员工组织行为暨人脉网管理与预测方法

技术领域

本发明属于信息技术领域，具体涉及员工组织行为暨人脉网管理与预测方法。

背景技术

关于员工组织行为管理系统的研究，涉及以下几个方面：

1、组织场域人脉管理：

在既有研究中，组织中的非正式关系与网络对于部门的作用已有较多成熟的结论。组织员工除了组织架构中体现的正式关系，在实际中还存在非正式的交往和互动，因此存在非正式关系，在现有的平台化、网络化的组织当中，存在非正式领导。已有研究证明良好的非正式领导与非正式网络关系形态，可以很好的提高团队绩效、员工工作满意度、对于组织的忠诚度以及降低离职率等。

当前还缺少针对于公司内部人脉资源管理的相关软件，组织领导者缺乏对于组织除正式组织关系以外的非正式关系全局性的了解，对于组织内部员工历史合作关系也无法全面掌握，不能高效地实施了解组织内部关系结构的动态变化来实现组织资源调度和协调。

2、员工组织行为管理与预测：

现有工作领域智能移动办公平台一方面只能实现办公流程网络化、自动化，虽然极大的提高了办公效率，但因为仅仅是事后的行为印迹的记录，还未能实现根据历史数据对于员工组织行为进行预测，尤其是一些明星员工(有更高的创造力、领导力、绩效等)的预测，另一方面还未有专门针对公司、部门管理者的员工组织行为管理的平台，使得管理者无法进行整体的协调规划，导致组织管理过程缺乏高效的资源配置和协调。

3、团队组建与绩效预测：

目前的移动办公平台未能实现以团队为单位的组织绩效的管理，例如根据不同的组织成员历史合作记录、其非正式关系、历史行为数据、个人属性、项目目标等多因素下推荐生成临时工作小组，以更高效率地利用资源和激发员工的创造力和参与度，从而获得更优的团队绩效。

发明内容

目前针对公司员工管理，缺乏一款基于组织领域社交网络大数据、移动办公平台数据结合人力资源结构化数据进行员工组织行为管理和预测的系统，旨在解决组织管理者无法进行组织人脉资源管理、员工组织行为预测以及团队组建与绩效预测问题。针对背景技术，具体涉及以下：

(1)部门主管人脉资源管理：公司管理人员无法全面了解员工历史合作关系、非正式组织关系、非正式领导等问题，使用员工社交网络以及历史合作数据，对于员工实际人脉网络进行刻画，并识别组织中非正式领导，刻画正式领导与非正式领导在网络中的相对位置以及所形成的圈子结构。使得管理人员可以了解动态的、不同层级的组织员工网络关系。

(2)员工组织行为管理与预测：基于员工工作智能移动平台历史数据、社会网络聊天记录、员工个人属性信息等大数据结合实际收集到的来自人力资源部门的员工绩效、创新奖励、专利发明等历史记录，来训练预测模型，预测哪些员工可能成为明星员工。另一方面，结合人力资源部门对于员工的其他行为，例如转职、升迁、对于组织的满意度、离职意愿等个体组织行为的历史记录，来训练预测模型，预测员工的上述所有组织行为，使得管理者可以事先根据员工的社交网络行为或日常活动来预测后续行为，进行更好的人力资源的管理。

(3)团队组建与绩效预测：移动管理平台未能实现组织以团队为单位的绩效管理、团队组建及其绩效预测。基于不同的组织成员历史合作记录、其非正式关系、历史行为数据、个人属性、项目目标多因素，预测特定人群组成临时工作小组的绩效，最终选择较优的团队组合，实现更高效率地利用资源、激发员工的创造力和参与积极性，获得更优的团队绩效。

为解决以上问题，本发明提出如下方案：分为两大模块，一部分为模型训练测试模块，另外一部分为管理人员使用模块。二者之间的关系为：模型训练预测模块为管理人员使用模块提供训练好的预测模型，管理人员使用模块通过管理人员上传的员工在工作场域使用的社交网络数据形成的互动网络来计算员工所形成的圈子、非正式领导、非正式小团体，并可视化动态的、跨层级的圈子图谱；在此基础上，利用上述互动网络计算网络指标，结合员工历史行为数据、员工个人属性数据形成预测模型预测因子，将其输入预测模型中，预测组织中的明星员工、员工组织行为(绩效、转职、升迁、工作满意度、离职意愿)；在团队层面，预测可能产生高绩效的团队成员的组合和预测已指定成员的未来团队绩效。

其中，模型训练测试模块具体包括大数据与人力资源结构化数据匹配模块、大数据指标计算模块、预测模型训练模块。用户使用模块主要包括组织场域人脉管理模块、员工组织行为管理与预测模块、团队组建与绩效预测模块。

具体方案如下：

1、模型训练测试模块

数据模块是经过公司授权，收集员工工作场域社交平台网络大数据，用这部分数据与人力资源部门结构化数据进行匹配，例如员工个人属性、组织行为、团队绩效等历史记录等。

大数据指标计算模块中，分别利用员工点对点联系频率、群组互动形成互动网络最终得到整体网络，并计算相关网络指标，详细指标如表一所示。

表一：大数据指标体系

预测模型训练模块主要利用上述大数据指标作为输入值，使用收集到的来自人力资源部门实际明星员工、员工组织行为记录以及团队历史绩效作为标签，本发明中，使用有监督机器学习模型来进行预测模型的训练，有经典的支持向量机模型(SVM)、决策树(Decision Tree)、logistic回归、随机森林(Random Forest)算法和集成算法梯度提升树模型(Gradient Boosting Classifier)和XGboost等同时对模型进行训练和预测，最终找到测试集准确率最高的分类模型。

2、管理人员使用模块

用户使用模块是直接面向公司管理人员的，首先用户进行数据授权，系统获得管理人员授权的员工社交网络数据的权限，依照大数据计算模块形成的指标体系来计算大数据指标，然后在组织场域人脉管理模块中，计算员工所形成的圈子、非正式领导、非正式小团体，并可视化动态的、跨层级的圈子图谱。

员工组织行为管理与预测模块中，在训练预测模块中，得到的明星员工预测模型和员工组织行为预测模型，用于后续预测组织中的明星员工、员工组织行为(绩效、转职、升迁、工作满意度、离职意愿)。

团队组建与绩效预测模块中，基于模型训练预测模块中得到的团队绩效预测模型，预测团队层面的可能产生高绩效的团队成员的组合和已指定成员的团队绩效。

3、系统流程

1)在本发明的实施过程中，具体的数据模块与大数据指标计算模块流程如下：

101)提供方通过数据上传端将用户数据信息加密上传到分布式数据库。

102)数据上传端上传数据后检查是否收到分布式数据库返回的数据存储地址信息。收到地址则进入下一步骤。若无，则检查上传过程，重新执行数据上传工作。

103)在收到数据存储地址的情况下，对员工社交网络账号与来自人力资源部分数据进行匹配。

104)基于员工社交网络数据形成人脉关系网络，计算关于个人和团队的大数据指标。

105)输出用于训练和测试的数据集。

2)在数据提供方完成数据匹配和大数据指标的计算后，后续圈子算法模型训练流程如下：

201)数据管理节点不断监听并接受数据集生成信息。

202)当数据管理节点监听到生成数据集将其暂时存储至本地。

203)将社交网络交互数据处理为员工点对点之间的交互网络，二者之间的交互频率等其他大数据指标为连边的权重，并数据转为邻接矩阵形式。

204)使用圈子算法计算部门领导与其员工之间的关系强度，根据关系强度的分布情况，确定领导圈子中不同成员的划分标准，将员工划分为部门领导圈内核心成员、圈内边缘成员和圈外人。

205)通过寻找部门中的交互网络中的最大联通图来确定部门中的非正式圈子。

206)再非正式圈子中找到度中心性最大的成员，对比其是否是非正式领导，从而确定非正式领导的识别算法。

207)生成部门领导和非正式领导之间“桥”成员的识别算法。

208)输出训练后的圈子算法模型。

3)明星员工预测模型训练流程如下：

301)数据管理节点不断监听并接受数据集生成信息。

303)当数据管理节点监听到生成数据集将其暂时存储至本地。

304)数据集分别划分80％为训练集，20％为测试集。

304)使用训练集，将大数据指标计算模块计算好的个人相关的大数据指标作为输入，根据数据库中员工获奖记录标注的明星员工作为输出，用有监督模型进行明星员工预测模型的训练。

305)比较各分类模型准确率。

306)输出准确率最高的明星员工预测模型。

4)员工组织行为预测模型训练流程如下：

401)数据管理节点不断监听并接受数据集生成信息。

402)当数据管理节点监听到生成数据集将其暂时存储至本地。

403)数据集分别划分80％为训练集，20％为测试集。

404)使用训练集，将大数据指标计算模块计算好的个人相关的大数据指标作为输入，根据数据库中员工实际组织行为记录，例如绩效、转职、工作满意度等作为输出，用有监督模型进行员工组织行为模型的训练。

405)比较各分类模型准确率。

406)输出准确率最高的员工组织行为预测模型。

5)团队绩效预测模型训练流程如下：

501)数据管理节点不断监听并接受数据集生成信息。

502)当数据管理节点监听到生成数据集将其暂时存储至本地。

503)数据集分别划分80％为训练集，20％为测试集。

504)使用训练集，将大数据指标计算模块计算好的关于团队的大数据指标作为输入，根据数据库中团队绩的效记录作为输出，用有监督模型进行团队绩效预测模型的训练。

505)比较各分类模型准确率。

506)输出准确率最高的团队绩效预测模型。

6)对于用户使用模块，用户使用组织员工圈子图谱功能流程如下：

601)管理者请求组织员工圈子图谱功能，触发人组织员工圈子图谱功能管理节点。

602)监听是否收到组织管理者使用请求，如果没有收到则等待管理者发起请求，如收到进行下一步计算步骤。

603)获取用户社交网络数据。

604)调用预测模型训练模块中生成的圈子算法。

605)使用圈子算法计算组织员工圈子角色、非正式领导、非正式圈子。

606)输出员工圈子图谱。

7)管理者使用组织明星员工预测流程如下：

701)管理者请求使用明星员工预测功能，触发该功能管理节点。

702)监听是否收到管理者请求使用该功能，如果没有收到则等待管理者发起请求，如收到进行下一步分析步骤。

703)获取员工社交网络数据。

704)大数据指标计算。

705)调用明星员工预测模型。

706)对明星员工进行预测。

707)输出可能成为明星员工的预测结果。

8)针对管理者，员工组织行为预测功能流程如下：

801)管理者请求员工组织行为预测功能，触发该功能管理节点。

802)监听是否收到管理者功能使用请求，如果没有收到则等待管理者发起请求，如收到进行下一步分析步骤。

803)获取员工社交网络数据。

804)计算大数据指标。

805)调用组织行为预测算法。

806)对组织行为进行预测。

807)输出各员工组织行为预测结果。

9)高绩效团队成员推荐功能流程具体如下：

901)管理者请求员工组织行为预测功能，触发该功能管理节点。

902)监听是否收到管理者功能使用请求，如果没有收到则等待管理者发起请求，如收到进行下一步分析步骤。

903)获取员工社交网络数据。

904)计算大数据指标。

905)调用团队绩效预测算法。

906)对项目目标、主题进行内容分析。

907)找到与项目主题相关的员工。

908)组合不同员工进行团队绩效预测。

909)输出预测绩效最高的团队成员组合。

10)已选择成员团队绩效预测功能流程具体如下：

1001)管理者请求员工组织行为预测功能，触发该功能管理节点。

1002)监听是否收到管理者功能使用请求，如果没有收到则等待管理者发起请求，如收到进行下一步分析步骤。

1003)获取员工社交网络数据。

1004)计算大数据指标。

1005)调用团队绩效预测算法。

1006)对已选成员团队绩效进行预测。

1007)输出该团队绩效预测结果。

有益效果

本发明是一款基于组织领域社交网络大数据、移动办公平台数据结合人力资源结构化数据进行员工组织行为管理和预测的方法，旨在解决组织管理者无法进行组织人脉资源管理、员工组织行为预测以及团队组建与绩效预测等问题。

首先，使用员工社交网络以及历史合作数据，对于员工实际人脉网络进行刻画，并识别非正式领导，刻画正式领导与非正式领导在网络中的相对位置以及所形成的圈子结构。使得管理人员可以了解动态的、不同层级的组织员工间的关系网络。其次，预测哪些员工可能成为明星员工和所有员工转职、升迁、对于组织的满意度、离职意愿等个体组织行为。最后，预测特定人群组成临时工作小组的绩效，实现更高效率地利用资源、激发员工的创造力和参与积极性，获得更优的团队绩效。

附图说明

图1为模块图；

图2为系统流程图；

图3为数据模块与大数据指标计算模块流程图；

图4为圈子算法模型训练模块流程图；

图5为明星员工预测模型训练模块流程图；

图6为员工组织行为预测模型模块流程图；

图7为团队绩效预测模型训练模块流程图；

图8为用户使用组织员工圈子图谱模块流程图；

图9为管理者使用组织明星员工预测模块流程图；

图10为管理者使用员工组织行为预测模块流程图；

图11为高绩效团队成员推荐功能流程图；

图12为已选择成员团队绩效预测功能流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

下面结合附图对本发明做进一步详细描述：图1为功能模块图；图2为系统流程图；图3为数据模块与大数据指标计算模块流程图；图4为圈子算法模型训练模块流程图；图5为明星员工预测模型训练模块流程图；图6为员工组织行为预测模型模块流程图；图7为团队绩效预测模型训练模块流程图；图8为用户使用组织员工圈子图谱模块流程图；图9为管理者使用组织明星员工预测模块流程图；图10为管理者使用员工组织行为预测模块流程图；图11为高绩效团队成员推荐功能流程图；图12为已选择成员团队绩效预测功能流程图。

参见图1至图12，本发明实施例中，提供一种由用户社交网络大数据与人力资源部门结构化数据训练员工绩效预测模型，本实施例中，集合具体的实施场景进行说明。其中，数据集来源为某公司员工办公软件后台员工加好友信息、互动的印迹化数据，即带有时间戳的员工之间互发消息的记录，但不涉及具体聊天内容，还包括用户在社交软件中的带有唯一标识的ID，以及该员工在人力资源部门数据库中唯一标识的变量名Staffkey。另外一部分则是来自该公司人力资源部门员工的结构化数据，包括员工的人口属性变量(性别、年龄、职级、工作年限、籍贯、学历等)、员工培训数据、员工绩效、转职经历、面试记录、升职记录，以部门或团队为单位的小组绩效、小组满意度评价、小组成员参与度等，清洗数据后存于csv文件中。

本实施例中，使用社交软件数据库形成员工之间的互动网络，计算部门圈子、非正式领导与非正式团体识别流程如下：

部门领导的关系圈子：我们首先根据成员之间在一个部门中的关系网络，将员工分成部门领导关系圈子中的三种角色，分别是核心层成员、边缘层成员和圈外人，包括下面的五个步骤：

第一步：找出部门主管节点i；

第二步：为每一个矩阵中的每一个节点(除了部门主管外的每一个部门成员)计算下列的公式(称之为关系圈子指标，简称G value)：

G

G

第三步：计算将所有部门成员的G value，并从高到低依序排列。

第四步：寻找「断崖」(cliff)，设置并确定阈值为0.3时准确率最高，即每相邻的两个Gvalue落差在0.3以上，找到这样的断崖并标识。在所有断崖中，G value最接近整数4的「断崖」处，G value大于4的部分归为部门主管核心层成员(supervisor’s core members)，在最接近整数2的断崖到上一个「断崖」间，归为圈内边缘人(supervisor’s peripheralmembers)。

第五步：其余既不是部门主管核心层成员或圈内边缘人的归为圈外人(outsiders)。

第六步：找到部门中人数大于等于三的最大连通图，这样的连通图即为部门中的非正式团体。

第七步：在找到的非正式团体中，度中心性最大的节点即为非正式领导。

第八步：定义同时在部门领导圈内并且处于非正式团体中的员工为领导与非正式圈子之间的“桥”。

第九步：识别跨部门或团队领导者之间的“桥”：另外，分别识别中心领导和小组领导之间的桥、小组领导和小组领导之间的桥。即该员工同时作为不同领导的共同朋友，但这些领导之间没有直接连结。

在员工组织行为预测模块中，除了上述得到员工的身份标签外，计算结构洞：利用好友关系网络来测量结构洞，在样本整网中，使用Burt的计算网络关系限制(constraint)的方法，用1减去限制得到结构洞的指标。个人的指标还包括性别、年龄、经理等级和教育背景、个人培训经历、培训出勤率等变量。对于预测变量员工绩效，主要为该公司年度考核指标，因为本实施例中网络结构指标于2018年9月份收集，因此绩效指标选择2018年12月末绩效。该公司绩效采用职业关键绩效指标，通过关键绩效指标(KPI：Key PerformanceIndicator)体系的建立使发展战略和发展目标转化为各部门以及公司成员的具体行动。对于部门负责人关键以组织工作效果，关键绩效指标的达成率来设置。对于一般工作人员可以考核工作计划完成度来设置。一般员工、基层员工由组织经理/副经理来进行直接考核，最后由组织经理来评定。考核等级分为1-5星五个等级，分为优秀、良好、合格、基本合格、不合格，考核结果与奖金分配和发放直接相关，并且为每位员工建立考核档案，作为奖金发放、工资调整、职务升降、岗位调动、员工福利等依据。将上述指标作为模型输入，员工绩效作为模型输出，使用有监督算法例如SVM、决策树、随机森林、XGboost等进行训练，最终得出准确率最高的模型，从而应用于后续推论到更多员工绩效的预测上。其他员工组织行为(转职、升迁、工作满意度、离职意愿)预测模型训练类似。

团队组建绩效预测模块同样首先计算团队内部门领导核心成员、圈内边缘人、圈外人数目，非正式团体的数目、领导与圈外人“桥”的数目、小组领导“桥”数目、小组领导与部门领导“桥”的数目，团队成员年龄、性别、籍贯、学历、工作经历多样性，团队历史表现，团队成员属性，团队成员培训经历等指标作为特征，团队实际绩效作为预测值，使用有监督算法例如SVM、决策树、随机森林、XGboost等进行训练，最终得出预测可能产生高绩效的团队成员的组合和已指定成员的未来团队绩效准确率最高的模型，从而应用于后续推论到更多团队绩效预测上。