CN109345109A - 一种基于分类预测模型的员工评估方法及终端设备 - Google Patents
一种基于分类预测模型的员工评估方法及终端设备 Download PDFInfo
- Publication number
- CN109345109A CN109345109A CN201811122675.8A CN201811122675A CN109345109A CN 109345109 A CN109345109 A CN 109345109A CN 201811122675 A CN201811122675 A CN 201811122675A CN 109345109 A CN109345109 A CN 109345109A
- Authority
- CN
- China
- Prior art keywords
- assessment
- data
- employee
- prediction model
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 84
- 238000013480 data collection Methods 0.000 claims description 48
- 230000001737 promoting effect Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012854 evaluation process Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 239000012141 concentrate Substances 0.000 claims description 10
- 238000012886 linear function Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 12
- 230000008859 change Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000005194 fractionation Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于分类预测模型的员工评估方法及终端设备，适用于数据处理技术领域，该方法包括：获取多位员工的评定数据构成第一评定数据集，员工为在晋升评定过程中评定前等级和评定目标等级与候选员工均相同的员工；从第一评定数据集中筛选出对应于同一员工的组数大于1的评定数据构成第二评定数据集；基于第一评定数据集训练第一预测模型，并基于第二评定数据集训练第二预测模型；基于训练好的第一预测模型和训练好的第二预测模型对候选员工的评定数据进行处理，获取对应候选员工的评估结果。本发明实施例从不同维度同时对候选员工进行评估，确定出其下次晋升成功可能性如何，极大地提升了对候选员工评估的准确率和效率。
Description
技术领域
本发明属于数据处理技术领域，尤其涉及基于分类预测模型的员工评估方法及终端设备。
背景技术
企业需要进行职位等级晋升评定的员工非常多，每次晋升评定需要对员工此次晋升评定对应的考核时间段内的指标考核结果进行处理，判断指标考核结果是否满足员工评定目标等级对应指标要求，以确定出员工是否可以从评定前等级成功晋升到评定目标等级，如对员工考核时间段1月至3月内各个月的业绩数据进行处理，判断员工在该考核时间段内的业绩数据是否满足评定目标等级对应指标要求。
现有技术中为了提升对员工管理的效率，会在晋升评定失败后，对晋升失败的候选员工此次晋升评定的指标考核结果进行人工评估，判断候选员工下次晋升成功的可能性如何，并对识别出下次晋升成功可能性较大潜力较大的候选员工进行重点标记，由于人工评估识别需要耗费大量的时间和人力，且现有技术都是根据评估人员的主观感觉来进行评估的，并没有统一的评估标准，因此现有技术对候选员工中潜力较大的员工的识别评估方法效率低下且准确性不高。
发明内容
有鉴于此，本发明实施例提供了一种基于分类预测模型的员工评估方法及终端设备，以解决现有技术中对候选员工中潜力较大的候选员工的识别效率低下且准确性不高的问题。
本发明实施例的第一方面提供了一种基于分类预测模型的员工评估方法，包括：
获取多位员工的评定数据，构成第一评定数据集，所述员工为在晋升评定过程中评定前等级和评定目标等级，与候选员工晋升评定过程中评定前等级和评定目标等级均相同的员工，每组评定数据对应一位员工的一次晋升评定过程；
从所述第一评定数据集中筛选出对应于同一员工的组数大于1的评定数据，构成第二评定数据集；
基于所述第一评定数据集训练第一预测模型，并基于所述第二评定数据集训练第二预测模型；
基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，获取对应所述候选员工的评估结果。
本发明实施例的第二方面提供了一种终端设备，所述终端设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤。
获取多位员工的评定数据，构成第一评定数据集，所述员工为在晋升评定过程中评定前等级和评定目标等级，与候选员工晋升评定过程中评定前等级和评定目标等级均相同的员工，每组评定数据对应一位员工的一次晋升评定过程；
从所述第一评定数据集中筛选出对应于同一员工的组数大于1的评定数据，构成第二评定数据集；
基于所述第一评定数据集训练第一预测模型，并基于所述第二评定数据集训练第二预测模型；
基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，获取对应所述候选员工的评估结果。
本发明实施例的第三方面提供了一种计算机可读存储介质，包括：存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的基于分类预测模型的员工评估方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：通过对候选员工此次失败的晋升评定的评定前等级和评定目标等级均相同的评定数据进行分析，并进行第一预测模型训练构建，从而使得第一预测模型可以准确地识别出候选员工的潜力如何，同时根据候选员工情况相似的，至少经历过一次晋升评定失败且还进行了二次晋升评定的员工的多次晋升评定的指标考核结果进行分析，并结合晋升评定结果来进行第二预测模型训练构建，从而使得第二预测模型可以有效地识别出员工潜力如何，最终基于两个预测模型，从不同维度同时对候选员工进行评估，确定出其下次晋升成功可能性如何，从而实现了对候选员工中下次潜力较大的员工的识别评估，极大地提升了对候选员工评估的准确率和效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的基于分类预测模型的员工评估方法的实现流程示意图；
图2是本发明实施例二提供的基于分类预测模型的员工评估方法的实现流程示意图；
图3是本发明实施例三提供的基于分类预测模型的员工评估方法的实现流程示意图；
图4是本发明实施例四提供的基于分类预测模型的员工评估方法的实现流程示意图；
图5是本发明实施例五提供的基于分类预测模型的员工评估方法的实现流程示意图；
图6是本发明实施例六提供的基于分类预测模型的员工评估方法的实现流程示意图；
图7是本发明实施例七提供的基于分类预测模型的员工评估装置的结构示意图；
图8是本发明实施例八提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
为了便于理解本发明，此处先对本发明实施例进行简要说明，由于每次晋升评定都是考核员工是否能从评定前等级成功晋升到评定目标等级，如员工是否能从初级工程师晋升到中级工程师，是否能从初级业务员晋升到中级业务员等，因此每次晋升评定过程都必定对应着一个评定前等级和一个评定目标等级。当员工晋升评定失败时，说明其此次晋升评定的指标考核结果不满足对应的评定目标等级要求，此时本发明会将其作为候选员工，并筛选出与候选员工晋升评定情况相同的员工及其评定数据，再基于单组评定数据为样本数据，和基于员工所有评定数据为样本数据分别构建预测模型，对候选员工进行下次晋升可能性大小的预测评估，确定出候选员工下次晋升成功可能性是否较大，以从这些候选员工中评估出潜力较大，下次晋升成功可能性较大的员工，详述如下：
图1示出了本发明实施例一提供的基于分类预测模型的员工评估方法的实现流程图，详述如下：
S101，获取多位员工的评定数据，构成第一评定数据集，员工为在晋升评定过程中评定前等级和评定目标等级，与候选员工晋升评定过程中评定前等级和评定目标等级均相同的员工，每组评定数据对应一位员工的一次晋升评定过程。
其中，候选员工是指晋升评定失败的员工，为了实现对潜力较大的员工的识别评估，本发明实施例中首先会根据候选员工此次失败的晋升评定的评定前等级和评定目标等级来进行后续模型构建的样本数据筛选，即本发明实施例会根据候选员工此次失败的晋升评定的评定前等级和评定目标等级，来对其他员工的晋升评定的评定前等级和评定目标等级进行匹配，确定出与候选员工两个等级都相同的其他员工的评定数据。例如，假设候选员工此次失败的是从初级业务员到中级业务员的晋升评定，此时本发明实施例会从其他员工进行过的晋升评定中，查找出也是从初级业务员到中级业务员的晋升评定，并获取对应的评定数据。评定数据是指在晋升评定中所需使用到指标考核结果以及产生的晋升评定结果。
由于每个员工晋升评定既有可能成功也有可能失败，而对于失败的晋升评定而言，员工必然会继续进行该晋升评定，例如员工A第一次进行初级业务员到中级业务员的晋升评定失败了，那其后面必然会继续进行从初级业务员到中级业务员的晋升评定，直至最终晋升评定成功，因此对于每一个员工而言，其对同一评定前等级和评定目标等级的晋升评定次数是无法预知的，且最后一次的晋升评定结果也是无法预知的。由此可知，在本发明实施例中，获取到的多位员工的评定数据中，每一位员工的评定数据既可能是一组也可能是多组，且其中既可能全都是晋升评定失败的，也可能包含晋升评定成功的，但实际情况中对于一个企业来说，由于其不可能所有员工都是同一等级，同时为了保证晋升评定的有效性，其也不会存在将晋升评定指标要求设置的过低，使得所有人都一定能一次通过，因此实际情况中，对于单个评定目标等级而言，必定存在一些晋升评定成功和晋升评定失败的员工及其对应的评定数据。在本发明实施例中，为了实现对候选员工潜力的预测，会以单组评定数据为样本数据来构建后续的预测模型，判断按照候选员工判断数据的实际情况其下次晋升成功的可能性如何。
S102，从第一评定数据集中筛选出对应于同一员工的组数大于1的评定数据，构成第二评定数据集。
由上述分析可知，获取到的多位员工的评定数据中每一位员工的评定数据既可能是一组也可能是多组，在本发明实施例中，会继续对其中每位员工进行筛选，确定出其中对应的评定数据组数大于1的员工，再由其评定数据得到所需的第二评定数据集。例如，假设第一评定数据集中员工A有一组评定数据，员工B有两组评定数据，员工C有三组评定数据，此时本发明实施例会筛选出员工B和员工C的评定数据，得到对应的第二评定数据集。
在以单组评定数据为样本数据来构建预测模型时，虽然能获取到的样本数据量较大，但由于每个样本数据都是单组评定数据，其数据长度有限，仅能表示单次晋升评定的指标考核结果与晋升评定结果的关系如何，且单次晋升评定受到各种因素干扰的可能性较大，从而使得评定数据的偶然误差可能性较大。因此，为了提升样本数据的可靠性，本发明实施例在利用单组评定数据为样本数据来构建预测模型的同时，还会在筛选出对应的评定数据组数大于1的员工后，将筛选出的每位员工对应所有评定数据组合后作为样本数据来构建另一个预测模型，由于此时在将员工多组评定数据组合作为一个样本数据时，样本数据更长抗干扰能力更强，从而使得样本数据的可靠性能高。其中应当说明地，由于实际情况中晋升评定的过程都是连续的，即员工在某一评定目标等级没有晋升评定成功时，其只会一直继续对该评定目标等级进行晋升评定，直至成功后才会进行更高评定目标等级的晋升评定，例如，员工在初级业务员到中级业务员晋升评定失败时，会一直连续进行初级业务员到中级业务员的晋升评定，只有在成功后才会开始对其进行中级业务员到高级业务员晋升评定，因此在本发明实施例中，同一员工对应的评定数据必然是时间上连续数据，因此在进行同一员工评定数据组合得到样本数据的时候，只需要按照时间顺序进行排序组合即可。
S103，基于第一评定数据集训练第一预测模型，并基于第二评定数据集训练第二预测模型。
在获取到所需的第一评定数据集以及第二评定数据集之后，开始基于两个数据集分别进行预测模型的训练构建。
考虑到本发明实施例中的预测模型只要能实现对候选员工下次是否能成功晋升的预测即可，而现有技术中预测模型种类较多，因此本发明实施例中不对具体使用的预测模型进行限定，可由技术人员根据实际需求进行选取或设计，由于本发明实施例中员工晋升评定结果只有成功或失败两种，因此在进行预测模型选取时，优选地可以使用BP、RBF或者PNN等神经网络模型来构建二分类模型，此时只需要将评定数据中的指标考核结果和晋升评定结果输入至这些二分类模型进行训练，即可得到对应可用于员工晋升评定结果预测的模型。
其中，考虑到候选员工本身就是指标考核结果没有满足要求的员工，因此直接使用指标考核结果和晋升评定结果来进行预测模型训练构建，最终得到的预测模型的准确率难以得到很好的保证，因此，在本发明实施例中，优选地，可以对指标考核结果进行进一步地的处理，再基于处理的结果和晋升评定结果来进行预测模型训练构建，如对指标考核结果进行数据变化趋势的分析，并基于得到的变化趋势分数和晋升评定结果来进行预测模型训练构建，具体可参考本发明实施例二以及本发明实施例三。
S104，基于训练好的第一预测模型和训练好的第二预测模型，对候选员工的评定数据进行处理，获取对应候选员工的评估结果。
在得到两个预测模型之后，将候选员工晋升评定失败的评定数据直接输入至两个预测模型进行处理，即可得到从两个不同维度对候选员工的潜力识别结果，再根据两个预测结果确定出最终对候选员工的识别结果即可。
由于两个预测模型的预测结果可能会存在差异，如可能会出现一个预测结果为该候选员工潜力较大下次晋升会成功，另一个则是该员工潜力不大下次晋升会失败，因此为了保证最终得到的预测结果的唯一性和准确性，本发明实施例中需要预先设置好在两个预测结果存在差异时的处理规则，其中处理规则具体可由技术人员根据实际情况需求设置，包括但不限于如为当预测结果存在差异时，重新对两个预测模型进行训练构建并重新预测，或者预先对两个预测模型设置对应的权重系数，在预测结果存在差异时，根据权重系数对预测结果进行处理确定出最终的预测结果等。
在本发明实施例中，通过对候选员工此次失败的晋升评定的评定前等级和评定目标等级均相同的评定数据进行分析，并进行第一预测模型训练构建，从而使得第一预测模型可以准确地识别出候选员工的潜力如何，同时考虑到以单组评定数据为样本数据进行模型训练时，其数据量虽然较多，但受到各种因素干扰的可能性较大，因此本发明实施例中还针对候选员工情况相似的，至少经历过一次晋升评定失败且还进行了二次晋升评定的员工的多次晋升评定的评定数据组合进行分析，并进行第二预测模型训练构建，从而使得第二预测模型的样本数据可靠性更强，可以有效地识别出员工潜力如何，最终基于两个预测模型，从不同维度同时对候选员工进行评估，确定出其下次晋升成功可能性如何，从而实现了对候选员工中潜力较大的员工的识别评估，极大地提升了对候选员工评估的准确率和效率。
作为本发明实施例一中第一预测模型训练的一种具体实现方式，考虑到直接使用评定数据中的指标考核结果和晋升评定结果来进行预测模型训练构建，最终得到的预测模型的准确率难以得到很好的保证，因此为了保证最终得到的预测模型的准确有效，如图2所示，本发明实施例二，包括：
S201，获取第一评定数据集中各组评定数据对应的晋升评定过程的考核时间段。
由于晋升评定都是针对员工在考核时间段内的指标考核结果是否满足指标要求进行考核，因此，每个晋升评定的过程都必定对应着一个考核时间段，如对2017年1月至2017年3月员工业绩数据进行考核，判断其是否满足从初级业务员到中级业务员的晋升评定指标要求，此时2017年1月至2017年3月即为此次晋升评定的考核时间段。
S202，解析各组评定数据中的指标考核结果在对应的考核时间段内的数据变化趋势，得到每组评定数据对应的第一变化趋势分数。
考虑到实际情况中，员工的潜力如何虽然无法直接根据指标考核结果直接得到，但在考核时间段内整体的指标考核结果变化趋势却能一定程度上反映出员工的潜力如何，当某一员工在考核时间段内的指标考核结果一直是成倍递增时，例如上述的考核时间段2017年1月至2017年3月内，该员工每月的业绩都是上月的几倍，此时即使该员工此次晋升评定失败了，但相对同样是晋升评定失败，但考核时间段内每月业绩一直不变的其他员工而言，该员工的潜力无疑更大，下次晋升评定的成功可能性更大。因此在本发明实施例中，为了保证预测模型的准确性，在进行第一预测模型训练前会首先对每个评定数据在其考核时间段内指标考核结果的变化趋势进行量化分析，以得到量化后的每个评定数据的第一变化趋势分数值。其中具体的变化趋势量化分析方法可由技术人员自行设定，此处不予限定，凡是可以体现出考核时间段内指标考核结果的整体变化趋势方法均可，包括但不限于如将考核时间段划分为多个不同的时间段，并将每个时间段作为一个时间节点后，将指标考核结果拆分为每个时间节点对应的指标结果，再对指标结果进行曲线拟合，并以曲线的斜率作为变化趋势分数。
S203，基于第一评定数据集中各组评定数据中的晋升评定结果以及对应的第一变化趋势分数，训练第一预测模型。
在得到每个评定数据的第一变化趋势分数之后，将每个评定数据的{第一变化趋势分数，晋升评定结果}向量数据作为样本数据，来进行预测模型训练，确定出第一变化趋势分数和晋升评定结果之间的对应关系，即可得出最终的第一预测模型。本发明实施例中的具体采用的模型可由技术人员自行设定，既可以使用一些相对复杂的神经网络模型进行预测，也可以使用一些如逻辑回归模型之类的相对简单的二分类模型进行预测。
应当说明地，由于本发明实施例中在进行模型训练时使用的是评定数据的{第一变化趋势分数，晋升评定结果}向量数据作为样本数据，因此在本发明实施例一S104基于预测模型进行候选员工的评定数据处理时，同样也需将候选员工的评定数据先进行变换趋势分数计算，再利用预测模型进行处理。
作为本发明实施例一中第二预测模型训练的一种具体实现方式，考虑到直接使用评定数据中的指标考核结果和晋升评定结果来进行预测模型训练构建，最终得到的预测模型的准确率难以得到很好的保证，因此为了保证最终得到的预测模型的准确有效，如图3所示，本发明实施例三，包括：
S301，获取第二评定数据集中各组评定数据对应的晋升评定过程的考核时间段。
S302，对于第二评定数据集对应的每一员工，解析其对应的所有评定数据中的指标考核结果在对应的考核时间段内的数据变化趋势，得到每一员工唯一对应的第二变化趋势分数。
S303，基于第二评定数据集对应的员工的最终晋升评定结果以及第二变化趋势分数，训练第二预测模型，最终晋升评定结果为员工对应的考核时间段距离当前时间最近的评定数据的晋升评定结果。
本发明实施例中的考核时间段、数据变化趋势、变化趋势分数以及预测模型的选取等相关内容均与本发明实施例二中相同，因此此处不予赘述，详情可参考本发明实施例二。
本发明实施例与本发明实施例二不同之处在于，考虑到以单个评定数据为样本数据进行预测模型训练时，虽然可获取到的样本数据量较大，但由于单个评定数据可靠性较低易受到其他因素干扰，因此为了增强样本数据的抗干扰性提高样本数据的可靠性，本发明实施例中不是以单个评定数据为样本数据进行处理，而是以第二评定数据集中单个员工的所有评定数据组合作为样本数据，因此在本发明实施例在进行数据变化趋势分析时，针对的是每个员工对应所有评定数据的指标考核结果的总数据变化趋势，例如假设员工A在第二评定数据集中有3个评定数据，此时本发明实施例会按照考核时间段顺序将3个评定数据进行组合，并将组合后的3个评定数据作为一个整体，对其中包含的指标考核结果进行数据变化趋势分析，得到每个员工唯一对应的一个第二变化趋势分数。又例如假设第二评定数据集中，员工B有对应的考核时间段为1月～3月、4月～6月以及7月～9月的三个评定数据，此时按照时间顺序排序得到1月～9月的评定数据组合，再对评定数据组合内1月～9月的指标考核结果进行数据变化趋势分析，得到在这9个月内指标考核结果对应的第二变化趋势分数。
同时，由于本发明实施例中每个员工仅会得到一个对应的第二变化趋势分数，同时本发明实施例想实现的是对变换趋势分数与是否能晋升成功的关系预测，因此本发明实施例仅选用了每个员工最终的晋升评定结果来作为预测模型训练的所需数据，并以每个员工的{第二变化趋势分数，最终晋升评定结果}向量数据作为样本数据来进行预测模型训练构建。
应当说明地，本发明实施例三与本发明实施例二是对两个预测模型的训练构建方法，其在本发明实施例一中既可以独立进行应用，也可以同时进行应用，即两个本发明实施例可以同时应用本发明实施例一，以实现根据两个评定数据集包含数据的特点，来进行不同方式的预测模型训练构建。
作为本发明实施例二和本发明实施例三中进行数据变化趋势分析的一种具体实现方式，如图4所示，本发明实施例四，包括：
S401，获取考核时间段内包含的多个考核时间节点，并将指标考核结果拆分为与多个考核时间节点一一对应的考核结果。
S402，对考核结果进行线性函数拟合，并将拟合出的线性函数的斜率值作为对应的变化趋势分数。
考核时间节点是指将考核时间段划分为多个等长的时间段后的各个时间段，其中具体的时间段划分规则可由技术人员根据实际情况自行设定，例如对员工业绩数据考核时间段是1月～3月，此时可以以月为单位将考核时间段划分为1月、2月及3月三个考核时间节点，并对指标考核结果进行拆分，得到各个月的业绩数据。
考虑到实际情况中一般每次晋升评定的考核时间段都较短，所包含的指标考核结果的数据量较小，例如假设每次晋升评定都是考核员工近三个月内的业绩数据，此时指标考核结果仅包含三个月的业绩数据，因此为了在减小对数据变化趋势分析的工作量同时保证分析的可靠性，本发明实施例中会直接对拆分后的指标考核结果进行线性函数的拟合，并将得到的线性函数的斜率值作为所需的变化趋势分数。在对每个员工的评定数据组合进行变化趋势分析时，同样直接评定数据组合对应的考核时间段进行考核时间节点划分，并进行指标考核结果拆分和线性函数拟合，例如上述员工B对应有1月～9月的评定数据组合，假设以月为单位进行考核时间节点的划分，此时可以将指标考核结果拆分为9个对应的考核结果，如1月～9月各个月的业绩数据，再进行线性函数拟合。
作为本发明实施例一中利用两个预测模型进行预测的一种具体实现方式，考虑到实际情况中两个预测模型的预测结果可能会存在差异，为了在存在差异时确定出最终的预测结果，如图5所示，本发明实施例五，包括：
S501，基于训练好的第一预测模型和训练好的第二预测模型，对候选员工的评定数据进行处理，得到对应的第一预测结果和第二预测结果。
其中，本发明实施例中的预测模型的样本数据选取以及模型训练方式等，具体可参考本发明实施例一、本发明实施例二或本发明实施例三。
S502，若第一预测结果与第二预测结果存在差异，减小第一预测模型以及第二预测模型对应的模型训练的训练误差，并返回执行基于第一评定数据集训练第一预测模型，并基于第二评定数据集训练第二预测模型的操作。
实际在进行预测模型训练构建时，都必须预先设置好一个模型训练的训练误差以作为模型训练终止的条件，如可设置当对样本数据分类的错误率不高于10％时终止对模型的训练，此时允许的10％即为训练误差。
考虑到当出现一个预测结果为该候选员工下次晋升会成功另一个则是该员工下次晋升会失败时，可能是两个预测模型训练时训练误差过大导致的预测不准确，因此本发明实施例会在预测结果存在差异时，减小两个预测模型的训练误差，并基于第一评定数据集和第二评定数据集来对两个预测模型重新进行训练，如将训练误差从10％减小到8％并重新训练，以提高预测的准确率。其中，具体的减小方法可由技术人员设定，如可以预先设置一个固定的步长进行每次的减小操作，或设置几个固定的减小值来进行调整。
作为本发明的一个实施例，考虑到本发明实施例五中即使每次预测结果存在差异时都减小训练误差并重新训练，还是可能出现两个预测结果始终不同的情况，因此为了保证最终的预测结果的唯一性和准确性，本发明实施例包括：
对训练误差的减小次数以及具体值进行监测。若两个预测结果存在差异，且训练误差的减小次数到达次数阈值，或者训练误差的具体值达到误差阈值，基于得到的两个预测结果，确定出最终对候选员工的预测结果。
由于当训练误差的减小次数到达次数阈值，或者训练误差的具体值达到误差阈值，说明靠本发明实施例五的方法已经无法进行预测结果的统一，因此本发明实施例中会停止对训练误差的调整，而是直接根据最终的两个预测结果来确定出最终的结果。其中具体根据两个预测结果确定出最终的评估结果的方法，可由技术人员自行设定，包括但不限于如以其中某个预测结果为准。
作为本发明实施例一中利用两个预测模型进行预测的一种具体实现方式，考虑到实际情况中两个预测模型的预测结果可能会存在差异，为了在存在差异时确定出最终的预测结果，如图6所示，本发明实施例六，包括：
S601，基于训练好的第一预测模型和训练好的第二预测模型，对候选员工的评定数据进行处理，得到对应的第一预测结果和第二预测结果。
S602，若第一预测结果与第二预测结果存在差异，对第一预测结果和第二预测结果进行权重计算，确定出对候选员工的评估结果。
在本发明实施例中，考虑到实际情况技术人员可能不是直接使用二分类模型这种仅能输出两个确定结果的模型来进行预测模型的构建，而是使用一些如神经网络模型等可以输出员工下次晋升成功概率的模型进行预测模型训练构建，此时两个预测模型输出的是预测结果是两个晋升成功的概率，因此，为了保证最终的预测结果的唯一性和可靠性，本发明实施例中会在两个的预测结果存在差异的时候，利用预先设置的两个预测模型分别对应的权重系数来对两个预测结果进行权重计算，以得到最终的预测结果，例如假设第一预测模型和第二预测模型的权重系数分别为0.4和0.6，两个预测结果分别为60％和40％，此时最终的预测结果＝0.4*60％+0.6*40％＝48％，因此最终的预测结果即为候选员工下次晋升成功的概率是48％。
在本发明实施例中，通过对候选员工此次失败的晋升评定的评定前等级和评定目标等级均相同的评定数据进行指标考核结果数据变化趋势的分析，并进行第一预测模型训练构建，从而使得第一预测模型可以准确地识别出候选员工的潜力如何，同时根据与候选员工情况相似的，至少经历过一次晋升评定失败且还进行了二次晋升评定的员工的多次晋升评定的指标考核结果进行数据变化趋势的分析，并结合最终的晋升评定结果来进行第二预测模型训练构建，从而使得第二预测模型可以有效地识别出员工潜力如何，因此本发明实施例中充分从样本数据的数据量以及数据可靠性两个方面进行了样本数据的选取处理，从而使得两个预测模型可以从不同维度同时对候选员工进行评估，确定出其下次晋升成功可能性如何，实现了对候选员工中下次潜力较大的员工的识别评估，极大地提升了对候选员工评估的准确率和效率。
对应于上文实施例的方法，图7示出了本发明实施例提供的基于分类预测模型的员工评估装置的结构框图，为了便于说明，仅示出了与本发明实施例相关的部分。图7示例的基于分类预测模型的员工评估装置可以是前述实施例一提供的基于分类预测模型的员工评估方法的执行主体。
参照图7，该基于分类预测模型的员工评估装置包括：
第一数据集获取模块71，用于获取多位员工的评定数据，构成第一评定数据集，所述员工为在晋升评定过程中评定前等级和评定目标等级，与候选员工晋升评定过程中评定前等级和评定目标等级均相同的员工，每组评定数据对应一位员工的一次晋升评定过程。
第二数据集获取模块72，用于从所述第一评定数据集中筛选出对应于同一员工的组数大于1的评定数据，构成第二评定数据集。
模型训练模块73，用于基于所述第一评定数据集训练第一预测模型，并基于所述第二评定数据集训练第二预测模型。
员工评估模块74，基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，获取对应所述候选员工的评估结果。
进一步地，模型训练模块73，包括：
第一时间段获取模块，用于获取所述第一评定数据集中各组评定数据对应的晋升评定过程的考核时间段。
第一趋势分析模块，用于解析各组评定数据中的指标考核结果在对应的所述考核时间段内的数据变化趋势，得到每组评定数据对应的第一变化趋势分数。
第一模型训练模块，用于基于所述第一评定数据集中各组评定数据中的晋升评定结果以及对应的第一变化趋势分数，训练所述第一预测模型。
进一步地，模型训练模块73，还包括：
第二时间段获取模块，用于获取所述第二评定数据集中各组评定数据对应的晋升评定过程的考核时间段。
第二趋势分析模块，用于对于所述第二评定数据集对应的每一员工，解析其对应的所有评定数据中的指标考核结果在对应的所述考核时间段内的数据变化趋势，得到每一员工唯一对应的第二变化趋势分数。
第二模型训练模块，用于基于所述第二评定数据集对应的员工的最终晋升评定结果以及所述第二变化趋势分数，训练所述第二预测模型，所述最终晋升评定结果为员工对应的所述考核时间段距离当前时间最近的所述评定数据的晋升评定结果。
进一步地，趋势分析模块，还包括：
获取所述考核时间段内包含的多个考核时间节点，并将指标考核结果拆分为与所述多个考核时间节点一一对应的考核结果。
对所述考核结果进行线性函数拟合，并将拟合出的线性函数的斜率值作为对应的变化趋势分数。
进一步地，员工评估模块74，包括：
第一预测模块，用于基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，得到对应的第一预测结果和第二预测结果。
更新训练模块，用于若所述第一预测结果与所述第二预测结果存在差异，减小所述第一预测模型以及所述第二预测模型对应的模型训练的训练误差，并返回执行所述基于所述第一评定数据集训练第一预测模型，并基于所述第二评定数据集训练第二预测模型的操作。
进一步地，员工评估模块74，还包括：
第二预测模块，用于基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，得到对应的第一预测结果和第二预测结果。
权重识别模块，若若所述第一预测结果与所述第二预测结果存在差异，对所述第一预测结果和所述第二预测结果进行权重计算，确定出对所述候选员工的评估结果。
本发明实施例提供的基于分类预测模型的员工评估装置中各模块实现各自功能的过程，具体可参考前述图1所示实施例一的描述，此处不再赘述。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
还应理解的是，虽然术语“第一”、“第二”等在文本中在一些本发明实施例中用来描述各种元素，但是这些元素不应该受到这些术语的限制。这些术语只是用来将一个元素与另一元素区分开。例如，第一表格可以被命名为第二表格，并且类似地，第二表格可以被命名为第一表格，而不背离各种所描述的实施例的范围。第一表格和第二表格都是表格，但是它们不是同一表格。
图8是本发明一实施例提供的终端设备的示意图。如图8所示，该实施例的终端设备8包括：处理器80、存储器81，所述存储器81中存储有可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个基于分类预测模型的员工评估方法实施例中的步骤，例如图1所示的步骤101至107。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块71至77的功能。
所述终端设备8可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图8仅仅是终端设备8的示例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入发送设备、网络接入设备、总线等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经发送或者将要发送的数据。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于分类预测模型的员工评估方法，其特征在于，包括：
获取多位员工的评定数据，构成第一评定数据集，所述员工为在晋升评定过程中评定前等级和评定目标等级，与候选员工晋升评定过程中评定前等级和评定目标等级均相同的员工，每组评定数据对应一位员工的一次晋升评定过程；
从所述第一评定数据集中筛选出对应于同一员工的组数大于1的评定数据，构成第二评定数据集；
基于所述第一评定数据集训练第一预测模型，并基于所述第二评定数据集训练第二预测模型；
基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，获取对应所述候选员工的评估结果。
2.如权利要求1所述的基于分类预测模型的员工评估方法，其特征在于，所述评定数据包括对应的员工在对应的晋升评定过程中的指标考核结果以及晋升评定结果，所述基于所述第一评定数据集训练第一预测模型，包括：
获取所述第一评定数据集中各组评定数据对应的晋升评定过程的考核时间段；
解析各组评定数据中的指标考核结果在对应的所述考核时间段内的数据变化趋势，得到每组评定数据对应的第一变化趋势分数；
基于所述第一评定数据集中各组评定数据中的晋升评定结果以及对应的第一变化趋势分数，训练所述第一预测模型。
3.如权利要求1所述的基于分类预测模型的员工评估方法，其特征在于，所述评定数据包括对应的员工在对应的晋升评定过程中的指标考核结果以及晋升评定结果，所述基于所述第二评定数据集训练第二预测模型，包括：
获取所述第二评定数据集中各组评定数据对应的晋升评定过程的考核时间段；
对于所述第二评定数据集对应的每一员工，解析其对应的所有评定数据中的指标考核结果在对应的所述考核时间段内的数据变化趋势，得到每一员工唯一对应的第二变化趋势分数；
基于所述第二评定数据集对应的员工的最终晋升评定结果以及所述第二变化趋势分数，训练所述第二预测模型，所述最终晋升评定结果为员工对应的所述考核时间段距离当前时间最近的所述评定数据的晋升评定结果。
4.如权利要求2或3所述的基于分类预测模型的员工评估方法，其特征在于，所述数据变化趋势分析的过程，包括：
获取所述考核时间段内包含的多个考核时间节点，并将指标考核结果拆分为与所述多个考核时间节点一一对应的考核结果；
对所述考核结果进行线性函数拟合，并将拟合出的线性函数的斜率值作为对应的变化趋势分数。
5.如权利要求1至3任意一项所述的基于分类预测模型的员工评估方法，其特征在于，所述基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，获取对应所述候选员工的评估结果，包括：
基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，得到对应的第一预测结果和第二预测结果；
若所述第一预测结果与所述第二预测结果存在差异，减小所述第一预测模型以及所述第二预测模型对应的模型训练的训练误差，并返回执行所述基于所述第一评定数据集训练第一预测模型，并基于所述第二评定数据集训练第二预测模型的操作。
6.如权利要求1至3任意一项所述的基于分类预测模型的员工评估方法，其特征在于，所述基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，获取对应所述候选员工的评估结果，还包括：
基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，得到对应的第一预测结果和第二预测结果；
若所述第一预测结果与所述第二预测结果存在差异，对所述第一预测结果和所述第二预测结果进行权重计算，确定出对所述候选员工的评估结果。
7.一种终端设备，其特征在于，所述终端设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
获取多位员工的评定数据，构成第一评定数据集，所述员工为在晋升评定过程中评定前等级和评定目标等级，与候选员工晋升评定过程中评定前等级和评定目标等级均相同的员工，每组评定数据对应一位员工的一次晋升评定过程；
从所述第一评定数据集中筛选出对应于同一员工的组数大于1的评定数据，构成第二评定数据集；
基于所述第一评定数据集训练第一预测模型，并基于所述第二评定数据集训练第二预测模型；
基于训练好的所述第一预测模型和训练好的所述第二预测模型，对所述候选员工的评定数据进行处理，获取对应所述候选员工的评估结果。
8.如权利要求7所述的终端设备，其特征在于，所述评定数据包括对应的员工在对应的晋升评定过程中的指标考核结果以及晋升评定结果，所述基于所述第一评定数据集训练第一预测模型，具体包括：
获取所述第一评定数据集中各组评定数据对应的晋升评定过程的考核时间段；
解析各组评定数据中的指标考核结果在对应的所述考核时间段内的数据变化趋势，得到每组评定数据对应的第一变化趋势分数；
基于所述第一评定数据集中各组评定数据中的晋升评定结果以及对应的第一变化趋势分数，训练所述第一预测模型。
9.如权利要求7所述的终端设备，其特征在于，所述评定数据包括对应的员工在对应的晋升评定过程中的指标考核结果以及晋升评定结果，所述基于所述第二评定数据集训练第二预测模型，包括：
获取所述第二评定数据集中各组评定数据对应的晋升评定过程的考核时间段；
对于所述第二评定数据集对应的每一员工，解析其对应的所有评定数据中的指标考核结果在对应的所述考核时间段内的数据变化趋势，得到每一员工唯一对应的第二变化趋势分数；
基于所述第二评定数据集对应的员工的最终晋升评定结果以及所述第二变化趋势分数，训练所述第二预测模型，所述最终晋升评定结果为员工对应的所述考核时间段距离当前时间最近的所述评定数据的晋升评定结果。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811122675.8A CN109345109A (zh) | 2018-09-26 | 2018-09-26 | 一种基于分类预测模型的员工评估方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811122675.8A CN109345109A (zh) | 2018-09-26 | 2018-09-26 | 一种基于分类预测模型的员工评估方法及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109345109A true CN109345109A (zh) | 2019-02-15 |
Family
ID=65306929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811122675.8A Pending CN109345109A (zh) | 2018-09-26 | 2018-09-26 | 一种基于分类预测模型的员工评估方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345109A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009109A (zh) * | 2019-03-01 | 2019-07-12 | 上海拍拍贷金融信息服务有限公司 | 模型预测方法、装置、设备及存储介质 |
| CN110222925A (zh) * | 2019-04-24 | 2019-09-10 | 深圳证券交易所 | 绩效量化考核方法、装置及计算机可读存储介质 |
| CN111144950A (zh) * | 2019-12-30 | 2020-05-12 | 北京顺丰同城科技有限公司 | 模型筛选方法、装置、电子设备及存储介质 |
| CN112734147A (zh) * | 2019-10-28 | 2021-04-30 | 北京京东乾石科技有限公司 | 设备评估管理的方法和装置 |
| CN113379207A (zh) * | 2021-05-28 | 2021-09-10 | 李洪涛 | 实训平台的控制方法、实训平台和可读存储介质 |
| CN113435746A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 用户工作量的评分方法、装置、电子设备及存储介质 |
-
2018
- 2018-09-26 CN CN201811122675.8A patent/CN109345109A/zh active Pending
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009109A (zh) * | 2019-03-01 | 2019-07-12 | 上海拍拍贷金融信息服务有限公司 | 模型预测方法、装置、设备及存储介质 |
| CN110009109B (zh) * | 2019-03-01 | 2021-09-10 | 上海拍拍贷金融信息服务有限公司 | 用于预测用户逾期还款概率的模型预测方法及相关设备 |
| CN110222925A (zh) * | 2019-04-24 | 2019-09-10 | 深圳证券交易所 | 绩效量化考核方法、装置及计算机可读存储介质 |
| CN110222925B (zh) * | 2019-04-24 | 2022-04-08 | 深圳证券交易所 | 绩效量化考核方法、装置及计算机可读存储介质 |
| CN112734147A (zh) * | 2019-10-28 | 2021-04-30 | 北京京东乾石科技有限公司 | 设备评估管理的方法和装置 |
| CN111144950A (zh) * | 2019-12-30 | 2020-05-12 | 北京顺丰同城科技有限公司 | 模型筛选方法、装置、电子设备及存储介质 |
| CN113379207A (zh) * | 2021-05-28 | 2021-09-10 | 李洪涛 | 实训平台的控制方法、实训平台和可读存储介质 |
| CN113379207B (zh) * | 2021-05-28 | 2023-12-22 | 李洪涛 | 实训平台的控制方法、实训平台和可读存储介质 |
| CN113435746A (zh) * | 2021-06-28 | 2021-09-24 | 平安银行股份有限公司 | 用户工作量的评分方法、装置、电子设备及存储介质 |
| CN113435746B (zh) * | 2021-06-28 | 2022-09-27 | 平安银行股份有限公司 | 用户工作量的评分方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109345109A (zh) | 一种基于分类预测模型的员工评估方法及终端设备 | |
| US20230297890A1 (en) | Customizable machine learning models | |
| Karimi et al. | Analysis of the impact of craft labour availability on North American construction project productivity and schedule performance | |
| Chen et al. | Project delivery system selection of construction projects in China | |
| Digalwar et al. | An overview of existing performance measurement frameworks in the context of world class manufacturing performance measurement | |
| Wu et al. | Maintenance effort estimation for open source software: A systematic literature review | |
| Ahmad et al. | Evaluation of risk factors affecting time and cost of construction projects in Yemen | |
| CN106934493A (zh) | 一种电力客户价值评估模型的构建方法 | |
| CN113435627A (zh) | 基于工单轨迹信息的电力客户投诉预测方法及装置 | |
| WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
| Mouhib et al. | TSMAA‐TRI: A temporal multi‐criteria sorting approach under uncertainty | |
| CN105740434B (zh) | 网络信息评分方法及装置 | |
| Korde et al. | State-of-the-art review of construction performance models and factors | |
| Vanli | Ranking of global smart cities using dynamic factor analysis | |
| Sikand et al. | Green AI Quotient: Assessing Greenness of AI-based software and the way forward | |
| US8352407B2 (en) | Systems and methods for modeling consequences of events | |
| Ramanathan | Successful transfer of environmentally sound technologies for greenhouse gas mitigation: a framework for matching the needs of developing countries | |
| Nazir et al. | A process improvement in requirement verification and validation using ontology | |
| Xu et al. | Selection bias in build-operate-transfer transportation project appraisals | |
| Gannon et al. | An effective outline business case to facilitate successful decision‐making | |
| Ammar et al. | Regression-based model predicting cost contingencies for road network projects | |
| US8504412B1 (en) | Audit automation with survey and test plan | |
| US20140316959A1 (en) | Estimating financial risk based on non-financial data | |
| US20160217425A1 (en) | Systems, methods, and devices for implementing a referral processor | |
| Szafranko | Evaluation of data obtained from expert opinions in multi-criteria analyses of construction investment variants |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190215 |