[发明专利]员工离职预测方法以及装置

说明书

本公开提供了一种员工离职预测方法以及装置，涉及深度学习技术领域，其中方法包括：基于员工样本的离职指标数据、挽留因素和离职倾向性生成训练样本，对预设的深度学习模型进行训练获得离职预测模型，通过将被预测员工的离职指标数据输入离职预测模型，获得被预测员工的离职倾向性值和挽留因素强度。本公开的员工离职预测方法以及装置，能够预测得出离职倾向性较强的员工并结合人力资源保留策略，能够有效地支持人力资源部门进行筛选和实施有针对性的挽留措施，进而促使企业员工离职率的显著降低，用于支持人力流失和人力资源保留措施，能够节约企业的人力成本，并保障企业的正常运作或工作进展。

技术领域

本公开涉及深度学习技术领域，尤其涉及一种员工离职预测方法以及装置。

背景技术

随着国内互联网、电商人才竞争环境的白热化，业界在人力资源上的争夺日渐加强。企业在持续不断的招聘人员上花费的时间和精力，将大大增加人力资源成本。由于辞职、解雇等原因，岗位出现空缺，企业因此而调剂或招聘人员递补上岗，并为人员的重置而发生相应费用，甚为可观。如何更加合理的降低离职率，成为人力资源系统的重要课题。通过构建离职预警与人才保留模型等，可以在员工可能产生离职想法前，提前发现且给出保留策略建议，通过针对性的保留措施，如深入沟通、制定发展计划、关怀等，保留关键人才，减少优秀员工流失。

员工离职预警系统的通常有以下几点特征：问题复杂：有意识使用员工离职预警系统的通常都是大中型企业，员工多、部门多、岗位多、员工个体特征复杂等；决策支持：离职预警系统不仅要通知企业可能的人员离职风险，还要给出员工离职的主要因素及其强度，以帮助企业实施挽留措施。当前的离职预警系统具有多种缺点：模型解释能力差、准确率低、客观性较难保证、不能提供每个因素对案例离职风险的影响程度，也通常难以处理大规模数据。因此，需要一种新的关于员工离职预测的技术方案。

发明内容

有鉴于此，本发明要解决的一个技术问题是提供一种员工离职预测方法以及装置。

根据本公开的一个方面，提供一种员工离职预测方法，包括：基于与员工样本相对应的样本离职指标数据、有效挽留因素和离职倾向性生成训练样本；使用深度学习方法并基于所述训练样本对预设的深度学习模型进行训练，获得离职预测模型；将所述预设的深度学习模型更新为所述离职预测模型，通过将被预测员工的预测离职指标数据输入所述离职预测模型，获得所述被预测员工的离职倾向性值和挽留因素强度；根据所述离职倾向性值和所述挽留因素强度确定所述被预测员工的离职倾向性和离职因素。

可选地，所述基于所述训练样本对预设的深度学习模型进行训练包括：将所述样本离职指标数据作为特征数据，将与所述样本离职指标数据相对应的所述有效挽留因素、所述离职倾向性作为初始预测结果；基于所述特征数据和所述初始预测结果对所述预设的深度学习模型进行训练。

可选地，所述预设的深度学习模型包括：三层神经元模型；所述三层神经元模型包括：输入层神经元模型、中间层神经元模型和输出层神经元模型；每层神经元模型的输出作为下一层神经元模型的输入；其中，所述输入层神经元模型的神经元与所述样本离职指标数据相对应，所述输出层神经元模型的神经元与所述挽留因素、所述离职倾向性相对应。

可选地，所述三层神经元模型为具有全连接结构的多个神经网络层的子网络结构；其中，所述中间层神经元模型为全连接层。

可选地，所述员工样本包括：已离职员工和在职员工，所述基于与员工样本相对应的样本离职指标数据、有效挽留因素、离职倾向性生成训练样本包括：采集与所述已离职员工和所述在职员工相对应的所述样本离职指标数据、所述有效挽留因素和所述离职倾向性；其中，所述已离职员工数量与所述在职员工数量的比例为预设值；对所述样本离职指标数据、所述有效挽留因素和所述离职倾向性进行预处理，生成所述训练样本。