基于智能算法的工作绩效评估方法、系统及装置

技术领域

本发明涉及数据挖掘领域，尤其涉及一种基于智能算法的工作绩效评估方法、系统及装置。

背景技术

当前，随着企业管理和人力资源管理的不断发展，越来越多的企业开始关注员工的工作绩效评估，以此作为员工职业发展和薪酬晋升的依据。传统的工作绩效评估方法通常基于主管的主观评价和员工的自我评价，存在诸多问题，如评估标准不一、评估结果主观性大、难以量化等，限制了其准确性和有效性。为解决这些问题，现有的工作绩效评估方法采用了各种技术手段，如基于数据挖掘、人工智能等技术的自动化评估方法，以提高评估的准确性和效率。但通常是也是基于员工的工作任务完成情况、工作时间、工作成果等因素来进行评估，但这些因素只能反映员工的表面绩效，无法反映员工在不同外部因素影响下的绩效。

例如，在实际的工作环境中，员工的工作绩效往往受到诸多因素的影响，如环境因素、个体生理状态等因素。因此，如何考虑这些因素对员工工作绩效的影响，客观评价员工的工作表现，成为了当前企业管理和人力资源管理中亟待解决的问题。

发明内容

为了更加全面、准确地评估员工的工作绩效，本发明其中一方面提供了一种基于智能算法的工作绩效评估方法，所述方法包括：采集员工历史的工作效率数据，其中所述工作效率数据至少包括工作任务、工作时间、工作成果、绩效以及环境数据；使用预先构建的机器学习模型对所述工作效率数据进行训练以统计在不同环境影响下的员工工作效率以作为评估参考；获取员工当前待评估的工作效率数据，将所述工作效率数据包括的绩效数据进行隐藏以将缺少绩效数据的工作效率数据输入至所述机器学习模型中以预测出该员工在其对应环境影响下的绩效数据，作为观测值；以及对所述工作效率数据包括的绩效数据进行恢复以作为实际值，对观测值与实际值进行比较并将差值作为调整参考以对实际值进行调整，最终得出员工的绩效评估结果。

优选地，所述环境数据至少包括工作环境下的地理位置、温度、湿度、噪音、空气质量中的一种或多种。

优选地，对观测值与实际值进行比较并将差值作为调整参考以对实际值进行调整，包括：令n

优选地，所述工作效率数据还包括个人学历以及工作经验数据；所述方法还包括：根据个人学历和/或工作经验数据对所述工作效率数据进行分组。

优选地，所述工作效率数据还包括生理指标数据；所述方法还包括：统计在不同环境和/或生理指标影响下的员工工作效率以作为评估参考；其中所述生理指标至少包括心率、呼吸、血压以及体温中的一种或多种；通过所述机器学习模型预测出该员工在其对应环境和/或生理指标影响下的绩效数据，作为观测值。

本发明其中一方面提供了一种基于智能算法的工作绩效评估系统，所述系统包括：历史数据采集模块，被配置为：采集员工历史的工作效率数据，其中所述工作效率数据至少包括工作任务、工作时间、工作成果、绩效以及环境数据；历史数据训练模块，被配置为：使用预先构建的机器学习模型对所述工作效率数据进行训练以统计在不同环境影响下的员工工作效率以作为评估参考；绩效数据隐藏模块，被配置为：获取员工当前待评估的工作效率数据，将所述工作效率数据包括的绩效数据进行隐藏；观测值预测模块，被配置为：将缺少绩效数据的工作效率数据输入至所述机器学习模型中以预测出该员工在其对应环境影响下的绩效数据，作为观测值；绩效数据恢复模块，被配置为：对所述工作效率数据包括的绩效数据进行恢复以作为实际值；以及实际值调整模块，被配置为：对观测值与实际值进行比较并将差值作为调整参考以对实际值进行调整，最终得出员工的绩效评估结果。

优选地，所述工作效率数据还包括个人学历以及工作经验数据；所述系统还包括：数据分组模块，被配置为根据个人学历和/或工作经验数据对所述工作效率数据进行分组。

优选地，所述工作效率数据还包括生理指标数据；所述历史数据训练模块被进一步配置为：统计在不同环境和/或生理指标影响下的员工工作效率以作为评估参考；其中所述生理指标至少包括心率、呼吸、血压以及体温中的一种或多种；所述观测值预测模块被进一步配置为：通过所述机器学习模型预测出该员工在其对应环境和/或生理指标影响下的绩效数据，作为观测值。

本发明其中一方面提供了一种基于智能算法的工作绩效评估装置，所述装置包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，以执行前述的方法。

本发明提高了员工绩效评估的自动化程度和准确性，可以更好地反映员工在不同环境/生理指标影响下的工作表现，为企业提供更精确的决策支持。同时，该方法采用智能算法进行计算，可以更快速地完成绩效评估，节省企业的人力和时间成本，提高了企业的效率和竞争力。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1示出的是本发明其中一个实施例提供的工作绩效评估方法的执行逻辑；

图2、3分别示出的是本发明其中一个实施例提供的工作绩效评估方法的流程示例；

图4示出的是本发明其中一个实施例提供的工作绩效评估系统的结构示例；

图5示出的是本发明其中一个实施例提供的工作绩效评估装置的结构示例；

图6示出的是本发明其中一个实施例提供的计算机可读存储介质的结构示例。

实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明其中一方面提供了一种工作绩效评估方法，在一些实施例中，该方法至少由S11~S14构成。下面结合图1、2对S11~S14的构成进行进一步的示例性描述。

S11,采集员工历史的工作效率数据。

在一些实施例中，工作效率数据至少包括工作任务、工作时间、工作成果、绩效以及环境数据。员工历史的工作效率数据可以通过使用电脑、手机等设备上的软件或安装在特定位置上的传感器来自动采集员工工作效率数据，比如工作时间、工作任务、工作成果等信息。或者可以由员工直接在相应的企业管理系统中进行录入并交由上级/管理者进行审核。

其中，绩效数据是员工所在企业的上级/管理者基于员工在至少一个阶段内的工作表现来给出的量化成绩，该绩效数据可在企业管理系统中与用户的工作效率数据进行关联。员工工作绩效与员工的薪酬、晋升等因素进行关联，以此作为员工职业发展的依据。客户可依据各自公司的实际情况和员工的工作特点来制定匹配的绩效数据评价标准：例如，根据公司的战略目标，制定符合实际的绩效目标；将绩效目标转化为具体可量化的指标，并确定每个指标的权重；根据公司的业务特点，设定考核周期，例如月度、季度、年度等；根据绩效评定结果，制定相应的奖惩措施，例如晋升、加薪、降职、解雇等。

其中，环境数据至少包括工作环境下的地理位置、温度、湿度、噪音、空气质量中的一种或多种。环境数据与工作效率数据中的其它数据是关联的，其采集过程可以是以下几种相结合的形式：（1）在员工的工作环境中安装温度传感器、湿度传感器、噪音传感器、气体传感器等传感器，实时采集环境数据，再通过网络传输到后台服务器进行存储和处理；（2）通过手机的传感器（如GPS、温度传感器、湿度传感器等）实时采集员工的位置信息和环境信息，并将数据上传到后台服务器进行存储和处理；（3）使用智能手表、智能眼镜等可穿戴设备，通过内置的传感器采集员工的位置信息和环境信息，并将数据上传到后台服务器进行存储和处理；（4）员工在工作时可以手动输入环境数据，如温度、湿度、噪音、空气质量等，这些数据可以通过企业管理系统的表单或者APP来输入，再存储到后台服务器中。

在数据采集过程中，还需要确定数据采集的时间范围，以便对员工的历史工作效率数据进行分析和比较。

S12,使用预先构建的机器学习模型对所述工作效率数据进行训练以统计在不同环境影响下的员工工作效率以作为评估参考。

这里需要将采集到的工作效率数据用于训练机器学习模型，以统计在不同环境影响下的员工工作效率。可使用的机器学习算法例如线性回归、支持向量机、决策树以及神经网络等。

在一些实施例中，以回归分析作为示例：在收集到上述的工作效率数据后，需要先将收集到的数据进行预处理，包括数据清洗、缺失值处理、异常值处理以及归一化等。此外，还需要将所有的数据转换为数值型数据，以便后续的数据分析和建模。针对一些非数值型数据，可以使用例如One-Hot、TF-IDF以及Word2Vec等编码方式实现。接着根据已有数据的特点和问题需求，选择需要用于建模的特征。例如，可以使用任务数量、任务难度、任务时限、环境温度、湿度、噪音、空气质量等因素作为特征，使用例如线性回归将上述特征与绩效数据进行建模，并进行模型的训练和调优。在训练过程中，还需要对建立的模型进行评估，比如采用均方误差、R平方值等指标，评估模型的预测精度和稳定性。同时训练时需要注意，需要将数据按照时间顺序进行分割，以避免训练集和测试集之间的数据重叠。

在一些实施例中，可以使用Hadoop来执行对上述的工作效率数据的处理过程，Hadoop是一种分布式计算框架，可以用于处理大规模数据集。在实现基于智能算法的工作绩效评估方法时，Hadoop可以用于数据处理和分析，从而提高计算效率和处理速度。利用Hadoop实现该处理过程的具体示例：首先需要收集员工历史工作的效率数据，包括任务、时间、成果、绩效以及所在工作环境的地理位置、温度、湿度、噪音、空气质量等因素。这些数据可以分散在多个数据源中，需要使用Hadoop的数据集成和处理工具将它们集中到Hadoop平台上。然后使用Hadoop的MapReduce程序对数据进行预处理和清洗，包括去除重复值、处理缺失值、异常值处理、归一化处理等。对于非结构化数据，可以使用Hadoop的文本处理工具将它们转换为结构化数据。接着选择需要用于建模的特征。在Hadoop平台上，可以使用Hive和HBase等工具进行数据查询和分析，找出对绩效影响最大的特征。使用Hadoop平台上的机器学习框架，比如Mahout和Spark MLlib，对选定的特征和绩效数据进行建模。例如使用线性回归进行建模，并对模型进行调优和训练。最后再对建立的模型进行评估，使用Hadoop的数据分析和可视化工具，比如Pig和Tableau等，对模型的预测精度和稳定性进行评估。

S13,获取员工当前待评估的工作效率数据，将所述工作效率数据包括的绩效数据进行隐藏以将缺少绩效数据的工作效率数据输入至所述机器学习模型中以预测出该员工在其对应环境影响下的绩效数据，作为观测值。

在本步骤中，需要使用已经训练好的机器学习模型，对新采集的工作效率数据进行预测并计算员工在其对应环境影响下的绩效数据。具体实施时，可按以下过程进行：

将新采集到的员工工作效率数据按照S11的方法进行采集，包括工作任务、工作时间、工作成果、绩效以及环境数据等信息。对于新采采集到的待评估的工作效率数据同样进行归一化处理。由于绩效数据是评估的关键指标之一，不想让其影响模型的训练和预测，需要将其隐藏起来，以得到隐藏绩效数据后的工作效率数据。接着将隐藏了绩效数据的工作效率数据输入到预先构建好的模型中进行预测，得到对应的预测绩效数据，即该员工在其对应环境影响下的绩效数据，将该数据作为观测值以用于后续的评估与调整。

例如，假设员工A在2023年3月1日从上午9点到下午5点在位于北京市中关村的公司办公室内工作，完成了5项任务，并提交了相关成果。员工A的工作效率数据（数据预处理前）如下：

工作任务：1. 编写市场调研报告，2. 与客户沟通，3. 产品规划讨论，4. 策划营销活动，5. 客户服务；

工作时间：2023年3月1日上午9点至下午5点；

工作成果：1. 市场调研报告，2. 客户咨询记录，3. 产品规划方案，4. 营销活动策划方案，5. 客户服务反馈记录；

环境数据：北京市中关村办公室地理位置，温度15℃，湿度30%，噪音60分贝，空气质量优秀；

绩效数据：90（分）；

在这些数据中，将绩效数据进行隐藏，但其它数据将被输入到机器学习模型中进行预测。在这种情况下，机器学习模型将基于与员工A此次工作效率数据相同或相似的历史工作效率数据作为参考依据，以预测员工A在对应环境下的绩效数据，作为观测值。

S14,对所述工作效率数据包括的绩效数据进行恢复以作为实际值，对观测值与实际值进行比较并将差值作为调整参考以对实际值进行调整，最终得出员工的绩效评估结果。

将隐藏绩效数据的工作效率数据中的绩效数据进行恢复，得到实际值；将实际值与预测得到的观测值进行比较，得到差值，即观测值与实际值的差异。差值将作为调整参考用于调整实际值。最终得出员工在该工作环境下的绩效评估结果。

在一些实施例中，令n

例如，假设为n

在一些实施例中，由于不同环境下员工的工作效率可能会受到多种因素的影响，因此需要进行多元回归分析，以确保评估结果的准确性。其分析步骤大致为：

（1）确定自变量和因变量：在这个问题中，自变量为环境数据，如温度、湿度、噪音等；因变量为员工工作效率。

（2）收集数据：需要收集大量的数据，包括员工的工作效率数据和环境数据。这些数据应该具有代表性，以确保结果的可靠性。

（3）建立回归模型：根据收集到的数据建立回归模型。多元回归模型的一般形式为：Y = b0 + b1X1 + b2X2 + ... + bkXk + ε，其中Y为因变量，X1、X2、...、Xk为自变量，b0、b1、b2、...、bk为回归系数，ε为误差项。回归系数表示自变量对因变量的影响程度，误差项表示无法被自变量解释的因素。

（4）拟合回归模型：使用收集到的数据拟合回归模型，可以使用常见的回归分析工具如SPSS、R等进行。

（5）评估回归模型：评估回归模型的好坏，可以使用多种统计指标，如R-squared、F-test等。R-squared反映回归模型解释因变量变异程度的能力，F-test用于检验回归模型的整体显著性。

（6）解释回归模型：分析回归模型中各自变量的系数大小和正负，确定环境因素对员工工作效率的影响。

在一些实施例中，所述工作效率数据还包括个人学历以及工作经验数据；在训练之前或者训练之后，还根据个人学历和/或工作经验数据对工作效率数据进行分组，以提升模型预测的准确性。

本发明提供了一种基于智能算法的工作绩效评估方法，其可以通过采集员工历史的工作效率数据，并使用机器学习模型进行训练以统计员工在不同环境影响下的工作效率，最终得出员工的绩效评估结果，从而最终实现在考虑环境影响下准确地评估员工的工作绩效。这种评估方法准确性高、可重复性好、效率高，并且能够帮助企业更好地管理员工绩效。

本发明其中一方面提供了一种工作绩效评估方法，在一些实施例中，该方法至少由S21~S24构成。下面结合图1、3对S21~S24的构成进行进一步的示例性描述。

S21,采集员工历史的工作效率数据，其中所述工作效率数据至少包括工作任务、工作时间、工作成果、绩效、环境数据和/或生理指标数据；其中所述生理指标至少包括心率、呼吸、血压以及体温中的一种或多种；

S22,使用预先构建的机器学习模型对所述工作效率数据进行训练以统计在不同环境和/或生理指标影响下的员工工作效率以作为评估参考；

S23,获取员工当前待评估的工作效率数据，将所述工作效率数据包括的绩效数据进行隐藏以将缺少绩效数据的工作效率数据输入至所述机器学习模型中以预测出该员工在其对应环境和/或生理指标影响下的绩效数据，作为观测值；以及

S24,对所述工作效率数据包括的绩效数据进行恢复以作为实际值，对观测值与实际值进行比较并将差值作为调整参考以对实际值进行调整，最终得出员工的绩效评估结果。

在一些实施例中，训练机器学习模型时，生理指标数据被纳入训练数据集中，并结合所述环境数据进行训练，以统计在不同环境和/或生理指标影响下的员工工作效率以作为评估参考。其中，所述生理指标数据可以通过员工佩戴生理传感器设备或通过健康档案系统获取。对于员工的当前待评估的工作效率数据，包括隐藏了绩效数据的工作效率数据和生理指标数据，将其输入至所述机器学习模型中进行预测。该预测结果即为员工在其对应环境和/或生理指标影响下的绩效数据，作为观测值。在评估员工绩效时，对工作效率数据包括的绩效数据进行恢复以作为实际值，对观测值与实际值进行比较并将差值作为调整参考以对实际值进行调整，最终得出员工的绩效评估结果。其中，所述生理指标数据可以作为评估结果的参考指标之一。

因此，本发明提供的基于智能算法的工作绩效评估方法，能够充分考虑员工在不同环境和/或生理指标影响下的工作效率，为企业提供更准确、科学、客观的员工绩效评估方法，从而促进企业的发展。

参考图4所示，本发明的其中一方面提供了一种工作绩效评估系统，所述系统包括：

历史数据采集模块201，被配置为：采集员工历史的工作效率数据，其中所述工作效率数据至少包括工作任务、工作时间、工作成果、绩效以及环境数据。

历史数据训练模块202，被配置为：使用预先构建的机器学习模型对所述工作效率数据进行训练以统计在不同环境影响下的员工工作效率以作为评估参考。

绩效数据隐藏模块203，被配置为：获取员工当前待评估的工作效率数据，将所述工作效率数据包括的绩效数据进行隐藏。

观测值预测模块204，被配置为：将缺少绩效数据的工作效率数据输入至所述机器学习模型中以预测出该员工在其对应环境影响下的绩效数据，作为观测值。

绩效数据恢复模块205，被配置为：对所述工作效率数据包括的绩效数据进行恢复以作为实际值。以及

实际值调整模块206，被配置为：对观测值与实际值进行比较并将差值作为调整参考以对实际值进行调整，最终得出员工的绩效评估结果。

在一些实施例中，所述环境数据至少包括工作环境下的地理位置、温度、湿度、噪音、空气质量中的一种或多种。

在一些实施例中，所述工作效率数据还包括个人学历以及工作经验数据；所述系统还包括：数据分组模块207，被配置为根据个人学历和/或工作经验数据对所述工作效率数据进行分组。

在一些实施例中，所述工作效率数据还包括生理指标数据；所述历史数据训练模块202被进一步配置为：统计在不同环境和/或生理指标影响下的员工工作效率以作为评估参考；其中所述生理指标至少包括心率、呼吸、血压以及体温中的一种或多种；所述观测值预测模块204被进一步配置为：通过所述机器学习模型预测出该员工在其对应环境和/或生理指标影响下的绩效数据，作为观测值。

参考图5所示，本发明的其中一方面提供了一种工作绩效评估装置，所述装置包括存储器301和处理器302，所述存储器301用于存储计算机程序，所述处理器302用于调用所述计算机程序，以执行前述的工作绩效评估方法。

本发明其中一方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，执行本发明实施例提供的一种代码推荐方法的相应步骤。

参考图6所示，计算机可读存储介质包括用于在计算设备上执行计算机进程的计算机程序。在一些实施例中，计算机可读存储介质是使用信号承载介质401来提供的。所述信号承载介质401可以包括一个或多个程序指令，其当被一个或多个处理器运行时可以提供以上针对图2，3描述的功能或者部分功能。因此，例如，工作绩效评估方法中的一个或多个特征可以由与信号承载介质401相关联的一个或多个指令来承担。此外，图6中的程序指令也描述示例指令。在一些示例中，信号承载介质401可以包含计算机可读介质402，诸如但不限于，硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(randomaccessmemory，RAM)等等。

在一些实施方式中，信号承载介质401可以包含计算机可记录介质403，诸如但不限于，存储器、读/写(R/W)CD、R/WDVD、等等。

在一些实施方式中，信号承载介质401可以包含通信介质404，诸如但不限于，数字和/或模拟通信介质(例如，光纤电缆、波导、有线通信链路、无线通信链路、等等)。

信号承载介质401可以由无线形式的通信介质404(例如，遵守IEEE802.11标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令可以是，例如，计算机可执行指令或者逻辑实施指令。

应该理解，这里描述的布置仅仅是用于示例的目的。因而，本领域技术人员将理解，其它布置和其它元素(例如，机器、接口、功能、顺序、和功能组等等)能够被取而代之地使用，并且一些元素可以根据所期望的结果而一并省略。另外，所描述的元素中的许多是可以被实现为离散的或者分布式的组件的、或者以任何适当的组合和位置来结合其它组件实施的功能实体。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。