本发明涉及外贸培训领域，针对各岗位角色(业务员，业务经理)，提出一种外贸行业人才能力评价体系，在培训初期，帮助从业者定位短板，继而进行针对性补强；完成培训后，验证提升效果，并且可以量化各人能力水平，方便比较。具体而言，涉及一种覆盖各级岗位角色的外贸行业人才能力评价方法与体系。
背景技术：
：对外贸易亦称“国外贸易”或“进出口贸易”，简称“外贸”，是指一个国家(地区)与另一个国家(地区)之间的商品、劳务和技术的交换活动。随着通信，支付，仓储物流业的飞速发展，以及语言障碍，贸易壁垒的不断降低，外贸行业呈现出愈发旺盛的生命力。诚然，对于企业而言，拥有一批经验丰富，具备稳健执行力的外贸从业人员，是推动公司业绩攀升的重中之重。而外贸培训，正是培养精英从业人员的核心手段。培训初期，难点之一便是定位从业人员短板，继而进行针对性补强，达到事半功倍的目的。培训结束后，便着眼于验证提升效果，比较各从业者能力水平。一套完备的从业人员能力评价体系足以胜任上述需求，方便企业进行量化分析。申请人江苏中企教育科技股份有限公司(以下简称中企教育)在外贸培训领域拥有8年行业积淀，截至2018年2月，在全国80个城市举办培训会2000余场，服务企业100000余家，培训人数超过250000人次，积累了大量优质数据。技术实现要素：本发明目的是，依托中企教育外贸培训领域提供和积攒的数据，设计一套完备的从业人员能力评价方法与体系，全方位覆盖各级外贸从业人员。本发明技术方案是，从业人员能力评价方法与体系评价指标如表1，表2。对于业务员，中企教育凭借多年从业经验，目前划分6项1级指标：实务操作，实战技巧，谷歌及社交媒体操作，海外市场开拓，基本素养，外语基本用语。6项中每项1级指标再细分为2级指标，明细见表1。中企教育给每项1级指标制定评估测试如下，测试题库每季度更新，迎合业务变化(如果业务发生明显改变，则及时更新)：笔试测验：10道多选题，各2级指标出1-2题，每题1分，满分10分。综合模拟：1道主观表述题，以现场交流形式作答，出题范围覆盖各2级指标，满分10分。以1级指标基本素养为例，测试完成将得到如下明细得分：业务心态及抗压能力得分，职业化素养与提升得分，职场及涉外商务礼仪得分，办公软件操作能力得分，图片处理能力得分，b2b平台推广和操作能力得分(以上为多选题明细得分)，以及基本素养主观表述得分。其他1级指标明细得分类似：即各项2级指标的多选题明细得分，以及对应1级指标的主观表述得分。再记录受试业务员近90天回款金额。表1业务员能力评价指标对于业务经理，中企教育凭借多年从业经验，目前划分3项1级指标：海外市场策略，跨境电商、贸易及实操，外贸业务团建。每项1级指标再细分为2级指标，明细见表2。中企教育给每项1级指标制定评估测试如下，测试题库每季度更新，迎合业务变化(如果业务发生明显改变，则及时更新)：笔试测验：10道多选题，各2级指标出1-2题，每题1分，满分10分。综合模拟：2道主观表述题，以现场交流形式作答，出题范围覆盖各2级指标，每题5分，满分10分。以1级指标外贸业务团建为例，测试完成将得到如下明细得分：外贸团队的搭建、分工、任务分配能力得分，外贸团队的考核和pk机制建立能力得分(以上为多选题明细得分)，以及外贸业务团建主观表述得分。其他1级指标明细得分类似：即各项2级指标的多选题明细得分，以及对应1级指标的主观表述得分。再记录受试业务经理所带团队近90天人均回款金额。表2业务经理能力评价指标以上为中企教育数据收集方式。一种覆盖各级岗位角色的外贸行业人才能力评价方法，实现步骤如下：步骤1收集近期外贸行业人才培训数据；步骤11外贸行业业务员，记录表1指标明细得分，近90天回款金额；步骤12外贸行业业务经理，记录表2指标明细得分，所带团队近90天人均回款金额；步骤2取四分位数，划分回款金额区间(数据过多或分析需求更具体时，可划分更多区间)；步骤21各业务员近90天回款金额，以上四分位数，中位数，下四分位数，3个临界点，从高到低划分为4个区间，依次标号4，3，2，1；记录每个业务员回款金额区间；步骤22各业务经理所带团队近90天人均回款金额，以上四分位数，中位数，下四分位数，3个临界点，从高到低划分为4个区间，依次标号4，3，2，1；记录每个业务经理人均回款金额区间；步骤3将各明细得分作为自变量，回款金额区间作为因变量，代入xgboost模型，以auc值最大为目标，进行调参；步骤31设置默认参数：max_depth＝5,min_child_weight＝1,gamma＝0.1,subsample＝0.8,colsample_bytree＝0.8,reg_alpha＝0.08,learning_rate＝0.1；步骤32固定其他参数，网格搜索max_depth,min_child_weight，确定最佳值(树深度对预测效果影响最大，先确定下来)；步骤33固定其他参数，网格搜索gamma，确定最佳值(确定模型保守性)；步骤34固定其他参数，网格搜索subsample,colsample_bytree(防止过拟合)；步骤35固定其他参数，网格搜索reg_alpha(防止过拟合)；步骤36固定其他参数，网格搜索learning_rate(微调模型准确性)；步骤4训练模型，使auc值，f1-score接近1，否则重复步骤3；步骤41业务员数据训练模型1；步骤42业务经理数据训练模型2；步骤5每季度重新收集近期数据训练模型，保证时效性；步骤6评价从业人员能力；步骤61业务员a，用表1指标评估明细得分，代入模型1，得出回款金额区间，金额区间越高，a业绩越好，能力越强；步骤62业务经理c，用表2指标评估明细得分，代入模型2，得出人均回款金额区间，金额区间越高，c业绩越好，能力越强；步骤7确定从业人员补强方向；步骤71模型1的get_fscore方法由高到低列出各指标重要性，重点补强a得分低的重要指标步骤72模型2的get_fscore方法由高到低列出各指标重要性，重点补强c得分低的重要指标；xgboost是"极端梯度上升"(extremegradientboosting)的简称,它类似于梯度上升框架，但是更加高效。兼具线性模型求解器和树学习算法。算法在单机上也可以并行计算的能力。这使得xgboost至少比现有的梯度上升实现有至少10倍的提升。它提供多种目标函数，包括回归，分类和排序。由于它在预测性能上的强大但是相对缓慢的实现，还有做交叉验证和发现关键变量的额外功能。在优化模型时，这个算法还有非常多的参数需要调整。使用xgboost数据的准备xgboost仅适用于数值型向量。需要将所有其他形式的数据转换为数值型向量。一个简单的方法将类别变量转换成数值向量是一个"独热编码"。在r中,一个独热编码非常简单。在每一个可能值的变量使用标志建立一个稀疏矩阵。稀疏矩阵是一个矩阵的零的值。稀疏矩阵是一个大多数值为零的矩阵。相反,一个稠密矩阵是大多数值非零的矩阵。·“sparse.model。matrix”这条命令的圆括号里面包含了所有其他输入参数。·参数“反应”说这句话应该忽略“响应”变量。·“-1”意味着该命令会删除矩阵的第一列。想要转化目标变量,你可以使用下面的代码:output_vector＝df[,response]＝＝"responder"代码解释：·设output_vector初值为0。·在output_vector中，将响应变量的值为"responder"的数值设为1；一般参数silent:默认值是0。您需要指定0连续打印消息,静默模式1。booster:默认值是gbtree。你需要指定要使用的上升模型:gbtree(树)或gblinear(线性函数)。num_pbuffer:这是由xgboost自动设置,不需要由用户设定。阅读xgboost文档的更多细节。num_feature:这是由xgboost自动设置,不需要由用户设定。辅助参数具体参数树状图：·eta：默认值设置为0.3。您需要指定用于更新步长收缩来防止过度拟合。每个提升步骤后,我们可以直接获得新特性的权重。实际上eta收缩特征权重的提高过程更为保守。范围是0到1。低η值意味着模型过度拟合更健壮。·gamma:默认值设置为0。您需要指定最小损失减少应进一步划分树的叶节点。更大,更保守的算法。范围是0到∞。γ越大算法越保守。·max_depth:默认值设置为6。您需要指定一个树的最大深度。参数范围是1到∞。·min_child_weight:默认值设置为1。您需要在子树中指定最小的(海塞)实例权重的和，然后这个构建过程将放弃进一步的分割。在线性回归模式中，在每个节点最少所需实例数量将简单的同时部署。更大,更保守的算法。参数范围是0到∞。·max_delta_step：默认值设置为0。max_delta_step允许我们估计每棵树的权重。如果该值设置为0,这意味着没有约束。如果它被设置为一个正值,它可以帮助更新步骤更为保守。通常不需要此参数,但是在逻辑回归中当分类是极为不均衡时需要用到。将其设置为1-10的价值可能有助于控制更新。参数范围是0到∞。·subsample：默认值设置为1。您需要指定训练实例的子样品比。设置为0.5意味着xgboost随机收集一半的数据实例来生成树来防止过度拟合。参数范围是0到1。·colsample_bytree:默认值设置为1。在构建每棵树时,您需要指定列的子样品比。范围是0到1。线性上升具体参数·lambdaandalpha:这些都是正则化项权重。λ默认值假设是1和α＝0。·lambda_bias:l2正则化项在偏差上的默认值为0。任务参数·base_score:默认值设置为0.5。您需要指定初始预测分数作为全局偏差。·objective:默认值设置为reg:linear。您需要指定你想要的类型的学习者,包括线性回归、逻辑回归、泊松回归等。·eval_metric:您需要指定验证数据的评估指标,一个默认的指标分配根据客观(rmse回归,错误分类,意味着平均精度等级·seed:随机数种子，确保重现数据相同的输出。本发明有益效果：本发明在培训指标选择上，外贸行业回款金额，外贸行业回款金额受时段影响，不固定，通过四分位数划分回款金额区间，有效规避了回款金额时高时低的影响，并将问题抽象为多分类预测。xgboost模型训练快，预测准确性高，且能反馈各指标重要性，非常贴合评价系统需求。培训初期，本发明帮助从业者定位短板，继而进行针对性补强；完成培训后，本发明可验证提升效果，量化各人能力水平，方便人才能力的比较。附图说明图1为外贸行业人才能力评价体系流程图。具体实施方式以下结合图1，具体阐述本发明实施方案。所描述的实施例仅为示例，基于本发明技术实质所做的等同变化，仍落入本发明保护范围。步骤11判断从业人员岗位角色，评估明细得分；业务员a用表1指标评估明细得分，记x1向量；业务经理c用表2指标评估明细得分，记x2向量；步骤12事先收集近期优质数据，取四分位数划分回款金额区间(数据过多或分析需求更具体时，可划分更多区间)，调参建模；业务员数据训练模型1，业务经理数据训练模型2；每季度更新模型，保证时效；步骤13评估从业人员能力得分，补强方向；a的x1向量输入模型1，可预测a回款金额区间，金额区间越高，业绩越好，能力越强，同时，模型1给出各指标重要性排序，参照x1向量a得分低且重要性高的指标，进行重点补强；c的x2向量输入模型2，可预测c人均回款金额区间，金额区间越高，业绩越好，能力越强，同时，模型2给出各指标重要性排序，参照x2向量c得分低且重要性高的指标，进行重点补强。举例如下，实际工作中可灵活变通：业务员b回款金额区间为4，业务员a回款金额区间为3，则b业绩优于a。企业可分配更多重要项目给b。同时，表3列出模型1指标重要性top5，观察a的这5个指标，对得分较低指标进行重点补强。在a补强完成后，重新进行能力评测，查看提升效果，或与b再次比较。表3模型1指标重要性top5重要性排序指标名称1实战技巧主观表述得分2贸易术语和付款方式知识得分3询盘处理和跟进能力得分4传统欧美市场开拓能力得分5客户搜索开发能力得分业务经理d人均回款金额区间为4，业务经理c人均回款金额区间为3，则d业绩优于c。企业可分配更多重要项目给d。同时，表4列出模型2指标重要性top5，观察c的这5个指标，对得分较低指标进行重点补强。在c补强完成后，重新进行能力评测，查看提升效果，或与d再次比较。表4模型2指标重要性top5重要性排序指标名称1跨境贸易知识及实操能力得分2外贸业务团建主观表述得分3市场、产品的定位策略得分4沟通与谈判、拿单策略得分5客户的跟进、追踪与维护策略得分其它说明：1、取四分位数的基础：外贸行业回款金额受时段影响，不固定，通过四分位数划分回款金额区间，有效规避了回款金额时高时低的波动，并将问题抽象为多分类预测；2、选择xgboost：xgboost是类似于梯度上升的框架，但更加高效；它在单机上也具备并行计算能力，这使它比现有的梯度上升方法有至少10倍提升；此外，它可以执行交叉验证优化模型效果并衡量指标重要性；因而选择此模型；3、xgboost主流参数，步骤31给出了max_depthmin_child_weight等与四分位数、指标明细得分的定义。4、各明细得分，回款金额区间是输入样本<x,y>；利用输入样本先将xgboost参数调至最优，再用输入样本训练xgboost(此时参数已定)，这是机器学习常规流程，已在步骤3，步骤4说明。以上所述仅为本发明的一种实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均以包含在本发明的保护范围之内。当前第1页12