APP下载

企业人力资源数据挖掘技术及其应用探究

2021-12-13林坚

商场现代化 2021年21期
关键词:数据挖掘技术决策树人力资源

林坚

摘 要:为了提高人力资源工作整体质量,促使工作效率提升,运用先进技术是关键。数据挖掘技术是用于对数据进行分析的一种技术,可寻找数据规律,掌握相关经验,剖析数据特征。将其运用到人力资源工作中,可帮助提升人力资源工作的价值,并为工作的开展提供依据。基于此,本文首先对数据挖掘技术进行了介绍,并阐述了技术的运用流程。其次,介绍了人力资源数据挖掘技术的应用要点。最后,重点从人力资源模型的建立、决策树的运用两方面出发,对人力资源数据挖掘技术的应用方法进行了总结。希望本研究能够为人力资源工作者提供参考,使此项工作更加高效、高质量地开展。

关键词:人力资源;数据挖掘技术;决策树

人力资源工作,是各领域的重点工作之一。在工作的过程中,将产生大量信息,包括人才的就职、离职,以及工作信息等。上述信息,包含着大量资源,价值较高。如能够对其价值进行提取,不仅有利于发现人力资源工作状况,了解存在的问题,同样能够为未来工作的开展提供参考。数据挖掘技术,在各个领域的信息分析中均有所应用,决策树属于其中一种技术。对上述技术进行运用,有利于实现对相关数据之间联系的分析,同样有利于帮助对数据进行统计,通过系统寻找规律,通过建立模型的方式总结经验。借助分析结果开展未来的工作,能够全面提升人力资源管理的整体水平。由此可见,为了促进人力资源工作能够在未来得到更加长远的发展,有必要对数据挖掘技术的应用方法进行分析。

一、数据挖掘技术及其运用流程

1.数据挖掘技术

数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关,并通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。在实施数据挖掘之前,先制定采取什么样的步骤,每一步都做什么,达到什么样的目标是必要的,有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和数据挖掘顾问公司提供了一些数据挖掘过程模型,来指导他们的用户一步步地进行数据挖掘工作。比如,SPSS公司的5A和SAS公司的SEMMA。

2.数据挖掘技术的运用流程

(1) 定义问题。上述问题,属于在数据挖掘技术使用过程中需要关注的主要问题。所谓定义,指的是有关人员首先需要掌握即将挖掘的技术,并且了解数据的类型,了解本次的目的。在了解上述内容后,需要明确数据挖掘的目标。以目标为导向,展开相应活动,才能够更大程度上改善数据挖掘效果,使数据的价值能够充分发挥。

(2) 建立数据挖掘库。在定义完成之后,有关人员需要对数据进行整理,并且根据整理结果,建立相关挖掘库。在此期间,应当注意对数据进行描述,并评估其质量。结合评估结果,开展数据整合,最终所建立的挖掘库才能够更加具有代表性以及完善性。

(3) 分析数据。对数据进行分析,是利用数据挖掘技术的关键流程之一。数据分析的目标,在于找到其中的规律,并且借助规律完成相关任务,达到一定目标。以往的人工数据分析方法较为落后,且效率低,因此工作人员需要选择信息化软件,实现自动化的数据分析,基于软件的协助,而使分析结果更加准确,使分析过程更加便利与高效。

(4) 准备数据。这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分:选择变量、选择记录、创建新变量、转换变量。

(5) 建立模型。建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型,然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集,称为验证集,因为测试集可能受模型特性的影响,这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分,一个用于模型训练,另一个用于模型测试。

(6) 评价模型。模型建立好之后,必须评价得到的结果,解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中,需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明,有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定,因此直接在现实世界中测试模型很重要。先在小范围內应用,取得测试数据,觉得满意之后再向大范围推广。

(7) 实施。模型建立并经验证之后,可以有两种主要的使用方法。第一种是提供给分析人员做参考;第二种是把此模型应用到不同的数据集上。

二、人力资源数据挖掘技术的应用要点

1.注重弹性

人力资源数据挖掘技术的应用要点之一,便在于注重弹性。所谓弹性,指的是人力资源工作本身的弹性,同样也指领导以及员工的弹性。就工作本身而言,弹性强调按照人力资源工作的要求,对自身的工作模式进行改变,从而适应要求,审时度势,保证工作与当前情况相互适应。就领导而言,弹性指的是对自身雇用风格以及态度进行改变。在不同的时期,一个行业或企业均会在用人需求方面发生不同的变化。而上述变化,决定着领导务必调整自身所形成的雇用习惯,并适应当前的变化,才能够更大程度上保证雇用效果。领导的弹性,便体现在上述过程中。就员工而言,弹性指的是能够结合团队的目标,以及整体发展方向,对自身的技能以及素质进行改变,对自身发展方向进行调整的过程。具有弹性的员工,其本身的发展方向能够长期与团队方向相符,这对于团队任务以及预期目标的达成具有重要价值。在数据挖掘的过程中,需要掌握上述几方面主体的规律,明确过去一段时间内的雇用以及人员工作状况,从而保证弹性。

2.减少限制

减少限制,同样是人力资源数据挖掘技术的应用要点。所谓减少限制,指的是在人力资源工作中,避免过多阻碍出现。通常情况下,人力资源工作,强调对人际关系进行调整,在团队内部通过建立和谐的人际关系,调节氛围,促使团队成员能够相互协作,共同进步。但在运用数据挖掘技术后,人际关系不再是限制人力资源工作的主要问题,团队成员之间会以完成某项任务为目的,自然而然地相互组合,相互协作,而非出于维持人际关系或出于考虑到以往的关系而相互协作。此时,人力资源组织将由复杂化转变为简单化,由金字塔转变为扁平化。基于数据挖掘技术的人力资源工作,之所以能够实现上述目标,是因为上述技术可帮助寻找事物之间的内在联系,了解完成一项工作所需要的流程以及基础,因此任务的完成将更加便利,团队内的人力资源也将充分发挥价值。

三、人力资源数据挖掘技术的应用方法

将数据挖掘技术应用到人力资源工作中,建立相关模型,并以决策树为基础对人力资源工作进行开展是提高工作质量的关键。具体方法如下:

1.建立人力资源模型

数据挖掘技术的应用流程中,最为重要的一点便是对模型进行建立。考虑到人力资源工作的内容,基于流动率、劳动成本、劳动力规划以及雇员开发等建立相关模型,是当前工作的要点。

(1) 流动率模型

团队运行的过程中,雇员出现流动是常见现象,如何将流动率控制在一定范围内,是人力资源工作者应当注重的主要问题。而为了达到这一目的,人力资源工作者,务必了解雇员流动的原因,同时学会对流动趋势进行预测。可以从性别、年龄以及岗位或工龄等多方面出发,借助数据挖掘技术,建立相关模型。具体如下:

离职率=(离职数/总人数)×100%

新进率=(新进数/总人数)×100%

上述模型中:

总人数=(月/年初员工数+月/年末员工数)/2

建立上述模型后,需要对其进行评价。可以从团队本身所属的行业、薪资待遇,以及团队氛围与文化等方面出发,分析流动率影响因素。也可以从员工的性别、年龄、工龄等角度出发,分析影响因素。上述各项因素相互集合,整体上会对员工的企业认同感产生影响,同样,如员工认为此岗位不符合自身的职业发展规划,或对当前生活状况的要求,同样会出现流动现象。

掌握团队内部存在的问题后,需要将其与同行业的基本情况进行对比。如团队本身流动率低于行业平均水平,则说明人力资源工作质量尚可,可维持当前的工作方案。但如通过对比发现,本团队流动率高于行业平均水平,则说明需要从内部出发,调整人力资源工作模式。通过增加薪资、建立人性化团队文化、改善工作环境等多种手段留住人才,降低流动率。

(2) 劳动成本模型

劳动力成本,是人力资源成本中的重点,一般包括招聘成本、培训成本、离职补偿、薪酬成本等内容。如何在满足员工基本需求的情况下,将上述成本降低,是促使经济效益提升的关键。对此,有关人员可以基于数据挖掘技术,建立劳动力成本模型,从而实现对此类成本的分析,为成本的降低奠定基础。具体模型如下:

招聘成本=劳务费+管理费+业务费

培训成本=培训者的薪酬+被培训者在培训期间离职所产生的费用损失+由于被培训者本身能力不足而导致延长培训时间所带来的成本+管理费

离职补偿=按《劳动法》规定对离职员工给予的补偿

薪酬成本=为员工所发放的薪酬

基于上述信息,人力资源管理者可以以数据挖掘技术为依托,对员工的各项数据进行统计。可以将绩效、事故以及风险等加入到模型判定以及分析的范围内,结合分析结果,了解影响效益的因素。在此基础上,通过相关算法对以往的经验进行学习,并采取措施对风险进行处理,使劳动成本尽可能减小,经济效益尽可能得到进一步提升。采用上述方法对数据挖掘技术进行应用,对人力资源整体效果的改善具有重要价值。

(3) 劳动力规划模型

劳动力规划模型,指的是人力资源工作者在了解当前劳动力需求的基础上,按照其需求,对其进行持续管理的过程。其主要目的,在于保证劳动力的稳定性,降低流失率。另外,结合目前团队劳动力数量的要求,制定未来的工作规划。建立劳动力规划模型,有利于帮助团队長期具有人力资源支持,避免出现资源亏空的现象,同样有利于帮助业务扩展,这对其竞争力的提升具有重要价值。

劳动力规划模型,主要由三部分构成,分别为保证人员充足、保证生产力、保证竞争力。在数据挖掘技术的支持下,上述三项目的均能够达成,而劳动力也将发挥更大的价值。具体如下:①就人员数量而言,人力资源工作者,需要借助数据挖掘技术,对其过去、现在、未来三个时间段的数量、需求量进行分析。而分析的过程,也需要与当前的业务量、市场劳动力总量等相互适应。如发现虽然目前的劳动力数量可满足业务需求,但在未来,随着市场规模的扩大,存在增加劳动力的需求。此时,则需要通过招聘等方式,增加人力资源总量,为未来打下基础。②生产力与竞争力。劳动力的数量与生产力呈正相关,但部分情况下,劳动力的能力也会对生产力产生影响。因此,在劳动力规划的过程中,需要保证劳动力能力符合岗位需求,以全面提升生产力。

(4) 雇员开发模型

所谓雇员开发模型,指的是为了使雇员能够得到更好的发展,而在其任职期间不断增强其技能、优化知识结构的一种模型,其目的同样在于使雇员能够稳定在企业内发挥价值。上述对雇员进行控制的过程,称为雇员开发。

雇员开发模型,主要由三部分构成,分别为成本、利用率、培训。具体如下:①成本:雇员开发的过程中,含有对其进行培养的过程。而上述过程,通常会带来一定成本。在人力资源工作中,工作者必须结合数据挖掘技术,对以往的开发模式进行分析。基于以往的模式,采取优化的措施,展开开发过程,保证收益高于成本。反之,一旦收益低于成本,则不建议开设四方面内容。②利用率:从利用率的角度分析,不同的人才,其本身所具备的技能均存在一定差异,如何对其进行合理利用,是决定人才能否充分发挥其价值的关键。因此,需要在入职期间,对人才进行评估,使人尽其用,提高人才利用率。③培训:为了提高雇员开发效率,在培训的过程中,应当保证具有针对性。可以首先对培训者进行考核,找到其弱点,并针对弱点重点培训,针对优势适当培训。另外,还需要观察培训是否取得了效果。

2.基于决策树的人力资源分析

决策树属于数据挖掘技术中的一种,将其运用到人力资源分析中,结合模型对人力资源工作提供经验,可有效保证此项工作顺利开展。

(1) 应用流程

采用决策树对人力资源进行分析的过程中,其流程与数据挖掘技术的应用流程具有一致性,分别为定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型、实施。具体如下:①定义问题:人力资源管理者可将问题定义为“如何降低雇员的流动率”、“如何对雇员进行充分开发,使其能够为岗位以及团队提供更大的价值”。②建立数据挖掘库:在此流程中,人力资源管理者需要确定集合,将所有雇员视为一个系统,同时将其分为两大集合,分别为集合A与集合B。两个集合之中,前者是新员工,后者为老员工,两者相互独立。③准备数据:确定集合后,需要准备相关数据,分别对两者的各项特征进行获取,具体包括年龄、流动情况、岗位等。上述数据,均需要以量化的形式呈现。④建立模型:可建立两大模型,分别为流动率模型,以及雇员开发模型。⑤评价模型:在建立模型后,应对其进行评价。员工的流动率,与团队本身薪资水平无法满足其需求、缺少足够的晋升空间、员工本身居住地点偏远等因素有关。雇员开发效果差,与团队缺少培训、招聘与选拔缺乏针对性等因素有关。⑥实施:在实施的过程中,需要建立决策树。以流动率为例,从员工角度分析的决策树见下图。

基于流动率的决策树图

建立决策树后,人力资源管理者,需要据此实现对员工心理的分析,因此也就能够制定相关方案,帮助降低流动率。如:适当提升薪资水平、尽可能满足员工的通勤需求、保证通信效率,以及为其提供更多福利,创造更加人性化的企业文化等。上述决策的落实,均可有效达到增强员工粘性的目的,且具有可行性。

(2) 应用要点

基于数据挖掘技术的决策树在人力资源分析中的应用要点,体现在三方面,第一方面为分类,第二方面则为识别,第三方面为决策属性。具体如下:①分类:在团队当中,不同的员工通常具有不同特征,其处于团队中的目的,以及对团队的要求同样不同。如将其统一整理为同一类型,则难以实现对数据的精准挖掘,从而导致人力资源工作者无法准确掌握其特征,因此也就难以制定针对性的方案,对其进行管理。而做好分类工作,则能够有效提高数据挖掘的清晰度,对人力资源分析结果准确性的提升具有重要价值。②识别:在对人力资源进行分析的过程中,对不同特征进行识别,具有一定重要性。以流动率为例:影响流动率的因素较多,但并非所有因素均处于重要地位,部分因素对于员工而言可能较为关键。针对上述类型的因素,应当重点关注,并采取措施满足员工需求,从而利用较高的效率,以及较为便利的手段,达到提高人力资源工作质量的目的。③决策属性:掌握决策属性,是人力资源数据挖掘技术应用的关键,同样是保证基于决策树的人力资源分析具有客观性的主要因素。决策属性一般可分为多个模块,分别为基础信息模块、招聘模块、离职模块、绩效以及薪资培训模块等。上述模块中,均包含不同的信息以及数据,而以上数据,均属于挖掘过程中的重点。以招聘为例:对于人力资源工作者而言,如未做好招聘工作,容易导致雇员开发效果减弱,不利于其价值的精准发挥。而招聘模块中的决策属性,通常包括职业倾向、性格特征、团队协作能力、学历水平、工作经验等。人力资源工作者,需要重视上述因素,对其进行分别挖掘以及统计,保证人力资源工作质量。

四、结论

综上所述,本文针对人力资源数据挖掘技术及其应用的研究,为有关领域提供了参考,有利于帮助找到人力资源信息中的价值,明确工作目标以及方向,掌握工作思路,全面提升人力资源工作的整体质量。未来建议人力资源管理者加强对此项工作的分析,在此基础上对数据挖掘技术进行应用。在分析问题的基础上,对数据进行整理以及统计,并建立相关模型,最终完成分析过程。结合分析结果,为未来的人力资源工作提供参考。另外,人力资源工作者同样需要学会针对流动率、劳动成本、劳动力规划等建立相关模型,同时利用决策树的方式,对当前的工作情况进行分析,并基于未来的发展提出相关对策。

参考文献:

[1]张雷雷.基于大数据挖掘的航空科研院所技术人才服务中心建设研究[J].现代商业,2021(14):75-77.

[2]徐军委,刘长胜.基于人工智能和深度数据分析技术的考评系统设计[J].电子设计工程,2021,29(06):179-183.

[3]谢琦.大数据挖掘技术下的企业人力资源管理策略[J].人力资源,2021(04):16-17.

[4]吴一梦.基于大数据挖掘技术的企业人力資源管理系统及实现研究[J].无线互联科技,2020,17(14):29-30.

[5]门学林.大数据背景下数据挖掘技术在管理会计中的运用[J].当代会计,2020(11):3-4.

[6]刘伊.数据挖掘背景下企业人力资源管理变革的方向探究[J].智库时代,2019(36):167+174.

[7]孙明标.基于大数据挖掘技术下的企业人力资源管理研究[J].现代营销(下旬刊),2018(01):166.

猜你喜欢

数据挖掘技术决策树人力资源
山东青岛市张远问:经营性人力资源服务机构具体指什么
简述一种基于C4.5的随机决策树集成分类算法设计
决策树学习的剪枝方法
基于Web的数据挖掘技术与相关研究
关于我国民营企业人力资源开发现状与对策的思考
人力资源管理统计学
决策树在施工项目管理中的应用