 2023-09-19 | 中国工商银行股份有限公司 | 银行业务绩效贡献信息预测方法及装置 |
CN112132477A (zh) * | 2020-09-28 | 2020-12-25 | 中国银行股份有限公司 | 一种业务绩效确定方法和装置 |
CN112288338A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技(深圳)有限公司 | 用户活动监测方法、装置、设备及介质 |
CN112288338B (zh) * | 2020-12-15 | 2021-04-06 | 平安科技(深圳)有限公司 | 用户活动监测方法、装置、设备及介质 |
CN113506023A (zh) * | 2021-07-27 | 2021-10-15 | 深圳平安智汇企业信息管理有限公司 | 工作行为数据分析方法、装置、设备及存储介质 |
CN113506050A (zh) * | 2021-09-10 | 2021-10-15 | 北京明略昭辉科技有限公司 | 员工绩效的评估方法、装置、电子设备及可读存储介质 |
CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
CN113837578B (zh) * | 2021-09-15 | 2024-02-06 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
CN117314243A (zh) * | 2023-09-28 | 2023-12-29 | 北京工商大学 | 一种基于聚类分析进行作业人员效率评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062573A (zh) | 员工绩效数据确定方法、装置、介质和计算机设备 | |
CN109829629B (zh) | 风险分析报告的生成方法、装置、计算机设备和存储介质 | |
CN109492858B (zh) | 基于机器学习的员工绩效预测方法及装置、设备、介质 | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
US11481707B2 (en) | Risk prediction system and operation method thereof | |
CN110135684B (zh) | 一种能力测评方法、能力测评装置及终端设备 | |
CN110610431A (zh) | 基于大数据的智能理赔方法及智能理赔系统 | |
CN111340226B (zh) | 一种量化神经网络模型的训练及测试方法、装置及设备 | |
WO2019200742A1 (zh) | 短期盈利的预测方法、装置、计算机设备和存储介质 | |
CN113674087A (zh) | 企业信用等级评定方法、装置、电子设备和介质 | |
CN112561685A (zh) | 客户的分类方法和装置 | |
CN111612491B (zh) | 状态分析模型构建方法、分析方法及装置 | |
US20210081898A1 (en) | Human resource management system and method thereof | |
CN113850077A (zh) | 基于人工智能的话题识别方法、装置、服务器及介质 | |
CN116756298B (zh) | 面向云数据库的ai会话信息优化方法及大数据优化服务器 | |
CN115797044B (zh) | 基于聚类分析的信贷风控预警方法及系统 | |
CN111198949A (zh) | 一种文本标签确定方法和系统 | |
CN116342164A (zh) | 目标用户群体的定位方法、装置、电子设备及存储介质 | |
CN111400413B (zh) | 一种确定知识库中知识点类目的方法及系统 | |
CN114266643A (zh) | 基于融合算法的企业挖掘方法、装置、设备及存储介质 | |
CN117668205B (zh) | 智慧物流客服处理方法、系统、设备及存储介质 | |
CN116051169A (zh) | 评价方法、装置、非易失性存储介质及电子设备 | |
CN117422545A (zh) | 信用风险识别方法、装置、设备及存储介质 | |
CN117076766A (zh) | 基于人工智能的知识缺陷识别方法、装置、设备及介质 | |
CN116662510A (zh) | 采用人工智能算法的在线人机会话脱敏方法及软件产品 |
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 |