TW202113699A - 人力資源管理系統及其方法 - Google Patents
人力資源管理系統及其方法 Download PDFInfo
- Publication number
- TW202113699A TW202113699A TW108133437A TW108133437A TW202113699A TW 202113699 A TW202113699 A TW 202113699A TW 108133437 A TW108133437 A TW 108133437A TW 108133437 A TW108133437 A TW 108133437A TW 202113699 A TW202113699 A TW 202113699A
- Authority
- TW
- Taiwan
- Prior art keywords
- human resource
- resource management
- algorithm
- management system
- employee
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種人力資源管理方法包括:取得關聯於員工之特徵參數,依據特徵參數運行基於機器學習的預測演算法以產生人力資源指數,以及運行分類程序以將人力資源指數轉換為可識別資訊。
Description
本發明涉及人力資源的資料分析領域,特別是一種應用於人力資源管理的系統及其方法。
傳統上,人力資源(Human Resource,HR)部門依靠同儕評審,個人訪談等來評估員工當前的工作滿意度。並且相同的輸入也可用於預測人力資源指數如未來的工作績效,辭職機率,工作任期(工作中的年數)等。
假設我們想要預測員工當前的工作滿意度,辭職機率或其他所需的人力資源指數。傳統方法的一個範例可能是:假設一個特定因素(例如:該員工所服務的部門)與人力資源指數(例如辭職機率)相關;平均同一因素中所有員工的歷史人力資源指數;對具有相同因素的所有員工使用前面歸納得出的歷史人力資源指數。然而,這種方式得出的人力資源指數並不夠個性化。
更個性化的方法可以增加額外的面對面訪談步驟,以調整具有相同因素的所有員工的歷史人力資源指數,從而為每個不同的個體產生不同的人力資源指數。然而,這種面對面採訪的額外步驟可能會引入個人的主觀偏見。
另外,人力資源人員的能力有限,因此評估或預測可能不會考慮額外的輸入,例如工作等級、工作類別、員工數量統計、履歷以及工作內容描述等。即使所有輸入都由人力資源人員審查,人類進行的評估或預測可能不夠客觀。因此,需要一種人力資源管理系統,其能夠採取各種輸入,自動加權其相關性或丟棄不相關的輸入,並客觀地評估或預測每個僱員的期望人力資源指數,以及將此人力資源指數轉換為人力資源人員可理解的形式。
有鑑於此,本發明提出一種人力資源管理系統及其方法,藉此解決上述提及的問題並滿足上述提及的需求。
本發明一實施例的人力資源管理方法包括:取得關聯於員工之特徵參數,依據特徵參數運行基於機器學習的預測演算法以產生人力資源指數;以及運行一分類程序以將人力資源指數轉換為可識別資訊。
本發明一實施例敘述的人力資源管理系統包括:人力資源資料庫,儲存關聯於每一個員工的多個特徵參數;儲存裝置,儲存多個指令;以及一或多個處理裝置,通訊連接人力資源資料庫及儲存裝置,所述一或多個處理裝置用於執行上述指令並引發多個操作,這些操作包括:取得關聯於員工之特徵參數;依據特徵參數運行基於機器學習的預測演算法以產生人力資源指數;以及運行分類程序以將人力資源指數轉換為可識別資訊。
綜上所述,為克服以往的人力資源管理僅參照一個或有限數量的因素的缺點,本發明提出的人力資源管理系統及其方法係基於機器學習(Machine Learning)的方法參照多種因素,因此可節省人力資源人員根據多種特徵參數進行判斷的腦力與時間,同時也避免同個員工的特徵參數由於不同人力資源人員的主觀偏見而有不一致的判斷結果,本發明自動加權這些因素的相關性或丟棄不相關的因素,並且將預測的人力資源指數轉換為人力資源人員容易理解並且可採用的可識別資訊,同時可節省人力資源指數的儲存空間。
以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理,並且提供本發明之專利申請範圍更進一步之解釋。
以下在實施方式中詳細敘述本發明之詳細特徵以及優點,其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施,且根據本說明書所揭露之內容、申請專利範圍及圖式,任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點,但非以任何觀點限制本發明之範疇。
請參考圖1,圖1繪示本發明一實施例的人力資源管理系統的方塊架構圖。如圖1所示,所述的人力資源管理系統10,包括:人力資源資料庫1、儲存裝置3以及處理裝置5。處理裝置5電性連接人力資源資料庫1及非暫時性機器可讀儲存裝置3。
人力資源資料庫1儲存關聯於每一個員工的多個特徵參數。所述的特徵參數可分為數值形式以及文字形式,前者例如:年資、職級、學歷、年齡、前次考績、身體檢查指數等;後者例如:履歷自傳、工作經歷、工作內容描述等文字資料的關鍵字。
儲存裝置3可儲存多個指令。儲存裝置3例如記憶體或硬碟,本發明不限制儲存裝置3的硬體類型。
處理裝置5讀取儲存裝置3內存放的多個指令並執行之,藉此引發多個操作。於一實施例中,處理裝置5例如係一微處理器或中央處理器,本發明對此不予限制。需注意的是,圖1所繪示的處理裝置5僅為範例而非用以限制處理裝置5的數量。關於處理裝置5引發的多個操作將配合圖2詳述如下。
需注意的是,在本發明其他實施例中,人力資源管理系統10可以軟體方式呈現,例如:作為現有的人力資源管理軟體的插件(plug-in)或擴充功能(extension);或是作為單獨的人力資源管理軟體,從人力資源資料庫1或其他人力資源管理系統擷取資料並執行其任務。
請參考圖2,其繪示本發明一實施例的人力資源預測方法的流程圖。
請參考步驟S1,取得關聯於員工之特徵參數。舉體來說,處理裝置5依據人力資源管理人員選擇的特定員工,從人力資源資料庫1中取得該員工的特徵參數。
請參考步驟S2,依據特徵參數運行基於機器學習的預測演算法以產生人力資源指數(Human Resource Index)。所述的人力資源指數例如:辭職機率、考績分數、期望在職時間或員工滿意度,下文以辭職機率為例說明。
所述的預測演算法,可以整合多個特徵參數並預測辭職機率。實務上,預測演算法例如採用自適應增強(Adaptive Boost,AdaBoost)演算法、決策樹演算法、或隨機森林演算法。由於AdaBoost演算法可自動調整權重和過濾特徵參數,將對於辭職機率鑑別度高的特徵參數在預測中被提高權重,鑑別度低的特徵參數在預測中被減少權重或被捨棄,因此下文中將以AdaBoost演算法為例說明。
所述的機器學習係指預先進行訓練。在訓練階段,依據記錄於人力資源資料庫1的多名已離職員工和多名仍在職員工個別的特徵參數執行AdaBoost演算法以進行訓練,藉此學習如何過濾和加權輸入的特徵參數,並且輸出對應的人力資源指數值(即辭職機率)。在上線運行階段,即步驟S2,處理裝置5依據給定指定員工的特徵參數運行經過訓練的AdaBoost演算法以產生辭職機率值(或向量)。
請參考步驟S3,運行分類程序以將人力資源指數轉換為可識別資訊。詳言之,分類程序依據人力資源指數對應的多個區間的其中一者產生可識別資訊。假設在步驟S2得到的辭職機率為0.505278,人力資源人員並無法從這種數字直接解釋出任何意義。因此,需要將此預測到的辭職機率值轉換為可識別資訊。轉換後的可識別資訊有助於人力資源部門了解預測結果的含義,也可以整合到人力資源管理的工作流程中,並被儲存到人力資源資料庫1作為日後的參考資料。實務上,分類程序可將AdaBoost演算法產生的辭職機率轉換為下列五個等級:等級一代表「極可能留職」,等級二代表「可能留職」,等級三代表「一般」,等級四代表「可能辭職」,等級五代表「極可能辭職」。上述五個等級即為所述的可識別資訊。
請參考圖3,其係繪示五個辭職等級、每個辭職機率區間以及人數統計的直方圖。詳言之,在轉換等級之前,必須先決定每個等級的區間邊界值。若可識別資訊為五個辭職等級,則需決定四個區間邊界值。因此,運算裝置5基於訓練階段所得到的多個歷史辭職機率值由大到小進行排序,並標示對應於每個歷史辭職機率的員工的實際狀況(是否辭職)。運算裝置5接著調整四個區間邊界值的其中二個,使得等級一和等級五的準確率高於80%(該準確率亦可根據需求調整),同時這兩個等級的人數大於一最小區間累計人數,藉此避免區間邊界值被調整得過高或過低,以致於後續分類程序實際運行時沒有一個人被分類到等級一或等級五。依此類推,運算裝置5調整四個區間邊界值的另外兩個使得等級二和等級四的準確率高於70%(該準確率亦可根據需求調整),同時這兩個等級的累計人數不得少於另一最小人數值。運算裝置5調整完四個區間邊界值後,位於等級二和等級四之間的辭職機率區間則被歸類於等級三。
按照上述調整方式,實務上,運算裝置5得到的區間邊界值大約是取排序過後的機率值的前10%、30%、70%、90%。因此,運算裝置5將對應於前10%、前30%、前70%及前90%的辭職機率值作為區間邊界值。高於前10%的辭職機率值將被轉換為等級五,在前10~30%的辭職機率值將被轉換為等級四,依此類推,可以獲得所有歷史辭職機率值的等級分佈,如圖3所示。
在得到上述五個等級的區間邊界值後,便可將步驟S2獲得的辭職機率轉換為五個辭職等級其中之一。使得主管或是人力資源人員更容易地理解每個員工的狀況,進一步針對被歸類為「可能辭職」或「極可能辭職」的員工採取必要的措施。例如主動邀請訪談、調整薪酬、提供更多工作資源等。
實務上,本發明一實施例提出的人力資源管理系統可根據每年、每季、或每月的所有員工的在職情況調整前述的區間邊界值,以提升步驟S3的分類精確度。
綜合以上所述,與傳統人力資源管理方法相比,本發明提出的人力資源管理方法能夠採用多種形式的人力資源特徵參數因素作為訓練資料,並以基於機器學習的預測演算法配合分類程序產生供人力資源人員易於實際運用的可理解資訊,因此可節省人力資源人員根據多種特徵參數進行判斷的腦力與時間,同時也避免同個員工的特徵參數由於不同人力資源人員的主觀偏見而有不一致的判斷結果。本發明除了可用於預測每個員工的辭職等級外,亦可用於預測求職者的預期在職長度以及考績分數。透過這些預測的可識別資訊,在人力資源管理上可達到履歷快速篩選的效果,也可以適應性地採取必要措施以提升雇主跟員工雙方的滿意度,轉換後的可識別資訊亦節省了人力資源資料庫的儲存空間。
雖然本發明以前述之實施例揭露如上,然其並非用以限定本發明。在不脫離本發明之精神和範圍內,所為之更動與潤飾,均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。
10:人力資源管理系統
1:人力資源資料庫
3:儲存裝置
5:處理裝置
S1~S3:步驟
圖1係依據本發明一實施例的人力資源管理系統所繪示的架構圖。
圖2係依據本發明一實施例的人力資源管理方法所繪示的流程圖。
圖3係繪示辭職等級與人數統計的直方圖。
S1~S3:步驟
Claims (10)
- 一種人力資源管理方法,包括:取得關聯於一員工之一特徵參數;依據該特徵參數運行基於機器學習的一預測演算法以產生一人力資源指數;以及運行一分類程序以將該人力資源指數轉換為一可識別資訊。
- 如請求項1所述的人力資源管理方法,其中該分類程序包括:排序複數個歷史人力資源指數並標註每一該些歷史人力資源指數之一預測結果;依據該些歷史人力資源指數、一預測準確率及一區間累計人數調整多個區間之邊界值;以及依據該人力資源指數對應於該些區間的其中一者產生該可識別資訊。
- 如請求項1所述的人力資源管理方法,其中該特徵參數包括下列一或數者:年資、職級、學歷、年齡及前次考績與履歷自傳、工作經歷及工作內容描述之關鍵字。
- 如請求項1所述的人力資源管理方法,其中該預測演算法係自適應增強(adaptive boost)演算法、決策樹演算法、或隨機森林演算法。
- 如請求項1所述的人力資源管理方法,其中該人力資源指數包括:辭職機率、考績分數、期望在職時間或員工滿意度。
- 一種人力資源管理系統,包括:一人力資源資料庫,儲存關聯於多個員工之每一個員工的多個特徵參數;一儲存裝置,用於儲存多個指令;以及一或多個處理裝置,電性連接該人力資源資料庫及該儲存裝置,該一或多個處理裝置用於執行該些指令並引發多個操作,該些操作包括:取得關聯於一員工之一特徵參數;依據該特徵參數運行基於機器學習的一預測演算法以產生一人力資源指數;以及運行一分類程序以將該人力資源指數轉換為一可識別資訊。
- 如請求項1所述的人力資源管理系統,其中該分類程序包括:排序複數個歷史人力資源指數並標註每一該些歷史人力資源指數之一預測結果;依據該些歷史人力資源指數、一預測準確率及一區間累計人數調整多個區間之邊界值;以及依據該人力資源指數對應於該些區間的其中一者產生該可識別資訊。
- 如請求項1所述的人力資源管理系統,其中該特徵參數包括下列一或數者:年資、職級、學歷、年齡及前次考績與履歷自傳、工作經歷及工作內容描述之關鍵字。
- 如請求項1所述的人力資源管理系統,其中該預測演算法係自適應增強(adaptive boost)演算法、決策樹演算法、或隨機森林演算法。
- 如請求項1所述的人力資源管理系統,其中該人力資源指數包括:辭職機率、考績分數、期望在職時間或員工滿意度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108133437A TW202113699A (zh) | 2019-09-17 | 2019-09-17 | 人力資源管理系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108133437A TW202113699A (zh) | 2019-09-17 | 2019-09-17 | 人力資源管理系統及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202113699A true TW202113699A (zh) | 2021-04-01 |
Family
ID=76604244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108133437A TW202113699A (zh) | 2019-09-17 | 2019-09-17 | 人力資源管理系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW202113699A (zh) |
-
2019
- 2019-09-17 TW TW108133437A patent/TW202113699A/zh unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10685329B2 (en) | Model-driven evaluator bias detection | |
WO2021155706A1 (zh) | 利用不平衡正负样本对业务预测模型训练的方法及装置 | |
Pena et al. | Bias in multimodal AI: Testbed for fair automatic recruitment | |
WO2020253503A1 (zh) | 人才画像的生成方法、装置、设备及存储介质 | |
JP6182279B2 (ja) | データ分析システム、データ分析方法、データ分析プログラム、および、記録媒体 | |
US20230043174A1 (en) | Method for pushing anchor information, computer device, and storage medium | |
KR101961144B1 (ko) | 국가직무능력표준 기반 직무적합 매칭 시스템 및 그 방법 | |
CN106303113B (zh) | 一种分流方法和设备 | |
US10706359B2 (en) | Method and system for generating predictive models for scoring and prioritizing leads | |
CN112488437A (zh) | 人力资源管理系统及其方法 | |
CN110569356A (zh) | 基于智能面试交互系统的面试方法、装置和计算机设备 | |
WO2020042584A1 (zh) | 非绩优人员培训方法、系统、计算机装置及存储介质 | |
WO2021042842A1 (zh) | 基于ai面试系统的面试方法、装置和计算机设备 | |
US20210208942A1 (en) | Machine Learning Task Compartmentalization And Classification | |
CN110399467A (zh) | 提供用于自然语言问答系统的训练数据的方法和设备 | |
CN112488507A (zh) | 一种基于聚类的专家分类画像方法、装置及存储介质 | |
CN113077196A (zh) | 纠纷事件处理方法、装置、可读存储介质及计算机设备 | |
Srinivas et al. | An implementation of subsidy prediction system using machine learning logistical regression algorithm | |
WO2016203652A1 (ja) | データ分析に係るシステム、制御方法、制御プログラム、および、その記録媒体 | |
US20220404778A1 (en) | Intellectual quality management method, electronic device and computer readable storage medium | |
TW202113699A (zh) | 人力資源管理系統及其方法 | |
CN111353728A (zh) | 一种风险分析方法和系统 | |
US20170046397A1 (en) | Search device, search method, and non-transitory computer readable medium | |
Mahmoud et al. | Accident rates estimation modelling based on human factors using fuzzy c-means clustering algorithm | |
WO2016189605A1 (ja) | データ分析に係るシステム、制御方法、制御プログラム、および、その記録媒体 |