一种基于大数据构建的企业员工画像的方法及系统与流程

1.本技术涉及到数据处理领域，具体而言，涉及一种基于大数据构建的企业员工画像的方法及系统。


背景技术：

2.近年来，各行业信息化发展势头迅猛，关于人、财、物的管理信息系统记录逐渐形成海量数据。基于海量数据的挖掘应用已成为驱动企业创新的发展动力。企业将面临一场全新的思维变革、管理变革。具体到企业管理中，大数据的影响从企业战略的制定、执行到评价的方方面面都有展现，人力资源管理作为企业管理的核心内容，必然会迎来新的机遇和挑战。深度挖掘大数据技术在人力资源管理中的应用，利用大数据的优势推动企业的创新，建设数字化人才、优选人才、开展组织员工盘点等成为企业管理中重要的需求。“打造数字化人才管理”，重塑员工生产力，使管理决策更智能。
3.围绕着人的数据进行精细化管理，实现基础数据深度发掘、业务信息协同呈现、内部管理科学优化，从而提升人力资源管理工作效率，改善人力资源部门的服务质量，从传统的人事管理和基础人力资源管理转变为在企业总体战略框架下对人力资源进行使用、管理、控制、监测、维护和开发，从而创造协同价值，达成企业战略目标的战略人力资源管理。通过引入智能化工具解决管理痛点和痒点，搭建企业员工画像系统，汇聚呈现员工各维度信息，记录分析员工职业生涯全过程，同时将人才技能颗粒化至人才标签，提供人才搜索和智能推荐。将晋升、人才盘点、人才推荐、继任管理等人才管理活动系统化，同时联动所有人才管理数据，实现日常数据监控分析，进一步实现智能化人才预测分析，为管理者提供客观的人才决策依据。
4.目前对于人员是否适合一个岗位主要是依赖人员的经验、学历等进行主观评价，这种主观评价方式对人员的评估存在不够客观、准确度欠佳等问题，从而没有科学的判断待评估人员是否适合一个岗位。


技术实现要素：

5.本技术实施例提供了一种基于大数据构建的企业员工画像的方法及系统，以至少解决现有技术中对人员是否适合一个岗位依靠管理人员主观评估所导致的问题。
6.根据本技术的一个方面，提供了一种基于大数据构建的企业员工画像的方法，包括：获取待评估人员的人员信息，其中，所述人员信息包括所述人员的基本信息和能力信息，所述基本信息用于指示所述待评估人员的属性，所述能力信息用于指示所述待评估人员在历史上的工作情况；将所述待评估人员的人员信息与预先配置的多个人员模板进行适配，其中，每个所述人员模板对应一个岗位，每个所述人员模板均是通过胜任该岗位的人员的人员信息预先得到的；获取与所述待评估人员匹配程度最高的人员模板所对应的第一岗位；获取所述待评估人员历史上任职过的或者现在正在任职的第二岗位；根据所述第一岗位和所述第二岗位是否相同判断所述待评估人员是否适合所述第二岗位。
7.进一步地，在将所述待评估人员的人员信息与预先配置的多个人员模板进行适配之前，所述方法还包括：获取预定人员的人员信息和所述预定人员对应的预定岗位，其中，所述预定人员为从从事所述预定岗位的多个工作人员中选择出的适合所述预定岗位的人员；根据多个所述预定人员的人员信息生成所述预定岗位对应的人员模板。
8.进一步地，将所述待评估人员的人员信息与预先配置的多个人员模板进行适配包括：使用多组训练数据训练得到一个机器学习模型，其中，所述多组训练数据中的每组训练数据均包括：一个人员的人员信息和该人员信息所适配的人员模板；将所述待评估人员的人员信息输入到所述机器学习模型中；将所述机器学习模型输出的与所述待评估人员的人员信息对应的人员模板作为与所述待评估人员匹配度最高的人员模板。
9.进一步地，使用所述多组训练数据训练得到的一个机器学习模型包括：将所述多组训练数据分为用于训练的第一数据和用于验证的第二数据；使用所述第一数据对训练得到所述机器学习模型；使用所述第二数据对所述机器学习模型进行验证，在验证通过的情况下确定所述机器学习模型训练成功。
10.进一步地，根据所述第一岗位和所述第二岗位是否相同判断所述待评估人员是否适合所述第二岗位包括：在所述第一岗位和所述第二岗位不相同的情况下，确定所述待评估人员不适合所述第二岗位，并将所述第一岗位和所述待评估人员的人员信息发送至管理人员。
11.根据本技术的另一个方面，还提供了一种基于大数据构建的企业员工画像的系统，包括：第一获取模块，用于获取待评估人员的人员信息，其中，所述人员信息包括所述人员的基本信息和能力信息，所述基本信息用于指示所述待评估人员的属性，所述能力信息用于指示所述待评估人员在历史上的工作情况；匹配模块，用于将所述待评估人员的人员信息与预先配置的多个人员模板进行适配，其中，每个所述人员模板对应一个岗位，每个所述人员模板均是通过胜任该岗位的人员的人员信息预先得到的；第二获取模块，用于获取与所述待评估人员匹配程度最高的人员模板所对应的第一岗位；第三获取模块，用于获取所述待评估人员历史上任职过的或者现在正在任职的第二岗位；判断模块，用于根据所述第一岗位和所述第二岗位是否相同判断所述待评估人员是否适合所述第二岗位。
12.进一步地，还包括：生成模块，用于获取预定人员的人员信息和所述预定人员对应的预定岗位，其中，所述预定人员为从从事所述预定岗位的多个工作人员中选择出的适合所述预定岗位的人员；根据多个所述预定人员的人员信息生成所述预定岗位对应的人员模板。
13.进一步地，所述匹配模块用于：使用多组训练数据训练得到一个机器学习模型，其中，所述多组训练数据中的每组训练数据均包括：一个人员的人员信息和该人员信息所适配的人员模板；将所述待评估人员的人员信息输入到所述机器学习模型中；将所述机器学习模型输出的与所述待评估人员的人员信息对应的人员模板作为与所述待评估人员匹配度最高的人员模板。
14.进一步地，所述匹配模块用于：将所述多组训练数据分为用于训练的第一数据和用于验证的第二数据；使用所述第一数据对训练得到所述机器学习模型；使用所述第二数据对所述机器学习模型进行验证，在验证通过的情况下确定所述机器学习模型训练成功。
15.进一步地，所述判断模块用于：在所述第一岗位和所述第二岗位不相同的情况下，
确定所述待评估人员不适合所述第二岗位，并将所述第一岗位和所述待评估人员的人员信息发送至管理人员。
16.在本技术实施例中，采用了获取待评估人员的人员信息，其中，所述人员信息包括所述人员的基本信息和能力信息，所述基本信息用于指示所述待评估人员的属性，所述能力信息用于指示所述待评估人员在历史上的工作情况；将所述待评估人员的人员信息与预先配置的多个人员模板进行适配，其中，每个所述人员模板对应一个岗位，每个所述人员模板均是通过胜任该岗位的人员的人员信息预先得到的；获取与所述待评估人员匹配程度最高的人员模板所对应的第一岗位；获取所述待评估人员历史上任职过的或者现在正在任职的第二岗位；根据所述第一岗位和所述第二岗位是否相同判断所述待评估人员是否适合所述第二岗位。通过本技术解决了现有技术中对人员是否适合一个岗位依靠管理人员主观评估所导致的问题，从而能够对人员与岗位的适配度进行评估，为管理人员的人员决策提供数据支持和保障。
附图说明
17.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1是根据本技术实施例的基于大数据构建的企业员工画像的方法的流程图。
具体实施方式
19.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
20.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
21.在本实施例中提供了一种基于大数据构建的企业员工画像的方法，图1是根据本技术实施例的基于大数据构建的企业员工画像的方法的流程图，如图1所示，下面对该方法包括的步骤进行说明。
22.步骤s102，获取待评估人员的人员信息，其中，所述人员信息包括所述人员的基本信息和能力信息，所述基本信息用于指示所述待评估人员的属性，所述能力信息用于指示所述待评估人员在历史上的工作情况；
23.步骤s104，将所述待评估人员的人员信息与预先配置的多个人员模板进行适配，其中，每个所述人员模板对应一个岗位，每个所述人员模板均是通过胜任该岗位的人员的人员信息预先得到的；
24.步骤s106，获取与所述待评估人员匹配程度最高的人员模板所对应的第一岗位；
25.步骤s108，获取所述待评估人员历史上任职过的或者现在正在任职的第二岗位；
26.作为一个可选的实施方式，获取所述待评估人员在历史上任职过的第二岗位用于对所述待评估人员进行招聘，在所述待评估人员历史上任职过的所述第二岗位与所述第一岗位相同的情况下，确定所述待评估人员适合所述第二岗位并管理人员发送第一提示信息，其中，所述第一提示信息用于指示建议雇佣所述待评估人员作为所述第二岗位的人员；
在所述第二岗位与所述第一岗位不相同的情况下，获取所述待评估人员的人员信息中的每项数据与所述第一岗位对应的人员模板中的每项数据的匹配程度，其中，所述匹配程度用百分比表示，根据所述待评估人员的每项数据的匹配程度得到所述待评估人员与所述第一岗位的人员模板的匹配百分比，在所述百分比超过预先配置的百分比的情况下，发送第二提示信息，所述第二提示信息用于指示建议雇佣所述待评估人员作为所述第一岗位的人员。
27.步骤s110，根据所述第一岗位和所述第二岗位是否相同判断所述待评估人员是否适合所述第二岗位。
28.作为另一个可选的实施方式，在所述待评估人员被雇佣到所述第二岗位的情况下，经过预定时长(例如转正期限)之后，获取所述待评估人员的人员信息，其中，所述人员信息的能力信息为在所述预定时长中体现的能力信息，根据重新获取到的所述待评估人员的人员信息再次确定与所述待评估人员匹配程度最高的人员模板所对应的第一岗位，如果所述第一岗位和所述待评估人员被雇佣到的第二岗位相同，则确定对所述待评估人员进行转正处理。
29.在该步骤中，还可以在所述第一岗位和所述第二岗位不相同的情况下，确定所述待评估人员不适合所述第二岗位，并将所述第一岗位和所述待评估人员的人员信息发送至管理人员。
30.通过上述步骤解决了现有技术中对人员是否适合一个岗位依靠管理人员主观评估所导致的问题，从而能够对人员与岗位的适配度进行评估，为管理人员的人员决策提供数据支持和保障。
31.在本实施例中，在将所述待评估人员的人员信息与预先配置的多个人员模板进行适配之前，所述方法还包括：获取预定人员的人员信息和所述预定人员对应的预定岗位，其中，所述预定人员为从从事所述预定岗位的多个工作人员中选择出的适合所述预定岗位的人员；根据多个所述预定人员的人员信息生成所述预定岗位对应的人员模板。
32.生成模板的方式有很多种，作为一个可选的实施方式，可以获取一个岗位的所有员工的绩效指标考核结果，将绩效指标考核结果超过预先配置的范围的员工作为所述预定人员，判断所述预定人员的数量是否大于或等于预先配置的阈值，在小于所述预先配置的阈值的情况下，将所述预先配置的范围进行数值调整，直到所述预定人员的数量大于或等于所述预先配置的阈值，获取所有预定人员的人员信息，对人员信息进行统计，得到人员模板。
33.其中，所述人员模板中包括所述人员信息中的所有项，对于所有项中的每一项如果是数值，则根据所有预定人员该项的最差数值做所述人员模板的该项数值范围的下限，将最优数值作为所述人员模板的该项数据范围的上限，遍历所有项得到所述人员模板。
34.本实施例可以使用机器学习的方式来进行适配，例如，将所述待评估人员的人员信息与预先配置的多个人员模板进行适配包括：使用多组训练数据训练得到一个机器学习模型，其中，所述多组训练数据中的每组训练数据均包括：一个人员的人员信息和该人员信息所适配的人员模板；将所述待评估人员的人员信息输入到所述机器学习模型中；将所述机器学习模型输出的与所述待评估人员的人员信息对应的人员模板作为与所述待评估人员匹配度最高的人员模板。
35.使用所述多组训练数据训练得到的一个机器学习模型包括：将所述多组训练数据分为用于训练的第一数据和用于验证的第二数据；使用所述第一数据对训练得到所述机器学习模型；使用所述第二数据对所述机器学习模型进行验证，在验证通过的情况下确定所述机器学习模型训练成功。
36.作为一个可选的实施方式，使用所述多组训练数据训练得到的一个机器学习模型包括：在使用第二数据对所述机器学习模型进行验证不通过的情况下，增加用于进行训练的第一数据的数量，减少用于进行验证的第二数据的数量；使用调整过的第一数据进行训练并使用调整过的第二数据进行验证，直到验证通过。
37.下面结合一个可选的实施例进行说明。在本实施例中，数据模型基于国际通用的公共信息模型cim标准，结合人资业务的具体应用，采用引用、继承、组合的方式建立全公司统一的员工画像数据模型，满足企业员工画像业务需求及集约化管理要求，形成统一的数据标准，从而实现企业员工画像的数据的标准化、规范化和透明共享。
38.企业员工画像系统的数据架构按照主题可分为：员工信息主题、学历主题、培训经历主题、工作记录主题、员工考核主题、奖惩情况主题、论文情况主题、专利情况主题、岗位信息主题、员工综合得分主题以及岗位推荐主题。按照主题分类归纳数据模型，使模型管理变得便捷。
39.2、智能推荐
40.通过对每位员工建立画像模型，将员工信息中的具体字段转化为数字字段，并将数据存入用员工信息库。同时使用深度学习方法，训练岗位分类模型，得到对应标签的员工，使得整个推荐功能的效率有了极大的提高。
41.3、岗位推荐模型
42.（1）工作经历主要包含相关岗位工作经验、工作单位经验、相关经验、巡查经验和绩效考核。当前的工作的业务积累，对后续岗位的胜任能力影响较大，占比较高。
43.(2)履职能力包含全日制毕业院校、文化程度、职业资质和持证情况，履职能力对未来岗位的胜任能力的预测性一般，尤其涉及到跨业务线条，因此设置比例不高。
44.(3)个人荣誉指的是工作以来的获奖情况，根据获奖程度的不同，获得分值多少会有不同。
45.(4)加分项，人员能力评测主要衡量底层能力素质和个性类，属于所有岗位均需要的条件，能够更好预测未来岗位表现，因此权重设置相对较高，也是为引导企业用人导向能力侧重
46.本实施例中以企业人力资源信息系统作为人才管理数据库，基于大数据挖掘分析，关联员工全职业生命周期全方位信息，支撑员工管理、培训管理、员工培养、岗位管理等工作，进一步实现智能化人才预测分析，为管理者提供客观的人才决策依据。
47.以企业人力资源管理信息系统的数据作为支撑，结合实际的业务管理要求，在员工职业发展地铁图上，能让员工明确自身的发展路线和晋升标准，为员工自我提升和组织人才培养提供分析支撑。
48.研究企业的员工综合素质评价模型、岗位人选科学推荐模型、人岗匹配分析模型、综合能力测评模型等，支撑员工职业生涯数据分析应用的构建。实现员工画像、岗位推荐、人员推荐、标签管理、岗位管理、岗位层级管理等功能。
49.在本可选实施例中，可以将待评估人员的大数据划分为基本信息和行为日志数据（即能力信息），基于此构建员工画像方法包括如下步骤：收集员工的基本信息和行为日志数据。根据本发明，员工的基本信息是员工注册时所填写的信息，包括：员工的姓名、年龄、性别、职务、教育履历、职业履历和/或项目经验。员工的行为日志数据包括：个人动态、读书笔记、工作轨迹(奖惩、差旅、报工、请假、报销等记录信息)、运动数据、他评数据、自评数据和/或网络爬虫获得的数据，比如，员工的新闻报道，发言材料。从所述基本信息和所述行为日志数据中获取员工的特征标签，构成个性化词云。在本发明中，对员工的职业素养、专业能力、性格爱好、身体素质等多角度全面认知，从这些数据信息提取一系列有代表性的标签词语，员工信息的标签化即员工画像。员工画像的核心工作是给员工打标签，目的是为了便于管理者理解并且方便计算机处理。通过海量的信息挖掘，勾画出企业中每个员工的信息全貌。通过对员工进行特征和行为的建模，勾勒出每个员工特征，进而达到从数据中获取更具有价值信息的目的。通过确定合理的颗粒度将有价值的数据进行截取和提炼，抽象出可以反映员工特征，具有分析价值的员工标签。例如，待人和善，前途无限，做事果决等。基于所述个性化词云，构建员工画像。具体地，在该步骤中，根据可分析的文本数据，进行员工间相关性分析，实体与实体间关系抽取或分类，通过挖掘文本中上下级关系、同事关系、项目组隶属关系、签批关系等关系，构建员工相关性图谱。
50.可选地，对员工的基本信息和行为日志数据进行分离、清洗、结构化以及关联分析。对数据进行清理、关联性分析等可以有效提高标签的有效性和准确度。所述员工画像还包括：行为特征雷达图和社会关系网状图。具体地，根据可分析的文本数据，进行员工间相关性分析，实体与实体间关系抽取或分类，通过挖掘文本中上下级关系、同事关系、项目组隶属关系、签批关系，构建员工社会关系网状图。
51.可选地，所述他评数据可通过以下方式获取：引入符合企业文化背景的测试题库，通过他评生成文本数据，其中，所述文本数据包括：职业素养、专业能力、性格爱好、身体素质以及性格特点五个维度的数据；所述自评数据可通过以下方式获取：引入符合企业文化背景的测试题库，通过自评生成文本数据，其中，所述文本数据包括：职业素养、专业能力、性格爱好、身体素质以及性格特点五个维度的数据。
52.基于区块链进行匿名他评：在区块链上创建匿名账户，基于区块链互评，保存员工交互测评信息。本发明基于区块链进行匿名他评。具体地，在区块链上创建匿名账户，基于区块链互评，并保存员工交互测评信息。基于区块链的互评主要包括：互评的业务交互场景设计、区块链系统与信息系统的同步工作机制设计、区块链账户与信息系统账户耦合关系设计、信息存储内容规划、信息验证审核等智能合约设计。这样其他用户可以从区块链网络上获取到该用户的匿名交互测评信息，从而更加全面地了解自身，同时管理者也能对用户有全面的认知，确保了测评真实可靠、不可篡改，提升交互测评的严肃性。引入区块链技术来构建交互测评信息，满足了对交互评价的真实性。此外，根据匿名评价的信息，挖掘评价信息的积极、消极还是中性的情绪，实现匿名评价的情感分析。
53.在本实施例中，提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行以上实施例中的方法。
54.上述程序可以运行在处理器中，或者也可以存储在存储器中(或称为计算机可读介质)，计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或
技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
55.这些计算机程序也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤，对应与不同的步骤可以通过不同的模块来实现。
56.该本实施例中就提供了这样的一种装置或系统。该系统被称为一种基于大数据构建的企业员工画像的系统，包括：第一获取模块，用于获取待评估人员的人员信息，其中，所述人员信息包括所述人员的基本信息和能力信息，所述基本信息用于指示所述待评估人员的属性，所述能力信息用于指示所述待评估人员在历史上的工作情况；匹配模块，用于将所述待评估人员的人员信息与预先配置的多个人员模板进行适配，其中，每个所述人员模板对应一个岗位，每个所述人员模板均是通过胜任该岗位的人员的人员信息预先得到的；第二获取模块，用于获取与所述待评估人员匹配程度最高的人员模板所对应的第一岗位；第三获取模块，用于获取所述待评估人员历史上任职过的或者现在正在任职的第二岗位；判断模块，用于根据所述第一岗位和所述第二岗位是否相同判断所述待评估人员是否适合所述第二岗位。
57.该系统或者装置用于实现上述的实施例中的方法的功能，该系统或者装置中的每个模块与方法中的每个步骤相对应，已经在方法中进行过说明的，在此不再赘述。
58.例如，还包括：生成模块，用于获取预定人员的人员信息和所述预定人员对应的预定岗位，其中，所述预定人员为从从事所述预定岗位的多个工作人员中选择出的适合所述预定岗位的人员；根据多个所述预定人员的人员信息生成所述预定岗位对应的人员模板。
59.又例如，所述匹配模块用于：使用多组训练数据训练得到一个机器学习模型，其中，所述多组训练数据中的每组训练数据均包括：一个人员的人员信息和该人员信息所适配的人员模板；将所述待评估人员的人员信息输入到所述机器学习模型中；将所述机器学习模型输出的与所述待评估人员的人员信息对应的人员模板作为与所述待评估人员匹配度最高的人员模板。可选地，所述匹配模块用于：将所述多组训练数据分为用于训练的第一数据和用于验证的第二数据；使用所述第一数据对训练得到所述机器学习模型；使用所述第二数据对所述机器学习模型进行验证，在验证通过的情况下确定所述机器学习模型训练成功。
60.又例如，所述判断模块用于：在所述第一岗位和所述第二岗位不相同的情况下，确定所述待评估人员不适合所述第二岗位，并将所述第一岗位和所述待评估人员的人员信息发送至管理人员。
61.可选地，所述匹配模块用于：在使用第二数据对所述机器学习模型进行验证不通过的情况下，增加用于进行训练的第一数据的数量，减少用于进行验证的第二数据的数量；
使用调整过的第一数据进行训练并使用调整过的第二数据进行验证，直到验证通过。
62.通过上述实施例解决了现有技术中对人员是否适合一个岗位依靠管理人员主观评估所导致的问题，从而能够对人员与岗位的适配度进行评估，为管理人员的人员决策提供数据支持和保障。
63.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。