员工流失分析方法、装置、设备及存储介质

技术领域

本申请涉及人工智能领域，尤其涉及一种员工流失分析方法、装置、设备及存储介质。

背景技术

目前，随着人工智能领域技术的发展，越来越多的企业利用机器学习模型对员工数据进行行为分析，通常可以在不同类别的员工数据中建立较为深层的联系，对员工的工作状态以及员工的流失概率做出可靠的评估。由于应用机器学习模型的输出结果通常并不能直观地展现原始数据与输出结果之间的联系，无法对模型的输出结果及原始数据之间的联系进行较为直观的解释。而对于员工流失分析模型而言，直观地展现员工的工作表现与员工流失概率之间的联系较为重要，它可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。传统的分析模型无法给出分析结果与员工的工作表现之间的联系，会在一定程度上降低模型的应用价值。

发明内容

本申请实施例提供一种员工流失分析方法、装置、设备及存储介质，可直观展示模型分析结果与员工的工作表现之间的联系，提高了模型的适用性。

第一方面，本申请实施例供了一种员工流失分析方法，该方法包括：

获取多个待分析员工的工作表现特征，上述工作表现特征中包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；

将上述多个待分析员工的工作表现特征输入员工流失分析模型，通过上述员工流失分析模型得到各待分析员工的流失概率，以及各待分析员工的工作表现特征中各表现维度的倾向贡献度，其中，上述员工流失分析模型由多个员工的样本工作表现特征训练得到，各员工的样本工作表现特征包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；

将流失概率大于预设概率阈值的待分析员工标注为待关注员工；

根据上述待关注员工的流失概率、上述待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在本申请实施例中，通过利用员工流失分析模型对待分析员工的表现特征进行分析，可以得到各待分析员工的流失概率，以及在各表现维度上的倾向贡献度。进而确定流失概率较高的待关注员工，综合待关注员工在各表现维度的倾向贡献度生成待关注员工预警信息。员工流失分析模型可以直观地展现员工的工作表现与员工流失概率之间的联系，可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。此外，员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

结合第一方面，在一种可能的实施方式中，上述获取多个待分析员工的工作表现特征包括：

从员工的工作统计系统中采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到上述多个待分析员工的工作表现特征；

其中，上述表现维度包括员工绩效、员工考勤情况、员工工作任期、员工收入水平以及员工职位中的至少一种。

结合第一方面，在一种可能的实施方式中，上述获取多个待分析员工的工作表现特征之前，上述方法还包括：

从员工的工作统计系统中采集预设时间段内多个已离职员工的工作表现和多个在职员工的工作表现，并根据上述多个已离职员工的工作表现和上述多个在职员工的工作表现生成多个员工的工作表现特征；

在各员工的工作表现特征中加入员工是否离职的状态标签，得到含有状态标签的多个员工的样本工作表现特征，利用上述含有状态标签的多个员工的样本工作表现特征构建上述员工流失分析模型。

在本申请实施例中，利用员工流失分析模型构建的员工流失分析模型，可以分别反映员工表现特征中每一个维度的表现特征对于流失概率的倾向贡献度，还可以表示倾向贡献度的正负性。利用员工流失分析模型构建的员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

结合第一方面，在一种可能的实施方式中，上述根据上述待关注员工的流失概率、上述待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息之后，上述方法还包括：

将上述待关注员工的工作表现特征中各表现特征按照其对应的表现维度的倾向贡献度进行排序；

将上述待关注员工的工作表现特征中表现维度的倾向贡献度大于贡献度阈值的表现特征标注为待关注特征，将上述待关注特征对应的表现维度标注为待关注维度；

根据上述待关注特征、上述待关注维度、以及上述待关注维度的倾向贡献度生成待关注特征预警信息；

其中，上述待关注特征预警信息用于针对待关注员工在待关注维度及待关注特征方面进行预警，以防止员工流失。

结合第一方面，在一种可能的实施方式中，上述方法还包括：

将上述待关注员工的工作表现特征中表现维度中倾向贡献度小于或者等于贡献度阈值的表现特征标注为待引导特征，将上述待引导特征对应的表现维度标注为待引导维度；

根据上述待引导特征、上述待引导维度、以及上述待引导维度的倾向贡献度生成待引导特征信息；

其中，上述待引导特征信息用于针对待关注员工在待引导维度及待引导特征方面对待关注员工积极引导以防止员工流失。

在本申请实施例中，若待关注员工的工作表现特征中表现维度中倾向贡献度小于或者等于贡献度阈值，则将上述表现特征标注为待引导特征，将上述待引导特征对应的表现维度标注为待引导维度，并生成上述待引导特征信息的步骤。可以直观地展现需要进行积极引导的员工以及需要进行积极引导的工作表现维度，可以帮助企业及其管理者更好地鼓励人员晋升，以减缓人员流失，提高模型的适用性。

克服待部署模型在进行推理服务时由于运行环境不符对推理性能的影响，进而提高待部署模型的部署效率。

结合第一方面，在一种可能的实施方式中，上述方法还包括：

根据各待分析员工的流失概率、上述各待分析员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度，确定上述各待分析员工的平均流失概率，以及上述各待分析员工的各表现维度的平均倾向贡献度；

根据上述各待分析员工的平均流失概率，以及上述各待分析员工的各表现维度的平均倾向贡献度生成员工流失预警信息；

其中，上述员工流失预警信息用于从整体层面对员工流失概率进行预警，以防止员工流失。

第二方面，本申请实施例提供了一种员工流失分析装置，该装置包括：

数据获取模块，用于获取多个待分析员工的工作表现特征，上述工作表现特征中包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；

数据分析模块，用于将上述多个待分析员工的工作表现特征输入员工流失分析模型，通过上述员工流失分析模型得到各待分析员工的流失概率，以及各待分析员工的工作表现特征中各表现维度的倾向贡献度，其中，上述员工流失分析模型由多个员工的样本工作表现特征训练得到，各员工的样本工作表现特征包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；

员工标注模块，用于将流失概率大于预设概率阈值的待分析员工标注为待关注员工；

结果输出模块，用于根据上述待关注员工的流失概率、上述待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

结合第二方面，在一种可能的实施方式中，上述装置还包括：

特征生成模块，用于从员工的工作统计系统中采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到上述多个待分析员工的工作表现特征；

其中，上述表现维度包括员工绩效、员工考勤情况、员工工作任期、员工收入水平以及员工职位中的至少一种。

在本申请实施例中，通过利用员工流失分析模型对待分析员工的表现特征进行分析，可以得到各待分析员工的流失概率，以及在各表现维度上的倾向贡献度。进而确定流失概率较高的待关注员工，综合待关注员工在各表现维度的倾向贡献度生成待关注员工预警信息。员工流失分析模型可以直观地展现员工的工作表现与员工流失概率之间的联系，可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。此外，员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

第三方面，本申请实施例提供了一种终端设备，该终端设备包括处理器和存储器，该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序，该计算机程序包括程序指令，该处理器被配置用于调用上述程序指令，执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。

在本申请实施例中，通过利用员工流失分析模型对待分析员工的表现特征进行分析，可以得到各待分析员工的流失概率，以及在各表现维度上的倾向贡献度。进而确定流失概率较高的待关注员工，综合待关注员工在各表现维度的倾向贡献度生成待关注员工预警信息。员工流失分析模型可以直观地展现员工的工作表现与员工流失概率之间的联系，可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。此外，员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的员工流失分析方法的一流程示意图；

图2是本申请实施例提供的对员工流失分析模型进行构建的流程示意图；

图3是本申请实施例提供的员工流失分析方法的另一流程示意图；

图4是本申请实施例提供的员工流失分析装置的结构示意图；

图5是本申请实施例提供的终端设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

目前，利用人工智能技术对某个领域的信息进行模型的构建，可以更好地实现该领域的资源共享和推动该领域的技术发展。例如在企业中，对员工信息进行模型构建，可以帮助管理者快速了解某个员工的当前岗位、员工绩效、考勤情况、工作任期等信息；对部门岗位信息进行模型构建，可以帮助管理者直观了解某个部门的人员设置、部门规模、部门绩效、部门奖惩情况等信息；对员工流动情况进行模型构建，可以帮助管理者快速了解员工的晋升情况、流失情况、分析晋升原因、分析流失原因，并及时采取相应的管理措施来鼓励人员晋升或减缓人员流失。可见，进行模型构建并利用模型进行推理的适用范围非常广泛，本申请仅以在企业中对员工流失分析模型进行构建作为应用场景进行说明，对其他领域或企业中的其他信息进行模型构建与本申请提供的实施例本质相同，在此不再赘述。

以在企业中对员工流失分析模型进行构建为例，员工的表现信息包括但不限于员工的当前岗位、员工绩效、考勤情况、工作任期、收入水平以及历史工作经历等维度，为表述方便，本申请举例说明的模型只包含员工基本工作信息(例如年龄、岗位、入职时长)、在岗工作信息(例如绩效信息、考勤信息)、历史工作经历(例如历史工作岗位数量、历史岗位平均时长)、岗位相关变动信息(例如薪资变动信息、职级变动信息)四个维度。对员工流失分析模型进行构建，包括对待分析员工进行信息获取，得到待分析员工的工作表现特征，并将每种工作表现特征与已流失员工的工作表现特征进行关联，以推理出各待分析员工的流失概率以及在各工作表现维度中的倾向贡献度。已流失员工的工作表现特征包括但不限于员工年龄偏低、在岗工作信息中员工绩效偏低、缺勤过多、历史工作经历中历史工作岗位数量偏多、历史岗位平均时长偏短、薪资无明显提升、以及薪资无明显提升等特征。待分析员工的工作表现特征包括但不限于年龄、绩效信息、考勤信息、历史工作岗位数量、历史岗位平均时长、薪资变动信息以及职级变动信息等特征。由此构建员工流失分析模型，利用员工的样本工作表现特征进行训练，当样本工作表现特征中包含已流失员工的工作表现特征中的一种或几种，则可以通过模型分析出对应员工的流失概率，以及流失原因。在得到训练好的员工流失分析模型之后，可以将员工流失分析模型部署在员工的工作统计系统中，对各待分析员工的工作表现特征进行分析，将流失概率大于预设概率阈值的待分析员工标注为待关注员工，并生成预警信息。

此外，可以作为员工流失分析模型的推理模型有很多种，包括解释机器学习模型输出(SHapley Additive exPlanation，SHAP)模型，SHAP模型最大的优势是可以分别反映样本中每一个特征对于输出结果的影响力，还可以表示影响力的正负性。为表述方便，本申请仅以对SHAP模型进行训练得到的员工流失分析模型为例进行说明。

以在企业中对员工流失分析模型进行构建并进行员工流失分析的过程为例，本申请提供的具体方案包括：

S1、获取员工流失分析模型以及待分析员工的工作表现特征。

在一些可行的实施方式中，待分析员工1的工作表现特征可包括：年龄(24)、岗位(初级设计师)、入职时长(5个月)、绩效信息(本岗位后20％)、考勤信息(缺勤率3％)、历史工作岗位数量(2个)、历史岗位平均时长(半年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)等。

S2、通过员工流失分析模型得到待分析员工的流失概率，以及各表现维度的倾向贡献度。

在一些可行的实施方式中，可以通过员工流失分析模型得到待分析员工1的流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为本岗位后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。

S3、将流失概率大于预设概率阈值的待分析员工标注为待关注员工。根据待关注员工的流失概率、待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，可以将流失概率大于70％的待分析员工1标注为待关注员工1，并生成待关注员工1的预警信息。待关注员工1预警信息包括：姓名为员工1，岗位为岗位1，流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。将待关注员工预警信息推送给管理者，以供管理者对倾向贡献度较高的表现维度(例如在岗工作信息中的绩效信息)采取相应的措施，例如同员工进行谈话，对员工在工作中遇到的困难给予帮助，防止员工流失。

具体请参阅图1，图1是本申请实施例提供的员工流失分析方法的一流程示意图。本申请实施例提供的方法可包括获取多个待分析员工的工作表现特征，工作表现特征中包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；将多个待分析员工的工作表现特征输入员工流失分析模型，通过员工流失分析模型得到各待分析员工的流失概率，以及各待分析员工的工作表现特征中各表现维度的倾向贡献度，其中，员工流失分析模型由多个员工的样本工作表现特征训练得到，各员工的样本工作表现特征包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；将流失概率大于预设概率阈值的待分析员工标注为待关注员工；根据待关注员工的流失概率、待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。为方便描述，下面将以企业中对员工流失进行分析为例，对本申请实施例提供的方法进行说明。

本申请实施例提供的方法可由手机、计算机等终端设备来执行，为方便描述，下面将以终端设备进行示例说明。本申请实施例提供的方法可包括如下步骤：

S101：获取多个待分析员工的工作表现特征。

在一些可行的实施方式中，终端设备可以从员工的工作统计系统中采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到多个待分析员工的工作表现特征。可选的，终端设备可从员工的工作统计系统中采集多个待分析员工的基本工作信息(例如年龄、岗位、入职时长)、六个月内(可以设置为其他时长，也可以按照时间点截取)在岗工作信息(例如绩效信息、考勤信息)、历史工作经历(例如历史工作岗位数量、历史岗位平均时长)以及一年内(可以设置为其他时长，也可以按照时间点截取)岗位相关变动信息(例如薪资变动信息、职级变动信息)四个维度的工作表现特征，得到待分析员工的工作表现特征。比如，这里得到的待分析员工的工作表现特征可包括待分析员工1的工作表现特征和待分析员工2的工作表现特征。其中，待分析员工1的工作表现特征可包括年龄(24)、岗位(初级设计师)、入职时长(5个月)、绩效信息(本岗位后20％)、考勤信息(缺勤率3％)、历史工作岗位数量(2个)、历史岗位平均时长(半年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。待分析员工2的工作表现特征可包括年龄(30)、岗位(中级设计师)、入职时长(2年)、绩效信息(本岗位前20％)、考勤信息(缺勤率1％)、历史工作岗位数量(2个)、历史岗位平均时长(4年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。

在一些可行的实施方式中，终端设备也可以按照维度从员工的工作统计系统中进行筛选(例如将入职时长不满三个月的员工排除，或者将岗位级别为管理层的员工排除)之后，采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到多个待分析员工的工作表现特征。具体可根据实际应用场景确定，在此不做限制。

S102：将多个待分析员工的工作表现特征输入员工流失分析模型，通过员工流失分析模型得到各待分析员工的流失概率，以及各待分析员工的工作表现特征中各表现维度的倾向贡献度。

在一些可行的实施方式中，请一并参阅图2，图2是本申请实施例提供的对员工流失分析模型进行构建的流程示意图。上述对员工流失分析模型进行构建的方法可包括如下步骤S201至S204中各个步骤所提供的实现方式。

S201：从员工的工作统计系统中采集预设时间段内多个已离职员工的工作表现和多个在职员工的工作表现。

在一些可行的实施方式中，终端设备可以从员工的工作统计系统中采集预设时间段内多个样本员工(已离职员工和在职员工)的工作表现。终端设备可以从员工的工作统计系统中采集多个样本员工的基本工作信息(例如年龄、岗位、入职时长)、三个月内(可以设置为其他时长，也可以按照时间点截取)在岗工作信息(例如绩效信息、考勤信息)、历史工作经历(例如历史工作岗位数量、历史岗位平均时长)以及一年内(可以设置为其他时长，也可以按照时间点截取)岗位相关变动信息(例如薪资变动信息、职级变动信息)四个维度的工作表现。

在一些可行的实施方式中，终端设备也可以按照维度从员工的工作统计系统中进行筛选(例如将入职时长不满三个月的员工排除，或者将岗位级别为管理层的员工排除)之后，采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现。具体可根据实际应用场景确定，在此不做限制。

S202：根据多个已离职员工的工作表现和多个在职员工的工作表现生成多个员工的工作表现特征。

S203：在各员工的工作表现特征中加入员工是否离职的状态标签，得到含有状态标签的多个员工的样本工作表现特征。

在一些可行的实施方式中，终端设备可以根据各表现维度的工作表现生成各样本员工(已离职员工和在职员工)的工作表现特征。终端设备可以从员工的工作统计系统中采集多个样本员工的基本工作信息(例如年龄、岗位、入职时长)、三个月内(可以设置为其他时长，也可以按照时间点截取)在岗工作信息(例如绩效信息、考勤信息)、历史工作经历(例如历史工作岗位数量、历史岗位平均时长)以及一年内(可以设置为其他时长，也可以按照时间点截取)岗位相关变动信息(例如薪资变动信息、职级变动信息)四个维度的工作表现，通过语义识别或者其他特征提取方法生成各样本员工的工作表现特征。比如，这里得到的各样本员工的工作表现特征可包括已离职员工3的工作表现特征、已离职员工4的工作表现特征和在职员工5的工作表现特征。其中，已离职员工3的工作表现特征可包括年龄(24)、岗位(初级设计师)、入职时长(5个月)、绩效信息(本岗位后20％)、考勤信息(缺勤率3％)、历史工作岗位数量(2个)、历史岗位平均时长(半年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。已离职员工4的工作表现特征可包括年龄(36)、岗位(中级设计师)、入职时长(4年)、绩效信息(本岗位前40％)、考勤信息(缺勤率2％)、历史工作岗位数量(3个)、历史岗位平均时长(4年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。在职员工5的工作表现特征可包括年龄(30)、岗位(中级设计师)、入职时长(2年)、绩效信息(本岗位前20％)、考勤信息(缺勤率1％)、历史工作岗位数量(2个)、历史岗位平均时长(4年)、薪资变动信息(小幅度提升)以及职级变动信息(无明显提升)。

S204：利用含有状态标签的多个员工的样本工作表现特征构建员工流失分析模型。

在一些可行的实施方式中，终端设备可以作为员工流失分析模型的推理模型有很多种，包括但不限于SHAP模型。其中，SHAP模型最大的优势是可以分别反映样本中每一个特征对于输出结果的影响力，还可以表示影响力的正负性，故而本申请中以对SHAP模型进行训练得到的员工流失分析模型为例进行说明。利用含有状态标签的多个员工的样本工作表现特征构建员工流失分析模型，可以得出工作表现特征与员工流失概率之间的联系。例如，已流失员工的工作表现特征包括但不限于员工年龄偏低、在岗工作信息中员工绩效偏低、缺勤过多、历史工作经历中历史工作岗位数量偏多、历史岗位平均时长偏短、薪资无明显提升、以及薪资无明显提升等特征。待分析员工的工作表现特征包括但不限于年龄、绩效信息、考勤信息、历史工作岗位数量、历史岗位平均时长、薪资变动信息以及职级变动信息等特征。由此构建员工流失分析模型，利用员工的样本工作表现特征进行训练，当样本工作表现特征中包含已流失员工的工作表现特征中的一种或几种，则可以通过模型分析出对应员工的流失概率，以及流失原因。

S103：将流失概率大于预设概率阈值的待分析员工标注为待关注员工。

终端设备可以通过员工流失分析模型得到待分析员工的流失概率，以及各表现维度的倾向贡献度。在一些可行的实施方式中，终端设备可以通过员工流失分析模型得到待分析员工1的流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为本岗位后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。终端设备可以将流失概率大于预设概率阈值(70％)的待分析员工1标注为待关注员工1。

S104：根据待关注员工的流失概率、待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，终端设备在对待关注员工进行标注之后，可以根据待关注员工的流失概率、待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，终端设备可以将流失概率大于70％的待分析员工1标注为待关注员工1，并生成待关注员工1的预警信息。待关注员工1预警信息包括：姓名为员工1，岗位为岗位1，流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。终端设备可以将待关注员工预警信息推送给管理者，以供管理者对倾向贡献度较高的表现维度(例如在岗工作信息中的绩效信息)采取相应的措施，包括同员工进行谈话，对员工在工作中遇到的困难给予帮助，防止员工流失。

在本申请实施例中，通过利用员工流失分析模型对待分析员工的表现特征进行分析，可以得到各待分析员工的流失概率，以及在各表现维度上的倾向贡献度。进而确定流失概率较高的待关注员工，综合待关注员工在各表现维度的倾向贡献度生成待关注员工预警信息。员工流失分析模型可以直观地展现员工的工作表现与员工流失概率之间的联系，可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。此外，员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

请参阅图3，图3是本申请实施例提供的员工流失分析方法的另一流程示意图。如图3所示，本申请实施例提供的员工流失分析方法包括如下步骤。

S301：获取多个待分析员工的工作表现特征。

在一些可行的实施方式中，终端设备可以从员工的工作统计系统中采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到多个待分析员工的工作表现特征。可选的，终端设备可从员工的工作统计系统中采集多个待分析员工的基本工作信息(例如年龄、岗位、入职时长)、六个月内(可以设置为其他时长，也可以按照时间点截取)在岗工作信息(例如绩效信息、考勤信息)、历史工作经历(例如历史工作岗位数量、历史岗位平均时长)以及一年内(可以设置为其他时长，也可以按照时间点截取)岗位相关变动信息(例如薪资变动信息、职级变动信息)四个维度的工作表现特征，得到待分析员工的工作表现特征。比如，这里得到的待分析员工的工作表现特征可包括待分析员工1的工作表现特征和待分析员工2的工作表现特征。其中，待分析员工1的工作表现特征可包括年龄(24)、岗位(初级设计师)、入职时长(5个月)、绩效信息(本岗位后20％)、考勤信息(缺勤率3％)、历史工作岗位数量(2个)、历史岗位平均时长(半年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。待分析员工2的工作表现特征可包括年龄(30)、岗位(中级设计师)、入职时长(2年)、绩效信息(本岗位前20％)、考勤信息(缺勤率1％)、历史工作岗位数量(2个)、历史岗位平均时长(4年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。

在一些可行的实施方式中，终端设备也可以按照维度从员工的工作统计系统中进行筛选(例如将入职时长不满三个月的员工排除，或者将岗位级别为管理层的员工排除)之后，采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到多个待分析员工的工作表现特征。具体可根据实际应用场景确定，在此不做限制。

S302：将多个待分析员工的工作表现特征输入员工流失分析模型，通过员工流失分析模型得到各待分析员工的流失概率，以及各待分析员工的工作表现特征中各表现维度的倾向贡献度。

在一些可行的实施方式中，终端设备可以通过员工流失分析模型得到待分析员工的流失概率，以及各表现维度的倾向贡献度。在一些可行的实施方式中，终端设备可以通过员工流失分析模型得到待分析员工1的流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为本岗位后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。

S303：将流失概率大于预设概率阈值的待分析员工标注为待关注员工。

在一些可行的实施方式中，终端设备可以将待关注员工的工作表现特征中各表现特征按照其对应的表现维度的倾向贡献度进行排序。进而可以将流失概率大于预设概率阈值(70％)的待分析员工标注为待关注员工。

在一些可行的实施方式中，终端设备可以将待关注员工的工作表现特征中表现维度的倾向贡献度大于贡献度阈值的表现特征标注为待关注特征，将待关注特征对应的表现维度标注为待关注维度。将待关注员工的工作表现特征中表现维度中倾向贡献度小于或者等于贡献度阈值的表现特征标注为待引导特征，将待引导特征对应的表现维度标注为待引导维度。例如，若待关注员工在历史工作经历维度倾向贡献度较高，可能是由于待关注员工本身导致员工的流失概率偏高。例如，若待关注员工在岗位相关变动信息的倾向贡献度偏高，而在岗工作信息倾向贡献度偏低，说明待关注员工在岗工作情况良好，可能是由于企业晋升或奖励渠道不明晰导致员工的流失概率偏高，可以基于其在岗工作情况给予奖励进行引导。

S304：根据待关注员工的流失概率、待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，终端设备可以将流失概率大于预设概率阈值(70％)的待分析员工标注为待关注员工。终端设备在对待关注员工进行标注之后，可以根据待关注员工的流失概率、待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，终端设备可以将流失概率大于70％的待分析员工1标注为待关注员工1，并生成待关注员工1的预警信息。待关注员工1预警信息包括：姓名为员工1，岗位为岗位1，流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。终端设备可以将待关注员工预警信息推送给管理者，以供管理者对倾向贡献度较高的表现维度(例如在岗工作信息中的绩效信息)采取相应的措施，包括同员工进行谈话，对员工在工作中遇到的困难给予帮助，防止员工流失。

S305：根据各待分析员工的流失概率、各待分析员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度，确定各待分析员工的平均流失概率，以及各待分析员工的各表现维度的平均倾向贡献度，并生成员工流失预警信息。

在一些可行的实施方式中，终端设备可以根据各待分析员工的流失概率、各待分析员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度，确定各待分析员工的平均流失概率，以及各待分析员工的各表现维度的平均倾向贡献度。若历史工作经历维度倾向贡献度较高，则说明可能是由于招聘时期简历筛选不明确导致员工的流失概率偏高。若岗位相关变动信息的倾向贡献度偏高，而在岗工作信息倾向贡献度偏低，则说明待关注员工普遍在岗工作情况良好，可能是由于企业晋升或奖励渠道不明晰导致员工的流失概率偏高。终端设备可以生成员工流失预警信息并推送给管理者，以供管理者采取相应的措施，包括调整企业的薪酬体系、晋升体系以及企业氛围。

在本申请实施例中，通过利用员工流失分析模型对待分析员工的表现特征进行分析，可以得到各待分析员工的流失概率，以及在各表现维度上的倾向贡献度。进而确定流失概率较高的待关注员工，综合待关注员工在各表现维度的倾向贡献度生成待关注员工预警信息。员工流失分析模型可以直观地展现员工的工作表现与员工流失概率之间的联系，可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。此外，员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

请参阅图4，图4是本申请实施例提供的员工流失分析装置的结构示意图。

数据获取模块401，用于获取多个待分析员工的工作表现特征，上述工作表现特征中包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征。

在一些可行的实施方式中，数据获取模块401可以从员工的工作统计系统中采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到多个待分析员工的工作表现特征。可选的，数据获取模块401可从员工的工作统计系统中采集多个待分析员工的基本工作信息(例如年龄、岗位、入职时长)、六个月内(可以设置为其他时长，也可以按照时间点截取)在岗工作信息(例如绩效信息、考勤信息)、历史工作经历(例如历史工作岗位数量、历史岗位平均时长)以及一年内(可以设置为其他时长，也可以按照时间点截取)岗位相关变动信息(例如薪资变动信息、职级变动信息)四个维度的工作表现特征，得到待分析员工的工作表现特征。比如，这里得到的待分析员工的工作表现特征可包括待分析员工1的工作表现特征和待分析员工2的工作表现特征。其中，待分析员工1的工作表现特征可包括年龄(24)、岗位(初级设计师)、入职时长(5个月)、绩效信息(本岗位后20％)、考勤信息(缺勤率3％)、历史工作岗位数量(2个)、历史岗位平均时长(半年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。待分析员工2的工作表现特征可包括年龄(30)、岗位(中级设计师)、入职时长(2年)、绩效信息(本岗位前20％)、考勤信息(缺勤率1％)、历史工作岗位数量(2个)、历史岗位平均时长(4年)、薪资变动信息(无明显提升)以及职级变动信息(无明显提升)。

在一些可行的实施方式中，上述装置还包括：特征生成模块，用于从员工的工作统计系统中采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到上述多个待分析员工的工作表现特征。

数据分析模块402，用于将上述多个待分析员工的工作表现特征输入员工流失分析模型，通过上述员工流失分析模型得到各待分析员工的流失概率，以及各待分析员工的工作表现特征中各表现维度的倾向贡献度，其中，上述员工流失分析模型由多个员工的样本工作表现特征训练得到，各员工的样本工作表现特征包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征。

在一些可行的实施方式中，数据分析模块402可以通过员工流失分析模型得到待分析员工的流失概率，以及各表现维度的倾向贡献度。在一些可行的实施方式中，数据分析模块402可以通过员工流失分析模型得到待分析员工1的流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为本岗位后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。

员工标注模块403，用于将流失概率大于预设概率阈值的待分析员工标注为待关注员工。

在一些可行的实施方式中，员工标注模块403可以将待关注员工的工作表现特征中各表现特征按照其对应的表现维度的倾向贡献度进行排序。进而可以将流失概率大于预设概率阈值(70％)的待分析员工标注为待关注员工。将待关注员工的工作表现特征中表现维度的倾向贡献度大于贡献度阈值的表现特征标注为待关注特征，将待关注特征对应的表现维度标注为待关注维度。将待关注员工的工作表现特征中表现维度中倾向贡献度小于或者等于贡献度阈值的表现特征标注为待引导特征，将待引导特征对应的表现维度标注为待引导维度。例如，若待关注员工在历史工作经历维度倾向贡献度较高，可能是由于待关注员工本身导致员工的流失概率偏高。例如，若待关注员工在岗位相关变动信息的倾向贡献度偏高，而在岗工作信息倾向贡献度偏低，说明待关注员工在岗工作情况良好，可能是由于企业晋升或奖励渠道不明晰导致员工的流失概率偏高，可以基于其在岗工作情况给予奖励进行引导。

在一些可行的实施方式中，员工标注模块403可以根据各待分析员工的流失概率、各待分析员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度，确定各待分析员工的平均流失概率，以及各待分析员工的各表现维度的平均倾向贡献度。例如，若历史工作经历维度倾向贡献度较高，可能是由于招聘时期简历筛选不明确导致员工的流失概率偏高。例如，若岗位相关变动信息的倾向贡献度偏高，而在岗工作信息倾向贡献度偏低，说明待关注员工普遍在岗工作情况良好，可能是由于企业晋升或奖励渠道不明晰导致员工的流失概率偏高，可以相应调整企业的薪酬体系、晋升体系以及企业氛围。

结果输出模块404，用于根据上述待关注员工的流失概率、上述待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，结果输出模块404在对待关注员工进行标注之后，可以根据待关注员工的流失概率、待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，终端设备可以将流失概率大于70％的待分析员工1标注为待关注员工1，并生成待关注员工1的预警信息。待关注员工1预警信息包括：姓名为员工1，岗位为岗位1，流失概率为80％。基本工作信息维度的倾向贡献度为30％，其中，年龄24的倾向贡献度为30％，岗位初级设计师的倾向贡献度为35％、入职时长5个月的倾向贡献度为25％。在岗工作信息维度的倾向贡献度为78％，其中，绩效信息为后20％的倾向贡献度为80％，考勤信息为缺勤率3％的倾向贡献度为76％。历史工作经历维度的倾向贡献度为70％，其中，历史工作岗位数量2个的倾向贡献度为50％、历史岗位平均时长半年的倾向贡献度为90％。岗位相关变动信息维度的倾向贡献度60％，其中，薪资变动信息为无明显提升的倾向贡献度为70％、职级变动信息为无明显提升的倾向贡献度为50％。终端设备可以将待关注员工预警信息推送给管理者，以供管理者对倾向贡献度较高的表现维度(例如在岗工作信息中的绩效信息)采取相应的措施，包括同员工进行谈话，对员工在工作中遇到的困难给予帮助，防止员工流失。

在本申请实施例中，通过利用员工流失分析模型对待分析员工的表现特征进行分析，可以得到各待分析员工的流失概率，以及在各表现维度上的倾向贡献度。进而确定流失概率较高的待关注员工，综合待关注员工在各表现维度的倾向贡献度生成待关注员工预警信息。员工流失分析模型可以直观地展现员工的工作表现与员工流失概率之间的联系，可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。此外，员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

参见图5，图5是本申请实施例提供的终端设备的结构示意图。如图5所示，本实施例中的终端设备可以包括：一个或多个处理器501和存储器502。上述处理器501和存储器502通过总线503连接。存储器502用于存储计算机程序，该计算机程序包括程序指令，处理器501用于执行存储器502存储的程序指令，执行如下操作：

获取多个待分析员工的工作表现特征，上述工作表现特征中包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；

将上述多个待分析员工的工作表现特征输入员工流失分析模型，通过上述员工流失分析模型得到各待分析员工的流失概率，以及各待分析员工的工作表现特征中各表现维度的倾向贡献度，其中，上述员工流失分析模型由多个员工的样本工作表现特征训练得到，各员工的样本工作表现特征包括至少两个表现维度的表现特征，一个表现维度包括至少一种表现特征；

将流失概率大于预设概率阈值的待分析员工标注为待关注员工；

根据上述待关注员工的流失概率、上述待关注员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度生成待关注员工预警信息。

在一些可行的实施方式中，上述处理器501还用于：

从员工的工作统计系统中采集预设时间段内多个待分析员工中各待分析员工的至少两个表现维度的工作表现，并根据各表现维度的工作表现生成各待分析员工的工作表现特征以得到上述多个待分析员工的工作表现特征；

其中，上述表现维度包括员工绩效、员工考勤情况、员工工作任期、员工收入水平以及员工职位中的至少一种。

在一些可行的实施方式中，上述处理器501用于：

从员工的工作统计系统中采集预设时间段内多个已离职员工的工作表现和多个在职员工的工作表现，并根据上述多个已离职员工的工作表现和上述多个在职员工的工作表现生成多个员工的工作表现特征；

在各员工的工作表现特征中加入员工是否离职的状态标签，得到含有状态标签的多个员工的样本工作表现特征，利用上述含有状态标签的多个员工的样本工作表现特征构建上述员工流失分析模型。

在一些可行的实施方式中，上述处理器501用于：

将上述待关注员工的工作表现特征中各表现特征按照其对应的表现维度的倾向贡献度进行排序；

将上述待关注员工的工作表现特征中表现维度的倾向贡献度大于贡献度阈值的表现特征标注为待关注特征，将上述待关注特征对应的表现维度标注为待关注维度；

根据上述待关注特征、上述待关注维度、以及上述待关注维度的倾向贡献度生成待关注特征预警信息；

其中，上述待关注特征预警信息用于针对待关注员工在待关注维度及待关注特征方面进行预警，以防止员工流失。

在一些可行的实施方式中，上述处理器501用于：

将上述待关注员工的工作表现特征中表现维度中倾向贡献度小于或者等于贡献度阈值的表现特征标注为待引导特征，将上述待引导特征对应的表现维度标注为待引导维度；

根据上述待引导特征、上述待引导维度、以及上述待引导维度的倾向贡献度生成待引导特征信息；

其中，上述待引导特征信息用于针对待关注员工在待引导维度及待引导特征方面对待关注员工积极引导以防止员工流失。

在一些可行的实施方式中，上述处理器501用于：

根据各待分析员工的流失概率、上述各待分析员工的工作表现特征中各表现特征对应的表现维度以及各表现维度的倾向贡献度，确定上述各待分析员工的平均流失概率，以及上述各待分析员工的各表现维度的平均倾向贡献度；

根据上述各待分析员工的平均流失概率，以及上述各待分析员工的各表现维度的平均倾向贡献度生成员工流失预警信息；

其中，上述员工流失预警信息用于从整体层面对员工流失概率进行预警，以防止员工流失。

在一些可行的实施方式中，上述处理器501可以是中央处理单元(centralprocessing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。例如，存储器502还可以存储设备类型的信息。

具体实现中，上述终端设备可通过其内置的各个功能模块执行如上述图1至图3中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

在本申请实施例中，通过利用员工流失分析模型对待分析员工的表现特征进行分析，可以得到各待分析员工的流失概率，以及在各表现维度上的倾向贡献度。进而确定流失概率较高的待关注员工，综合待关注员工在各表现维度的倾向贡献度生成待关注员工预警信息。员工流失分析模型可以直观地展现员工的工作表现与员工流失概率之间的联系，可以帮助企业及其管理者更好地应对员工流失，以及对员工进行引导。此外，员工流失分析模型可以更加直观地提供每个员工在各维度下流失的倾向贡献度，帮助企业及管理者及时采取相应的管理措施来鼓励人员晋升或减缓人员流失，更直观地展示模型分析结果与员工的工作表现之间的联系，提高模型的适用性。

本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时实现图1至图3中各个步骤所提供的员工流失分析方法，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。

上述计算机可读存储介质可以是前述任一实施例提供的基于分析模型的用户行为识别装置或者上述终端设备的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flashcard)等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本申请的权利要求书和说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、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/或结构示意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/或结构示意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/或结构示意一个方框或多个方框中指定的功能的步骤。