一种人员绩效数据的处理方法、装置、设备及介质与流程

本发明涉及人员绩效数据，更具体地说，本发明涉及一种人员绩效数据的处理方法、装置、设备及介质。

背景技术：

1、现有的人员绩效数据处理方法通常结合了数据挖掘和机器学习技术，以实现对员工绩效评估的精确化和预测性分析。这些方法包括使用监督学习算法如回归和分类来预测绩效评级，利用无监督学习技术如聚类分析探索员工群体间的差异，以及应用关联规则学习揭示影响绩效的关键因素。同时，嵌入式特征选择和数据预处理方法有助于优化模型性能并提升数据处理效率，为人力资源管理提供科学依据和决策支持。

2、上述公开的技术方案中，至少存在如下技术问题：在现有的人力资源管理实践中，如何有效地建立员工绩效评估模型并将其应用于员工考核和招聘是一个关键问题；当前，许多组织面临着如何通过分析员工特性与绩效之间的关系来优化人才管理和提升组织绩效的问题。

3、针对上述问题，本发明提出一种解决方案。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种人员绩效数据的处理方法、装置、设备及介质，通过人员绩效数据的处理，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种人员绩效数据的处理方法，包括如下步骤：获取员工绩效数据和对应的员工特性数据集；基于方差选择法对员工的特性数据集进行筛选，得到简化的员工特性数据集；基于关联规则学习算法分析简化的员工特性数据集内员工特性的关联数据，所述关联数据；根据员工特性的关联数据筛选出绩效评估特性；根据绩效评估特性和员工绩效数据基于神经网络算法和熵权法构建员工绩效评估模型，并根据其规划员工的招收与调度策略。

4、在一个优选的实施方式中，所述获取员工绩效数据包括员工所在岗位的平均绩效和所述员工的历史绩效；所述员工特性数据集包括员工自身的若干个特性属性。

5、在一个优选的实施方式中，所述基于方差选择法对员工的特性数据集进行筛选，具体为：计算特性数据集中每种特性的特性样本方差；将所述特性样本方差与预设的筛选阈值做比较；将特性样本方差小于筛选阈值的特性筛除；将筛除后的员工特性数据集进行标准化处理，得到简化的员工特性数据集。

6、在一个优选的实施方式中，所述基于关联规则学习算法分析简化的员工特性数据集内员工特性的关联数据，具体为：所述关联数据包括集中系数、离散系数、协调系数；所述集中系数的获取方法为：通过特性的赋值均数大小评估计算集中系数；所述离散系数的获取方法为：利用特性间的标准差大小评估计算离散系数；所述协调系数的获取方法为：根据特性的归一性与变异系数的差值大小评估计算协调系数。

7、在一个优选的实施方式中，所述根据员工特性的关联数据筛选出绩效评估特性，具体为：将所述关联数据与预设的均值阈值、预设的变异系数阈值以及标准差阈值做比较；当特性满足其集中系数大于均值阈值、协调系数小于变异系数阈值时，所述特性被设为绩效评估特性；当特性不满足其集中系数大于均值阈值、协调系数小于变异系数阈值时，若离散系数小于标准差阈值时，所述特性也被设为绩效评估特性。

8、在一个优选的实施方式中，所述根据绩效评估特性和员工绩效数据基于神经网络算法和熵权法构建员工绩效评估模型，具体为：计算特性概率矩阵；

9、结合特性概率矩阵计算各特性的特性信息熵；通过特性信息熵计算出各个特性的初始化特性权重；基于神经网络算法结合初始化特性权重和绩效评估特性，通过加权求和以最小预测绩效与实际绩效差为目标，建立初始化的员工绩效评估模型；通过预设的损失函数确定各个特性权重的优化幅度，不断的优化特性权重，对员工绩效评估模型进行迭代，直至预测绩效与实际绩效差为零或达到最大迭代次数，停止迭代，得到训练完成的员工绩效评估模型。在一个优选的实施方式中，所述并根据其规划员工的招收与调度策略，具体为：将待招收的员工的绩效评估特性输入训练完成的员工绩效评估模型，获得预测的绩效；结合当前时间的招收需求和预测的绩效，择优选择是否招收该员工；将待考核的员工的绩效评估特性输入训练完成的员工绩效评估模型，获得预测的绩效；结合当前岗位的平均绩效和预测的绩效，规划员工的调度。

10、一种使用如权利要求1至7中任意一项所述的一种人员绩效数据的处理方法的装置，包括数据收集模块、特性初筛选模块、特性关联分析模块、评估特性筛选模块以及模型调用模块，模块间存在连接；数据收集模块，用于获取员工绩效数据和对应的员工特性数据集；特性初筛选模块，用于基于方差选择法对员工的特性数据集进行筛选，得到简化的员工特性数据集；特性关联分析模块，用于基于关联规则学习算法分析简化的员工特性数据集内员工特性的关联数据，所述关联数据；评估特性筛选模块，用于根据员工特性的关联数据筛选出绩效评估特性；模型调用模块，用于根据绩效评估特性和员工绩效数据基于神经网络算法和熵权法构建员工绩效评估模型，并根据其规划员工的招收与调度策略。

11、一种电子设备，其特征在于，所述电子设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的一种人员绩效数据的处理方法。

12、一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的一种人员绩效数据的处理方法。

13、本发明一种人员绩效数据的处理方法、装置、设备及介质的技术效果和优点：

14、1.本发明通过综合运用方差选择法、关联规则学习算法、神经网络算法和熵权法，实现了从员工绩效和特性数据中提取、分析和应用信息的全面优化。首先，利用方差选择法筛选员工特性数据，精简数据集以提高处理效率和模型精度；接着，通过关联规则学习算法分析特性间的关联数据，深入挖掘特性的内在关系，为绩效评估特性的选择提供科学依据；随后，基于神经网络算法和熵权法构建员工绩效评估模型，结合实时的招聘和调度需求，实现了个性化的员工匹配和优化的人才管理策略；这种方法不仅提升了人才招募和绩效评估的精确性，还有效优化了员工调度和团队效能，为企业提供了智能化、可持续发展的人力资源解决方案。

技术特征：

1.一种人员绩效数据的处理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的人员绩效数据的处理方法，其特征在于，所述获取员工绩效数据包括员工所在岗位的平均绩效和所述员工的历史绩效；所述员工特性数据集包括员工自身的若干个特性属性。

3.根据权利要求2所述的人员绩效数据的处理方法，其特征在于，所述基于方差选择法对员工的特性数据集进行筛选，具体为：

4.根据权利要求3所述的人员绩效数据的处理方法，其特征在于，所述基于关联规则学习算法分析简化的员工特性数据集内员工特性的关联数据，具体为：

5.根据权利要求4所述的人员绩效数据的处理方法，其特征在于，所述根据员工特性的关联数据筛选出绩效评估特性，具体为：

6.根据权利要求5所述的人员绩效数据的处理方法，其特征在于，所述根据绩效评估特性和员工绩效数据基于神经网络算法和熵权法构建员工绩效评估模型，具体为：

7.根据权利要求6所述的人员绩效数据的处理方法，其特征在于，所述并根据其规划员工的招收与调度策略，具体为：

8.一种使用如权利要求1至7中任意一项所述的一种人员绩效数据的处理方法的装置，其特征在于，包括数据收集模块、特性初筛选模块、特性关联分析模块、评估特性筛选模块以及模型调用模块，模块间存在连接；

9.一种电子设备，其特征在于，所述电子设备，包括：

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的一种人员绩效数据的处理方法。

技术总结本发明公开了一种人员绩效数据的处理方法、装置、设备及介质，涉及人员绩效数据的处理技术领域，包括以下步骤获取员工绩效数据和对应的员工特性数据集；基于方差选择法对员工的特性数据集进行筛选，得到简化的员工特性数据集；基于关联规则学习算法分析简化的员工特性数据集内员工特性的关联数据，所述关联数据；根据员工特性的关联数据筛选出绩效评估特性；根据绩效评估特性和员工绩效数据基于神经网络算法和熵权法构建员工绩效评估模型，并根据其规划员工的招收与调度策略，本申请不仅提升了人才招募和绩效评估的精确性，还有效优化了员工调度和团队效能，为企业提供了智能化、可持续发展的人力资源解决方案。技术研发人员：李婷,宋敏,席雯颖,杨阳,袁四龙,范程,董华文,赵飞月,覃翠娥,徐朝阳受保护的技术使用者：国网安徽省电力有限公司池州供电公司技术研发日：技术公布日：2024/9/2