一种团队业绩跟踪系统的制作方法

本发明涉及业绩跟踪技术领域，特别涉及一种团队业绩跟踪方法及系统。

背景技术：

在招聘网站中，求职者在网站创建求职功能团队或企业以团队形式招聘团队成员。作为招聘企业，依据什么标准或数据判断团队的业绩能力？

一般是依据团队对于一个项目的完成度，及团队中的成员对项目的完成度来判定的，但是其对于判断团队的业绩能力来说可能存在偏差，因此通过对业绩参数进行合理分析就显得尤为重要。

技术实现要素：

本发明提供一种团队业绩跟踪方法及系统，用以通过对团队业绩评价参数进行分析，来提高判断团队业绩的能力。

本发明实施例提供一种团队业绩跟踪系统，包括：

获取模块，用于建立并获取团队业绩评价参数，所述团队业绩评价参数包括：团队稳定性、团队成员稳定性、团队成员职业背景、团队所在企业业绩年度持续性表现；

服务器，用于基于预先训练好的团队业绩评估模型，对所述获取模块所建立并获取的所述团队业绩评价参数进行分析，获取相关的预估团队业绩，并将所获取的所述预估团队业绩推送给团队创建者和/或团队招聘者的设备端；

所述设备端，用于供所述团队创建者和/或团队招聘者查看服务器所推送的所述预估团队业绩。

在一种可能实现的方式中，还包括：

第一处理模块，用于对所述获取模块所建立并获取的团队业绩评价参数进行关联度分析，并获得相应的成功团队的成功因子组；

所述服务器，还用于将所述处理模块所获得的所述成功团队的成功因子组推送给团队创建者和/或团队招聘者的设备端；

第二处理模块，用于基于趋势性预测规则，对所推送的所述成功团队的成功因子组进行趋势性预测分析；

所述设备端，还用于基于服务器，并根据所述第二处理模块所分析的成功团队的成功因子组的趋势性预测结果，获取与对团队成员进行与趋势性预测结果相关的知识技能培训的信息。

在一种可能实现的方式中，

所述趋势性预测规则是为了对不同时间、不同地域的成功团队的成功因子组进行识别分析所设立的。

在一种可能实现的方式中，

所述趋势性预测规则，包括至少一个趋势性预测模型，所述趋势性预测模型的建立包括：

准备模块，用于准备趋势性预测数据，并对所述趋势性预测数据进行预设处理，使所述趋势性预测数据成为适用于可深度学习的训练数据；

同时对历史趋势性数据进行预处理，所述预处理包括对所述历史趋势性数据进行归一化处理；

构建模块，用于采用深度学习算法构建可识别成功团队的成功因子组的待识别模型；

训练模块，用于基于所述构建模块所构建的待识别模型对所述准备模块所准备的趋势性预测数据和预处理后的历史趋势性数据进行训练，并求解所述待识别模型中各层的参数，达到预期性能停止训练并保存各层参数；

获取模块，用于根据所述训练模型所达到预期性能停止训练并保存各层参数对应的待识别模型，获取趋势性预测模型。

在一种可能实现的方式中，

所述第一处理模块包括：

计算单元，用于根据所述获取模块所建立并获取的团队业绩评价参数，分别对团队成员职业背景、团队稳定性、团队成员稳定性、团队所在企业业绩年度持续性表现两两之间的关联度进行分析计算；

获取单元，用于根据所述计算单元所分析计算出的关联度结果，对所述关联度进行由高到低的排序，获取最高的所述关联度所对应的团队业绩评价参数作为成功团队的成功因子组。

在一种可能实现的方式中，

所述服务器包括：

接收单元，用于接收设备端的团队创建者和/或团队招聘者发送的信息获取请求，且所述信息获取请求是在设备端和服务器建立通信时产生的；

响应单元，用于响应所述设备端所发送的信息获取请求，

推送单元，用于根据所述响应单元所响应的信息获取请求，获取相应的所述成功团队的成功因子组推送给所述设备端；

其中，所述设备端包括显示单元，

所述显示单元，用于显示所述响应单元所推送的所述成功团队的成功因子组。

在一种可能实现的方式中，

响应单元在响应所述设备端所发送的信息获取请求时，包括：

判断单元，用于判断与所述设备端相关的第一参数信息是否满足第一预设条件，

所述推送单元，用于当所述设备端相关的第一参数信息满足第一预设条件时，基于所述设备端所发送的信息获取请求所携带的附加信息，对所述成功团队的成功因子组进行筛选，并将筛选后的所述成功团队的成功因子组推送到发送所述信息获取请求的所述设备端；

否则，推送提醒信息到发送所述信息获取请求的所述设备端。

在一种可能实现的方式中，

在获取与对团队成员进行与趋势性预测结果相关的知识技能培训的信息后，对所述团队成员进行知识技能培训，包括：

团队成员端，用于向所述服务器发送服务连接请求；

所述服务器，用于根据所述团队成员端所发送的服务连接请求建立与对应设备端的连接；

同时，判断当前与所述设备端建立服务连接请求的所述团队成员端的数量是否达到预设值；

若未达到所述预设值，将对应所述设备端的知识技能培训信息发送到与所述设备端建立连接的所述团队成员端；

若已达到所述预设值，将超出预设值的所述团队成员端加入到排队链表中进行缓存，并对所述超出预设值的所述团队成员端进行排序，将排序信息传输到对应的所述团队成员端进行查看。

在一种可能实现的方式中，

服务器，用于基于预先训练好的团队业绩评估模型，对所述获取模块所建立并获取的所述团队业绩评价参数进行分析，其中，对于团队业绩评估模型的获取步骤包括：

在对团队业绩评估模型的获取之前，需对所述团队业绩评估模型进行训练参数的获取，其包括：

在对团队业绩评估模型进行训练的过程中，获取含有p条历史记录，每条历史记录中含有团队业绩评价参数中的所有参数对应的数值，同时获取含有所记录的每条所述历史记录对应的团队业绩评价参数相应的业绩；

在对于团队业绩评估模型的进行获取时，包括：

首先对所获取的所述p条历史记录的团队业绩评价参数中的所有参数对应的数值进行数值预处理，形成团队业绩评价参数预处理矩阵x；

将所述团队业绩评价参数预处理矩阵x代入公式(2)中，计算团队业绩评价参数中每个参数的数据信息占比；

其中，wj为所述团队业绩评价参数中的第j个参数对应的信息占比，xi,j为所述p条历史记录中的第i条历史记录的团队业绩评价参数中的第j个参数进行数据预处理后的值；

然后，将团队业绩评价参数中每个参数的数据信息占比代入公式(3)，得到信息团队业绩数据得分；

fi＝w1*xi,1+w2*xi,2+w3*xi,3+w4*xi,4

(3)

其中，fi为所述p条历史记录中所记录的第i条信息团队业绩数据得分；

利用公式(4)计算团队业绩数据得分与团队业绩之间的关系系数和关系截距；

其中，a为团队业绩数据得分与团队业绩的关系系数，b为团队业绩数据得分与团队业绩的截距，floor()对括号内的值取整，yi为p条历史记录中的第i条历史记录对应的团队业绩评价参数进行相应的业绩值；

最后，根据公式(5)获取所述业绩评价模型；

l＝a(w1*z1+w2*z2+w3*z3+w4*z4)+b

(5)

其中，z1为团队稳定性进行数值化和数值预处理后的值，z2为团队成员稳定性进行数值化和数值预处理后的值，z3为团队成员职业背景进行数值化和数值预处理后的值，z4为团队所在企业业绩年度持续性表现进行数值化和数值预处理后的值，l则为得到的预估团队业绩。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例一种团队业绩跟踪系统的结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供一种团队业绩跟踪系统，如图1所示，包括：

获取模块，用于建立并获取团队业绩评价参数，所述团队业绩评价参数包括：团队稳定性、团队成员稳定性、团队成员职业背景、团队所在企业业绩年度持续性表现；

服务器，用于基于预先训练好的团队业绩评估模型，对所述获取模块所建立并获取的所述团队业绩评价参数进行分析，获取相关的预估团队业绩，并将所获取的所述预估团队业绩推送给团队创建者和/或团队招聘者的设备端；

所述设备端，用于供所述团队创建者和/或团队招聘者查看服务器所推送的所述预估团队业绩。

上述团队业绩评估模型是基于团队稳定性、团队成员稳定性、团队成员职业背景、团队所在企业业绩年度持续性表现所建立的。

上述团队业绩评价参数中的团队稳定性、团队成员稳定性例如可以是基于对其成员的工作情绪的稳定性、业绩的稳定性和收入发放的稳定性进行调查获取相关数据所建立的；

上述团队业绩评价参数中的团队成员职业背景例如可以是基于成员所属部门为技术背景所建立的；

上述团队所在企业业绩年度持续性表现，例如可以是团队在一年度中的与业绩相关数据所建立的；

且上述建立并获取团队业绩评价参数，是为了给后续分析提供一个基础。

上述技术方案的有益效果是：用以通过对团队业绩评价参数进行分析，来提高判断团队业绩的能力。

本发明实施例提供一种团队业绩跟踪系统，还包括：

第一处理模块，用于对所述获取模块所建立并获取的团队业绩评价参数进行关联度分析，并获得相应的成功团队的成功因子组；

所述服务器，还用于将所述处理模块所获得的所述成功团队的成功因子组推送给团队创建者和/或团队招聘者的设备端；

第二处理模块，用于基于趋势性预测规则，对所推送的所述成功团队的成功因子组进行趋势性预测分析；

所述设备端，还用于基于服务器，并根据所述第二处理模块所分析的成功团队的成功因子组的趋势性预测结果，获取与对团队成员进行与趋势性预测结果相关的知识技能培训的信息。

上述对团队业绩评价参数进行关联度分析，是为了获取成功因子组。

上述将成功团队的成功因子组推送给团队创建者和/或团队招聘者的设备端，是为了方便团队创建者和/或团队招聘者查看。

上述趋势性预测规则是为了对不同时间、不同地域的成功团队的成功因子组进行识别分析所设立的，是为了给后续对成功因子组进行趋势性预测分析。

上述趋势性预测分析，例如为该团队专业知识，团队成员进行与趋势性预测结果相关的知识技能培训。

上述设备端，例如可以是：智能手机、笔记本、电脑等电子设备。

上述技术方案的有益效果是：通过第一处理模块和第二处理模块进行处理分析，便于获取到与对团队成员进行与趋势性预测结果相关的知识技能培训的信息。

本发明实施例提供一种团队业绩跟踪系统，

所述趋势性预测规则，包括至少一个趋势性预测模型，所述趋势性预测模型的建立包括：

准备模块，用于准备趋势性预测数据，并对所述趋势性预测数据进行预设处理，使所述趋势性预测数据成为适用于可深度学习的训练数据；

同时对历史趋势性数据进行预处理，所述预处理包括对所述历史趋势性数据进行归一化处理；

构建模块，用于采用深度学习算法构建可识别成功团队的成功因子组的待识别模型；

训练模块，用于基于所述构建模块所构建的待识别模型对所述准备模块所准备的趋势性预测数据和预处理后的历史趋势性数据进行训练，并求解所述待识别模型中各层的参数，达到预期性能停止训练并保存各层参数；

获取模块，用于根据所述训练模型所达到预期性能停止训练并保存各层参数对应的待识别模型，获取趋势性预测模型。

例如当成功因子组为团队稳定性时，就获取与团队稳定性相关的趋势性预测数据和历史趋势性数据作为训练基础，基于待识别模型对其进行训练，对团队稳定性进行趋势性预测，如可以是，针对团队稳定性的发展方向。

上述待识别模型是预先设定好的。

上述技术方案的有益效果是：通过对趋势性预测模型进行训练，提高对成功因子组进行趋势性预测分析的精准性。

本发明实施例提供一种团队业绩跟踪系统，所述第一处理模块包括：

计算单元，用于根据所述获取模块所建立并获取的团队业绩评价参数，分别对团队成员职业背景、团队稳定性、团队成员稳定性、团队所在企业业绩年度持续性表现两两之间的关联度进行分析计算；

获取单元，用于根据所述计算单元所分析计算出的关联度结果，对所述关联度进行由高到低的排序，获取最高的所述关联度所对应的团队业绩评价参数作为成功团队的成功因子组。

上述关联度结果，例如可以是：团队成员职业背景与团队稳定性关联度值>团队成员职业背景与团队成员稳定性关联度值>团队成员职业背景与团队所在企业业绩年度持续性表现关联度值。

上述技术方案的有益效果是：通过对团队业绩评价参数中的两两之间都进行关联度分析，可以提高获取成功因子组的可靠性。

本发明实施例提供一种团队业绩跟踪系统，所述服务器包括：

接收单元，用于接收设备端的团队创建者和/或团队招聘者发送的信息获取请求，且所述信息获取请求是在设备端和服务器建立通信时产生的；

响应单元，用于响应所述设备端所发送的信息获取请求，

推送单元，用于根据所述响应单元所响应的信息获取请求，获取相应的所述成功团队的成功因子组推送给所述设备端；

其中，所述设备端包括显示单元，

所述显示单元，用于显示所述响应单元所推送的所述成功团队的成功因子组。

优选地，响应单元在响应所述设备端所发送的信息获取请求时，包括：

判断单元，用于判断与所述设备端相关的第一参数信息是否满足第一预设条件，

所述推送单元，用于当所述设备端相关的第一参数信息满足第一预设条件时，基于所述设备端所发送的信息获取请求所携带的附加信息，对所述成功团队的成功因子组进行筛选，并将筛选后的所述成功团队的成功因子组推送到发送所述信息获取请求的所述设备端；

否则，推送提醒信息到发送所述信息获取请求的所述设备端。

上述发送信息获取请求，就是为了建立设备端与服务器之间的通信连接；

上述判断与设备端相关的第一参数信息是否满足第一预设条件，例如可以是第一参数信息为，设备端的预设用户所发表的信息的地址，对应的第一预设条件为预先存储的预设地址，判断设备端的预设用户所发表的信息的地址是否在预先存储的预设地址范围内，若是，执行上述操作，否则，推送提醒信息，例如为“地址不匹配”到发送信息获取请求的设备端。

例如成功团队的成功因子组适合团队稳定性、团队成员稳定性有关的，若此时的附加信息只是针对团队的，则筛选后的成功因子组与团队稳定性相关，并将与团队稳定性相关的成功因子组推送给发送信息获取请求的设备端。

上述技术方案的有益效果是：基于附加信息，可以使得设备端获得的成功因子组更加准确。

本发明实施例提供一种团队业绩跟踪系统，

在获取与对团队成员进行与趋势性预测结果相关的知识技能培训的信息后，对所述团队成员进行知识技能培训，包括：

团队成员端，用于向所述服务器发送服务连接请求；

所述服务器，用于根据所述团队成员端所发送的服务连接请求建立与对应设备端的连接；

同时，判断当前与所述设备端建立服务连接请求的所述团队成员端的数量是否达到预设值；

若未达到所述预设值，将对应所述设备端的知识技能培训信息发送到与所述设备端建立连接的所述团队成员端；

若已达到所述预设值，将超出预设值的所述团队成员端加入到排队链表中进行缓存，并对所述超出预设值的所述团队成员端进行排序，将排序信息传输到对应的所述团队成员端进行查看。

上述团队成员端，例如可以是手机、笔记本、电脑等电子设备。

上述预设值，可以是系统默认的值。

上述对超出预设值的所述团队成员端进行排序，是为了保证知识技能培训可以有秩序的进行。

上述排序信息例如可包括：超出预设值的团队成员端的当前排序号、及与设备端建立服务请求需等待的时间。

上述技术方案的有益效果是：通过对建立服务请求连接的团队成员端的数量进行限制，可以有效确保团队成员端与设别端之间信号的联通，提高运行的流畅性。

本发明实施例提供一种团队业绩跟踪系统，

服务器，用于基于预先训练好的团队业绩评估模型，对所述获取模块所建立并获取的所述团队业绩评价参数进行分析，其中，对于团队业绩评估模型的获取步骤包括：

在对团队业绩评估模型的获取之前，需对所述团队业绩评估模型进行训练参数的获取，其包括：

在对团队业绩评估模型进行训练的过程中，获取含有p条历史记录，每条历史记录中含有团队业绩评价参数中的所有参数对应的数值，同时获取含有所记录的每条所述历史记录对应的团队业绩评价参数相应的业绩；

其中，参数对应的数值，即为数值化，对原来就是数值表示的值不做操作，对于原来不是数值的数据用数值表示，例如对于团队稳定性，本来表示团队稳定性的为非常稳定、稳定、比较稳定、稍微波动、非常波动，则可以用数值1、2、3、4、5分别来表示。

首先对所获取的所述p条历史记录的团队业绩评价参数中的所有参数对应的数值进行数值预处理，形成团队业绩评价参数预处理矩阵x；

其中，数据处理为，将所述数据代入公式(1)所示：

其中，bi,j为需要进行数据预处理的数值，即为p条历史记录中的第i条历史记录的团队业绩评价参数中的第j个参数的值，xi,j为将bi,j进行数据预处理后的值，即为p条历史记录中的第i条历史记录的团队业绩评价参数中的第j个参数进行数据预处理后的值，且在任意大写字母对应的下标均表示位置的值，则下标处的字符可以用任意字符替换，即bt1,j中的t1和bi,j中i一样，均表示第i条记录，i＝1、2、3……p,j＝1、2、3、4；其中，当j＝1时代表团队业绩评价参数中的第1个参数也就是团队稳定性，j＝2为团队成员稳定性，j＝3为团队成员职业背景，j＝4为团队所在企业业绩年度持续性表现；

利用公式(1)可以将团队业绩评价参数存在的不同的度量标准，使得在计算时不同的参数间的值差异过大，从而使得某个参数可能取值普遍偏大或者偏小而使建立的模型受该指标的影响巨大，从而使得模型存对整体的评价存在误差，同时在公式(1)中，利用了绝对值，从而使得求差异和时，不会出现有负数，从而在求和时正数和负数抵消，时本来可能存在很大差异的情况下，而差异和的值很小，同时在分母处+0.01，避免了分母为0的情况，使得计算过程中出现计算结果错误；

将所述团队业绩评价参数预处理矩阵x代入公式(2)中，计算团队业绩评价参数中每个参数的数据信息占比；

其中，wj为所述团队业绩评价参数中的第j个参数对应的信息占比，xi,j为所述p条历史记录中的第i条历史记录的团队业绩评价参数中的第j个参数进行数据预处理后的值；

利用公式(2)可以得到团队业绩评价参数中每个参数的信息占比，在确定信息占比时，利用数据混乱度来确定，当一个参数的p条数据越混乱的时候，所携带的数据也就越少，该参数所对应的信息占比也就越小，当一个参数的p条数据越有序，所携带的信息也就越多，该参数所对应的信息占比也就越大；

然后，将团队业绩评价参数中每个参数的数据信息占比代入公式(3)，得到信息团队业绩数据得分；

fi＝w1*xi,1+w2*xi,2+w3*xi,3+w4*xi,4

(3)

其中，fi所述p条历史记录中所记录的第i条信息团队业绩数据得分；

利用公式(3)，可以根据团队业绩评价参数中每个参数的数据信息占比得到每条记录的团队业绩数据得分，从而方便后面得到数据得分和所述每条记录对应的业绩之间的关系，而能够方便根据数据确定得分；

利用公式(4)计算团队业绩数据得分与团队业绩之间的关系系数和关系截距；

其中，a为团队业绩数据得分和团队业绩业绩的关系系数，b为团队业绩数据得分和团队业绩业绩的截距，floor()对括号内的值取整，yi为p条历史记录中的第i条历史记录对应的团队业绩评价参数进行相应的业绩值；

利用公式(4)可以准确的得到团队业绩数据得分和实际业绩之间的关系，从而在获得团队业绩评价参数后，根据参数得到数据得分，在利用团队业绩数据得分和实际业绩之间的关系确定该对该团队的业绩；

最后，根据公式(5)获取所述业绩评价模型；

l＝a(w1*z1+w2*z2+w3*z3+w4*z4)+b

(5)

其中，z1为团队稳定性进行数值化和数值预处理后的值，z2为团队成员稳定性进行数值化和数值预处理后的值，z3为团队成员职业背景进行数值化和数值预处理后的值，z4为团队所在企业业绩年度持续性表现进行数值化和数值预处理后的值，l则为得到的预估团队业绩。

上述技术有益效果，利用上述技术，通过对历史的团队业绩评价参数和参数对应的业绩进行学习，得到团队业绩评估模型，且在学习过程中，首先对数据进行了数值化，从而使得模型能够将任意参数量化，而能够对任意参数进行计算，同时在学习过程中，对数据进行了预处理，从而不会使得在计算时不同的参数间的值差异过大，从而使得某个参数可能取值普遍偏大或者偏小而使建立的模型受该指标的影响巨大，从而使得模型存对整体的评价存在误差，团队业绩评估模型能够根据团队业绩评价参数准确的得到预估团队业绩，过程为智能计算，不需要人为干预，大幅度减少了人工工作量，且模型不仅将大量的计算都在模型的学习阶段，使得获取相关的预估团队业绩时的计算量大幅度减小，同时，相比于拟合函数，模型首先将团队业绩评价参数转变为数据得分，从而使得模型中，不会出现拟合函数中的共线性问题，提高了模型的准确性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。