基于大数据的人才队伍的多维属性评估方法构建

打开文本图片集

摘要：为推进营销服务数字化转型，全面支撑建立以客户为中心的现代服务体系。浙江电网创新基地基于员工的基础数据信息、能力数据信息、评测收集信息等数据，借助因子分析模型，构建一套适用于创新基地员工多维属性的分析方法体系。结合创新基地的“互联网+营销”人才队伍建设场景，开展创新型人才选拔、人才培养等业务落地实施工作。

关键词：人才选拔;建模;评估方法;用户标签

Abstract： Promote the digital transformation of marketing services， supporting the establishment of a customer-centered modern service system. Base on Zhejiang Electric Power Company Data Information， Capability data information， Assessment and collection of data and information etc.With factor analysis model， form a set of analysis method system suitable for multi-dimensional attributes of employees in innovation base. Combined with the construction of "Internet + marketing" talent team in the innovation base， Carry out innovative talent selection， personnel training and other business implementation.

Keywords： talent selection ，modeling ，evaluation method， user label

引言

为深入贯彻党的“十九大”精神，落实国家电网公司2018年“两会”工作要求，推进营销服务数字化转型，国网浙江省电力有限公司创新基地担负着建设 “互联网+营销”人才队伍的重任，对促进国网浙江省电力有限公司的数字化转型有重要作用。但在快速变化的互联网环境中，对人才需求越来越精准，人力资源规划与社会发展趋势脱节，人才能力难以考核评估，传统的人才选拔制度已无法满足创新型人才的选拔和培养。

进一步促进创新基地人才队伍的建设及选拔，国网浙江省电力有限公司创新基地将基于大数据技术和算法模型，以员工能力为主题，构建出一套科学可行的员工属性评估分析方法体系，并以该方法体系构建创新基地人才全景视图，进而，围绕创新基地的人才队伍建设工作场景，构建人才队伍行动落地方法。

1人才队伍的多维属性评估方法概述

1.1概述

在传统的人才选拔维度中，国网浙江省电力有限公司各基层单位以各自实际需求为出发，形成对不同人才需要的标签体系，但这对于创新基地来说，各基层单位信息分散且不全面。国网浙江省电力有限公司互联网创新基地的主要员工队伍是由

省公司员工、市县分公司借调员工和第三方公司员工组成，存在员工归属感差、抽调员工能力参差不齐、创新基地对于抽调员工的能力评估比较浅层等问题。这给创新基地的人员选拔和培养带来了困扰。同时， 随着互联网的快速发展，人力资源的需求也越来越精細化，如何全面、快速、精准的对员工能力、性格和行为进行判断，是当前人力资源发展的方向，也是创新基地未来人力资源建设的发展方向。

因此，需要建立一套科学、可行的人才队伍建设方法体系、并能够以该方法体系为理论基础，开展创新基地的人才队伍建设落地工作。本研究将针对员工不同能力评估维度，设计从数据采集、模型构建到成果输出一系列流程，实现对员工的多维属性评估能力分析。

1.2作用

人才队伍的多维属性评估方法，应用因子分析、同质性分析、聚类、关联规则等算法模型，对创新基地员工的各类属性进行评估，根据评估结果构建员工的全景视图，进而实现对人才队伍的多维属性评估。以服务创新产品研发为目标，打造懂营销业务、懂互联网创新、懂数据分析、具备项目管理和产品运营能力的复合型人才梯队，推进营销服务数字化转型，全面支撑以客户为中心的现代服务体系和以电为核心的现代能源消费体系新业态发展。

2大数据技术介绍

人才队伍的多维属性评估方法主要用到以下大数据技术及模型：

2.1因子分析法

因子分析法主要是通过因子变量的相关性，通过正交、旋转方法得出因子变量的标准评分系数，进而求得员工能力公因子的得分，最后通过排序，得到员工的综合能力排名。因子分析法的具体计算过程如下：

（1）将原始数据标准化，以消除变量间在数量级和量纲上的不同。

（2）求标准化数据的相关矩阵。

（3）求相关矩阵的特征值和特征向量。

（4）计算方差贡献率与累积方差贡献率。

（5）确定因子，设F1，F2，…，Fp为p个因子，其中前m个因子包含的数据信息总量（即其累积贡献率）不低于80%时，可取前m个因子来反应原评价指标。

（6）因子旋转，若所得的m个因子无法确定或其实际意义不是很明显，这时需将因子进行旋转以获得较为明显的实际意义。

用原指标的线性组合来求得各因子得分，采用回归估计法，Bartlett估计法计算公因子得分。

（7）综合得分，以各因子的方差贡献率为权，由各因子的线性组合得到综合评价指标函数：

其中， 为旋转前或旋转后因子的方差贡献率。

2.2改进版K均值聚类

在K均值聚类算法中，第一步是从原始数据集中挑选K个数据对象，并把它们当作初始聚类中心，接下来根据样本和聚类中心间的欧式距离，将自身归到相应的类别中，再计算形成的新类的聚类中心，重复以上过程，直到得到的评价函数收敛为止。通常，评价函数可以用簇内误差平方和表示：E= ，式中，k表示聚类的个数，P表示簇 中的数据对象， 表示聚类中心，且聚类中按照下来更新自身： 。式中， 表示数据对象的个数。

这里提出一种改进的K均值聚类算法，改进算法提供了一种确定最佳聚类数的方法，并找到最佳聚类中心。首先，算法在高密度的数据点中选出一个和聚类中心的距离最远的点，并把它看作一个新的聚类中心，放置到聚类中心的集合中对某个数据集来说，当最佳聚类数确定时，根据改进算法求出的聚类中心也是确定的，这样，算法的稳定性就会大大提高。

下面给出相关的概念定义。点密度：处在点 的r邻域内的点的数量。

式中， 表示聚类中心，r表示邻域半径。类内距离：所有处于类中的点和聚类中心间欧氏距离的平均值， 为类间距离：各个类的聚类中心间的欧氏距离值 。类间最大相似度均值（AMS）：各个类间的最大相似度的平均值。

当AMS的取值最小时，表明算法的聚类效果最好，这时最佳聚类数就是K。

2.3协同过滤算法

在人力资源推荐系统中，主要存在着两类数据：

一类是与员工相关的数据，包括员工的个人基本信息、教育经历、技能特长、工作经历、感兴趣的岗位类型、待遇要求，以及员工使用推荐系统过程中反馈的信息等。这一类统称为用户数据。

另一类是与岗位相关的数据，包括岗位的工种、工作内容、薪资、福利待遇、对应员工的基本要求等。这一类统称为项目数据。

协同过滤算法主要使用的数据是从员工兴趣信息或行为记录提取的用户-项目评分矩阵，利用用户-项目评分矩阵在评分矩阵集中寻找最相近的N个近邻，利用这N个近邻的用户，再次对所有项目进行评分，选取评分最高的N个项目推荐个用户。

3人才队伍的多维属性分析方法研究过程

3.1数据采集

根据员工能力评估需求，现采集了国网浙江省电力有限公司创新基地员工员工的各类数据信息，主要包括员工基础属性数据、创新能力测评数据、员工能力测评数据、员工考核评测数据等。主要如下：

（1）员工基础属性数据

姓名、性别、年龄、籍贯、学历、专业、毕业院校、婚姻情况、家庭住址、工作年限、岗位等。

（2）创新能力测评数据

通用技能、互联网创新、数据分析、综合技能、营销业务等。

（3）岗位能力评测数据

协调沟通能力、数据分析思维能力、项目管控能力、学习能力、产品分析能力、产品设计能力、产品运营能力、文档写作能力、领导能力、管理能力、执行力、规划能力、团队协做能力、创新能力等。

（4）考核测评数据

员工自我评价，员工面试建议和岗位考核评分等相关数据。

根据员工能力评估需求的数据维度，除了数据库存储的数据资源外，还需要通过问卷调研、技能评测、管理人员的评测等方式获取。主要分为员工基本属性表、员工能力表、员工评价表、员工岗位表。

3.2数据处理

由于采集的数据还存在重复冗余、缺失值、不一致等问题，所以，预处理阶段还需要对这些数据进行仔细分析，并根据数据中存在的具体问题设计对应的预处理规则，才能对数据进行清洗和转换，从而提高數据质量。

3.2.1结构化数据处理

在处理数据时，结构化数据是具有结构逻辑表达和实现的数据，严格地遵循数据格式与长度规范。而非结构化的数据，不规则或不完整没有预定义的数据模型，所以需要将两种数据进行分类处理，结构化数据处理方法如下：

（1）在数据采集后将采集的数据进行检测，通过预先输入数据库的特征码与采集的数据进行的特征码进行比对，将采集数据的 特征码与数据库内预存的特征码一致的数据进行列出

（2）将列出的数据进行的预存特征码 进行删除，并保留数据的其他数据源代码，将处理后的数据与原数据进行数据对比，将对比结果输出至外部设备

（3）将预存特征码删除后的数据中加入数据变形码，将处理后的数据进行变形，将变 形后的数据发送至存储数据库内进行分类，并将数据进行分类存储

（4）将原始数据发送至日志数据库，在存储数据库出现异常后，通过调取日志数据库内的原始数据，对存储数据库内的故障进行判断。

3.2非结构化数据处理

（1）标准化

数值字段“通用技能”、“互联网创新”、“数据分析”、“综合能力”和“营销业务”需对其进行标准化处理;利用“最大值-最小值”标准化方法，将得分统一为0.57、0.49、0.8、0.66和0.58;

（2）中文分词

对于自我评测或考评类文本对其进行中文分词，利用python的jieba分词（jieba.cut（text）），分别得到“本人/有/较/强/的/上进心/，/能/较/快/适应环境/，/责任心/强/，/具有/良好/的/团队/合作/精神/和/沟通/能力”;

（2）文本去噪

对文本分词的结果进行文本去燥，删除停用词（停用词词典可用网上的通用停用词点）后特征选择，利用python的CountVectorizer包，并保留词频数大于等于2的词语（CountVectorizer（min_df=2））得到结果“上进心/责任心/合作/沟通”;

（3）特征值表示

对清洗后的文本词语使用TF-IDF值进行特征表示，利用python的TfidfTransformer包，将每个词语都当作是一个特征，并用TF-IDF值作为每个员工数据对应的特征值;

（4）特征矩阵

结合处理后的员工数值型字段（“管理技能得分”和“沟通技能得分”）和长文本字段（每个员工特征的TF-IDF值）得到一个员工的特征矩阵。

3.3人才队伍多元属性评估方法体系构建

探索员工能力评估方法体系的搭建方法，主要侧重于如何通过数据、因子分析算法模型来构建创新基地员工能力分析方法体系，根据因子分析模型得出员工能力因子得分，进而根据员工能力因子得分实现员工能力分析评估。

因子分析是从众多的原始变量中重构少数几个具有代表意义的因子变量的过程。其潜在的要求：原有变量之间要具有比较强的相关性。因此，因子分析需要先进行相关性分析，计算原始变量之间的相关系数矩阵。

自变量的相关系数矩阵表示为R= ，其中，

根据以上公式计算得出能力因子变量相关性矩阵表。

基于因子分析法构建的员工能力评估模型，实现对员工每层级的能力因素进行赋值。

因子分析中，是对原始变量间的内在相关结构进行分组，相关性强的分在一组，组间相关性较弱，这样各组变量代表一个基本要素（公共因子）。通过原始变量之间的复杂关系对原始变量进行分解，得到公共因子和特殊因子。将原始变量表示成公共因子的线性组合。其中公共因子是所有原始变量中所共同具有的特征，而特殊因子则是原始变量所特有的部分。因子分析强调对新变量（因子）的实际意义的解释。

4人才队伍战略落地行动评估机制

（1）推动以第三方评估为主的专业评估模式。探索建立通过第三方对人才发展情况进行监测、分析和评估的有效办法。第三方评估有助于站在独立、第三方的立场，更加客观、全面地分析规划实施的正面、负面信息，得出能够反映实际状况，有助于改进工作，可被社会所接受的评估结论。

（2）完善包括综合评估、专项评估和政策评估的评估内容体系。人才战略实施评估内容可以分为综合评估、专项评估和政策评估三个基本类别。其中，综合评估是对人才战略规划实施、实现效果的总体评估;专项评估包括对特定人才工程或对重点人才工作的评估;政策评估则包括对各项重大人才政策实施效果的评估。

（3）构建人才战略落地行动评估相关技术支撑平台。要抓紧建立相关技术支撑平台，将一些经过评估被证明切实可用的评估数据指标固化下来，开展趋势分析和前后期比较。同时，通过技术支撑平台研发一些规划评估的关键流程、共性技术和评估工具，研究解决初次评估中存在的问题、不足和欠缺。

5结束语

本次研究把数据挖掘的理论应用到电力行业，通过模型算法实现了对创新基地员工的能力评估。

从数据角度出发，以数据挖掘理论，成功构建了一套科学可行的用于员工队伍能力评估分析方法体系。

探索员工能力评估方法体系的搭建方法，根据模型得出员工能力得分，进而实现员工能力分析评估，深入分析洞察员工的性格特质和创新思维特质，为国网浙江省电力有限公司创新基地的创新型人才选拔、岗位调配和培训课程构建等人才队伍建设工作提供了数据支撑，对推动国网浙江省电力有限公司加速实现“互联网+创新能源”建设战略目标有重要意义。通过创新管理模式，提升企业经营效益，推进内部机制创新。建立完善适应电力改革和发展要求的管理模式、考核机制，优化计划管控等专业管理方式，推动企业发展战略落地。

参考文献：

[1] 杨博，赵鹏飞.推荐算法综述[J].山西大学学报（自然科学版）.

[2] 朱扬勇，左子叶.数据挖掘实践[M].北京：机械工业出版社，2003.159-201.

[3]“互联网+电力营销”创新基地运营管理手册.

[4] 赵世.大数据结构化处理方法与流程

[5] 2018年“互联网+营销服务”创新人才能力培養体系建设探究

[6]王宪朋，基于视频大数据的用户画像构建[J].电视技术，2017，41（6）：20-23

推荐访问： 多维 人才队伍 属性 构建 评估

---