馬莉 周小虎

摘 ?要： 為了對現(xiàn)有創(chuàng)新創(chuàng)業(yè)人才管理體系中的量化績效考核機(jī)制進(jìn)行改進(jìn)，提出一種基于數(shù)據(jù)挖掘技術(shù)的研究方案。將決策樹算法與聚類分析相結(jié)合運(yùn)用到量化績效考核體系中，從而發(fā)掘考核結(jié)果與各種因素之間的關(guān)系。采用K?means聚類算法對團(tuán)隊(duì)成員進(jìn)行測評分析，以分類規(guī)則的形式粗略劃分為4個等級。采用ID3決策樹算法根據(jù)測評等級和創(chuàng)業(yè)團(tuán)隊(duì)核心屬性，生成細(xì)化的最終個人量化考核得分表。以某個創(chuàng)業(yè)團(tuán)隊(duì)的實(shí)際數(shù)據(jù)為樣本進(jìn)行測試、分析和驗(yàn)證，測試結(jié)果表明提出方案具有較好的準(zhǔn)確率，為人才隊(duì)伍管理提供了有力的決策支持。

關(guān)鍵詞： 數(shù)據(jù)挖掘; 考核指標(biāo); 績效考核; 量化績效; K?means聚類; 決策樹算法

中圖分類號： TN711?34; TP393 ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）11?0178?03

Abstract： In order to improve the quantitative performance appraisal mechanism in the existing innovation and entrepreneur talents management system， a research plan based on data mining technology is proposed. The decision tree algorithm and cluster analysis are combined to apply to the quantitative performance appraisal system， so as to explore the relationship between the assessment results and various factors. The K?means clustering algorithm is used to evaluate and analyze the team members， and the members are roughly divided into four levels in the form of classification rules. The ID3 decision tree algorithm is used to generate a refined final score table of personal quantitative assessment， which is based on the evaluation level and the core attributes of the entrepreneur team. The actual data of a entrepreneur team was taken as a sample for testing， analysis and verification. The test results show that the proposed scheme has high accuracy rate， and provides powerful decision support for the talent team management.

Keywords： data mining; appraisal index; performance appraisal; quantitative performance; K?means clustering; decision tree algorithm

0 ?引 ?言

隨著計(jì)算機(jī)技術(shù)的快速發(fā)展和大規(guī)模普及，信息采集與分析成為各大企事業(yè)單位發(fā)展過程中必須面對的重點(diǎn)問題。21世紀(jì)進(jìn)入了大數(shù)據(jù)時代，辦公自動化、信息化設(shè)備、數(shù)據(jù)庫軟件等各種計(jì)算機(jī)輔助技術(shù)的運(yùn)用，產(chǎn)生了海量的數(shù)據(jù)信息[1]。但是，如何高效地分析和處理這些急劇膨脹的數(shù)據(jù)，并為部門業(yè)務(wù)發(fā)展提供決策服務(wù)和技術(shù)支持，成為過程監(jiān)管控制系統(tǒng)需要解決的難題，特別是創(chuàng)新創(chuàng)業(yè)團(tuán)隊(duì)管理。

數(shù)據(jù)挖掘是20世紀(jì)90年代出現(xiàn)的一門交叉學(xué)科，涉及來自數(shù)據(jù)庫技術(shù)、知識工程、概率與統(tǒng)計(jì)、模式識別、神經(jīng)元網(wǎng)絡(luò)、可視化技術(shù)等各領(lǐng)域的研究成果[2]。數(shù)據(jù)挖掘的本質(zhì)目標(biāo)是從大量、有噪聲的、不完全的、模糊的、隨機(jī)的數(shù)據(jù)中抽取出隱藏的并具有一定可利用價值的信息和關(guān)系。目前，數(shù)據(jù)挖掘在量化績效考核管理系統(tǒng)中的應(yīng)用已經(jīng)成為熱門研究方向[3?4]。文獻(xiàn)[5]提出一種基于數(shù)據(jù)挖掘的人力資源考核系統(tǒng)。文獻(xiàn)[6]利用數(shù)據(jù)挖掘關(guān)聯(lián)規(guī)則的Apriori算法對學(xué)生成績進(jìn)行綜合分析，不僅能夠獲悉學(xué)生對知識的掌握程度，還能夠發(fā)掘課程之間的彼此內(nèi)在聯(lián)系。文獻(xiàn)[7]應(yīng)用數(shù)據(jù)挖掘技術(shù)將與企業(yè)有潛在價值的信息挖掘并與相關(guān)的信息比對整合，得到評價企業(yè)更有價值的信息，使用項(xiàng)目考核提升效率。通過上述研究分析發(fā)現(xiàn)，現(xiàn)有的基于數(shù)據(jù)挖掘的績效考核方法均采用單一的決策樹或者關(guān)聯(lián)規(guī)則分析，且對績效考核評估涉及的成員屬性選擇并不準(zhǔn)確。

因此，本文提出將決策樹算法與聚類分析相結(jié)合運(yùn)用到量化績效考核體系中，以便揭示出隱含在績效考核評估背后的有價值信息。首先采用K?means聚類算法對團(tuán)隊(duì)成員進(jìn)行測評分析，以分類規(guī)則的形式粗略劃分為4個等級。然后，采用ID3決策樹算法根據(jù)測評等級和創(chuàng)業(yè)團(tuán)隊(duì)核心屬性，生成細(xì)化的最終個人量化考核得分表。以某個創(chuàng)業(yè)團(tuán)隊(duì)的實(shí)際數(shù)據(jù)為樣本進(jìn)行測試、分析和驗(yàn)證，測試結(jié)果表明提出方案具有較好的聚類精度和評估準(zhǔn)確率，為決策管理提供了有力的技術(shù)支持，提高了創(chuàng)新創(chuàng)業(yè)團(tuán)隊(duì)管理的工作效率。

1 ?數(shù)據(jù)挖掘定義

數(shù)據(jù)挖掘匯集了來自機(jī)器學(xué)習(xí)、模式識別、數(shù)據(jù)庫、統(tǒng)計(jì)學(xué)、人工智能等各領(lǐng)域的研究成果[2?4]。計(jì)算機(jī)的大規(guī)模普及產(chǎn)生了海量的數(shù)據(jù)，數(shù)據(jù)挖掘通過綜合以上學(xué)科領(lǐng)域的技術(shù)成果，對海量數(shù)據(jù)進(jìn)行處理和分析。數(shù)據(jù)挖掘是知識發(fā)現(xiàn)流程的關(guān)鍵步驟，如圖1所示。

圖1 ?數(shù)據(jù)挖掘知識發(fā)現(xiàn)圖

將大量的業(yè)務(wù)信息數(shù)據(jù)化并進(jìn)行關(guān)鍵信息采集、預(yù)處理和變換，以及合理的模型選擇，從中抽取出能夠輔助管理決策的有價值的隱藏關(guān)聯(lián)信息。通過數(shù)據(jù)挖掘可以有效提升業(yè)務(wù)競爭力，提升團(tuán)隊(duì)運(yùn)作效率。通過數(shù)據(jù)挖掘技術(shù)可以發(fā)現(xiàn)兩個不相關(guān)的數(shù)據(jù)，但同時又與其他第三方數(shù)據(jù)有關(guān)系，從而間接地通過網(wǎng)絡(luò)建立一個隱藏的連接，以便于信息的傳輸和分析。本文的研究目標(biāo)就是構(gòu)建基于數(shù)據(jù)挖掘技術(shù)的創(chuàng)新創(chuàng)業(yè)團(tuán)隊(duì)量化績效考核機(jī)制，從而發(fā)掘考核結(jié)果與各成員工作相關(guān)因素之間的關(guān)系。

2 ?基于數(shù)據(jù)挖掘的量化績效考核方法研究

2.1 ?考核指標(biāo)分析

針對創(chuàng)新創(chuàng)業(yè)人才管理體系，采用的績效考核指標(biāo)如圖2所示，包括成果指標(biāo)、日?？己酥笜?biāo)和個人考核指標(biāo)。基于數(shù)據(jù)挖掘的量化績效考核方法原理如圖3所示。

圖2 ?績效考核指標(biāo)體系

圖3 ?基于數(shù)據(jù)挖掘的量化績效考核方法原理圖

2.2 ?基于K?means聚類的績效考核等級測評

作為一種基于距離的劃分聚類算法，K?means聚類算法具有算法結(jié)構(gòu)簡單、運(yùn)行效率高且適用范圍廣等優(yōu)點(diǎn)[8]。K?means聚類算法一般通過式（1）所示的目標(biāo)函數(shù)來實(shí)現(xiàn)優(yōu)化：

式中：[E]為聚類準(zhǔn)則函數(shù);[K]為聚類的總數(shù);[Cj（j=1，2，…，K）]為聚類中的簇;[x]為簇[Cj]中績效考核指標(biāo)體系的內(nèi)容;[mj]為每項(xiàng)指標(biāo)的平均值。

本文K?means聚類算法的輸入?yún)?shù)[K]為4個測評等級（優(yōu)秀/良好/合格/不合格），如表1所示。數(shù)據(jù)集[X]中聚類目標(biāo)的數(shù)量[n]為績效考核數(shù)據(jù)庫中給的數(shù)據(jù)源，輸出為使聚類準(zhǔn)則函數(shù)[E]達(dá)到最小的[K]個聚類。K?means聚類算法的基本流程為：

1） 輸入?yún)?shù)并初始化[K]個聚類中心;

2） 計(jì)算[E]的數(shù)值;

3） 更新每個群集的中心并計(jì)算新[E];

4） 是否滿足收斂條件，是則輸出參數(shù)并結(jié)束;反之跳轉(zhuǎn)到步驟2）。

表1 ?績效考核等級參照表

2.3 ?基于ID3決策樹算法的量化績效評估

ID3決策樹算法的關(guān)鍵是按照遞歸思想進(jìn)行信息增益和熵的計(jì)算。計(jì)算初始熵的方法如下[9]：

為了得到更加準(zhǔn)確的評估結(jié)果，本文在績效考核數(shù)據(jù)庫中設(shè)置了7項(xiàng)核心屬性來構(gòu)建ID3決策樹，如表2所示，并選擇具有最大信息增益率的“專業(yè)能力”作為ID3決策樹的根節(jié)點(diǎn)。

表2 ?核心屬性

3 ?測試結(jié)果與分析

3.1 ?測試配置

實(shí)驗(yàn)硬件環(huán)境參數(shù)為：Windows 7操作系統(tǒng)，CPU為I7處理器，4 GB內(nèi)存。測試數(shù)據(jù)來自某創(chuàng)業(yè)團(tuán)隊(duì)近兩年的實(shí)際歷史數(shù)據(jù)，該團(tuán)隊(duì)分為4個項(xiàng)目組，共計(jì)38人。

3.2 ?結(jié)果分析

K?means聚類算法和ID3決策樹算法計(jì)算出的某小組中所有成員的績效考核得分如表3所示。

表3 ?個人績效考核得分?jǐn)?shù)據(jù)

表3得出的個人績效考核得分與實(shí)際個人績效考核結(jié)果一致，數(shù)據(jù)準(zhǔn)確性達(dá)到92%，在精度上能夠滿足實(shí)際應(yīng)用需求。此外，通過本文數(shù)據(jù)挖掘方法，量化績效考核工作效率得到了大幅提升，驗(yàn)證了該方法的先進(jìn)性和有效性。

4 ?結(jié) ?論

本文將決策樹算法與聚類分析相結(jié)合應(yīng)用到量化績效考核體系。首先采用K?means聚類算法對團(tuán)隊(duì)成員進(jìn)行測評分析，以分類規(guī)則的形式粗略劃分為4個等級。然后，采用ID3決策樹算法根據(jù)測評等級和創(chuàng)業(yè)團(tuán)隊(duì)核心屬性，生成細(xì)化的最終個人量化考核得分表。實(shí)際測試結(jié)果表明本文提出方案具有較好的聚類精度和評估準(zhǔn)確率，對量化績效考核系統(tǒng)具有一定的參考意義。

參考文獻(xiàn)

[1] XU L， JIANG C， WANG J， et al. Information security in big data： privacy and data mining [J]. IEEE access， 2017， 2（2）： 1149?1176.

[2] EASLEY D， PRADO M L D， O′HARA M. Discerning information from trade data [J]. Journal of financial economics， 2016， 120（2）： 269?285.

[3] MERCHANT C J， PAUL F， POPP T， et al. Uncertainty information in climate data records from earth observation [J]. Earth system science data， 2017， 9（2）： 1?28.

[4] SUN Y， BIE R， THOMAS P， et al. Advances on data， information， and knowledge in the Internet of Things [J]. Personal & ubiquitous computing， 2016， 20（5）： 653?655.

[5] 裴新明.基于數(shù)據(jù)挖掘的人力資源考核系統(tǒng)分析[J].企業(yè)改革與管理，2016（18）：57?58.

PEI Xinming. Analysis of human resource assessment system based on data mining [J]. Enterprise reform and management， 2016（18）： 57?58.

[6] 孫永輝，周宏.數(shù)據(jù)挖掘技術(shù)在高校成績分析中的應(yīng)用研究[J].科技創(chuàng)新導(dǎo)報，2015（33）：157?159.

SUN Yonghui， ZHOU Hong. Application research of data mi?ning technology in college performance analysis [J]. Science and technology innovation review， 2015（33）： 157?159.

[7] 王孟釗，臧沖.工程建設(shè)領(lǐng)域信息系統(tǒng)的實(shí)現(xiàn)[J]. 信息技術(shù)，2014（5）：206?209.

WANG Mengzhao， ZANG Chong. Implementation of information system in engineering construction field [J]. Information technology， 2014（5）： 206?209.

[8] LIU H， WU J， LIU T， et al. Spectral ensemble clustering via weighted K?means： theoretical and practical evidence [J]. IEEE transactions on knowledge & data engineering， 2017， 29（5）： 1129?1143.

[9] ZHANG X， AI F， LI X， et al. Inflammation?induced S100A8 activates Id3 and promotes colorectal tumorigenesis [J]. International journal of cancer， 2015， 137（12）： 2803?2814.