徐軍委，劉長勝

（國網(wǎng)新疆電力有限公司，新疆烏魯木齊 830000）

在大數(shù)據(jù)背景下，新的工作考核評價(jià)理論與體系的應(yīng)用研究成為熱點(diǎn)：文獻(xiàn)[1]論述大數(shù)據(jù)技術(shù)對高校科研評估科學(xué)性、準(zhǔn)確性及優(yōu)化資源配置的積極作用；文獻(xiàn)[2]使用大數(shù)據(jù)技術(shù)構(gòu)建表現(xiàn)預(yù)測、迭代檢測、質(zhì)量預(yù)警的學(xué)習(xí)評價(jià)體系；文獻(xiàn)[3]提出利用大數(shù)據(jù)及人工智能方法構(gòu)建高中生專業(yè)興趣評估及學(xué)科建立評估系統(tǒng)；文獻(xiàn)[4-5]將大數(shù)據(jù)技術(shù)應(yīng)用于公務(wù)員績效評估中進(jìn)行理論研究；文獻(xiàn)[6]基于智能設(shè)備在對建筑工人施工安全方面，建立了相關(guān)考核與激勵(lì)機(jī)制。即當(dāng)前的研究主要集中在理論分析，且多用于對項(xiàng)目的評估及對基層公務(wù)員的考核，對員工的工作考核體系的創(chuàng)新性研究較少。針對相關(guān)研究較少、工作考評因素單一的問題，該文提出了基于人工智能算法及深度數(shù)據(jù)分析技術(shù)的工作考評系統(tǒng)。

1 系統(tǒng)總體架構(gòu)

圖1 為系統(tǒng)的整體框圖，該系統(tǒng)主要由數(shù)據(jù)獲取模塊、數(shù)據(jù)預(yù)處理模塊、評價(jià)考核模塊及反饋激勵(lì)模塊組成。以員工為系統(tǒng)的主體，最終評價(jià)考核結(jié)果再反饋至員工，使整個(gè)系統(tǒng)形成閉環(huán)。首先，利用數(shù)據(jù)挖掘技術(shù)對員工工作的相關(guān)數(shù)據(jù)進(jìn)行處理分析，并提取關(guān)鍵性的特征指標(biāo)；然后，對提取的關(guān)鍵指標(biāo)進(jìn)行預(yù)處理后，根據(jù)權(quán)重作為人工智能算法的輸入，通過訓(xùn)練后由人工智能算法進(jìn)行分析；最終，對員工的工作給出等級性考評；由于算法的透明性可將系統(tǒng)的評估過程輸出，并將其作為對被評估員工的反饋激勵(lì)。

圖1 系統(tǒng)總體框架圖

2 數(shù)據(jù)的獲取和預(yù)處理

2.1 數(shù)據(jù)的獲取

獲取的員工數(shù)據(jù)主要包括兩類：基礎(chǔ)數(shù)據(jù)與日常數(shù)據(jù)?；A(chǔ)數(shù)據(jù)由員工入職時(shí)一次性收集，并由人力資源管理部門定期核查更新，通過定期更新，即可完成此類數(shù)據(jù)的收集；日常數(shù)據(jù)傳統(tǒng)方法由員工上報(bào)或公司定期審查相結(jié)合的方式收集，當(dāng)前隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展，網(wǎng)絡(luò)數(shù)據(jù)庫、移動(dòng)終端等給此類數(shù)據(jù)的采集提供便利，常用的獲取方法有:1）使用統(tǒng)一聯(lián)網(wǎng)接口進(jìn)行出勤考核；2）使用二維碼對員工任務(wù)進(jìn)行標(biāo)注，最后通過二維碼統(tǒng)計(jì)任務(wù)數(shù)據(jù)；3）移動(dòng)終端申報(bào)系統(tǒng)、工作狀態(tài)識(shí)別系統(tǒng)等。

2.2 數(shù)據(jù)的預(yù)處理

數(shù)據(jù)預(yù)處理的過程主要如下：

1）數(shù)據(jù)清理。即對所獲取的數(shù)據(jù)中的缺失、異常等數(shù)據(jù)進(jìn)行處理；

2）數(shù)據(jù)集成。即去除獲取數(shù)據(jù)中無關(guān)數(shù)據(jù)，并合并數(shù)據(jù)中的相關(guān)數(shù)據(jù)；

3）數(shù)據(jù)變換。即利用數(shù)據(jù)變換將數(shù)據(jù)轉(zhuǎn)變?yōu)榉奖阕鳛槿斯ぶ悄芩惴ㄝ斎氲念愋汀?/p>

該系統(tǒng)使用Python 語言數(shù)據(jù)的預(yù)處理相關(guān)工作，相關(guān)的處理方法如下。

①數(shù)據(jù)的裝載

data=pandas.read_csv("./data.csv")；

或data=pandds.ExcelFile("./data.xlsx")；

其中，函數(shù)參數(shù)為對應(yīng)讀取文件的路徑。而data 變量為生成的Data Frame 的數(shù)據(jù)結(jié)構(gòu)。通過此方法，可讀取.csv 或.xlsx 類型數(shù)據(jù)。下面即可使用科學(xué)數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行處理。

②缺失值的處理

關(guān)鍵操作如下：

index_null=pandas.isnull(column)；

column_null_true=column[index_null]；

其中，column為待處理的數(shù)據(jù)列。pandas庫中使用isnull()方法可以獲取列數(shù)據(jù)中缺失數(shù)據(jù)的索引，通過獲取到的缺失數(shù)據(jù)索引再對缺失值進(jìn)行處理。

對于員工指標(biāo)數(shù)據(jù)中的缺失值，要根據(jù)指標(biāo)不同的重要程度采取對應(yīng)的措施，如：再次補(bǔ)錄或使用所有數(shù)據(jù)中的某個(gè)統(tǒng)計(jì)量代替（最小量、最大量、中位量、眾量等）。

③無關(guān)值的刪除與相關(guān)值的合并

無關(guān)值刪除關(guān)鍵的操作為：

data.drop('column',axis=1)

執(zhí)行該操作可刪除名為data 中列的名字為column 的數(shù)據(jù)，其中axis=1 代表對列進(jìn)行刪除操作；

對于相關(guān)數(shù)據(jù)可使用data["column"]引用對應(yīng)列的數(shù)據(jù)，之后可使用對應(yīng)的運(yùn)算向相關(guān)的數(shù)據(jù)行處理或合并。如：

data["column1"]=data["column1"]+data["column2"]

data.drop('column2',axis=1)

上述操作實(shí)現(xiàn)了對列1 與列2 相關(guān)數(shù)據(jù)的合并。

在員工相關(guān)數(shù)據(jù)的處理中，對姓名、序號、工號等與績效評估無關(guān)的數(shù)據(jù)可在進(jìn)行考評前刪除；對諸如入職年份、工齡、出勤次數(shù)、缺勤次數(shù)等可先根據(jù)其相關(guān)關(guān)系，對數(shù)據(jù)進(jìn)行合并。

④連續(xù)數(shù)據(jù)的離散化

連續(xù)數(shù)據(jù)離散方法如下：

其中，data 為DataFrame 格式的數(shù)據(jù)，fun 為自定義的操作函數(shù)，可通過自定義系列操作函數(shù)完成復(fù)雜的數(shù)據(jù)處理。

實(shí)現(xiàn)連續(xù)數(shù)據(jù)離散化的自定義函數(shù)格式如下：

其中，column 為待處理的數(shù)據(jù)列的列名稱，column data 為根據(jù)列名獲取的列數(shù)據(jù)，value 為指定的連續(xù)數(shù)據(jù)的分割值，class1、class2 分別為指定的離散化后數(shù)據(jù)的類名稱。

3 評估算法及反饋激勵(lì)

該文將對員工工作的考評問題等價(jià)于對相關(guān)工作數(shù)據(jù)的分類操作。近年來有多種人工智能算法被應(yīng)用于分類問題，文獻(xiàn)[7-8]使用SVM 算法實(shí)現(xiàn)對遙感圖像及恒星光譜的分類。文獻(xiàn)[9-10]使用神經(jīng)網(wǎng)絡(luò)相關(guān)算法實(shí)現(xiàn)了文本及目標(biāo)圖像的分類；文獻(xiàn)[11-12]使用K 近鄰算法實(shí)現(xiàn)對多標(biāo)簽數(shù)據(jù)及高速鐵路故障的分類；文獻(xiàn)[13-16]使用決策樹或決策森林實(shí)現(xiàn)了對數(shù)據(jù)的分類。其中，決策樹算法具有實(shí)現(xiàn)簡單、運(yùn)算量小、決策過程透明且可復(fù)現(xiàn)等優(yōu)點(diǎn)，綜合考慮相關(guān)因素，本體系采用決策樹算法。

3.1 決策樹算法的實(shí)現(xiàn)

決策樹算法利用信息熵原理對數(shù)據(jù)進(jìn)行分類，信息熵值可表征數(shù)據(jù)的混亂程度，信息熵定義為：

式（1）中，H為數(shù)據(jù)集的信息熵，Pi為對應(yīng)數(shù)據(jù)i在整個(gè)數(shù)據(jù)集中發(fā)生的概率，n為數(shù)據(jù)集中數(shù)據(jù)的類數(shù)。

決策樹算法的實(shí)現(xiàn)過程如下：

1）計(jì)算整個(gè)數(shù)據(jù)集的信息熵：

式（2）為整個(gè)數(shù)據(jù)集熵的計(jì)算方法。其中，ni是每類數(shù)據(jù)在數(shù)據(jù)集中的個(gè)數(shù)，N為數(shù)據(jù)集中數(shù)據(jù)總個(gè)數(shù)；

2）計(jì)算信息熵的增益，信息熵增益的計(jì)算方法如式（3）所示。

式（3）中，Nt為對應(yīng)枝的概率，Ci為數(shù)據(jù)集信息熵，Ci,j為添加分割屬性j后的信息熵。然后，選擇熵增益最大的屬性作為根節(jié)點(diǎn)，完成分割后再重新執(zhí)行上述決策樹算法的步驟1）和2）。

由此即可建立出決策樹的分類模型。同時(shí)，可視化該模型即為反饋激勵(lì)模塊的輸出。

3.2 反饋激勵(lì)機(jī)制

由于決策樹的透明性及可復(fù)現(xiàn)性[17-19]，在生成決策樹后，整個(gè)決策過程可進(jìn)行輸出，通過決策過程可表現(xiàn)出各個(gè)指標(biāo)在評估過程中的重要程度。因此，將評估過程生成的數(shù)據(jù)反饋給被評估者，可以使被評估者清楚地了解自己在工作中的不足，以及各評估指標(biāo)的重要程度，從而激勵(lì)被考評者的工作潛能與積極性。

4 系統(tǒng)的實(shí)現(xiàn)

選取某企業(yè)員工工作考核表數(shù)據(jù)進(jìn)行系統(tǒng)實(shí)現(xiàn)，數(shù)據(jù)集中共40 名員工。經(jīng)數(shù)據(jù)預(yù)處理后[20-21]，提取與工作關(guān)聯(lián)較大的指標(biāo)有：Jobage、Task、Language、Teamwork 和Professional，而考評結(jié)果從優(yōu)到劣分為由A 到D 共5 個(gè)類別，其中B 類2 個(gè)。

選取數(shù)據(jù)集中24 名員工為訓(xùn)練集，剩余16 名員工為測試集對該考評系統(tǒng)進(jìn)行測試。24 個(gè)訓(xùn)練集中5 類考核結(jié)果個(gè)數(shù)分別為：3,5,9,5,2。由式（1）得初始集合的信息熵為：

將式（5）代入式（4）中得：H=1.975 4；

對應(yīng)Task 為excellent 時(shí)，共有8 個(gè)樣本，各類考核結(jié)果的個(gè)數(shù)分別為：3、3、2，則此時(shí)信息熵為：

同理可得，當(dāng)Task 為good、poor 時(shí)：

則由式（2）對應(yīng)Task 的信息熵為：

則選Task 為根節(jié)點(diǎn)的信息熵增益為：

同 理，計(jì) 算 對 選Jobage、Language、Teamwork、Professional 為根節(jié)點(diǎn)計(jì)算信息增益率，如表1 所示。

表1 確定根節(jié)點(diǎn)熵增益表

根據(jù)表1 可知，Task 屬性的信息增益最高，因此選擇其為根部節(jié)點(diǎn)。同理，根據(jù)信息增益的數(shù)值，依次確定決策樹的決策過程如圖2 所示。

圖2 決策過程

使用該決策樹對6 個(gè)測試樣本進(jìn)行考評，考評結(jié)果如表2 所示。

表2 考評結(jié)果

由數(shù)據(jù)結(jié)果可知，考評的正確率可達(dá)94%，驗(yàn)證了該體系的正確性和有效性。同時(shí)，系統(tǒng)把決策過程也反饋給被考評的員工，從該過程中，員工可以獲得以下信息：明晰自己績效的變化，Task 指標(biāo)的重要性，了解Jobage、Teamwork 和Professional 等指標(biāo)的信息，從而起到對員工的激勵(lì)作用。

5 結(jié)束語

該文利用人工智能相關(guān)算法及深度數(shù)據(jù)分析技術(shù)構(gòu)建員工的工作考評體系。該體系中利用數(shù)據(jù)挖掘技術(shù)，對獲取的員工數(shù)據(jù)進(jìn)行清理、集成與變換，即使用決策樹算法利用處理好的數(shù)據(jù)實(shí)現(xiàn)員工工作的考核評價(jià)。同時(shí)，利用評價(jià)過程對員工進(jìn)行反饋激勵(lì)，使員工評價(jià)考核體系幾乎無主觀因素的影響，且更加智能化。該體系也存在一些不足，例如：為使評價(jià)考核的過程更加清晰明了、保持良好的運(yùn)算速度，該文未使用多棵決策樹組成隨機(jī)森林算法，導(dǎo)致了考評結(jié)果的準(zhǔn)確率有所降低，而且在出現(xiàn)多類的葉子節(jié)點(diǎn)時(shí)，仍需人工進(jìn)行再次分類。