● 張志宇 呂明麗 李從東

數(shù)據(jù)挖掘在人崗匹配中的應(yīng)用研究

● 張志宇 呂明麗 李從東

本文將數(shù)據(jù)挖掘技術(shù)引入人崗匹配管理，探討了數(shù)據(jù)挖掘在人崗匹配管理中的應(yīng)用過程。

人崗匹配 評價指標 數(shù)據(jù)挖掘 系統(tǒng)

員工與崗位的匹配問題是人力資源管理中的基本問題。由于人崗匹配問題受到多種因素影響，呈現(xiàn)出非線性的特征。不同企業(yè)的人崗匹配問題具有特殊性，利用一般的數(shù)學(xué)方法無法完全滿足這些要求。計算機系統(tǒng)輔助決策技術(shù)的進步己經(jīng)對企業(yè)管理產(chǎn)生了直接的影響，使管理者能夠利用計算機系統(tǒng)輔助解決管理中的決策問題，但傳統(tǒng)的決策方法不能深入挖掘企業(yè)信息化數(shù)據(jù)中蘊含的規(guī)律和有用的知識。人們希望能夠讓計算機智能地分析企業(yè)數(shù)據(jù)庫中的海量數(shù)據(jù)以獲取有用決策管理信息，這就是推動數(shù)據(jù)挖掘（Data Mining,DM）這一輔助決策工具產(chǎn)生并發(fā)展的強大動力。本文將數(shù)據(jù)挖掘應(yīng)用于企業(yè)的人崗匹配管理，并詳細分析數(shù)據(jù)挖掘技術(shù)的應(yīng)用過程。

一、數(shù)據(jù)挖掘及其功能

數(shù)據(jù)挖掘就是從大量的、不完全的、有噪聲的、模糊的、隨機的數(shù)據(jù)中，提取隱含但有價值的、用戶感興趣的信息和知識的處理過程。

數(shù)據(jù)挖掘任務(wù)一般可分為兩類：描述和預(yù)測。描述性挖掘任務(wù)刻畫數(shù)據(jù)庫中數(shù)據(jù)的一般特性，預(yù)測性挖掘任務(wù)是在當前數(shù)據(jù)上進行推斷，以進行預(yù)測。數(shù)據(jù)挖掘的功能有：

1．特征化和區(qū)分。數(shù)據(jù)特征化可以匯總所研究類的數(shù)據(jù)，數(shù)據(jù)區(qū)分可以將目標類與一個或多個比較類進行比較。數(shù)據(jù)特征化的發(fā)現(xiàn)方法和實現(xiàn)技術(shù)有很多，如數(shù)據(jù)立方體、面向?qū)傩缘臍w約等。

2．關(guān)聯(lián)分析。它廣泛用于事務(wù)數(shù)據(jù)分析，可以發(fā)現(xiàn)不同屬性值在給定數(shù)據(jù)信箱集中出現(xiàn)的頻繁程度,也可以發(fā)現(xiàn)事務(wù)中屬性的相關(guān)性。

3．分類。它用于找出描述并區(qū)分數(shù)據(jù)類或概念的模型,以便使用此模型預(yù)測類標記未知的對象類。它通常使用類標記已知的數(shù)據(jù)對象作為訓(xùn)練數(shù)據(jù)集，通過對該數(shù)據(jù)集的分析,導(dǎo)出數(shù)據(jù)的分類模型，然后使用模型預(yù)測未知數(shù)據(jù)。

4．聚類。聚類與分類不同，它沒有類標記作為指導(dǎo)，又稱為無指導(dǎo)的分類，類標記由它本身產(chǎn)生。對象根據(jù)最大化類內(nèi)的相似性、最小化類間的相似性的原則進行聚類和分組。

5．孤立點分析。數(shù)據(jù)庫中可能包含一些數(shù)據(jù)對象，它們與數(shù)據(jù)的一般行為或模型不一致，這些數(shù)據(jù)對象稱為孤立點。對這些數(shù)據(jù)的挖掘分析可以用于處理一些罕見事件，比如信用卡欺詐等。

6．演變分析。它用于描述行為隨時間變化的規(guī)律或趨勢,并對其建模。

7．預(yù)測分析。它根據(jù)時間序列型數(shù)據(jù)，由歷史的和當前的數(shù)據(jù)去推測未來的數(shù)據(jù)。

二、數(shù)據(jù)挖掘在人崗匹配中的作用

數(shù)據(jù)挖掘可以在人崗匹配中的以下幾個方面運用：

1.匹配關(guān)系分類?；跀?shù)據(jù)挖掘的聚類算法用來劃分不同員工群的人崗匹配關(guān)系，避免了傳統(tǒng)方法帶來的主觀隨意性，從而體現(xiàn)對企業(yè)不同員工群的差異化管理策略，實現(xiàn)人力資源價值最大化。

2.人崗匹配測評。把應(yīng)聘員工的指標特征值輸入，網(wǎng)絡(luò)就能輸出匹配結(jié)果，以此幫助企業(yè)制定合適的招聘策略，選擇最優(yōu)人才。

3.員工細分。利用數(shù)據(jù)挖掘的決策樹分類算法對員工的不同屬性指標進行細分，以此來確定哪些屬性會導(dǎo)致員工所屬的狀態(tài)，從而進行更有針對性地崗位培訓(xùn)，節(jié)省企業(yè)員工培訓(xùn)成本，取得有效的管理業(yè)績。

4.匹配關(guān)系預(yù)測。把握人崗匹配關(guān)系動態(tài)特征是人崗匹配管理的關(guān)鍵。數(shù)據(jù)挖掘通過對實時動態(tài)關(guān)系數(shù)據(jù)的采集和整理，將多因素的數(shù)據(jù)進行融合、挖掘，提取人崗匹配關(guān)系的狀態(tài)特征，同時結(jié)合歷史數(shù)據(jù)和未來預(yù)測數(shù)據(jù)對關(guān)系的演化過程進行仿真預(yù)測，有效促進人崗匹配關(guān)系向有利方向發(fā)展。

三、數(shù)據(jù)挖掘在人崗匹配中的具體運用

根據(jù)上文對人崗匹配關(guān)系的論述，結(jié)合數(shù)據(jù)挖掘的處理過程，建立如圖1所示的基于數(shù)據(jù)挖掘的人崗匹配管理系統(tǒng)模型。其工作過程主要包括以下三個階段：

1．數(shù)據(jù)準備階段。這個階段又分成2個子步驟：數(shù)據(jù)選擇、數(shù)據(jù)預(yù)處理。數(shù)據(jù)選擇是根據(jù)人崗匹配管理的最終目標收集需要分析的數(shù)據(jù)集合，包括現(xiàn)有崗位及要求、在崗員工的各個屬性、各評價指標值。有時需要用調(diào)查問卷進行數(shù)據(jù)收集或在企業(yè)信息數(shù)據(jù)庫中進行收集。預(yù)處理是為了克服目前數(shù)據(jù)采掘工具的局限性，得到的數(shù)據(jù)進行各種針對數(shù)據(jù)挖掘方法的轉(zhuǎn)換或匯總，得到目標數(shù)據(jù)庫。

2．數(shù)據(jù)挖掘階段。這個階段進行實際的挖掘操作，是整個過程的核心。這一步驟需針對上一階段得到的目標數(shù)據(jù)，根據(jù)不同的業(yè)務(wù)要求，選擇不同數(shù)據(jù)挖掘方法進行挖掘，并將得到的結(jié)果存于知識庫或規(guī)則庫。

3．挖掘結(jié)果應(yīng)用階段。根據(jù)最終的決策目的對提取的信息進行分析，區(qū)分最有價值的信息，并且通過決策支持工具提交給決策者。這一步驟的任務(wù)不僅是把結(jié)果表達出來 (例如采用信息可視化方法)，還要對信息進行過濾處理。如果不能令決策者滿意，需要重復(fù)以上數(shù)據(jù)挖掘的過程。

四、一個具體的實踐案例

在本節(jié)中，將以高校高校教師的人崗匹配的數(shù)據(jù)挖掘過程為案例，對該方法的具體操作步驟進行詳細介紹。

第一步，建立評價模型指標體系。

結(jié)合教師崗位的特點，建立人崗匹配測評指標體系。本案例中，建立了包括員工的專業(yè)技能、工作經(jīng)驗、英語水平、身心健康、工作態(tài)度、學(xué)習與解決實踐問題的能力、與人溝通的能力、計算機水平、學(xué)歷、IQ指數(shù)、崗位要求與工作報酬的匹配、員工工作意愿與工作報酬匹配、員工能力與崗位要求之間的匹配共十三項指標。

第二步，準備數(shù)據(jù)。

根據(jù)現(xiàn)有職工的實際情況，請相關(guān)工作和研究人員依據(jù)上一步驟建立的指標體系進行打分，可得到每個職工各指標的數(shù)據(jù)。人崗匹配關(guān)系設(shè)置為不匹配、匹配、非常匹配三種關(guān)系類別。

第三步，利用BP神經(jīng)網(wǎng)絡(luò)的人崗匹配測評挖掘。

用于人崗匹配測評的BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖2所示。

整個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用三層結(jié)構(gòu)，輸入層維數(shù)根據(jù)上面建立的13條評價指標，設(shè)定為13，各節(jié)點的值分別代表以上的13項測試指標的值。網(wǎng)絡(luò)輸出層維數(shù)設(shè)定為1，將該節(jié)點輸出的值劃分成三個范圍，輸出值小于0.6為不匹配，輸出值大于等于0.6并且小于0.8為匹配，輸出大于等于0.8為非常匹配。中間層節(jié)點數(shù)由經(jīng)驗公式求出，再用實驗進行比較確認為4。經(jīng)過這些處理后，開始進行挖掘。挖掘結(jié)束后，從歷史樣本數(shù)據(jù)中挖掘到的人崗匹配關(guān)系特征被保存在網(wǎng)絡(luò)中。利用BP神經(jīng)網(wǎng)絡(luò)模型對教師進行人崗匹配測評的流程如圖3所示。

第四步，挖掘結(jié)果應(yīng)用。

該模型可以用于對新人員的應(yīng)聘、篩選和在崗員工的評價，以更好地進行師資的培養(yǎng)和人力資源優(yōu)化。例如，當新的人員來應(yīng)聘或?qū)T工與崗位的匹配關(guān)系進行測評時，先對他的13項指標進行打分，再調(diào)用已建立的基于神經(jīng)網(wǎng)絡(luò)技術(shù)的教師測評模型進行測評，所得結(jié)果即是其與所聘崗位的匹配程度，該結(jié)果可以為人力資源管理提供較好的決策依據(jù)，有利于學(xué)校對教師進行篩選。

將智能理論應(yīng)用于解決人力資源管理問題是一種新的探索。將數(shù)據(jù)挖掘技術(shù)引入人崗匹配中仍有許多值得研究的問題。比如，如何使得指標體系更趨客觀、全面、合理，定性指標的定量化，如何將數(shù)據(jù)挖掘技術(shù)與智能決策系統(tǒng)嵌入到企業(yè)日常的管理信息系統(tǒng)之中等，這些將是該方法后重點發(fā)展的方向之一。

1.Kuo Kuang Huang．Using an Annealed Neural Network in Organization Personal Management[D]．University of South Dakota，1999．

2.Hart，Ann Yeager．Prediction the Tenure Outcome of TeachersBased on VariablesKnown atthe Time of Application[D]．USA:North Carolina State University，1997．

3.Simon Haykin： 《Neural Networks a comprehensive foundation》，機械工業(yè)出版社，2004年版。

4.劉雪峰：《如何實現(xiàn)人崗匹配》，載《中國人力資源開發(fā)》，2004年第4期。

5.張國初：《人力資源管理定量測度與評價》，社會科學(xué)文獻出版社，2000年版。

6.JiaweiHang．DataMining——Technologyand Concept，Electronics Industry Publishing House,2004．

天津大學(xué)、天津商業(yè)大學(xué)、暨南大學(xué)）

■責編 肖鵬燕 Tel:010-88383907 E-mail：hrchina_2009@126.com