CN115829219A - 基于人员画像的供电企业派工方法、系统、介质及设备 - Google Patents

Abstract

本申请实施例提供了一种基于人员画像的供电企业派工方法、系统、介质及设备，其方法包括：获取多个待派工人员的人员信息以及待分配任务的任务信息；根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像，所述画像模型包括人事信息层、时间层以及业务层三个维度；将各所述待派工人员的人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员；将所述待分配任务分配至所述优先级最高的待派工人员。通过本申请实施例，可以使得供电企业将任务派分给更为合适的人员。

Description

基于人员画像的供电企业派工方法、系统、介质及设备

技术领域

本申请涉及工单派发技术领域，尤其是涉及基于人员画像的供电企业派工方法、系统、介质及设备。

背景技术

供电所是公司战略实施的基本作战单元。国家电网明确要求强化乡镇供电所服务支撑能力，推进乡镇供电所管理和服务数字化转型。各类现场作业工单执行是台区工作人员的主要工作，任务派发的科学性和合理性是任务高效执行的前提保证。

目前，供电企业主要是依据管理人员将任务派发至人员去工作，容易出现派工不合理的情况，无法根据人员的能力表现，技能水平，能力需求度、工作绩效等进行人才综合比较分析评价，从而无法将任务与最适合此任务的人员进行匹配。

针对上述中的相关技术，目前供电企业派工方法无法将任务派分给更为合适的人员，不能根据任务进行人员的智能派发。

发明内容

为了将供电企业任务派分给更为合适的人员，实现人员的智能派发，本申请提供基于人员画像的供电企业派工方法、系统、介质及设备。

在本申请的第一方面提供了基于人员画像的供电企业派工方法，采用如下的技术方案：

获取多个待派工人员的人员信息以及待分配任务的任务信息；

根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像，所述人员画像模型包括人事信息层、时间层以及业务层三个维度；

将各所述待派工人员的人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员；

将所述待分配任务分配至所述优先级最高的待派工人员。

通过采用上述技术方案，根据多个待派工人员信息和训练完成的人员画像模型构建各待派工人员的人员画像，通过人员画像可以全面且清晰的反映人员的基本情况，为后续人员的评价、岗位提升或者人员分派提供了良好的基础，再基于人员画像和任务信息进行匹配，基于优选法的智能派工策略从多个待派工人员中选择优先级最高的待派工人员，可以将任务分配给更为合适的人员，并且较大限度的保证任务处理的效率和质量。

优选的，所述获取多个待派工人员的人员信息以及待分配任务的任务信息之前，还包括：获取至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息并创建初始人员画像模型；基于所述至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息对所述初始人员画像模型进行训练，得到训练完成的人员画像模型。

通过采用上述技术方案，在人员画像模型构建前对初始创建的人员画像模型进行训练，使得训练完成的人员画像模型更加准确，可以更好的对后续人员画像进行构建，保证人员画像构建的准确度。

优选的，所述基于所述至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息对人员画像模型进行训练，得到训练完成的人员画像模型，包括：获取各所述人员信息所包含的特征标签，各所述特征标签对应的特征变量以及各所述特征变量对应的特征变量值；确定同一特征标签下所述特征变量值大于第一预设值的特征变量，得到第一筛选结果；

计算所述第一筛选结果中同一特征标签下每两个特征变量的相关系数，保留所述相关系数小于或者等于第二预设值的两个特征变量以及保留所述相关系数大于第二预设值的两个特征变量中的任意一个特征变量，得到第二筛选结果；将第二筛选结果中的特征变量按照特征变量值从大到小的顺序进行排序，选取前若干个所述特征变量，将所述前若干个所述特征变量输入至训练完成的人员画像模型中，构建各所述待派工人员的人员画像。

通过采用上述技术方案，获取人员信息中包含的特征标签、各特征标签对应的特征变量以及各特征变量对应的特征变量值，筛选出最终前若干个特征变量值，即筛选出相关性较强且比较有代表性的特征变量作为输入人员画像模型的入模特征变量，减少计算量的同时也使得最终构建的人员画像更加准确。

优选的，所述根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像之后，还包括：根据所述人员画像和预置的人力资源人才评价理论输出人员成长的相关建议。

通过采用上述技术方案，通过人员画像，结合人力资源人才评价理论输出人员成长的相关建议，以便公司在后续的过程中合理的对人员进行调整或者培训。

优选的，所述根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像之后，还包括：通过所述人事信息层、时间层以及业务层三个维度进行各所述待派工人员的人员画像的展示。

通过采用上述技术方案，通过人事信息层、时间层以及业务层三个维度，对人员横向和纵向进行分析比较，并通过人事信息层、时间层以及业务层三个维度进行各待派工人员的人员画像的展示，使得人员画像可以在三维空间模型中通过可视化进行展示。

优选的，所述将各所述人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员，包括：根据各所述待派工人员的人员画像得出各所述待派工人员在多个维度任务中对应的各任务指标得分；根据各所述待派工人员各任务指标得分，得到各待派工人员的任务指标得分占标杆值以上的比例；将各所述待派工人员的任务指标得分占标杆值以上的比例最高的待派工人员作为优先级最高的待派工人员。

通过采用上述技术方案，根据待派工人员的人员画像得出各待派工人员在多个维度任务中对应的各任务指标得分，并且根据各待派工人员的任务指标得分占标杆值以上的比例最高的待派人员作为优先级最高的待派工人员，可有效实现多维度任务下的人员派工。

优选的，所述将各所述人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员，包括：根据各所述待派工人员的人员画像得出在一个维度任务中的各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分；根据机器学习权重系数法得出所述一个维度任务中各待派工人员的能力表现、技能水平、能力需求度以及空缺度分别对应的权重；将各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分乘以对应的所述权重并相加，得到各待派工人员最终得分值；将所述各待派工人员最终得分值最高的人员作为优先级最高的待派工人员。

通过采用上述技术方案，根据各所述待派工人员的人员画像得出在一个维度任务中的各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分，再根据机器学习权重系数法得出一个维度任务中各待派工人员的能力表现、技能水平、能力需求度以及空缺度分别对应的权重，由待派工人员指标得分乘以对应权重并相加，可得到各待派工人员的最终得分值，将最终得分值最高的人员作为优先级最高的待派工人员，可有效实现单维度任务下的人员派工。

在本申请的第二方面提供了基于人员画像的供电企业派工的系统。

基于人员画像的供电企业派工的系统，包括：

人员信息获取模块，用于获取多个待派工人员的人员信息以及待分配任务的任务信息；

人员画像构建模块，用于根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像，所述画像模型包括人事信息层、时间层以及业务层三个维度；

优先级最高的待派工人员选择模块，用于将各所述待派工人员的人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员；

人员派工模块，用于将所述待分配任务分配至所述优先级最高的待派工人员。

通过采用上述技术方案，根据多个待派工人员信息和训练完成的人员画像模型构建各待派工人员的人员画像，由人员画像可以全面且较为清晰的反映人员的基本情况，为后续人员的评价、岗位提升或者人员分派提供了良好的基础，再基于人员画像和任务信息进行匹配，基于优选法的智能派工策略从多个待派工人员中选择优先级最高的待派工人员，可以将任务分配给更为合适的人员，并且较大限度的保证任务处理的效率和质量。

在本申请的第三方面提供了一种计算机存储介质，采用如下的技术方案：

一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

在本申请的第四方面提供了一种电子设备，采用如下的技术方案：

一种电子设备包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

综上所述，本申请包括以下至少一种有益技术效果：

1.本申请能够将人员画像和任务信息进行匹配，基于优选法的智能派工策略从多个待派工人员中选择优先级最高的待派工人员，使得可以将任务分配给更为合适的人员，并且较大限度的保证任务处理的效率和质量；

2.本申请可通过同一标签下特征变量对应的特征变量值的大小来判断人员的对应特征变量表现情况，并且可根据人力资源人才评价理论输出人员成长的相关建议，公司可以在后续的过程中合理的对人员进行调整或者培训；

3.本申请可有效实现单维度任务下的人员派工以及多维度任务下的人员派工。

附图说明

为了更清楚地说明本申请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申请的一些实施例，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是本申请实施例的基于人员画像的供电企业派工方法的流程示意图；

图2是本申请实施例的基于人员画像的供电企业派工方法的另一种实施例的流程示意图；

图3是本申请实施例的多维度的任务下人员得分占比情况示意图；

图4是本申请实施例的单维度的任务下人员最终得分情况示意图；

图5是本申请实施例的基于人员画像的供电企业派工系统的结构示意图；

图6是本申请实施例的基于人员画像的供电企业派工的系统另一结构示意图；

图7是本申请实施例提供的一种电子设备的结构示意图。

附图标记说明：1、人员信息获取模块；2、人员画像构建模块；3、选择优先级最高的待派工人员模块；4、派工模块；5、人员画像训练完成模块；6、人员画像训练完成模块；7、人员画像展示模块；8、成长建议输出模块；9、多维度任务下人员派工模块；10、单维度任务下人员派工模块；1000、电子设备；1001、处理器；1002、通信总线；1003、用户接口；1004、网络接口；1005、存储器。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“示性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

下面结合具体的实施例对本申请进行详细说明。

本申请实施例公开基于人员画像的供电企业派工方法。在一个实施例中，如图1所示，基于人员画像的供电企业派工方法包括：

步骤101：获取多个待派工人员的人员信息以及待分配任务的任务信息。

具体的，本申请实施例中的人员信息和任务信息来源于人员所属供电企业的人资数据库和运检数据库。从人员所属供电企业的人资数据库和运检数据库中获取多个待派工人员的人员信息以及待分配任务的任务信息,人员信息可以包括人员基本信息、工作项信息以及绩效等级信息。其中人员基本信息可以包括：姓名、年龄、性别、专业、学历、工龄；工作项信息可以包括：工作内容、月度工作时长、单次工作时长等；绩效等级信息可以包括：技术职称、技能等级、技能证书、技能等级获得时间长度。待分配任务信息可以包括：任务类别、任务角色、任务时间、任务地点，其中任务类别可以包括：电站检修、设备巡视、故障抢修，任务角色可以包括：监护人、操作人、负责人。

步骤102：根据各人员信息和训练完成的人员画像模型构建各待派工人员的人员画像，画像模型包括人事信息层、时间层以及业务层三个维度。

具体的，将人员信息输入至训练完成的人员画像模型中，从而可输出对应的人员画像，其中人员画像模型包括人事信息层、时间层以及业务层三个维度，实现从横向、纵向对人员进行比较分析，通过人事信息层、业务层与时间层形成三维空间模型，也可以投影成用户画像层，通过人事信息层、时间层以及业务层三个维度进行各待派工人员的人员画像的展示。

步骤103：将各待派工人员的人员画像与任务信息进行匹配，并基于优选法的智能派工策略从多个待派工人员中选择优先级最高的待派工人员。

具体的，将各待派工人员的人员画像与任务信息进行匹配，通过人员画像的业务层可得到人员的各任务指标得分。在本实施例中可实现多维度任务下的人员派工和单维度任务下的人员派工，其中多维度任务下的人员派工可以是指在多个任务下，根据人员在多个任务下的指标得分占标杆值以上比例最高的代派工人员作为优先级最高的待派工人员；单维度任务下的人员派工可以是指在多个任务中的其中一个任务，根据各待派工人员的人员画像得出在一个维度任务中的各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分，乘以由机器学习权重系数法计算出的该任务中各待派工人员的能力表现、技能水平、能力需求度以及空缺度对应的权重并相加，得到各待派工人员最终得分值，将各待派工人员最终得分值最高的人员作为优先级最高的待派工人员。

步骤104：将待分配任务分配至优先级最高的待派工人员。

具体的，根据在多维度任务下或者在单维度任务下的所得到的优先级最高的待派工人员，将待分配任务分配至对应优先级最高的待派工人员，其中优先级最高的人员是指多维度下指标得分占标杆值以上比例最高的代派工人员，或是单维度下各待派工人员最终得分值最高的人员，需要说明的是，一次任务分配包括多轮分配，在将任务分配至优先级最高的待派工人员后，此人员将不参与后续每一轮的优先级分配。本实施例可以有效实现将工作任务分配给更为合适此工作任务的人员去执行，并且可以较大限度的保证任务处理的效率和质量。

如图2所示，图2是本申请提出的基于人员画像的供电企业派工方法的另一种实施例的流程示意图。

步骤201：获取至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息并创建初始人员画像模型，对初始人员画像模型进行训练，得到训练完成的人员画像模型。

具体的，从供电企业数据库中获取至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息，并创建初始人员画像模型，其中初始的人员画像模型为现有技术的神经网络模型，根据人员信息获取人员信息中所包含的特征标签，各特征标签对应的特征变量以及各特征变量对应的特征变量值。为了减少计算量并且选择出相关性较强且具有代表性的特征变量，将特征标签对应的特征变量进行筛选，其中筛选流程包括：确定同一特征标签下特征变量值大于第一预设值的特征变量，得到第一筛选结果；计算第一筛选结果中同一特征标签下每两个特征变量的相关系数，其中同一特征标签下每两个特征变量相关系数的计算方法为现有技术的相关系数计算方法，保留相关系数小于或者等于第二预设值的两个特征变量以及保留相关系数大于第二预设值的两个特征变量中的任意一个特征变量，得到第二筛选结果；将第二筛选结果中的特征变量按照特征变量值从大到小的顺序进行排序，选取前若干个特征变量；将前若干个特征变量输入至初始人员画像模型中，以预置的标准人员画像为标准初始人员画像模型进行训练，使得初始人员画像模型收敛，得到训练完成后的人员画像模型，其中预置的标准人员画像可由人工评价进行多个标准的特征变量值获得。

例如：本实施例中第一预设值为0.2，从原有41个特征变量中确定同一特征标签下特征变量值大于0.2的特征变量，筛选出19特征变量，得到第一筛选结果；计算第一筛选结果中同一特征标签下每两个特征变量的相关系数，本实施例中第二预设值为0.7，即保留相关系数小于或者等于0.7的两个特征变量以及保留相关系数大于0.7的两个特征变量中的任意一个特征变量，假如，同一特征标签为技能等级的标签包括第一特征变量为高级技师和第二特征变量为高级工程师，其中第一特征变量和第二特征变量的相关系数均大于0.7，则保留其中任意一个特征变量，筛选出14个特征变量，得到第二筛选结果；将第二筛选结果中的特征变量按照特征变量值从大到小的顺序进行排序，选取前8个特征变量，将前8个特征变量输入至初始人员画像模型中进行训练，最后得到训练完成后的人员画像模型。

步骤202：获取多个待派工人员的人员信息以及待分配任务的任务信息。

具体的，获取多个待派工人员的人员信息以及待分配任务的任务信息，请参照步骤101，在此不做赘述。

步骤203：根据各人员信息和训练完成的人员画像模型构建各待派工人员的人员画像，画像模型包括人事信息层、时间层以及业务层三个维度。

具体的，将人员信息输入至训练完成的人员画像模型中，从而可输出人员对应的人员画像，其中人员画像模型包括人事信息层、时间层以及业务层三个维度，可以实现从横向、纵向对人员进行比较分析，通过人事信息层、业务层与时间层形成三维空间模型，也可以投影成用户画像层，通过人事信息层、时间层以及业务层三个维度进行各待派工人员的人员画像的展示，其中人事信息层包括人员基本信息，业务层包括人员在各任务工作中的任务指标得分情况，时间层包括人员单次工作时长、月度工作时长以及总计工作时间。

步骤204：根据人员画像和预置的人力资源人才评价理论输出人员成长的相关建议。

具体的，根据人员信息获取人员信息中所包含的特征标签，各特征标签对应的特征变量以及各特征变量对应的特征变量值。比如人员信息中人员基本信息中的学历即为特征标签，学历对应的本科生和研究生即为同一特征标签对应的两个特征变量。将同一特征标签中的特征变量对应的特征变量值进行比较分析，比如在特征标签为学历中的第一特征变量为研究生，第二特征变量为本科，其中第一特征变量为研究生对应的第一特征变量值为0.26，第二特征变量为本科对应的第二特征变量值为0.19，说明第二特征变量比第一特征变量表现较好，则可输出人员在学历为本科的表现比学历为研究生的表现好，建议可多培养学历为本科生的人员。

步骤205：根据各待派工人员的人员画像得出各待派工人员在多个维度任务中对应的各任务指标得分；根据各待派工人员各任务指标得分，得到各待派工人员的任务指标得分占标杆值以上的比例；将各待派工人员的任务指标得分占标杆值以上的比例最高的待派工人员作为优先级最高的待派工人员。

具体的，将各待派工人员的人员画像与任务信息进行匹配，根据各待派工人员的人员画像的业务层可以得出各待派工人员在多个维度任务中对应的各任务指标得分，再根据各待派工人员各任务指标得分得到各待派工人员的任务指标得分占标杆值以上的比例，其中标杆值是任务指标的标准得分值，可根据实际情况调整标杆值，本实施例中的标杆值设置为1。最后将各待派工人员的任务指标得分占标杆值以上的比例最高的待派工人员作为优先级最高的待派工人员。

例如，如图3所示，通过图3可知在六项任务维度中，有五项处于标杆值以上的人员是A，有四项处于标杆值以上的人员是B，有两项处于标杆值以上的人员是C，最后D和E两人员分别有四项、五项任务指标得分处于标杆值以下，所以由此可以得出A人员占标杆值以上的比例最高，将A人员作为优先级最高的待派工人员。

步骤206：根据各待派工人员的人员画像的业务层得出各待派工人员在一个维度任务中的能力表现、技能水平、能力需求度以及空缺度得分,乘以由机器学习权重系数法得出一个维度任务中各待派工人员的能力表现、技能水平、能力需求度以及空缺度分别对应的权重并相加；得到各待派工人员最终得分值；将各待派工人员最终得分值最高的人员作为优先级最高的待派工人员。

具体的，将各待派工人员的人员画像与任务信息进行匹配，其中一个维度任务可以是指在多个任务中的具体一个任务，根据各待派工人员的人员画像得出各待派工人员在一个维度任务中的能力表现、技能水平、能力需求度以及空缺度得分，再根据机器学习权重系数法得出一个维度任务中各待派工人员的能力表现、技能水平、能力需求度以及空缺度分别对应的权重，其中机器学习权重系数法为一种现有技术，在此不做赘述，使用机器学习权重系数法可以根据环境和调节的变化，所算的权重也随着变化，达到与时俱进的效果，再将各待派工人员在一个维度任务中的能力表现、技能水平、能力需求度以及空缺度得分乘以对应的权重并相加，得到各待派工人员最终得分值，将各待派工人员最终得分值最高的人员作为优先级最高的待派工人员。

例如，如图4所示，本申请实施例中由机器学习权重系数法得到能力表现占45%、技能水平占35%、能力需求度占15%、空缺度占5%，将人员在单维度下的能力表现、技能水平、能力需求度以及空缺度得分分别乘以对应权重得到各待派工人员最终得分值，再将各待派工人员最终得分值最高的人员作为优先级最高的待派工人员，如图4所示，最终A人员的最终得分值最高，将A人员作为优先级最高的待派工人员。

步骤207：将待分配任务分配至优先级最高的待派工人员。

具体的，根据在多维度任务下或者单维度任务下的所得到的优先级最高的待派工人员，将待分配任务分配至对应优先级最高的待派工人员，需要说明的是将任务分配至优先级最高的待派工人员后，此人员将不参与下一次的优先级分配中，本实施例可以有效实现将工作任务分配给更为合适此工作任务的人员去执行，并且可以较大限度的保证任务处理的效率和质量。

本申请实施例的基于人员画像的供电企业派工方法的实施原理为：获取至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息并创建初始人员画像模型；对初始人员画像模型进行训练，得到训练完成的人员画像模型；获取多个待派工人员的人员信息以及待分配任务的任务信息；根据各人员信息和训练完成的人员画像模型构建各待派工人员的人员画像，画像模型包括人事信息层、时间层以及业务层三个维度；将各待派工人员的人员画像与任务信息进行匹配，并基于优选法的智能派工策略从多个待派工人员中选择优先级最高的待派工人员；最后将待分配任务分配至优先级最高的待派工人员。

本申请实施例还公开了基于人员画像的供电企业派工的系统。

参照图5，其示出了本申请一个示例性实施例提供的基于人员画像的供电企业派工的系统结构示意图。基于人员画像的供电企业派工的系统包括人员信息获取模块1、人员画像构建模块2、优先级最高的待派工人员选择模块3以及人员派工模块4。

人员信息获取模块1，用于获取多个待派工人员的人员信息以及待分配任务的任务信息；

人员画像构建模块2，用于根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像，所述画像模型包括人事信息层、时间层以及业务层三个维度；

优先级最高的待派工人员选择模块3，用于将各所述待派工人员的人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员；

人员派工模块4，用于将所述待分配任务分配至所述优先级最高的待派工人员。

可选的，如图6所示，其示出了本申请一个示例性实施例提供的基于人员画像的供电企业派工的系统另一结构示意图。该基于人员画像的供电企业派工的系统还包括：人员画像训练模块5、人员画像训练完成模块6、人员画像展示模块7、成长建议输出模块8、多维度任务下人员派工模块9以及单维度任务下人员派工模块10。

人员画像训练模块5，用于获取至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息；并创建初始人员画像模型；基于所述至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息对所述初始人员画像模型进行训练；

人员画像训练完成模块6，用于获取各所述人员信息所包含的特征标签，各所述特征标签对应的特征变量以及各所述特征变量对应的特征变量值；确定同一特征标签下所述特征变量值大于第一预设值的特征变量，得到第一筛选结果；计算所述第一筛选结果中同一特征标签下每两个特征变量的相关系数，保留所述相关系数小于或者等于第二预设值的两个特征变量以及保留所述相关系数大于第二预设值的两个特征变量中的任意一个特征变量，得到第二筛选结果；将第二筛选结果中的特征变量按照特征变量值从大到小的顺序进行排序，选取前若干个所述特征变量；将所述前若干个所述特征变量输入至所述初始人员画像模型中，得到训练完成后的人员画像模型；

人员画像展示模块7，用于通过所述人事信息层、时间层以及业务层三个维度进行各所述待派工人员的人员画像的展示；

成长建议输出模块8，用于根据所述人员画像和预置的人力资源人才评价理论输出人员成长的相关建议；

多维度任务下人员派工模块9，用于根据各所述待派工人员的人员画像得出各所述待派工人员在多个维度任务中对应的各任务指标得分；根据各所述待派工人员各任务指标得分，得到各待派工人员的任务指标得分占标杆值以上的比例；将各所述待派工人员的任务指标得分占标杆值以上的比例最高的待派工人员作为优先级最高的待派工人员；

单维度任务下人员派工模块10，用于根据各所述待派工人员的人员画像得出在一个维度任务中的各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分；根据机器学习权重系数法得出所述一个维度任务中各待派工人员的能力表现、技能水平、能力需求度以及空缺度分别对应的权重；将各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分乘以对应的所述权重并相加；将所述各待派工人员最终得分值最高的人员作为优先级最高的待派工人员。

需要说明的是：上述实施例提供的系统在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的系统和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1-图4所示实施例的所述的基于人员画像的供电企业派工的方法，具体执行过程可以参加图1-图4所示实施例的具体说明，在此不进行赘述。

请参见图7，为本申请实施例提供了一种电子设备的结构示意图。如图7所示，所述电子设备1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。

其中，通信总线1002用于实现这些组件之间的连接通信。

其中，用户接口1003可以包括显示屏（Display）、摄像头（Camera），可选用户接口1003还可以包括标准的有线接口、无线接口。

其中，网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个服务器1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行服务器1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable Logic Array，PLA）中的至少一种硬件形式来实现。处理器1001可集成中央处理器（Central Processing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。

其中，存储器1005可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器1005包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图7所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于人员画像的供电企业派工方法的应用程序。

需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在图7所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储基于人员画像的供电企业派工方法的应用程序，当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。

一种电子设备可读存储介质，所述电子设备可读存储介质存储有指令。当由一个或多个处理器执行时，使得电子设备执行如上述实施例中一个或多个所述的方法。

本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammaBLE GateArray，FPGA）、集成电路（Integrated Circuit，IC）等。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件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。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（Random AccessMemory，RAM）、磁盘或光盘等。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。

Claims (10)

1.基于人员画像的供电企业派工方法，其特征在于，所述方法包括：

获取多个待派工人员的人员信息以及待分配任务的任务信息；

根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像，所述人员画像模型包括人事信息层、时间层以及业务层三个维度；

将各所述待派工人员的人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员；

将所述待分配任务分配至所述优先级最高的待派工人员。

2.根据权利要求1所述的基于人员画像的供电企业派工方法，其特征在于，所述获取多个待派工人员的人员信息以及待分配任务的任务信息之前，还包括：

获取至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息并创建初始人员画像模型；

基于所述至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息对所述初始人员画像模型进行训练，得到训练完成的人员画像模型。

3.根据权利要求2所述的基于人员画像的供电企业派工方法，其特征在于，所述基于所述至少一个样本人员的样本人员信息以及至少一个样本任务的样本任务信息对人员画像模型进行训练，得到训练完成的人员画像模型，包括：

获取各所述人员信息所包含的特征标签，各所述特征标签对应的特征变量以及各所述特征变量对应的特征变量值；

确定同一特征标签下所述特征变量值大于第一预设值的特征变量，得到第一筛选结果；

计算所述第一筛选结果中同一特征标签下每两个特征变量的相关系数，保留所述相关系数小于或者等于第二预设值的两个特征变量以及保留所述相关系数大于第二预设值的两个特征变量中的任意一个特征变量，得到第二筛选结果；

将第二筛选结果中的特征变量按照特征变量值从大到小的顺序进行排序，选取前若干个所述特征变量；

将所述前若干个所述特征变量输入至所述初始人员画像模型中，得到训练完成后的人员画像模型。

4.根据权利要求1所述的基于人员画像的供电企业派工方法，其特征在于，所述根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像之后，还包括：

根据所述人员画像和预置的人力资源人才评价理论输出人员成长的相关建议。

5.根据权利要求1所述的基于人员画像的供电企业派工方法，其特征在于，所述根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像之后，还包括：

通过所述人事信息层、时间层以及业务层三个维度进行各所述待派工人员的人员画像的展示。

6.根据权利要求1所述的基于人员画像的供电企业派工方法，其特征在于，所述将各所述人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员，包括：

根据各所述待派工人员的人员画像得出各所述待派工人员在多个维度任务中对应的各任务指标得分；

根据各所述待派工人员各任务指标得分，得到各待派工人员的任务指标得分占标杆值以上的比例；

将各所述待派工人员的任务指标得分占标杆值以上的比例最高的待派工人员作为优先级最高的待派工人员。

7.根据权利要求1所述的基于人员画像的供电企业派工方法，其特征在于，所述将各所述人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员，包括：

根据各所述待派工人员的人员画像得出在一个维度任务中的各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分；

根据机器学习权重系数法得出所述一个维度任务中各待派工人员的能力表现、技能水平、能力需求度以及空缺度分别对应的权重；

将各待派工人员的能力表现、技能水平、能力需求度以及空缺度得分乘以对应的所述权重并相加，得到各待派工人员最终得分值；

将所述各待派工人员最终得分值最高的人员作为优先级最高的待派工人员。

8.一种基于权利要求1-7任意一条所述基于人员画像的供电企业派工系统，其特征在于，所述系统包括：

人员信息获取模块（1），用于获取多个待派工人员的人员信息以及待分配任务的任务信息；

人员画像构建模块（2），用于根据各所述人员信息和训练完成的人员画像模型构建各所述待派工人员的人员画像，所述画像模型包括人事信息层、时间层以及业务层三个维度；

优先级最高的待派工人员选择模块（3），用于将各所述待派工人员的人员画像与所述任务信息进行匹配，并基于优选法的智能派工策略从所述多个待派工人员中选择优先级最高的待派工人员；

人员派工模块（4），用于将所述待分配任务分配至所述优先级最高的待派工人员。

9.一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存储有指令，当所述指令被执行时，执行如权利要求1-7任意一项所述的方法步骤。

10.一种电子设备，其特征在于，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如权利要求1-7任意一项所述的方法。

Images