施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0052] 请参阅图1，其示出了本发明实施例提供的一种工作人员管理方法的流程图，可以 包括：
[0053] Sll :获取预设量的工作人员。
[0054] 其中，预设量可以根据实际需要进行确定，在此不做具体限定。
[0055] S12:确定聚类指标，并确定每个工作人员与聚类指标对应的数据为该工作人员的 聚类指标数据。
[0056] 其中，聚类指标是工作人员的工作表现方面的指标，其具体含义根据工作人员的 职位不同而有所区别。另外，聚类指标的数量可以为1个，也可以为多个，根据实际需要进 行确定，在此不做具体限定。
[0057] S13 :根据每个工作人员的聚类指标数据利用视觉聚类算法进行聚类，得到聚类结 果。
[0058] 其中，聚类就是将集合中的对象分成若干个类的数据分析方法，它使得每个类中 的对象之间尽可能地相似，不同的类中的对象尽可能相异，本申请中的对象即为工作人员。 视觉聚类算法是模拟人的视觉机制的聚类算法，其具有如下优点：1、模拟人的的视觉认知 过程，可以自动辨析聚类个数；2、每次迭代可得到全局最优解，即，可使得每个类中的对象 之间尽可能地相似，不同的类中的对象尽可能相异。
[0059] S14 :根据聚类结果将工作人员分成不同的类，得到分类结果。
[0060] 本申请提供的一种工作人员管理方法，并不预先确定需要将工作人员进行分类的 类个数，而是通过视觉聚类算法根据每个工作人员的聚类指标数据对其进行分类，而视觉 聚类算法是模拟人的视觉认知过程，可以自动辨析聚类个数，即利用视觉聚类算法得到的 聚类结果对工作人员进行分类，可自动确定类个数，且确定的类个数为最优的类个数，每个 类内的工作人员可最大化的相似，因此，本申请公开的一种工作人员管理方法能够自动确 定工作人员的类个数，准确度较高，避免了工作人员的分类不符合工作人员的实际工作表 现的情况发生。
[0061] 另外，本发明将视觉聚类算法应用于对于工作人员的分类，有利于实现工作人员 的精益化管理，便于及时了解企业运营状况和发展战略实施过程中存在的问题，并通过修 正策略来跟踪行动计划和绩效结果，从而保证发展战略的实现。
[0062] 如图2所示，上述实施例提供的一种工作人员管理方法中，确定每个工作人员与 聚类指标对应的数据为该工作人员的聚类指标数据，可以包括：
[0063] S21 :确定任一聚类指标为目标聚类指标。
[0064] S22 :如果有M个工作人员不具有与目标聚类指标对应的数据，则确定该M个工作 人员均为第一工作人员，M为正整数。
[0065] M的具体数值是根据具体情况进行确定的。而工作人员不具有与目标聚类指标对 应的数据，即目标聚类指标具有缺失值。
[0066] S23 :确定全部工作人员中第一工作人员以外的其他工作人员均为第二工作人员。
[0067] 即，根据是否具有与目标聚类指标对应的数据将全部工作人员分为两类，第一类 的工作人员均为第一工作人员，不具有与目标聚类指标对应的数据，第二类的工作人员均 为第二工作人员，具有与目标聚类指标对应的数据。
[0068] S24 :确定每个第二工作人员与目标聚类指标对应的数据的和为数据总值。
[0069] S25:确定数据总值与第二工作人员的数量的比值为每个第一工作人员对应目标 聚类指标的数据。
[0070] 举例说明上述步骤，如共有5个工作人员，其中4个工作人员对应目标聚类指标的 数据分别为1、2、3、4,而第5个工作人员不具有与目标聚类指标对应的数据，则将第5个工 作人员与目标聚类指标对应的数据设置为（1+2+3+4)/4,即采用均值替换法确定目标聚类 指标的缺失值。由此，通过将工作人员缺少的数据设置成其他工作人员的数据的平均值，保 证了根据上述数据获取聚类结果的准确性，避免因将缺少的数据设置的过大或者过小而影 响聚类的准确性。
[0071] 上述实施例提供的一种工作人员管理方法中，确定每个工作人员与聚类指标对应 的数据为该工作人员的聚类指标数据之后，还可以包括：
[0072] 将每个工作人员的聚类指标数据均进行标准化处理，得到具有统一度量单位的聚 类指标数据。
[0073] 上述步骤为数据标准化的步骤，由于不同的聚类指标的度量单位通常是不相同 的，为了使得能够将聚类指标对应的数据应用于视觉聚类算法，需要对聚类指标进行规范 化处理，可以将聚类指标数据按比例缩放，使之落入一个小的特定区间。本申请中可以通过 min-max标准化方法，利用下列函数变换公式： γ ·--Y '.枣 A ·???ιη：
[0074] 不=- '- J γ. ν' rain
[0075] 将每个聚类指标数据的数值x映射到对应的区间[0, 1]，以实现不同聚类指标的 统一化，保证利用视觉聚类算法顺利得到聚类结果。
[0076] 上述实施例提供的一种工作人员管理方法中，确定聚类指标，可以包括：
[0077] 确定聚类指标，聚类指标包括接听量、平均通话时长、平均案头时长、推送率及满 意率；
[0078] 接听量包括工作人员接听电话的总数，平均通话时长包括工作人员接听电话的总 时长与该工作人员的接听量的比值，平均案头时长包括工作人员每次接听电话后填写与该 接听的电话对应的工单所用时长的平均值，推送率包括工作人员接听电话后向该接听的电 话对应的客户推送"满意度评价"的电话总数与该工作人员的接听量的比值，满意率为工作 人员对应的客户对该工作人员的"满意度评价"为满意的电话总数与该工作人员的接听量 的比值。
[0079] 其中，工作人员每次接听电话之后都需要将该次接听电话的相关信息填写至工单 中，以供查询。而工作人员接听电话后向该接听的电话对应的客户推送"满意度评价"，以使 得客户对该工作人员的服务做出评价，具体的评价类别可以根据实际需要进行确定，如可 将评价类别分为满意、一般及不满意，或者将满意进一步分为一般满意及非常满意等。而满 意率则为工作人员的"满意度评价"为代表满意的评价类别的电话总数与该工作人员的接 听量的比值，是表示客户对工作人员的满意度的值。
[0080] 需要说明的是，本发明实施例提供的一种工作人员管理方法可以适用于任何需要 根据工作人员的工作表现对工作人员进行分类的工作场景，其中，就包括对于电力客户服 务中心的话务员的分类及管理，上述实施例提供的聚类指标，即接听量、平均通话时长、平 均案头时长、推送率及满意率就是针对电力客户服务中心的话务员设置的。基于上述聚类 指标，能够全面客观的实现对于话务员的分类，不受管理者的主观观念，由此得到的分类结 果与话务员的实际工作表现相符，有利于对于话务员的进一步管理。从而，促进了客户服务 水平的提升，对外树立了电力客户服务中心的良好形象。
[0081] 需要说明的是，视觉聚类算法的基本思想是：将每一数据点视作空间的一个光点， 一个数据集就构成了空间的一幅图像。当人由近及远观察图像即观察视觉尺度变化时，小 光点就会变为一个小光斑，进一步由近及远，小光斑逐渐溶为大光斑，当人距图像足够远 时，整个图形便成为一个大光斑。如果将每个光斑看成一个类，则上述过程便形成逐级聚类 的过程，在整个聚类过程中类的个数存活最长的个数就是原始数据集的聚类个数。
[0082] 对一个给定数据点集X = U1 e R d: i = 1，…，N d为数据维数}，将每一数据点X1看成一小光点，数学上该光点由Dirac广义函数δ (X-Xi)表示。于是数据点集X在空间形 成一个图像P(X)，其中：
[0084] 根据视觉尺度空间理论，图像P(X)的多视觉尺度表示P(X)与高斯函数 迂的卷积，即：
[0086] 其中，高斯函数的窗宽σ称为视觉尺度参数。在给定视觉尺度σ下，一个光斑的 中心即为为P (X，0)关于X的一个极大值点。而相应于一个中心Xi的光斑则定义为Xi关 于梯度系统的的吸引域，记为BOO，即： ?
[0088] 这里X(t，X。）为梯度系统初值问题，即下列求解方程的解：
[0090] 因此，在给定视觉尺度下，验证一点X。是否属于一个光斑B (X，可通过数值上述求 解方程来完成.
[0091] 当视觉尺度变化时，每一个光斑仅在一定视觉尺度范围（〇1，〇2)内存在。当视 觉尺度σ小于O1(如图3(a))时，这一个光斑分解为多个小光斑。而当视觉尺度。大于 σ2(如图3(b))时，这一光斑