[发明专利]基于数据挖掘的职业能力指标体系构建方法

说明书

技术领域

本发明涉及信息处理领域，特别是涉及一种基于数据挖掘的职业能力指标体系构建方法。

背景技术

数据挖掘(Data Mining，DM)是目前人工智能和数据库领域研究的热点问题，所谓数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的非平凡过程。因为与数据库密切相关，又称为数据库知识发现(Knowledge Discovery in Databases，KDD)，就是将高级智能计算技术应用于大量数据中，让计算机在有人或无人指导的情况下从海量数据中发现潜在的，有用的模式(也叫知识)。数据挖掘是一种决策支持过程，它主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整市场策略，减少风险，做出正确的决策。

数据挖掘是通过分析每个数据，从大量数据中寻找其规律的技术，主要有数据准备、规律寻找和规律表示3个步骤。数据准备是从相关的数据源中选取所需的数据并整合成用于数据挖掘的数据集；规律寻找是用某种方法将数据集所含的规律找出来；规律表示是尽可能以用户可理解的方式(如可视化)将找出的规律表示出来。

近年来中国企业岗位招聘的需求快速增长，而同时每年有几千万的求职者应聘岗位。但企业在抱怨招不到合适的人员，求职者也在抱怨找不到合适的工作。如何从海量的求职者中找到合适的人才是我们目前需要解决的重要问题。职业能力测评是解决这一问题的根本方法，企业可根据求职者的职业能力测评结果进行筛选，找到适合企业的人选。求职者也可以通过职业能力测评对自己的能力水平做出评价，做出合理的求职预期。

职业能力测评是一项非常复杂的工作，涉及和行业和岗位广泛，测评的内容和因素众多。由于测评主体的价值观、经验、专业及测评视角的不同，在测评时难免会出现仁者见仁、智者见智的情况。因此，建立职业能力指标体系，一方面可以统一评价标准，有效克服测评主体的随意性，提高人才测评的客观性和科学性；另一方面有利于测评主体深化对员工和工作的认识。

为了使指标体系科学化、规范化，在构建指标体系时，应遵循以下原则：

●简明科学性原则。职业能力指标体系的设计及评价指标的选择必须以科学性为原则，能客观真实地反映测评者的职业能力水平，能客观全面反映出各指标之间的真实关系。职业能力指标体系应该具有典型代表性，不能过多过细，使指标过于繁琐，相互重叠，指标又不能过少过简，避免指标信息遗漏，出现错误、不真实现象，并且数据易获且计算方法简明易懂。

●系统性原则。各指标之问要有一定的逻辑关系，它们不但要从不同的侧面反映出测评者的职业能力水平，而且还要反映各职业能力的内在联系。每一个子系统由一组指标构成，各指标之间相互独立，又彼此联系，共同构成一个有机统一体。指标体系的构建具有层次性，自上而下，从宏观到微观层层深入，形成一个不可分割的评价体系。

●典型性原则。务必确保评价指标具有一定的典型代表性，尽可能该岗位真实的职业能力需求。另外，评价指标体系的设置、权重在各指标问的分配及评价标准的划分都应该该岗位的真实职业能力需求相吻合。

●动态性原则。随着社会的发展，各岗位职业能力的需求也在不断的发生着变化，所以职业能力评价的指标体系也需要随着社会的发展而变化。因此，指标体系的构建要充分考虑到社会发展给岗位需求带来的动态变化。

●可比、可操作、可量化原则。指标选择上，特别注意在总体范围内的一致性，指标体系的构建是为企业评价筛选求职者服务的，指标选取的计算量度和计算方法必须一致统一，各指标尽量简单明了、微观性强、便于收集，各指标应该要具有很强的现实可操作性和可比性。而且，选择指标时也要考虑能否进行定量处理，以便于进行数学计算和分析。

●综合性原则。对于职业能力的综合、全面评价是指标体系构建的重点。在不同层次上，全面考虑与职业能力相关的各类因素，并进行综合分析和评价。

在我国，对于人才的职业能力测评尚处于起步阶段，职业能力测评的指标体系构建尚不成熟，现有的构建方式基本上是由专家根据以往的经验和调研，人工制定测评的指标体系。

这种由专家人工制定测评指标体系的构建方式存在很多缺点：

1.很难避免专家的主观因素影响测评指标体系的内容。

2.专家的调研范围有限，很难保证构建的指标体系能够反映各个企业的真实需求。

3.专家构建指标体系需要一个周期，通常指标体系的更新需要一年甚至更长时间，很难准确的反应当前企业的人员需求。