本发明涉及能力评估领域，尤其涉及基于大数据模型的电力创新人才能力评估方法。
背景技术：
目前，浙江电网正在快速开展着创新型人才队伍的建设工作，然而，关于创新人才的工作能力评估方法构建还处于空白阶段。目前人才的评估主观性强，不能全面了解员工的特点，不利于人才队伍的选拔和培养工作。
技术实现要素：
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供基于大数据模型的电力创新人才能力评估方法，以达到全面了解员工能力的目的。为此，本发明采取以下技术方案。
基于大数据模型的电力创新人才能力评估方法，包括以下步骤：
1)数据采集:获了数据信息，数据信息包括员工基础属性数据、创新能力测评数据、员工能力测评数据、员工考核评测数据；
2)数据处理：包括数据清洗、数据集成、数据变换和数据规约；
3)构建模型，基于因子分析法对创新基地员工的能力因子进行评估，根据问题的性质和要求达到的总目标，筛选创新基地员工的能力因子变量，并按照员工能力因子变量间的相互关联影响以及隶属关系，分析出员工能力因子变量的两两相关性，基于正交法和旋转法，得出影响员工能力因子相关性密切的员工能力因子变量并对因子变量系数进行标准评分，得到相关性比较密切的员工能力因子变量，相关性比较密切的员工能力因子变量成为一公共因子，根据公共因子得到分析模型；分析模型根据相关性大小把原始变量进行分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低，每组变量代表一个基本结构，并用一个不可观测的综合变量表示，这个基本结构即为公共因子；
4)模型结果输出，根据分析模型的评估方法计算员工各能力因子得分，得到员工能力的分析评估结果，可找出员工能力薄弱的方面，从而有针对性地制订培训材料，培训计划，进而实现员工的能力提升。
本技术方案基于浙江电网创新基地员工的基础数据信息、能力评测数据、考核评测数据等数据信息，借助大数据技术和算法模型构建的人才工作能力评估分析方法，深入全面地对员工不同维度的工作能力进行评估分析，有效帮助管理部门决策者科学全面地了解员工队伍的能力情况，根据员工能力评估，开展精准的创新型人才队伍的选拔、培养工作。
作为优选技术手段：分析模型构建包括以下步骤：
301)标准化处理数据；对数据进行标准化处理和计算以消除量纲；
302)确认待分析的原变量是否适合作因子分析
计算原始变量之间的相关系数矩阵；
自变量的相关系数矩阵表示为r＝(rij)p×p,其中，
根据相关系数矩阵计算公式得出员工能力之间的相关性系数；其中
xai是表示xi变量中的第a个观测者，xi拔表示的是xi这个变量的平均值，xaj表示的xj变量中的第a个观测者，xj拔表示的是xj这个变量的平均值。
303)构造因子变量，建立正交因子模型
采用主成分分析法，建立员工正交因子模型；通过坐标变换，将原始变量作线性变化，转换为另一组不相关的变量；求相关系数矩阵r的特征根λi(λ1>λ2>…>λp>0)和相应的标准正交的特征向量li；根据相关系数矩阵的特征根，即公共因子fi的方差贡献，计算公共因子fi的方差贡献率与累积贡献率；
设x＝(x1,…，xp)′为可观测的随机向量，e(x)＝μ，d(x)＝σ；设公共因子f＝(f1,…,fm)′为不可观测的随机向量，e(f)＝0，d(f)＝im，即f的各分量方差为1并且互不相关；设特殊因子ε＝(ε1,…,εp)′与公共因子f互不相关；且e(ε)＝0，
假定随机向量x满足以下正交因子模型：
a＝(aij)p×m称为因子载荷矩阵，aij称为第i个变量在第j个因子上的载荷；
按照方差累计贡献率大小来确定提取公共因子的个数，得到因子载荷矩阵；
304)采用旋转方法使因子变量具有可解释性
采用正交旋转的方法，使公共因子的相对负荷的方差之和最大，且保持原公共因子的正交性和公共方差总和不变；使每个因子上的具有最大载荷的变量数最小，简化结构；
通过对因子载荷矩阵进行分析，得到因子变量和原有变量之间的关系，从而对新的因子变量进行命名，使原有因子变量更具有可解释性；
305)计算公因子得分
采用回归法、或bartlette法估计因子得分；计算公因子得分应首先将因子变量表示为原始变量的线性组合，在通过标准评分系数计算公因子得分；根据相关性原则，系数值越大，相关性越大，采用系数值较大的三个因子变量，做线性相关得出公因子得分；获得公因子。
作为优选技术手段：在步骤1)中，数据信息包括员工基础属性数据、创新能力测评数据、员工能力测评数据、员工考核评测数据；其中：
员工基础属性数据包括：姓名、性别、年龄、籍贯、学历、专业、毕业院校、婚姻情况、家庭住址、工作年限、岗位；
岗位能力评测数据包括：协调沟通能力、数据分析思维能力、项目管控能力、学习能力、产品分析能力、产品设计能力、产品运营能力、文档写作能力、领导能力、管理能力、执行力、规划能力、团队协做能力、创新能力；
考核测评数据包括：员工自我评价，员工面试建议和岗位考核评分。
作为优选技术手段：在步骤2)中，数据清洗用于删除采集的员工原始数据集中的无关数据、重复数据，平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值；数据清洗的方法有删除法、替换法、插补法。
作为优选技术手段：数据集成用于将收集的互相关联的分布式异构员工数据源集成到一起,使用户能够以透明的方式访问这些数据源；集成方法包括模式集成法、数据复制法和综合性集成法。
作为优选技术手段：数据变换用于将收集的员工各类数据从一种表示形式变为另一种表现形式的过程；数据变换方法包括对数转换、平方根转换和倒数转换。
作为优选技术手段：数据规约用于将收集的员工各类数据，在保持数据集完整性的基础上，对数据进行规约处理，保证数据集挖掘更有效；数据规约包括特征规约、样本规约和特征值规约。
有益效果：(1)在数据采集方面，获取创新基地员工基础属性数据、员工岗位能力评测数据，数据全面，有效提高评估的准确性。
(2)模型构建方面，利用因子分析法构建模型，将员工能力因子变量，并按照员工能力因子变量间的相互关联影响以及隶属关系，分析出员工能力因子变量的两两相关性，基于正交法和旋转法，得出影响员工能力因子相关性比较密切的几个员工能力因子变量并对因子变量系数进行标准评分，采用相关性比较密切的几个员工能力因子变量通过线性组合得出员工能力公因子得分，模型构建方便，计算简单，便于实施，准确性高。
(3)在应用方面，通过创新基地人才能力属性的分析实施案例，很好验证了该分析方法的可行性。该方法的构建，将有助于浙江电力创新基地员工能力分析的进一步发展，进一步推动创新基地对员工工作能力水平的了解，实现能岗的高效匹配。
具体实施方式
以下对本发明的技术方案做进一步的详细说明。
1、数据采集
通过提取数据库存储的数据资源、问卷调研、技能评测、管理人员的评测等方式采集相应的数据信息。主要包括员工基础属性数据、创新能力测评数据、员工能力测评数据、员工考核评测数据等。具体如下：
(1)员工基础属性数据：姓名、性别、年龄、籍贯、学历、专业、毕业院校、婚姻情况、家庭住址、工作年限、岗位等。
(2)岗位能力评测数据：包括：协调沟通能力、数据分析思维能力、项目管控能力、学习能力、产品分析能力、产品设计能力、产品运营能力、文档写作能力、领导能力、管理能力、执行力、规划能力、团队协做能力、创新能力等
(3)考核测评数据：员工自我评价，员工面试建议和岗位考核评分等相关数据。
通过技能评测、问卷调研等方式获取的浙江电力创新基地员工的不同维度数据。
2、数据处理
由于用于员工能力评测的数据来源多元化，除了数据库存储的结构化数据外，还存在评语类的文本类数据，因此，需要对数据进行处理，主要内容包括数据清洗、数据集成、数据变换和数据规约。
(1)数据清洗：主要是删除采集的员工原始数据集中的无关数据、重复数据，平滑噪声数据，筛选掉与挖掘主题无关的数据，处理缺失值、异常值。具体常用的方法有删除法、替换法、插补法等。
(2)数据集成：将收集的互相关联的分布式异构员工数据源集成到一起,使用户能够以透明的方式访问这些数据源。具体集成方法有模式集成法、数据复制法和综合性集成法。
(3)数据变换：将收集的员工各类数据从一种表示形式变为另一种表现形式的过程。常用的变换方法有对数转换、平方根转换和倒数转换等。
(4)数据规约：将收集的员工各类数据，在尽可能保持数据集完整性的基础上，对数据进行规约处理，保证数据集挖掘更有效。主要采用特征规约，样本规约和特征值规约等方式。
以之前得到的部分员工数据信息为例，对数据进行处理。在做数据清洗时可利用删除法剔除有缺失值的员工数据。
通过数据变换将数据中的定性指标“工具运用熟悉程度、工具学习能力”根据规则“熟练/好--4分、较熟练/较好--3分、一般--2分、较差--1分、差—0分”转换为定量指标，并且将考核测评数据中的百分制转换为0到10之间的分数。
通过以上步骤的数据处理工作，使数据更加标准化，便于下一步的分析模型数据应用。
3、模型构建
根据员工能力问卷调查得出的各个能力分值的基础上，我们采用因子分析法将员工数据通过几个公因子来刻画，其中有关员工能力的各个调研问题按照不同属性自上而下地分成岗位能力和创新能力两个指标。
表1-员工能力汇总表
因子分析模型的构建是根据相关性大小把原始变量进行分组，使得同组内的变量之间相关性较高，而不同组的变量间的相关性则较低。每组变量代表一个基本结构，并用一个不可观测的综合变量表示，这个基本结构就称为公共因子。
因子分析模型的主要构建步骤如下：
(1)标准化处理数据
在深入分析实际问题的基础上选取与问题有关的变量。由于在实际情况中，因子分析的变量的意义与表现形式不可比，所以在对原始变量的相关分析之前，需要对数据进行标准化处理和计算，以消除量纲。
(2)确认待分析的原变量是否适合作因子分析
因子分析是从众多的原始变量中重构少数几个具有代表意义的因子变量的过程。其潜在的要求：原有变量之间要具有比较强的相关性。因此，因子分析需要先进行相关性分析，计算原始变量之间的相关系数矩阵。
自变量的相关系数矩阵表示为r＝(rij)p×p,其中，
根据相关系数矩阵计算公式得出员工能力(x1-x12)之间的相关性系数表。具体如表2：
表2-员工能力因子相关性系数
(3)构造因子变量，建立正交因子模型
因子分析中有很多确定因子变量的方法，本研究采用主成分分析法，建立员工正交因子模型。该方法通过坐标变换，将原始变量作线性变化，转换为另一组不相关的变量(主成分)。求相关系数矩阵r的特征根λi(λ1>λ2>…>λp>0)和相应的标准正交的特征向量li；根据相关系数矩阵的特征根，即公共因子fi的方差贡献(等于因子载荷矩阵a中第j列各元素的平方和)，计算公共因子fi的方差贡献率与累积贡献率。
设x＝(x1,…,xp)′为可观测的随机向量，e(x)＝μ，d(x)＝σ。设公共因子f＝(f1,…,fm)′为不可观测的随机向量，e(f)＝0，d(f)＝im，即f的各分量方差为1并且互不相关。设特殊因子ε＝(ε1,…,εp)′与公共因子f互不相关。且e(ε)＝0，
假定随机向量x满足以下正交因子模型：
a＝(aij)p×m称为因子载荷矩阵，aij称为第i个变量在第j个因子上的载荷。
按照方差累计贡献率大小来确定提取公共因子的个数，得到因子载荷矩阵。如表3：
表3-因子载荷矩阵
(4)利用旋转方法是因子变量具有可解释性
一般初始因子载荷矩阵对于公共因子的典型代表变量不是很突出，难以对公共因子的实际意义进行解释，所以要通过对因子载荷矩阵施行旋转变化，使得各列元素的平方向0或1两极转化，因子旋转的主要方法：正交旋转、斜交旋转。方差最大正交旋转最为常用，基本思想是使公共因子的相对负荷的方差之和最大，且保持原公共因子的正交性和公共方差总和不变。可使每个因子上的具有最大载荷的变量数最小，达到简化结构的目的。
因子变量的命名解释是因子分析的另一个核心问题，在实际的应用分析中，主要通过对因子载荷矩阵进行分析，得到因子变量和原有变量之间的关系，从而对新的因子变量进行命名。有时因子载荷矩阵的解释性不太好，通常需要进行因子旋转，使原有因子变量更具有可解释性。具体如下表：
针对员工软性能力测试采集的员工能力因子(x1-x12)，得到各能力的旋转因子模式。如表4：
表4-能力旋转因子模式
收集了员工能力的的12项指标(x1-x12)：领导能力、管理能力、规划能力、团队协助能力、创新能力、产品设计能力、沟通协调能力、项目管控能力、产品分析能力、写作能力、学习能力、产品运营能力。我们发现了：
x1＝0.08559*f1+0.22515*f2+0.524*f3+e1
x2＝0.68208*f1-0.15945*f2+0.22694*f3+e2
x3＝0.94234*f1-0.08244*f2-0.05431*f3+e3
x4＝-0.02293*f1+0.04919*f2+0.73972*f3+e4
x5＝0.09704*f1+0.88661*f2+0.01669*f3+e5
x6＝-0.08933*f1+0.72354*f2-0.21338*f3+e6
x7＝0.22817*f1-0.57016*f2-0.25654*f3+e7
x8＝0.14395*f1-0.01905*f2-0.04763*f3+e8
x9＝0.30322*f1+0.09972*f2-0.32278*f3+e9
x10＝0.74493*f1-0.15106*f2-0.09187*f3+e10
x11＝0.85659*f1+0.32106*f2+0.06431*f3+e11
x12＝0.06965*f1+0.21967*f2-0.64801*f3+e12
(以上的数字代表实际为变量间的相关系数，值越大，相关性越大)
第一个公因子f1主要与写作能力、规划能力、学习能力，管理能力有关，代表“规划成长能力”。
第二个公因子f2主要与创新能力、产品设计能力、产品运营能力有关，代表“产品经理能力”。
第三个公因子f3主要与团队协作能力、领导能力、管理能力有关，代表“团队合作能力”。
(5)计算公因子得分
因子变量确定以后，对于每一个样本数据，我们希望得到它们在不同因子上的具体数据值，即因子得分。可以用于模型的诊断或者进一步分析分原始数据。估计因子得分的方法主要有：回归法、bartlette法等。计算公因子得分应首先将因子变量表示为原始变量的线性组合，在通过标准评分系数计算公因子得分。见表5：
表5-能力标准化评分系数
根据相关性原则，系数值越大，相关性越大，采用系数值较大的三个因子变量，做线性相关得出公因子得分，具体结果如表6：
表6-公因子得分表
应用场景
根据浙江省电力有限公司“互联网+营销服务”创新基地旨在个性化培养创新人才与人才推荐的需求，基于大数据算法模型的员工工作能力评估方法的应用场景为：人才个人能力评估、人才岗位推荐、个性化创新人才培养，但是该方法的应用远不局限于以上三种应用场景。
(1)人才个人能力评估：通过因子分析法，计算员工能力因子变量标准评分系数，对相关性比较密切的几个员工能力因子变量通过线性组合得出员工能力公因子得分，进而实现对员工能力的评估。
(2)人才岗位推荐：通过该方法计算待推荐人才各项工作能力得分，结合岗位职责的能力要求，为人才匹配相应合适岗位，实现人才岗位推荐。
(3)个性化创新人才培养：根据模型的评估方法计算员工各能力因子得分，可找出员工能力薄弱的方面，从而有针对性地制订培训材料，培训计划，进而实现员工的能力提升。
以上所示的基于大数据模型的电力创新人才能力评估方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。