[发明专利]一种工作能力模型的构建方法、其参数计算方法，以及基于所述模型的劳动力评估预测装置

说明书

本发明提供一种预测准确度高、计算时间短、可扩展性强的在计算机环境下运行的工作能力模型构建方法、所述工作能力特征参数的计算方法，以及基于所属模型和特征参数的劳动力评估预测装置，用以更有效地分析员工工作效率、分配工作内容和绩效评价预测。通过构建工作能力模型，引入工作能力的特征参数，用以揭示员工、活动和服务时间之间的内在联系。通过计算得到工作能力的特征参数的最终值，并由此进行劳动力评估评估，包括工作绩效预测、工作能力比较和员工‑活动匹配度评估。

技术领域

本发明涉及计算机领域，尤其涉及一种工作能力模型的构建方法、其参数计算方法，以及基于所述模型的劳动力评估预测装置。

背景技术

劳动力分析是一种数据驱动的统计学习方法，它将统计模型和机器学习算法应用于与员工相关的数据日志，从而使企业组织能够优化人才库并改变人力资源管理。

与大型计算机系统中的服务器一样，员工是现代企业和组织的基本运营单位。计算机系统的性能通常基于使用一组众所周知的性能指标(例如吞吐量(throughput)和延迟(latency))的工作负载类型来衡量。然而，与计算机系统不同的是，劳动力分析需要根据员工所从事的活动和任务来预测员工的绩效是困难的，但它仍然是许多企业领导者迫切希望解决的首要问题。示例问题包括：我们无法预测一名员工在下个月可以完成多少任务，也无法预测一组三名员工是否足以完成时间敏感的任务。由于多种原因，这类员工的工作绩效预测问题显得更具挑战性。首先，与计算机服务器相比，人类行为表现出更广泛的不确定性，因为人的表现受到各种因素的影响，其中许多因素都是隐含和隐含的变量。其次，与员工绩效和满意度相关的人类行为主要受员工的个人表现，员工所能提供的工作能力和活动需要的工作能力在当前活动分配下的匹配程度等的影响，所述活动为具体的工作事务，例如核准、审批、报告撰写等。因此，简单的统计指标(例如，员工活动任务执行时间的吞吐量和延迟)并不适合作为预测员工绩效的核心指标。

由于劳动力分析问题属于基于无监督学习的预测问题，现有的方法一般分为两种：

(1)基于无监督学习方法的预测：协同过滤(CF)是最具代表性的无监督学习方法。(Advances in collaborative filtering,Recommender systems handbook，Springer,2015,pp.77–118)。我们将说明CF方法的实用性以及在这类劳动力分析问题中使用CF方法存在的隐藏问题。通常，CF方法将通过总结所有其他类似员工在此活动中的服务时间(service time)数据来预测员工的服务时间。(Collaborative filtering recommendersystems,The adaptive web.Springer,2007,pp.291–324)。衡量员工相似性的一种方法是他们在一组相同活动中的绩效的加权相似度。使用CF结合AVG(取平均数)的算法，可以通过对此活动的类似员工的服务时间数据的加权总和进行平均来预测潜在服务时间。

然而，基于无监督学习的预测公式容易受到数据影响，并且在存在偏斜分布的数据上的效果不佳。具体而言，如果一对员工之间的共同活动集合与这两个员工所进行的全部活动相比要小得多，那么在员工-活动关系中存在高度倾斜(highly skewed)的数据分布，那么这样的基于共同集合的相似度对于衡量员工在活动中表现的成对相似度而言，衡量方法是不准确和无效的。不同的员工可能以不同的服务时间执行相同的活动，并且同一员工也可能以不同的服务时间执行相同的活动。这表明工作日志中的服务时间是一个复杂的特征，由于员工与活动之间的关系非常复杂，难以揭示，因此，员工完成活动的服务时间表现出不确定性和随机性，导致预测员工在新活动上的服务时间的复杂性。因此，员工-活动-服务时间数据集中的这种高度倾斜和随机不确定性会严重降低现有方法的有效性和准确性。