[摘要] 通過對標(biāo)準(zhǔn)遺傳算法遺傳算子的改進和擴充，提高基于此改進遺傳算法的模糊聚類分析方法的運行效率和準(zhǔn)確度，并將其應(yīng)用于人力資源管理系統(tǒng)中，對企業(yè)銷售人員的業(yè)績進行科學(xué)合理的評價。

[關(guān)鍵詞] 模糊聚類遺傳算法績效評價

當(dāng)前眾多的企業(yè)都擁有自身的管理系統(tǒng)，包括人力資源管理系統(tǒng)、銷售管理系統(tǒng)等。系統(tǒng)中的數(shù)據(jù)隨著企業(yè)的發(fā)展在數(shù)據(jù)庫中越積越多，而面對紛繁的數(shù)據(jù)，管理者能從中得到什么有利于人力資源管理的信息呢?尤其是在當(dāng)前買方市場條件下，如何利用已有的數(shù)據(jù)對銷售人員進行科學(xué)合理的業(yè)績評價，并以評價結(jié)論作為執(zhí)行激勵報酬契約的依據(jù)，進而在有效發(fā)揮激勵功能的基礎(chǔ)上促進企業(yè)銷售業(yè)績的增長，更是企業(yè)人力資源管理者必須解決的問題。本文正是基于此，應(yīng)用一種基于改進的遺傳算法的模糊聚類于人力資源管理系統(tǒng)中，對企業(yè)銷售人員的業(yè)績進行科學(xué)合理的績效評價。

一、績效評價指標(biāo)體系的設(shè)立

體現(xiàn)績效評價內(nèi)容的客觀載體和外在表現(xiàn)是績效評價指標(biāo)，因此設(shè)立恰當(dāng)?shù)目冃гu價指標(biāo)體系十分關(guān)鍵?？茖W(xué)合理的績效評價指標(biāo)一般要遵循“SMART”原則:

S=Specific，即“具體的”，指績效指標(biāo)要切中特定的工作目標(biāo);

M=Measurable，即“可度量的”，指績效指標(biāo)或者是數(shù)量化的，或者是行為化的，驗證這些績效指標(biāo)的數(shù)據(jù)或信息是可測量和可獲得的;

A=Attainable，即“可實現(xiàn)的”，是指績效指標(biāo)在付出努力的情況下可以實現(xiàn)，避免目標(biāo)設(shè)立過高或過低;

R=Realistic，即“現(xiàn)實的”，是指績效指標(biāo)是現(xiàn)實存在并可驗證和觀察，并不是假設(shè)的;

T=Timely，即“有時限的”，指設(shè)定完成這些績效指標(biāo)的期限，必須在確定的時限內(nèi)完成。

銷售人員是企業(yè)中一個特殊的崗位群體，其工作具有時空上的寬泛性、外延性和靈活性等特點，工作方式具有獨立性，因此其工作行為和活動過程難以量化和考核。這里我們采用KPI(關(guān)鍵業(yè)績指標(biāo))設(shè)立銷售人員績效評價指標(biāo)體系。關(guān)鍵業(yè)績指標(biāo)來自于對企業(yè)總體戰(zhàn)略目標(biāo)的分解，反映最能有效影響企業(yè)價值創(chuàng)造的關(guān)鍵驅(qū)動因素，是用來衡量某一崗位工作人員業(yè)績表現(xiàn)的具體量化指標(biāo)，是對工作完成效果的最直接衡量方式，因此也很適合于對銷售人員的業(yè)績進行考評。

根據(jù)“SMART”原則，以及KPI思路，我們設(shè)立銷售人員績效評價指標(biāo)體系如表1所示。

二、數(shù)據(jù)處理

設(shè)立評價指標(biāo)體系后，便可提取和計算出與銷售人員績效評價指標(biāo)體系相關(guān)的數(shù)據(jù)，作為之后聚類分析的輸入數(shù)據(jù)。而把銷售系統(tǒng)和人力資源管理系統(tǒng)平時產(chǎn)生的數(shù)據(jù)直接作為聚類分析的數(shù)據(jù)來源是不合適的，應(yīng)事先進行數(shù)據(jù)預(yù)處理，以滿足聚類分析所需數(shù)據(jù)的要求。

1.數(shù)據(jù)取樣

根據(jù)設(shè)立的銷售人員績效評價指標(biāo)體系，在進行數(shù)據(jù)取樣時選擇如下粗糙數(shù)據(jù)集:一個銷售員對應(yīng)一個員工ID號，根據(jù)該ID號把所有相關(guān)的數(shù)據(jù)從銷售管理系統(tǒng)和人力資源管理系統(tǒng)的數(shù)據(jù)庫中提取出來。主要包括:員工ID(Id)、銷售價格(P)、銷售數(shù)量(N)、銷售時間(T)、銷售額(As)、每天銷售額(S)、每天回款額(Ad)、銷售計劃(Sp)、客戶數(shù)量(Cn)、客戶拜訪(Cv)、團隊合作精神(Ts)﹑命令執(zhí)行度(O)、創(chuàng)新能力(Ia)等。

2.數(shù)據(jù)重組

對于以上選定的粗糙數(shù)據(jù)，還要加工處理，檢查數(shù)據(jù)的完整性和一致性，剔除噪音數(shù)據(jù)，修正嚴(yán)重錯誤的數(shù)據(jù)，對丟失的數(shù)據(jù)進行填補，以可以保證聚類分析的效率和準(zhǔn)確度。對于取樣后的數(shù)據(jù)，需要計算并重組得出適應(yīng)績效評價指標(biāo)體系的聚類分析數(shù)據(jù)。如其中的崗位適應(yīng)性指標(biāo)(D)數(shù)據(jù)主要由相關(guān)人員對人力資源管理系統(tǒng)中的團隊合作精神(Ts)﹑命令執(zhí)行度(O)，以及創(chuàng)新能力(Ia)等二級指標(biāo)進行評分，并按對應(yīng)權(quán)重值綜合計算得出。這里只列出銷售額增長率、貨款回收率這兩項關(guān)鍵指標(biāo)數(shù)據(jù)的計算式。

(1)銷售額增長率(A)

與上一次時間段相比，銷售額的變動記為△Asp;與上一年同一時期相比，銷售額的變動記為記為△Ass。則:

△Asp1= 0;

△Aspi=Asi-As(i-1)(Asi代表某段時間內(nèi)的銷售額，其中i=2，3，4，…);

△Assi=0(i=1，2，3，…，第一年各個時間段的銷售額的同比變化都是0);

△Assj= Asj-Ask(Asj表示當(dāng)前年中的某時間段的銷售額，Ask表示上一年中的對應(yīng)時間段中的銷售額，j=1，2，3，…;k=1，2，3，…，其中，j>k);

于是，銷售額增長率A =△Assj/Ask。

(2)貨款回收率(B)

回款率=(回款額/銷售額)×100%。

則，回款率H=(Ad1+Ad2+…+Adj)/(S1+S2+…+Sj)×100%。

其中，j表示截止當(dāng)前時間段，過去所有的天數(shù)。

三、聚類分析

銷售人員績效評價這一問題有兩個特點:一是影響因素眾多，且各因素之間關(guān)系錯綜復(fù)雜，其中一些因素可通過檢測和試驗等方法來獲取信息，另外一些因素卻因檢測手段的局限而無法測度，因此該問題具有模糊性;二是模糊性的累積會使績效評價結(jié)果的精度降低。因此，在評價過程中，精確性與模糊性形成一對十分突出的矛盾，而基于以下改進的遺傳算法的模糊聚類是解決這一矛盾的有效方法。

遺傳算法是一種借鑒基因遺傳機理和達(dá)爾文適者生存的自然選擇原則，模擬自然進化過程，基于群體的隨機化搜索算法，目前已廣泛應(yīng)用于組合優(yōu)化、復(fù)雜系統(tǒng)設(shè)計、自動控制、信號處理等領(lǐng)域。標(biāo)準(zhǔn)遺傳算法(GA)的二進制編碼策略及其相應(yīng)的交叉和變異算子，以模式定理和積木塊假設(shè)為基礎(chǔ)，其特點是簡單、適用面廣。然而標(biāo)準(zhǔn)的遺傳算法(GA)存在以下無法克服的問題:各代群體中的最優(yōu)個體未得到保護;由于后代完全替代雙親，優(yōu)良的基因結(jié)構(gòu)被交叉破壞的可能性很大;采用適應(yīng)度作為選種的選擇壓力，如果選擇壓力不足或者波動，導(dǎo)致迭代過程過早收斂或發(fā)生振蕩。因此，本文的算法對遺傳算子加以了改進和擴充。

用遺傳算法求解聚類問題，要解決三個問題:如何將聚類問題的解編碼到基因串中;如何構(gòu)造適應(yīng)度函數(shù)來衡量每條基因串對聚類問題的適應(yīng)程度;如何選擇各個遺傳算子。以下便是基于改進的遺傳算法的模糊聚類對以上問題的解決方案。

1.將聚類問題的解編碼到基因串中

設(shè)定聚類的目標(biāo)函數(shù)是Jm(U，P)，聚類的最終目標(biāo)是獲得樣本集X的一個模糊劃分矩陣U和聚類的原型P，而U和P是相關(guān)的，即已知其一解可求得另一個的解，因此，可有兩種編碼方案。

在第一種編碼方案中，我們對硬劃分矩陣U進行編碼，設(shè)n個樣本要劃分為c類，用基因串

a={α1，α2，…，αi，…，αn} (1)

來表示某一類分類結(jié)果，其中αi∈{1，2，…，c}，i=1，2，…，n。當(dāng)αi取為k(1≤k≤c)時，表示第i個樣本屬于第k類。

在第二種編碼方案中，我們對聚類原型矩陣P進行編碼，把c組表示聚類原型的參數(shù)連接起來，根據(jù)各自的取值范圍，將其量化值(用二進制串表示)編碼成基因串:

(2)

其中每一個聚類原型Vi都有一組參數(shù)與之對應(yīng)。例如:

(1)對于FCM算法就對其聚類中心量化編碼:

(2)FCL算法可對其原型(直線)上的兩點v1，v2量化編碼:

bFCL= Ec{V1(1)，V1(2)，V2(1)，V2(2)，…，Vc(1)，Vc(2)}

2.聚類問題適應(yīng)度函數(shù)的構(gòu)造

對于基于目標(biāo)函數(shù)的模糊聚類問題，其最優(yōu)聚類結(jié)果對應(yīng)于目標(biāo)函數(shù)的極小值，即聚類效果越好，則目標(biāo)函數(shù)越小，而此時適應(yīng)度應(yīng)越大，因此我們可以借助目標(biāo)函數(shù)Jm(U，P)來定義標(biāo)準(zhǔn)遺傳算法(GA)的適應(yīng)度算法:

(3)

其中，ζ為一給定的常數(shù)，對于不同原型的模糊聚類，只需給定相應(yīng)的相似性測度函數(shù)D(xk，pi)，即可按式(3)構(gòu)造不同類型的模糊聚類算法。下面以模糊c線聚類算法(FCL)為例介紹適應(yīng)度函數(shù)值的計算步驟。

算法:FCL聚類遺傳算法中適應(yīng)度函數(shù)的計算步驟

步驟一:對于某一基因串進行編碼，得到{vi(1)，vi(2);i=1，2，…，c}，其中，vi(1)，vi(2)∈Rs;

步驟二:由{vi(1)，vi(2);i=1，2，…，c} 得到c條直線pi的單位方向矢量di，

其中:表示之間的歐式距離;

步驟三:由{vi，di;i=1，2，…，c}計算第k個樣本xk到第i類的距離，vi∈，

D2(xk，pi)=(xk-vi)T(xk-vi)-()2

步驟四:由下式計算隸屬度矩陣:

其中:

步驟五:由μik，D(xk，pi)，i=1，2，…，c及式(3)計算個體適應(yīng)度函數(shù)的值。

2.選擇各遺傳算子

在解碼，適應(yīng)度函數(shù)的構(gòu)造之后，就可以用GA求解聚類問題了，但在此之前還要確定算子集T中算子的選取。在基于GA的聚類算法中我們對所有算子都選用，只不過賦予其不同的使用概率，使其按概率進行操作。針對GA的不足，這里對遺傳算子做了以下改進和擴充。

(1)單純形算子:Td(·)

Td(·)算子是為了產(chǎn)生新的個體而設(shè)置的，它通過對三個個體操作而產(chǎn)生第四個個體。其基本算法如下:

Td1:隨機獲得三個選種得到的個體的基因串S1，S2，S3，假定

ff(I1)≥ff(I2)≥ff(I3)，Ii=Dc(Si)，i=1，2，3

Td2:對于三個個體基因串的每一比特位，

IFS1i=S2iTHENS4i=S1i

ELSES4i=Neg(S3i)

其中，Pd為該算子操作的概率參數(shù)，Neg(·)為取反操作，對于每一二進制比特位可取為:

Neg(α)=1-α，α∈{0，1}。

(2)雙點交叉算子:T`c(·)

為了獲取理想的搜索結(jié)果，我們對交叉算子Tc進行改進，由原來的單點交叉變?yōu)殡p點交叉T`c，具體如下操作:

其中:k，l分別為用Rand(L)產(chǎn)生的(0，L)之間均勻分布的整數(shù)。

(3)梯度算子:Tg(·)

我們增加了一個梯度算子Tg(·)，它以概率1對適應(yīng)度值最高的基因串所對應(yīng)的解作為初始點作梯度優(yōu)化獲得極值點，同時以概率Pi對其他串對應(yīng)的解進行梯度優(yōu)化，從而保證每次都能至少搜索到極值點。

(4)解釋算子:Te(·)

解釋算子是對原來的解碼算子Dc(·)的擴展。由于我們用一定比特位的二進制代碼表示了一個區(qū)間[Ai-Bi/2，Ai+Bi/2]，因此必須用解釋算子把解碼得到的實數(shù)轉(zhuǎn)換為編碼區(qū)間所對應(yīng)的值:

其中，Ai為對應(yīng)Si的實數(shù)編碼區(qū)間中心點，B為編碼區(qū)間的大小，C為L比特位的二進制碼的全1串所表示的實數(shù)值。

四、應(yīng)用實例

在此聚類分析的實例應(yīng)用中，遺傳算法與傳統(tǒng)的模糊聚類算法實際上在同時運行，因而基于這種改進遺傳算法的模糊聚類算法有機地把這兩者結(jié)合起來了。同時，在應(yīng)用中還有機地結(jié)合了進化結(jié)束的準(zhǔn)則和傳統(tǒng)算法的終止準(zhǔn)則。這樣不僅提高了算法的聚類分析性能，也提高了算法的收斂速度。

實例收集了某制藥企業(yè)8個不同區(qū)域銷售代表的原始數(shù)據(jù)，原始數(shù)據(jù)包括員工ID(Id)、銷售價格(P)、銷售數(shù)量(N)、銷售時間(T)、銷售額(As)、每天銷售額(S)、每天回款額(Ad)、銷售計劃(Sp)、客戶數(shù)量(Cn)、客戶拜訪(Cv)、團隊合作精神(Ts)、命令執(zhí)行度(O)、創(chuàng)新能力(Ia)等等。對這些原始數(shù)據(jù)進行清洗取樣重組并綜合處理，得到銷售人員績效評價KPI指標(biāo)數(shù)據(jù)如表2所示。

從人力資源管理系統(tǒng)中調(diào)用基于以上聚類分析算法的銷售員工績效評價模塊，輸入KPI指標(biāo)數(shù)據(jù)，進行聚類分析。模塊中調(diào)度算法的類結(jié)構(gòu)形式化描述為:

Class salval {

private:

string commandlist;//用于存儲用戶命令序列

float * val; //指針val指向被分析變量序列

public:

commandlist=Get(string cmdlist);//獲取用戶命令序列

Quick_cluster(float val)//運行模糊聚類算法

}

通過調(diào)用改進遺傳算法的模糊聚類算法，經(jīng)9次迭代，取種規(guī)模N=8，變異概率Pm=0.5，交叉概率Pc=0.2，得到這8個銷售代表的聚類分析結(jié)果為{8，3}，{2，7}，{6，4，5}，{1}

由以上分析結(jié)果我們可以得出結(jié)論:銷售員8，3的業(yè)績?yōu)椤皟?yōu)秀”，銷售員2，7的業(yè)績?yōu)椤昂谩保N售員6，4，5的業(yè)績?yōu)椤耙话恪?，銷售員1的業(yè)績?yōu)椤安睢薄?/p>

五、結(jié)束語

隨著數(shù)據(jù)挖掘技術(shù)的更廣泛應(yīng)用，將為企業(yè)人力資源管理者的管理決策提供更多智能化的解決方法。而聚類(clustering)作為數(shù)據(jù)挖掘領(lǐng)域最為常見的技術(shù)之一，能用于發(fā)現(xiàn)在數(shù)據(jù)庫中未知的對象類，能考察個體或數(shù)據(jù)對象間的相似性，能合理地劃分相似性條件的個體或數(shù)據(jù)對象。對于企業(yè)來說聚類技術(shù)能把企業(yè)中眾多的員工按工作績效進行分組類聚，使管理者可以清楚的知道每個員工所屬的業(yè)績類型，并且可以分析這一類型的員工最大的特點是什么，管理者可以根據(jù)這些特點制定合適的管理手段以刺激其工作的積極性。當(dāng)然，充分利用聚類技術(shù)做更多深層次決策信息的挖掘，是值得我們進行深入探索的課題。

參考文獻(xiàn):

[1]卿濤:人力資源管理概論[M].北京:清華大學(xué)出版社，2006.235～236

[2]劉向鋒:數(shù)據(jù)挖掘在銷售管理系統(tǒng)中的設(shè)計和實現(xiàn)[J].計算機應(yīng)用研究，2004，21(6):190

[3]Holland J.H. Adaptation in natural and artificial systems[M].Ann Arbor:The University of Michigan press，1975 reprinted MIT Press，1992

[4]覃俊華張洪偉趙世政:基于遺傳算法的模糊聚類研究及其應(yīng)用[J].計算機應(yīng)用，2007，27(1):53