基于行为与能力维度的能力评价方法、系统、终端及介质

技术领域

本发明涉及数据处理与分析技术领域，更具体地说，它涉及基于行为与能力维度的能力评价方法、系统、终端及介质。

背景技术

随着智慧企业建设的推进，大型企业大多呈现柔性化管理的趋势，组织形态逐渐趋向柔性，员工工作关系网络复杂，专项任务、临时交办任务多，涉及跨部门协同，这对人力资源管理提出了更加精细、更加智能的发展要求。

目前，由于大型企业的业态复杂，对于人员的能力判断多来源于直觉判断或定性分析，企业对员工能力评价的主观性是造成人力资源管理偏差的主要成因，其形成的原因可能由于企业管理者能力、管理细度的差异造成，亦或是由于人力资源岗位预估与员工能力匹配度识别的主观差异造成的，难以客观的、准确的评判人员工作能力，无法为不同的任务推荐合适的人，导致企业的工作效率低下。

因此，如何研究设计一种基于行为与能力维度的能力评价方法、系统、终端及介质是我们目前急需解决的问题。

发明内容

为解决现有技术中难以客观的、准确的评判人员工作能力，无法为不同的任务推荐合适的人，导致企业的工作效率低下的问题，本发明的目的是提供基于行为与能力维度的能力评价方法、系统、终端及介质。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，提供了基于行为与能力维度的能力评价方法，包括以下步骤：

S101：根据工作能力的影响因子获取目标员工的原始分析数据，并根据影响因子类别将原始分析数据划分为行为维度数据、能力维度数据；

S102：通过德尔菲法分别计算行为维度数据、能力维度数据中各个维度的评价权重，以及每个维度中各个影响因子的评价权重；

S103：根据预设赋值函数对获取的非结构化数据字段进行预处理；

S104：根据预设计算函数以及对应影响因子的原始分析数据计算各个影响因子的因子得分，并将因子得分以最高分为满分转化为百分制，实现非结构化数据转换成统一的结构化数据；

S105：选取总员工样本的预设占比数量作为先进员工样本，其余为普通员工样本；在每个维度中对每个影响因子下普通样本与先进样本的因子得分均值进行分析对比，并根据差异信息得到对比结果；

S106：通过Pearson相关性分析方法计算每个维度内各个影响因子与对应维度的相关性信息，并根据相关信息判断获取的原始分析数据的可用性和影响因子的有效性是否合格，以及对合格的影响因子进行相关性降序排列后选取预设前序部分的影响因子作为建立绩效模型的因子集；

S107：根据建立的绩效模型、因子集计算每个维度的维度评分，并计算各个维度的维度评分之和后得到目标员工的工作能力综合评分。

进一步的，所述行为维度数据中的维度包括劳动纪律、科研行为、文体行为和政治行为；能力维度数据中的维度包括学习能力、业务能力、表达能力、科研创新能力、文体能力和政治素质。

进一步的，所述行为维度数据中各个维度的评价权重为：劳动纪律40％、科研行为20％、文体行为10％、政治行为30％；能力维度数据中各个维度的评价权重为：学习能力25％、业务能力30％、表达能力10％、科研创新能力15％、文体能力5％、政治素质15％。

进一步的，所述学习能力包括学历学位、职称、职业资格跨度、履职跨度、培训情况和电子书屋阅读时长；

学历学位包括学历学位等级A

职称包括职称等级B

职业资格跨度包括职业资格证书等级C

履职跨度包括履历与学历对口情况D

培训情况包括培训记录E

进一步的，所述业务能力包括专业匹配、职称匹配、履职经历和专业奖励；

专业匹配包括对口专业对应学历F

职称匹配包括对口履历对应职称G

履职经历包括履职记录H

专业奖励包括奖励经历I

进一步的，所述相关性信息计算具体为：

式中，X、Y两个变量为不同的影响因子；ρ

进一步的，所述先进员工样本占总员工样本数量的6-10％。

第二方面，提供了基于行为与能力维度的能力评价系统，包括：

数据处理模块，用于根据工作能力的影响因子获取目标员工的原始分析数据，并根据影响因子类别将原始分析数据划分为行为维度数据、能力维度数据；

权重模块，用于通过德尔菲法分别计算行为维度数据、能力维度数据中各个维度的评价权重，以及每个维度中各个影响因子的评价权重；

预处理模块，用于根据预设赋值函数对获取的非结构化数据字段进行预处理；

转换模块，用于根据预设计算函数以及对应影响因子的原始分析数据计算各个影响因子的因子得分，并将因子得分以最高分为满分转化为百分制，实现非结构化数据转换成统一的结构化数据；

对比分析模块，用于选取总员工样本的预设占比数量作为先进员工样本，其余为普通员工样本；在每个维度中对每个影响因子下普通样本与先进样本的因子得分均值进行分析对比，并根据差异信息得到对比结果；

相关分析模块，用于通过Pearson相关性分析方法计算每个维度内各个影响因子与对应维度的相关信息，并根据相关信息判断获取的原始分析数据的可用性和影响因子的有效性是否合格，以及对合格的影响因子进行相关性降序排列后选取预设前序部分的影响因子作为建立绩效模型的因子集；

评分计算模块，用于根据建立的绩效模型计算每个维度中因子集的因子得分之和后得到维度得分，并计算各个维度的维度得分之和后得到目标员工的工作能力综合评分。

第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的基于行为与能力维度的能力评价方法。

第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的基于行为与能力维度的能力评价方法。

与现有技术相比，本发明具有以下有益效果：本发明通过对员工的工作能力进行多个维度的划分，将员工的工作能力划分为两类维度，一类为工作行为维度，另一类为员工能力维度，并在不同维度上进行赋值和计算评分，最终通过数据定量、客观地评判人员工作能力，准确、科学地选取指标数据来评价人员工作能力。为不同的工作岗位推荐合适的人提供了数据支撑，可有效提高企业运行的工作效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中的流程图；

图2是本发明实施例中先进员工样本与普通员工样本的因子得分均值的对比示意图；

图3是本发明实施例中学习能力维度下影响因子的相关性热力图；

图4是本发明实施例中的系统框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图1-4及实施例，对本发明进行进一步详细说明。

实施例1：基于行为与能力维度的能力评价方法，如图1所示，包括以下步骤：

S101：根据工作能力的影响因子获取目标员工的原始分析数据，并根据影响因子类别将原始分析数据划分为行为维度数据、能力维度数据；

S102：通过德尔菲法分别计算行为维度数据、能力维度数据中各个维度的评价权重，以及每个维度中各个影响因子的评价权重；

S103：根据预设赋值函数对获取的非结构化数据字段进行预处理；

S104：根据预设计算函数以及对应影响因子的原始分析数据计算各个影响因子的因子得分，并将因子得分以最高分为满分转化为百分制，实现非结构化数据转换成统一的结构化数据；

S105：选取总员工样本的预设占比数量作为先进员工样本，其余为普通员工样本；在每个维度中对每个影响因子下普通样本与先进样本的因子得分均值进行分析对比，并根据差异信息得到对比结果；先进员工样本占总员工样本数量的6-10％；在本实施例中，选择6％；

S106：通过Pearson相关性分析方法计算每个维度内各个影响因子与对应维度的相关性信息，并根据相关信息判断获取的原始分析数据的可用性和影响因子的有效性是否合格，以及对合格的影响因子进行相关性降序排列后选取预设前序部分的影响因子作为建立绩效模型的因子集；

S107：根据建立的绩效模型、因子集计算每个维度的维度评分，并计算各个维度的维度评分之和后得到目标员工的工作能力综合评分。

行为维度数据中的维度包括劳动纪律、科研行为、文体行为和政治行为；能力维度数据中的维度包括学习能力、业务能力、表达能力、科研创新能力、文体能力和政治素质。

其中，行为维度数据中各个维度的评价权重为：劳动纪律40％、科研行为20％、文体行为10％、政治行为30％；能力维度数据中各个维度的评价权重为：学习能力25％、业务能力30％、表达能力10％、科研创新能力15％、文体能力5％、政治素质15％。

学习能力包括学历学位、职称、职业资格跨度、履职跨度、培训情况和电子书屋阅读时长。学历学位包括学历学位等级A

业务能力包括专业匹配、职称匹配、履职经历和专业奖励。专业匹配包括对口专业对应学历F

相关性信息计算具体为：

式中，X、Y两个变量为不同的影响因子；ρ

相关性的分类方式如表1所示。

表1相关系数分类表

例如，学习能力包括学历学位、职称、职业资格跨度、履职跨度、培训情况和电子书屋阅读时长等因子，以学历学位为例进行赋值，结果如表2所示。

表2学历学位赋值

如图2所示，以学习能力因子情况对比举例如下，：

(1)学历：先进样本—75，普通样本—55.51；

(2)职业资格：先进样本—5.56，普通样本—5.76；

(3)职称：先进样本—26.17，普通样本—13.40；

(4)电子书屋阅读：先进样本—0，普通样本—6.28；

(5)履历变动：先进样本—33.33，普通样本—7.24。

将学习能力的个影响因子代入相关性的公式计算得到学习能力维度因子相关性热力图，以学习能力维度的影响因子为例，其相关性热力图如图3所示。履历变动因子与学习能力具有高度相关性，皮尔森系数达到0.74；学历因子、职业资格因子、职称因子与学习能力分别达到0.59、0.45、0.44的相关性；电子书屋阅读因子与学习能力仅0.25的相关性。综上所述，学习能力中的五个影响因子，除电子书屋阅读因子外，均与其有较强正相关。

实施例2：基于行为与能力维度的能力评价系统，如图4所示，包括数据处理模块、权重模块、预处理模块、转换模块、对比分析模块、相关分析模块、评分计算模块。

其中，数据处理模块，用于根据工作能力的影响因子获取目标员工的原始分析数据，并根据影响因子类别将原始分析数据划分为行为维度数据、能力维度数据。权重模块，用于通过德尔菲法分别计算行为维度数据、能力维度数据中各个维度的评价权重，以及每个维度中各个影响因子的评价权重。预处理模块，用于根据预设赋值函数对获取的非结构化数据字段进行预处理。转换模块，用于根据预设计算函数以及对应影响因子的原始分析数据计算各个影响因子的因子得分，并将因子得分以最高分为满分转化为百分制，实现非结构化数据转换成统一的结构化数据。对比分析模块，用于选取总员工样本的预设占比数量作为先进员工样本，其余为普通员工样本；在每个维度中对每个影响因子下普通样本与先进样本的因子得分均值进行分析对比，并根据差异信息得到对比结果。相关分析模块，用于通过Pearson相关性分析方法计算每个维度内各个影响因子与对应维度的相关信息，并根据相关信息判断获取的原始分析数据的可用性和影响因子的有效性是否合格，以及对合格的影响因子进行相关性降序排列后选取预设前序部分的影响因子作为建立绩效模型的因子集。评分计算模块，用于根据建立的绩效模型计算每个维度中因子集的因子得分之和后得到维度得分，并计算各个维度的维度得分之和后得到目标员工的工作能力综合评分。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。