数据挖掘在人岗匹配中的应用研究

● 张志宇 吕明丽 李从东

数据挖掘在人岗匹配中的应用研究

● 张志宇 吕明丽 李从东

本文将数据挖掘技术引入人岗匹配管理，探讨了数据挖掘在人岗匹配管理中的应用过程。

人岗匹配 评价指标 数据挖掘 系统

员工与岗位的匹配问题是人力资源管理中的基本问题。由于人岗匹配问题受到多种因素影响，呈现出非线性的特征。不同企业的人岗匹配问题具有特殊性，利用一般的数学方法无法完全满足这些要求。计算机系统辅助决策技术的进步己经对企业管理产生了直接的影响，使管理者能够利用计算机系统辅助解决管理中的决策问题，但传统的决策方法不能深入挖掘企业信息化数据中蕴含的规律和有用的知识。人们希望能够让计算机智能地分析企业数据库中的海量数据以获取有用决策管理信息，这就是推动数据挖掘（Data Mining,DM）这一辅助决策工具产生并发展的强大动力。本文将数据挖掘应用于企业的人岗匹配管理，并详细分析数据挖掘技术的应用过程。

一、数据挖掘及其功能

数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含但有价值的、用户感兴趣的信息和知识的处理过程。

数据挖掘任务一般可分为两类：描述和预测。描述性挖掘任务刻画数据库中数据的一般特性，预测性挖掘任务是在当前数据上进行推断，以进行预测。数据挖掘的功能有：

1．特征化和区分。数据特征化可以汇总所研究类的数据，数据区分可以将目标类与一个或多个比较类进行比较。数据特征化的发现方法和实现技术有很多，如数据立方体、面向属性的归约等。

2．关联分析。它广泛用于事务数据分析，可以发现不同属性值在给定数据信箱集中出现的频繁程度,也可以发现事务中属性的相关性。

3．分类。它用于找出描述并区分数据类或概念的模型,以便使用此模型预测类标记未知的对象类。它通常使用类标记已知的数据对象作为训练数据集，通过对该数据集的分析,导出数据的分类模型，然后使用模型预测未知数据。

4．聚类。聚类与分类不同，它没有类标记作为指导，又称为无指导的分类，类标记由它本身产生。对象根据最大化类内的相似性、最小化类间的相似性的原则进行聚类和分组。

5．孤立点分析。数据库中可能包含一些数据对象，它们与数据的一般行为或模型不一致，这些数据对象称为孤立点。对这些数据的挖掘分析可以用于处理一些罕见事件，比如信用卡欺诈等。

6．演变分析。它用于描述行为随时间变化的规律或趋势,并对其建模。

7．预测分析。它根据时间序列型数据，由历史的和当前的数据去推测未来的数据。

二、数据挖掘在人岗匹配中的作用

数据挖掘可以在人岗匹配中的以下几个方面运用：

1.匹配关系分类。基于数据挖掘的聚类算法用来划分不同员工群的人岗匹配关系，避免了传统方法带来的主观随意性，从而体现对企业不同员工群的差异化管理策略，实现人力资源价值最大化。

2.人岗匹配测评。把应聘员工的指标特征值输入，网络就能输出匹配结果，以此帮助企业制定合适的招聘策略，选择最优人才。

3.员工细分。利用数据挖掘的决策树分类算法对员工的不同属性指标进行细分，以此来确定哪些属性会导致员工所属的状态，从而进行更有针对性地岗位培训，节省企业员工培训成本，取得有效的管理业绩。

4.匹配关系预测。把握人岗匹配关系动态特征是人岗匹配管理的关键。数据挖掘通过对实时动态关系数据的采集和整理，将多因素的数据进行融合、挖掘，提取人岗匹配关系的状态特征，同时结合历史数据和未来预测数据对关系的演化过程进行仿真预测，有效促进人岗匹配关系向有利方向发展。

三、数据挖掘在人岗匹配中的具体运用

根据上文对人岗匹配关系的论述，结合数据挖掘的处理过程，建立如图1所示的基于数据挖掘的人岗匹配管理系统模型。其工作过程主要包括以下三个阶段：

1．数据准备阶段。这个阶段又分成2个子步骤：数据选择、数据预处理。数据选择是根据人岗匹配管理的最终目标收集需要分析的数据集合，包括现有岗位及要求、在岗员工的各个属性、各评价指标值。有时需要用调查问卷进行数据收集或在企业信息数据库中进行收集。预处理是为了克服目前数据采掘工具的局限性，得到的数据进行各种针对数据挖掘方法的转换或汇总，得到目标数据库。

2．数据挖掘阶段。这个阶段进行实际的挖掘操作，是整个过程的核心。这一步骤需针对上一阶段得到的目标数据，根据不同的业务要求，选择不同数据挖掘方法进行挖掘，并将得到的结果存于知识库或规则库。

3．挖掘结果应用阶段。根据最终的决策目的对提取的信息进行分析，区分最有价值的信息，并且通过决策支持工具提交给决策者。这一步骤的任务不仅是把结果表达出来 (例如采用信息可视化方法)，还要对信息进行过滤处理。如果不能令决策者满意，需要重复以上数据挖掘的过程。

四、一个具体的实践案例

在本节中，将以高校高校教师的人岗匹配的数据挖掘过程为案例，对该方法的具体操作步骤进行详细介绍。

第一步，建立评价模型指标体系。

结合教师岗位的特点，建立人岗匹配测评指标体系。本案例中，建立了包括员工的专业技能、工作经验、英语水平、身心健康、工作态度、学习与解决实践问题的能力、与人沟通的能力、计算机水平、学历、IQ指数、岗位要求与工作报酬的匹配、员工工作意愿与工作报酬匹配、员工能力与岗位要求之间的匹配共十三项指标。

第二步，准备数据。

根据现有职工的实际情况，请相关工作和研究人员依据上一步骤建立的指标体系进行打分，可得到每个职工各指标的数据。人岗匹配关系设置为不匹配、匹配、非常匹配三种关系类别。

第三步，利用BP神经网络的人岗匹配测评挖掘。

用于人岗匹配测评的BP神经网络模型的结构如图2所示。

整个神经网络结构采用三层结构，输入层维数根据上面建立的13条评价指标，设定为13，各节点的值分别代表以上的13项测试指标的值。网络输出层维数设定为1，将该节点输出的值划分成三个范围，输出值小于0.6为不匹配，输出值大于等于0.6并且小于0.8为匹配，输出大于等于0.8为非常匹配。中间层节点数由经验公式求出，再用实验进行比较确认为4。经过这些处理后，开始进行挖掘。挖掘结束后，从历史样本数据中挖掘到的人岗匹配关系特征被保存在网络中。利用BP神经网络模型对教师进行人岗匹配测评的流程如图3所示。

第四步，挖掘结果应用。

该模型可以用于对新人员的应聘、筛选和在岗员工的评价，以更好地进行师资的培养和人力资源优化。例如，当新的人员来应聘或对员工与岗位的匹配关系进行测评时，先对他的13项指标进行打分，再调用已建立的基于神经网络技术的教师测评模型进行测评，所得结果即是其与所聘岗位的匹配程度，该结果可以为人力资源管理提供较好的决策依据，有利于学校对教师进行筛选。

将智能理论应用于解决人力资源管理问题是一种新的探索。将数据挖掘技术引入人岗匹配中仍有许多值得研究的问题。比如，如何使得指标体系更趋客观、全面、合理，定性指标的定量化，如何将数据挖掘技术与智能决策系统嵌入到企业日常的管理信息系统之中等，这些将是该方法后重点发展的方向之一。

1.Kuo Kuang Huang．Using an Annealed Neural Network in Organization Personal Management[D]．University of South Dakota，1999．

2.Hart，Ann Yeager．Prediction the Tenure Outcome of TeachersBased on VariablesKnown atthe Time of Application[D]．USA:North Carolina State University，1997．

3.Simon Haykin： 《Neural Networks a comprehensive foundation》，机械工业出版社，2004年版。

4.刘雪峰：《如何实现人岗匹配》，载《中国人力资源开发》，2004年第4期。

5.张国初：《人力资源管理定量测度与评价》，社会科学文献出版社，2000年版。

6.JiaweiHang．DataMining——Technologyand Concept，Electronics Industry Publishing House,2004．

天津大学、天津商业大学、暨南大学）

■责编 肖鹏燕 Tel:010-88383907 E-mail：hrchina_2009@126.com