留任风险确定器的制造方法
【专利说明】
【背景技术】
[0001]大型企业可能跨不同公司部门雇用许多人。贯穿其职业经历，雇员可能具有许多雇用事务(transact1n)，例如晋升、改变部门、改变位置、离开公司等。一些雇员在长时间段内留在相同的职能和位置中，一些人更经常地改变职能和/或位置。然而，公司明显投资于其雇员。因此，如果雇员离开公司，则企业损失时间和金钱二者，因为其替换刚刚离开的雇员。
【附图说明】
[0002]在以下【具体实施方式】和随附各图中公开本发明的各实施例。
[0003]图1是图示了网络系统的实施例的框图。
[0004]图2是图示了雇员数据服务器的实施例的框图。
[0005]图3A是图示了留任(retent1n)风险确定器的实施例的框图。
[0006]图3B是图示了留任风险确定器的实施例的框图。
[0007]图4是图不了事务的实施例的图。
[0008]图5A是图示了特征向量的实施例的图。
[0009]图5B是图示了权重向量的实施例的图。
[0010]图6A是图示了工作层级的实施例的图。
[0011 ]图6B是图示了层级职能聚集的实施例的图。
[0012]图7是图示了用于预测留任风险的过程的实施例的流程图。
[0013]图8是图示了用于使用雇用数据确定事务的时间序列的集合的过程的实施例的流程图。
[0014]图9是图示了用于过滤事务的时间序列的集合的过程的实施例的流程图。
[0015]图1OA是图示了用于通过规格化(normalize)时间序列的子集来确定时间系列的模型集合的过程的实施例的流程图。
[0016]图1OB是图示了用于规格化事务的过程的实施例的流程图。
[0017]图11是图示了用于将时间序列的集合的时间序列分类(sort)成分装(bucket)的过程的实施例的流程图。
[0018]图12是图示了用于确定特征向量的集合的过程的实施例的流程图，其中从时间序列的集合的时间序列来确定每一个特征向量。
[0019]图13是图示了用于确定模型的过程的实施例的流程图。
[0020]图14是图示了用于使用一个或多个模型来预测针对给定雇员的留任风险的过程的实施例的流程图。
[0021]图15是图示了风险预测显示的实施例的图表的实施例。
[0022]图16是图示了风险预测显示的实施例的表格的实施例。
【具体实施方式】
[0023]本发明可以以众多方式实现，包括作为过程;装置;系统;组合物;体现在计算机可读存储介质上的计算机程序产品；和/或处理器，诸如被配置成执行存储在耦合到处理器的存储器上和/或由存储器提供的指令的处理器。在本说明书中，这些实现或者本发明可以采取的任何其它形式可以被称为技术。一般地，所公开的过程的步骤的顺序可以在本发明的范围内更改。除非以其它方式陈述，否则被描述为配置成执行任务的诸如处理器或者存储器之类的组件可以实现为临时被配置成在给定时间执行该任务的通用组件、或者被制造成执行该任务的特定组件。如本文所使用的，术语“处理器”是指被配置成处理诸如计算机程序指令之类的数据的一个或多个设备、电路和/或处理核。
[0024]在下文连同图示本发明的原理的附图一起提供本发明的一个或多个实施例的详细描述。结合这样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权利要求书限制，并且本发明涵盖众多可替换方案、修改方案和等同方案。在以下描述中阐述众多具体细节以便提供对本发明的透彻理解。这些细节仅出于示例的目的而提供，并且本发明可以在不具有这些具体细节中的一些或全部的情况下根据权利要求书来实施。出于清楚的目的，未详细描述与本发明有关的技术领域中所已知的技术材料，以使得本发明不会不必要地模糊。
[0025]公开了一种用于确定留任风险的系统。用于确定留任风险的系统包括:用于使用雇用数据确定事务的时间序列的集合的分组器，其中事务的每一个时间序列与一个雇员相关联;用于基于雇员转变特性来过滤事务的时间序列的集合以确定时间序列的子集的过滤器；用于通过规格化时间序列的子集来确定时间序列的模型集合的规格化器；用于确定特征向量的集合的特征向量提取器，其中从时间序列的模型集合的时间序列来确定特征向量的集合的每一个特征；用于至少部分地基于特征向量的集合来确定一个或多个模型的模型构建器;以及用于使用一个或多个模型来预测针对给定雇员的留任风险的预测器。
[0026]公开了一种用于留任风险确定的系统。在一些实施例中，用于留任风险确定的系统接收雇员事务数据(例如雇员职称改变、雇员位置改变、公司部门改变等)的集合，并且创建用于确定给定雇员将离开公司(例如在下一年内)的可能性或风险的模型。用于留任风险确定的系统按照雇员对来自雇员事务数据的集合的事务进行分组并且对与每一个雇员相关联的事务进行分类以创建事务的时间序列的集合，每一个时间序列与一个雇员相关联。在各实施例中，事务包括晋升、位置改变、职称改变、管理者改变、薪水改变、轮班改变、聘用、开除、失业、主动离开或者任何其它适当的雇员事务。与雇员相关联的事务的时间序列包括通过事务的时间(例如时间和日期)排序的事务的序列，其描述雇员在公司的职业经历的进程。例如，针对雇员的事务的时间序列包括聘用事务、第一加薪事务、第一晋升事务、位置改变事务、第二加薪事务、第二晋升事务、管理者改变事务和主动离开事务。每一个事务包括适当的事务信息(例如事务类型、事务日期、新薪资、新位置、新管理者、新职称、新职能等)。至少部分地基于转变特性来过滤事务的时间序列的集合以移除对模型未贡献有用信息的雇员(例如转变特性包括以下中的一个或多个:出于与留任实践无关的原因而离开的雇员、已经死亡的雇员、已经退休的雇员、在临时基础上聘用的雇员、合同工、仅在非常短的时间内留在公司的雇员等等)。然后通过规格化事务而从事务的时间序列的经过滤集合确定时间序列的模型集合。在一些实施例中，规格化事务包括确定与事务相关联的规格化工作水平(job level)和/或规格化职称。在一些实施例中，规格化职称包括从规格化职称的集合选择的职称，其中规格化职称的集合小于职称的集合(例如，规格化与事务的集合相关联的职称减少了与事务的集合相关联的职称的总数)。在一些实施例中，规格化工作水平包括从规格化工作水平的集合选择的工作水平，其中规格化工作水平的集合小于工作水平的集合(例如，规格化与事务的集合相关联的工作水平减少了与事务的集合相关联的工作水平的总数)。在一些实施例中，将时间序列的模型集合除以雇用长度(例如进行分装，使用分装器模块或分装器，与被雇用了从1-5年的雇员相关联的时间序列被分类成第一类别一一或者针对n-m年，与被雇用了从5-10年的雇员相关联的时间序列被分类成第二类别一一或者针对m-k年等等)。在各实施例中，分装器模块在特征向量提取之前、在特征向量提取之后、或者在任何其它适当的时间，以使得能够实现数据的多个模型。然后从时间序列的模型集合的每一个时间序列确定特征向量。在一些实施例中，特征向量的每一个特征包括从时间序列确定的数据度量(例如总雇用时间、职能数目、晋升之间的平均持续时间、雇员是否曾经改变职能、雇员已经工作过的工作位置的总数、在当前职能中的时间等)。使用机器学习算法(例如支持向量机)在从时间序列确定的特征向量的集合和时间序列的集合上构建模型，其中每一个雇员由特征向量表示。在一些实施例中，使用监督式学习模型，其中每一个特征向量包括标签，其表示相关联的雇员是否主动地离开公司。监督式学习模型确定针对每一个特征的权重，其示出特征在提供预测留任风险的最佳准确性中的影响和相关性。在一些实施例中，使用交叉验证来测量预测的统计重要性和准确性一一例如通过具有雇员特征向量的第一集合上的模型训练以及通过在雇员特征向量的第二集合上应用经训练的模型。雇员特征向量的第一集合和雇员特征向量的第二集合不重叠以避免训练中的偏向并且使模型一般化。然后应用经训练的模型以确定由时间序列和特征向量表示的现有雇员将离开公司(例如在下一年内)的概率。在一些实施例中，针对每一个雇用长度分段而构建单独的模型。一旦模型被构建，则预测器可以使用该模型来确定针对给定雇员的留任风险。预测器接收与给定雇员相关联的事务的时间序列，规格化时间序列，从规格化后的时间序列确定特征向量