CN111695747A - 智能派工方法、装置及计算机可读储存介质 - Google Patents
智能派工方法、装置及计算机可读储存介质 Download PDFInfo
- Publication number
- CN111695747A CN111695747A CN201910187532.3A CN201910187532A CN111695747A CN 111695747 A CN111695747 A CN 111695747A CN 201910187532 A CN201910187532 A CN 201910187532A CN 111695747 A CN111695747 A CN 111695747A
- Authority
- CN
- China
- Prior art keywords
- employee
- model
- post
- characteristic factors
- basic information
- 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 64
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 238000011161 development Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007731 hot pressing Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种智能派工方法,具体包括:采集每个员工基本信息和每个岗位基本信息;分别根据每个员工基本信息和每个岗位的基本信息对应提取员工特征因子和岗位特征因子;根据员工特征因子建立每个员工的员工模型;根据相同岗位的员工特征因子和岗位特征因子建立岗位模型;匹配员工模型和岗位模型;判断员工模型和岗位模型的匹配结果是否大于匹配度阈值;若是,则派工成功;若否,则派工失败,重新进行派工。本发明对应提供了智能派工装置和计算机存储介质,利用员工特征因子和岗位特征因子,建立员工模型和岗位模型,对员工模型和岗位模型进行匹配,使用大数据建模,进行科学决策,实现智能派工代替人工分配,员工和岗位的匹配度高。
Description
技术领域
本发明涉及一种工业生产领域,特别是一种智能派工方法、装置及计算机可读储存介质。
背景技术
在生产过程中,传统派工模式为以领导为核心,需人工将员工派往需要的岗位。在传统派工模式下,领导派工的主观因素影响很大,且员工对岗位满意度低,工作效率低,影响公司生产效率,增大了运营成本。
发明内容
鉴于上述状况,有必要提供一种智能派工方法、装置及计算机可读储存介质,通过建立员工模型与岗位模型并进行匹配,以解决上述问题。
本发明第一方面提供了一种智能派工方法,所述智能派工方法包括如下步骤:采集每个员工基本信息和每个岗位基本信息;分别根据每个所述员工基本信息和每个所述岗位的基本信息对应提取员工特征因子和岗位特征因子;根据所述员工特征因子建立每个员工的员工模型;根据相同岗位的所述员工特征因子和所述岗位特征因子建立岗位模型;匹配所述员工模型和所述岗位模型;判断所述员工模型和所述岗位模型的匹配结果是否大于匹配度阈值;若是,则派工成功;若否,则派工失败,重新进行派工。
优选地,所述员工特征因子包括管理效率、地域特征、职业趋势、稳定性、人员特征、成长方向、作业能力和消费能力中的多种;所述岗位特征因子包括产品不良率、单位人时产能、上料综合效率和站点完成率中的多种。
优选地,所述员工模型通过对每个所述员工特征因子进行归一化处理后进行数学模型集合得到。
优选地,所述岗位模型通过决策树及BP神经网络算法建立得到。
优选地,所述员工模型和所述岗位模型通过欧氏几何距离法和向量空间余弦相似法进行匹配。
优选地,所述判断所述员工模型和所述岗位模型的匹配结果是否大于匹配度阈值步骤之后,还包括:显示所述匹配结果;记录匹配成功的员工的上岗信息;追踪所述匹配成功的员工的绩效。
本发明第二方面提供了一种智能派工装置,所述智能派工装置包括:数据库单元,用于存储员工基本信息和岗位基本信息;处理器;以及存储器,所述存储器中存储有多个程序模块,多个所述程序模块由所述处理器运行并执行如下步骤:采集每个所述员工基本信息和每个所述岗位基本信息;分别根据每个所述员工基本信息和每个所述岗位的基本信息对应提取员工特征因子和岗位特征因子;根据所述员工特征因子建立每个员工的员工模型;根据相同岗位的所述员工特征因子和所述岗位特征因子建立岗位模型;匹配所述员工模型和所述岗位模型;判断所述员工模型和所述岗位模型的匹配结果是否大于匹配度阈值;若是,则派工成功;若否,则派工失败,重新进行派工。
优选地,所述员工特征因子包括管理效率、地域特征、职业趋势、稳定性、人员特征、成长方向、作业能力和消费能力中的多种;所述岗位特征因子包括产品不良率、单位人时产能、上料综合效率和站点完成率中的多种。
优选地,所述员工模型通过对每个所述员工特征因子进行归一化处理后进行数学模型集合得到。
优选地,所述岗位模型通过决策树及BP神经网络算法建立得到。
优选地,所述员工模型和所述岗位模型通过欧氏几何距离法和向量空间余弦相似法进行匹配。
优选地,所述智能派工装置还包括显示单元,用于显示所述员工模型和所述岗位模型的匹配结果;多个所述程序模块由所述处理器还运行并执行如下步骤:显示所述匹配结果;记录匹配成功的员工的上岗信息;追踪所述匹配成功的员工的绩效。
本发明第三方面提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行上述智能派工方法。
本发明提供的智能派工装置和方法,利用员工特征因子和岗位特征因子,建立员工模型和岗位模型,对员工模型和岗位模型进行匹配,使用大数据建模,进行科学决策,实现智能派工代替人工分配,员工和岗位的匹配度高,降低员工失误率,提高员工满意度及工作效率,进而降低运营成本。
附图说明
图1是本发明的一个实施例中智能派工装置的硬件架构示意图。
图2是图1所示智能派工装置的智能派工系统的模块示意图。
图3是本发明的一个实施例中员工模型示意图。
图4是本发明的一个实施例中岗位建模过程示意图。
图5是本发明的一个实施例中员工模型和岗位模型匹配示意图。
图6是本发明的一个实施例中智能派工方法的流程示意图。
主要元件符号说明
智能派工装置 | 10 |
数据库单元 | 100 |
显示单元 | 200 |
存储器 | 300 |
处理器 | 400 |
智能派工系统 | 500 |
信息采集模块 | 510 |
特征因子提取模块 | 520 |
员工建模模块 | 530 |
岗位建模模块 | 540 |
匹配模块 | 550 |
判断模块 | 560 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施方式仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在限制本发明。
本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参照图1,本发明提供的智能派工装置10包括数据库单元100、显示单元200、存储器300和处理器400。数据库单元100、显示单元200和存储器300分别与处理器400之间相互电性连接。
该数据库单元100包括员工数据库和岗位数据库。
员工数据库存储有员工基本信息,包括但不限于,组织关系、户籍、联系方式、年资、家庭情况、身体特征、教育背景、工作经历和生活消费,具体包括员工的姓名、性别、年龄、嗅觉、听力、身高、臂长、体重、视力、血型、星座、家庭、健康、爱好、握力、籍贯、资位、学历、指长、年资、属相、岗位、子女、性格、坐高、婚姻、住址、消费、掌宽、指节和手指。
岗位数据库存储有岗位基本信息,针对不同的岗位,存储的岗位基本信息不同,包括但不限于,作业员工号、上岗时间、离岗时间、料号、上料时间、检查时间、轨道编号、报警信息、机台号、产出、良率、通过数、不良数和不良信息记录。
存储器300用于存储智能派工装置10中建立员工模型和岗位模型的各类数据,例如程序代码等,并在处理器400的运行过程中实现高速、自动地完成程序或数据的存取。
存储器300可以是,但并不限于,只读存储器(Read-OnlyMemory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、一次可编程只读存储器(One-time ProgrammableRead-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
存储器300内还存储有实现建立员工模型方法的程序代码和实现建立岗位模型方法的程序代码。
员工模型通过对每个员工特征因子进行归一化处理后进行数学模型集合得到。员工模型建立的具体过程在后文中详述。
岗位模型通过决策树及BP神经网络算法建立得到。岗位模型建立的具体过程在后文中详述。
存储器300内还存储有员工模型和岗位模型的匹配方法。该匹配方法包括欧氏几何距离法和向量空间余弦相似法。利用欧氏几何距离法和向量空间余弦相似法匹配员工模型和岗位模型的具体过程在后文中详述。
处理器400用于对存储器300内相关数据进行处理。处理器400可以是中央处理器(Central Processing unit,CPU)、数字信号处理器或者单片机等,适于实现各指令。
显示单元200用于显示处理器400处理的相关数据结果。显示单元200可以是但并不限于触摸显示屏、液晶显示屏等显示装置。
请参照图2,智能派工装置10中还运行有一智能派工系统500。智能派工系统500内包括一个或多个程序形式的计算机指令,该一个或多个程序形式的计算机指令存储于存储器300中,并由处理器400执行。请参照图2,在实施例中,该智能派工系统500包括信息采集模块510、特征因子提取模块520、员工建模模块530、岗位建模模块540、匹配模块550以及判断模块560。
信息采集模块510用于采集员工基本信息和岗位基本信息。员工基本信息包括但不限于下述信息:组织关系、户籍、联系方式、年资、家庭情况、身体特征、教育背景、工作经历和生活消费,具体包括员工的姓名、性别、年龄、嗅觉、听力、身高、臂长、体重、视力、血型、星座、家庭、健康、爱好、握力、籍贯、资位、学历、指长、年资、属相、岗位、子女、性格、坐高、婚姻、住址、消费、掌宽、指节和手指数量。岗位基本信息包括但不限于下述信息:作业员工号、上岗时间、离岗时间、料号、上料时间、检查时间、轨道编号、报警信息、机台号、产出、良率、通过数、不良数和不良信息记录。
在一些替代性实施例中,信息采集还可使用信息采集器,在智能派工系统500外部采集到上述相关信息后,回传至智能派工系统500内进行信息处理。
特征因子提取模块520用于根据上述员工基本信息和岗位基本信息对应提取员工特征因子和岗位特征因子。
提取员工特征因子具体包括三步,分别是统计分析、建模分析和模型预测。具体地,依据原始数据,例如组织关系、户籍通信、联系年资、家庭情况、身体特征、教育背景、工作经历和生活消费等,统计分析得到事实标签,所述事实标签包括岗位状态、地域分布、职业发展、家庭责任、人员技能、学习能力、岗位技能和日常消费。通过对所述事实标签岗位状态、地域分布、职业发展、家庭责任、人员技能、学习能力、岗位技能和日常消费建模分析得到模型标签,所述模型标签包括管理幅度、地域特征、职业发展、家庭责任、人员特征、技能成长、岗位特征和消费能力特征。通过对所述模型标签管理幅度、地域特征、职业发展、家庭责任、人员特征、技能成长、岗位特征和消费特征进行模型预测得到预测标签,所述预测标签包括管理效率、地域性、职业趋势、稳定性、人员能力、成长方向、作业能力和消费能力。
岗位特征因子的提取主要根据不同的岗位提取不同的特征因子。岗位基本信息包括但不限于下述信息:作业员工号、上岗时间、离岗时间、料号、上料时间、检查时间、轨道编号、报警信息、机台号、产出、良率、通过数、不良数和不良信息记录。不同的岗位根据上述不同的岗位基本信息提取不同的岗位特征因子,例如,上料岗位的特征因子为关键绩效指标和站点完成率,热压熔锡焊接(Hotbar)岗位的特征因子为产品不良率和单位人时产能。
员工建模模块530用于根据上述员工特征因子进行建模。请参照图3,本发明提供了一个实施例中员工模型示意图。具体地,员工模型通过对每个员工特征因子进行归一化处理后进行数学模型集合得到,在图3中,从图a1中的中心散射的每条直线代表一个员工特征因子,分别对员工特征因子(管理效率、地域性、职业趋势、稳定性、人员能力、成长方向、作业能力和消费能力)进行归一化处理,得到归一化数值的范围为0~1,每个特征因子的起点一样,终端用连线连接,一个平面作为参考面,形成类圆形图像,如图a1。接着经角度调整,在实施例中,角度调整为60°得到图a2,即为员工模型示意图。将每个员工特征因子经归一化处理后进行数学模型集合,集合后得到n项空间向量单位超半圆切面,便于统计和储存,如图a3,其中,n为在某个向量方向上值的变化。
岗位建模模块540用于根据上述员工特征因子和岗位特征因子进行建模,该岗位建模的数据选取一定时间内的员工基本信息和岗位基本信息,在本实施例中,该时间段选取三个月,可以理解的是,根据不同岗位的实际情况,该时间段可以调整。请参照图4,本发明提供了一个实施例中岗位建模过程示意图。具体地,岗位模型通过决策树及BP神经网络算法建立得到。决策树(Decision Tree)是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法。在机器学习中,决策树是一个预测模型,他代表的是对象属性与对象值之间的一种映射关系。BP神经网络算法中BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。BP网络的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
如图4所示,岗位建模、验证和评估的流程包括:①确定岗位,不同的岗位利用不同的特征因子;②选择数据,选择不同的岗位的员工基本信息和岗位基本信息,③分析数据,分析数据选取是否准确和全面,④建数据集,利用建模学习过程中的数据提取,⑤修正数据,删除冗余数据,⑥转换数据,将数据转换为网络学习的格式,⑦构建模型,根据决策树法和BP神经网络算法建立模型,⑧评估模型,利用验证数据评估和验证模型的可靠性、准确率和查准率,⑨部署模型,确定模型的最终结果,⑩评估结果,利用现实数据对建立好的模型进行评估。上述各步骤间具有相互联系和制约的作用,并不是单独存在的,例如修正数据后,可以优化选择数据。
匹配模块550用于匹配员工模型和岗位模型。请参照图5,本发明给出了员工模型和岗位模型匹配示意图,图a代表岗位模型,图b代表甲员工模型,图c代表乙员工模型,图d代表甲员工模型、乙员工模型和岗位模型拟合到同一原点进行匹配。具体地,匹配过程采用欧氏几何距离法和向量空间余弦相似法进行匹配。欧氏几何距离法(Euclideangeometrical distance method)为测量欧几里得空间距离的之间距离,即员工模型和岗位模型沿模型中心延伸的直线之间的距离差,距离差越大,说明该员工模型对应的员工具备的特征因子不适合该岗位。向量空间余弦相似法为员工模型和岗位模型以同一面为参考,二者之间的夹角,夹角越大,二者的偏离越多,说明该员工模型对应的员工不适合该岗位。
判断模块560用于判断员工模型和岗位模型的匹配结果是否大于匹配度阈值,若是,则派工成功;若否,则派工失败,重新进行派工,即重新将员工模型与岗位模型进行匹配。匹配度阈值根据岗位的实际情况,如要求的精度、效率等,结合欧氏几何距离法和向量空间余弦相似法的比对结果进行综合判断得到。
在一些优选实施例中,对派工成功的员工,记录其上岗信息以及追踪其绩效,将上岗信息和绩效信息重新传送至数据库单元100内,分别保存至员工数据和岗位数据库内。随着数据库内数据的不断更新,可以持续优化员工模型和岗位模型。
请参照图6,本发明还提供了一种智能派工方法。具体地,该智能派工方法包括如下步骤:
步骤S601,采集每个员工基本信息和每个岗位基本信息。
具体地,从数据库单元100的员工数据库和岗位数据库内分别采集员工基本信息和岗位基本信息。员工基本信息包括但不限于下述信息:组织关系、户籍、联系方式、年资、家庭情况、身体特征、教育背景、工作经历和生活消费,具体包括员工的姓名、性别、年龄、嗅觉、听力、身高、臂长、体重、视力、血型、星座、家庭、健康、爱好、握力、籍贯、资位、学历、指长、年资、属相、岗位、子女、性格、坐高、婚姻、住址、消费、掌宽、指节和手指数量。岗位基本信息包括但不限于下述信息:作业员工号、上岗时间、离岗时间、料号、上料时间、检查时间、轨道编号、报警信息、机台号、产出、良率、通过数、不良数和不良信息记录。
步骤S602,分别根据每个员工基本信息和每个岗位的基本信息对应提取员工特征因子和岗位特征因子。
具体地,提取员工特征因子具体包括三步,分别是统计分析、建模分析和模型预测。具体地,依据原始数据,例如组织关系、户籍通信、联系年资、家庭情况、身体特征、教育背景、工作经历和生活消费等,统计分析得到事实标签,所述事实标签包括岗位状态、地域分布、职业发展、家庭责任、人员技能、学习能力、岗位技能和日常消费。通过对所述事实标签岗位状态、地域分布、职业发展、家庭责任、人员技能、学习能力、岗位技能和日常消费建模分析得到模型标签,所述模型标签包括管理幅度、地域特征、职业发展、家庭责任、人员特征、技能成长、岗位特征和消费能力特征。通过对所述模型标签管理幅度、地域特征、职业发展、家庭责任、人员特征、技能成长、岗位特征和消费特征进行模型预测得到预测标签,所述预测标签包括管理效率、地域性、职业趋势、稳定性、人员能力、成长方向、作业能力和消费能力。
岗位特征因子的提取主要根据不同的岗位提取不同的特征因子。岗位基本信息包括但不限于下述信息:作业员工号、上岗时间、离岗时间、料号、上料时间、检查时间、轨道编号、报警信息、机台号、产出、良率、通过数、不良数和不良信息记录。不同的岗位根据上述不同的岗位基本信息提取不同的岗位特征因子,例如,上料岗位的特征因子为关键绩效指标和站点完成率,热压熔锡焊接(Hotbar)岗位的特征因子为产品不良率和单位人时产能。
步骤S603,根据员工特征因子建立每个员工的员工模型。
具体地,员工模型通过对每个所述员工特征因子进行归一化处理后进行数学模型集合得到,具体的建模过程请参照上文对图3的描述,在此不赘述。
步骤S604,根据相同岗位的员工特征因子和岗位特征因子建立岗位模型。
具体地,根据上述员工特征因子和岗位特征因子进行岗位建模,该岗位建模的数据选取一定时间内的员工基本信息和岗位基本信息,在本实施例中,该时间段选取三个月,可以理解的是,根据不同岗位的具体情况,该时间段可以调整。岗位模型通过决策树及BP神经网络算法建立得到。岗位建模的具体过程请参照上文对图4的描述,在此不赘述。
可以理解的是,步骤S603和步骤S604可以同时进行,也可以先进行步骤S603,再进行步骤S604。
步骤S605,匹配员工模型和岗位模型。
具体地,在进行员工模型和岗位模型进行匹配之前,先从考勤管理系统内确定岗位的出勤人力,再从智能排产系统内确定该岗位的需求人力,进而启动智能派工程序,调用员工模型和岗位模型,匹配寻找合适该岗位的员工。
匹配过程采用欧氏几何距离法和向量空间余弦相似法进行匹配。具体的匹配过程可以参照上文对图5的描述,在此不赘述。
步骤S606,判断员工模型和岗位模型的匹配结果是否大于匹配度阈值。
匹配度阈值根据岗位的实际情况,如要求的精度、效率等,结合欧氏几何距离法和向量空间余弦相似法的比对结果进行综合判断得到。
可以理解的是,该匹配度阈值可以进行优先指数排名,排名靠前的员工,优先进行派工。
若是,则进行步骤S607,派工成功;若否,则派工失败,返回步骤S605,重新匹配员工模型和岗位模型。
派工成功后,则进行步骤S608,显示匹配结果。
将派工成功的匹配结果显示于显示单元200上,以便于相关管理人员查阅。
步骤S609,记录匹配成功的员工的上岗信息。
记录匹配成功的员工的上岗信息,进一步获取该员工的基本信息,以完善员工数据库内的信息。
步骤S610,追踪匹配成功的员工的绩效。
对匹配成功的员工的绩效进行追踪,以追踪该员工是否适合该岗位。追踪得到的匹配成功的员工的绩效信息继续存储于数据库单元以更新数据库单元内的员工基本信息和岗位基本信息。进行步骤S601时,可以采集更新后的员工基本信息和岗位基本信息。
在一些替代性实施例中,步骤S609和步骤S610可以省略。
本发明提供的智能派工装置10和方法,利用员工特征因子和岗位特征因子,分别建立员工模型和岗位模型,对员工模型和岗位模型进行匹配,使用大数据建模,进行科学决策,降低员工失误率,实现智能派工代替人工分配,员工和岗位的匹配度高,提高员工满意度及工作效率,进而降低运营成本。
另外,在本发明各个实施例中的各功能单元可以集成在相同数据处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (13)
1.一种智能派工方法,其特征在于:所述智能派工方法包括如下步骤:
采集每个员工基本信息和每个岗位基本信息;
分别根据每个所述员工基本信息和每个所述岗位的基本信息对应提取员工特征因子和岗位特征因子;
根据所述员工特征因子建立每个员工的员工模型;
根据相同岗位的所述员工特征因子和所述岗位特征因子建立岗位模型;
匹配所述员工模型和所述岗位模型;
判断所述员工模型和所述岗位模型的匹配结果是否大于匹配度阈值;
若是,则派工成功;
若否,则派工失败,重新匹配所述员工模型和所述岗位模型。
2.如权利要求1所述的智能派工方法,其特征在于:
所述员工特征因子包括管理效率、地域特征、职业趋势、稳定性、人员特征、成长方向、作业能力和消费能力中的一种或多种;
所述岗位特征因子包括产品不良率、单位人时产能、上料综合效率和站点完成率中的一种或多种。
3.如权利要求1所述的智能派工方法,其特征在于:
所述员工模型通过对每个所述员工特征因子进行归一化处理后进行数学模型集合得到。
4.如权利要求1所述的智能派工方法,其特征在于:
所述岗位模型通过决策树及BP神经网络算法建立得到。
5.如权利要求1所述的智能派工方法,其特征在于:
所述员工模型和所述岗位模型通过欧氏几何距离法和向量空间余弦相似法进行匹配。
6.如权利要求1所述的智能派工方法,其特征在于:所述判断所述员工模型和所述岗位模型的匹配结果是否大于匹配度阈值步骤之后,还包括:
显示所述匹配结果;
记录匹配成功的员工的上岗信息;
追踪所述匹配成功的员工的绩效。
7.一种智能派工装置,其特征在于:所述智能派工装置包括:
数据库单元,用于存储员工基本信息和岗位基本信息;
处理器;以及
存储器,所述存储器中存储有多个程序模块,多个所述程序模块由所述处理器运行并执行如下步骤:
采集每个所述员工基本信息和每个所述岗位基本信息;
分别根据每个所述员工基本信息和每个所述岗位的基本信息对应提取员工特征因子和岗位特征因子;
根据所述员工特征因子建立每个员工的员工模型;
根据相同岗位的所述员工特征因子和所述岗位特征因子建立岗位模型;
匹配所述员工模型和所述岗位模型;
判断所述员工模型和所述岗位模型的匹配结果是否大于匹配度阈值;
若是,则派工成功;
若否,则派工失败,重新匹配所述员工模型和所述岗位模型。
8.如权利要求7所述的智能派工装置,其特征在于:
所述员工特征因子包括管理效率、地域特征、职业趋势、稳定性、人员特征、成长方向、作业能力和消费能力中的一种或多种;
所述岗位特征因子包括产品不良率、单位人时产能、上料综合效率和站点完成率中的一种或多种。
9.如权利要求7所述的智能派工装置,其特征在于:
所述员工模型通过对每个所述员工特征因子进行归一化处理后进行数学模型集合得到。
10.如权利要求7所述的智能派工装置,其特征在于:
所述岗位模型通过决策树及BP神经网络算法建立得到。
11.如权利要求7所述的智能派工装置,其特征在于:
所述员工模型和所述岗位模型通过欧氏几何距离法和向量空间余弦相似法进行匹配。
12.如权利要求7所述的智能派工装置,其特征在于:
所述智能派工装置还包括显示单元,用于显示所述员工模型和所述岗位模型的匹配结果;
多个所述程序模块由所述处理器还运行并执行如下步骤:
控制所述显示单元显示所述匹配结果;
记录匹配成功的员工的上岗信息;
追踪所述匹配成功的员工的绩效。
13.一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,其特征在于,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行权利要求1-6任一项所述的智能派工方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187532.3A CN111695747A (zh) | 2019-03-13 | 2019-03-13 | 智能派工方法、装置及计算机可读储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910187532.3A CN111695747A (zh) | 2019-03-13 | 2019-03-13 | 智能派工方法、装置及计算机可读储存介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111695747A true CN111695747A (zh) | 2020-09-22 |
Family
ID=72474784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910187532.3A Pending CN111695747A (zh) | 2019-03-13 | 2019-03-13 | 智能派工方法、装置及计算机可读储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695747A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668936A (zh) * | 2021-01-18 | 2021-04-16 | 中国民航信息网络股份有限公司 | 一种机场保障工作分配方法及装置 |
CN113408930A (zh) * | 2021-06-30 | 2021-09-17 | 中国农业银行股份有限公司顺德分行 | 基于员工服务系统的员工行为分析方法、系统及存储介质 |
CN113553506A (zh) * | 2021-07-23 | 2021-10-26 | 中信银行股份有限公司 | 轮岗网点推荐方法、系统、计算机设备以及可读存储介质 |
CN115511395A (zh) * | 2022-11-22 | 2022-12-23 | 四川大学华西医院 | 一种监区岗位分配方法、装置、设备及存储介质 |
CN117094540A (zh) * | 2023-10-20 | 2023-11-21 | 一智科技(成都)有限公司 | 一种智能派工方法、系统和存储介质 |
CN117273408A (zh) * | 2023-11-23 | 2023-12-22 | 万链指数(青岛)信息科技有限公司 | 基于大数据技术及企业运营管控的全景数字运营管理平台 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651072A (zh) * | 2015-10-30 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种派工方法及装置 |
CN107368968A (zh) * | 2017-07-20 | 2017-11-21 | 成都牵牛草信息技术有限公司 | 一种系统派工方法 |
CN107609835A (zh) * | 2017-07-28 | 2018-01-19 | 国网辽宁省电力有限公司 | 一种电网人力配置应用系统及方法 |
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 |
-
2019
- 2019-03-13 CN CN201910187532.3A patent/CN111695747A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651072A (zh) * | 2015-10-30 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种派工方法及装置 |
CN107368968A (zh) * | 2017-07-20 | 2017-11-21 | 成都牵牛草信息技术有限公司 | 一种系统派工方法 |
CN108932610A (zh) * | 2017-07-20 | 2018-12-04 | 成都牵牛草信息技术有限公司 | 一种系统派工方法 |
CN107609835A (zh) * | 2017-07-28 | 2018-01-19 | 国网辽宁省电力有限公司 | 一种电网人力配置应用系统及方法 |
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 |
Non-Patent Citations (1)
Title |
---|
刘小秋: "基于供电所员工素质模型的任务自动分配研究", 《大众用电》, 31 December 2016 (2016-12-31), pages 201 - 204 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668936A (zh) * | 2021-01-18 | 2021-04-16 | 中国民航信息网络股份有限公司 | 一种机场保障工作分配方法及装置 |
CN113408930A (zh) * | 2021-06-30 | 2021-09-17 | 中国农业银行股份有限公司顺德分行 | 基于员工服务系统的员工行为分析方法、系统及存储介质 |
CN113408930B (zh) * | 2021-06-30 | 2023-02-07 | 中国农业银行股份有限公司顺德分行 | 基于员工服务系统的员工行为分析方法、系统及存储介质 |
CN113553506A (zh) * | 2021-07-23 | 2021-10-26 | 中信银行股份有限公司 | 轮岗网点推荐方法、系统、计算机设备以及可读存储介质 |
CN115511395A (zh) * | 2022-11-22 | 2022-12-23 | 四川大学华西医院 | 一种监区岗位分配方法、装置、设备及存储介质 |
CN117094540A (zh) * | 2023-10-20 | 2023-11-21 | 一智科技(成都)有限公司 | 一种智能派工方法、系统和存储介质 |
CN117094540B (zh) * | 2023-10-20 | 2024-03-29 | 一智科技(成都)有限公司 | 一种智能派工方法、系统和存储介质 |
CN117273408A (zh) * | 2023-11-23 | 2023-12-22 | 万链指数(青岛)信息科技有限公司 | 基于大数据技术及企业运营管控的全景数字运营管理平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695747A (zh) | 智能派工方法、装置及计算机可读储存介质 | |
US10719888B2 (en) | Context search system | |
CN109523316A (zh) | 商业服务模型的自动化建模方法 | |
US20090030711A1 (en) | Project Management System and Method | |
CN111080241A (zh) | 一种基于互联网平台的数据化人才管理分析系统 | |
CN109492858A (zh) | 基于机器学习的员工绩效预测方法及装置、设备、介质 | |
Simsek et al. | An application of network data envelopment analysis with fuzzy data for the performance evaluation in cargo sector | |
CN115689334A (zh) | 仓库管理系统的效率分析方法、系统及计算机设备 | |
CN110033191B (zh) | 一种商业人工智能的分析方法及系统 | |
CN113421056A (zh) | 一种互联网人力资源管理系统 | |
CN114154866A (zh) | 一种上市企业财务风险预警方法和系统 | |
CN113361959A (zh) | 一种银行业务集中运营成熟度的计算方法和装置 | |
Dioputra et al. | Academic information system management to improve service quality to students during the covid-19 pandemicat universities in jambi province | |
US20080027834A1 (en) | Systems and methods for inventory management | |
CN116703346A (zh) | 一种基于大数据和人工智能的考勤管理系统及管理方法 | |
US20120209644A1 (en) | Computer-implemented system and method for facilitating creation of business plans and reports | |
CN115994818A (zh) | 银行特殊资产智能清收系统及方法 | |
US20020152139A1 (en) | Method for automatically managing agribusiness supply inventory | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
Bele | Benefits and issues in implementing business intelligence in enterprises | |
US11768753B2 (en) | System and method for evaluating and deploying data models having improved performance measures | |
GururamaSenthilvel et al. | Artificial Intelligence enabled Employee Performance Prediction using Comprehensive Learning Metrics | |
Eren | Providing running case predictions based on contextual information | |
CN116502768B (zh) | 民航信息岗负荷预警方法、系统及存储介质 | |
Álvarez-Chaves et al. | Machine Learning Methods for Predicting the Admissions and Hospitalisations in the Emergency Department of a Civil and Military Hospital |
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 |