企业人力资源数据挖掘技术及其应用探究

林坚

摘 要：为了提高人力资源工作整体质量，促使工作效率提升，运用先进技术是关键。数据挖掘技术是用于对数据进行分析的一种技术，可寻找数据规律，掌握相关经验，剖析数据特征。将其运用到人力资源工作中，可帮助提升人力资源工作的价值，并为工作的开展提供依据。基于此，本文首先对数据挖掘技术进行了介绍，并阐述了技术的运用流程。其次，介绍了人力资源数据挖掘技术的应用要点。最后，重点从人力资源模型的建立、决策树的运用两方面出发，对人力资源数据挖掘技术的应用方法进行了总结。希望本研究能够为人力资源工作者提供参考，使此项工作更加高效、高质量地开展。

关键词：人力资源;数据挖掘技术;决策树

人力资源工作，是各领域的重点工作之一。在工作的过程中，将产生大量信息，包括人才的就职、离职，以及工作信息等。上述信息，包含着大量资源，价值较高。如能够对其价值进行提取，不仅有利于发现人力资源工作状况，了解存在的问题，同样能够为未来工作的开展提供参考。数据挖掘技术，在各个领域的信息分析中均有所应用，决策树属于其中一种技术。对上述技术进行运用，有利于实现对相关数据之间联系的分析，同样有利于帮助对数据进行统计，通过系统寻找规律，通过建立模型的方式总结经验。借助分析结果开展未来的工作，能够全面提升人力资源管理的整体水平。由此可见，为了促进人力资源工作能够在未来得到更加长远的发展，有必要对数据挖掘技术的应用方法进行分析。

一、数据挖掘技术及其运用流程

1.数据挖掘技术

数据挖掘是指从大量的数据中通过算法搜索隐藏于其中信息的过程。数据挖掘通常与计算机科学有关，并通过统计、在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等诸多方法来实现上述目标。在实施数据挖掘之前，先制定采取什么样的步骤，每一步都做什么，达到什么样的目标是必要的，有了好的计划才能保证数据挖掘有条不紊地实施并取得成功。很多软件供应商和数据挖掘顾问公司提供了一些数据挖掘过程模型，来指导他们的用户一步步地进行数据挖掘工作。比如，SPSS公司的5A和SAS公司的SEMMA。

2.数据挖掘技术的运用流程

（1） 定义问题。上述问题，属于在数据挖掘技术使用过程中需要关注的主要问题。所谓定义，指的是有关人员首先需要掌握即将挖掘的技术，并且了解数据的类型，了解本次的目的。在了解上述内容后，需要明确数据挖掘的目标。以目标为导向，展开相应活动，才能够更大程度上改善数据挖掘效果，使数据的价值能够充分发挥。

（2） 建立数据挖掘库。在定义完成之后，有关人员需要对数据进行整理，并且根据整理结果，建立相关挖掘库。在此期间，应当注意对数据进行描述，并评估其质量。结合评估结果，开展数据整合，最终所建立的挖掘库才能够更加具有代表性以及完善性。

（3） 分析数据。对数据进行分析，是利用数据挖掘技术的关键流程之一。数据分析的目标，在于找到其中的规律，并且借助规律完成相关任务，达到一定目标。以往的人工数据分析方法较为落后，且效率低，因此工作人员需要选择信息化软件，实现自动化的数据分析，基于软件的协助，而使分析结果更加准确，使分析过程更加便利与高效。

（4） 准备数据。这是建立模型之前的最后一步数据准备工作。可以把此步骤分为四个部分：选择变量、选择记录、创建新变量、转换变量。

（5） 建立模型。建立模型是一个反复的过程。需要仔细考察不同的模型以判断哪个模型对面对的商业问题最有用。先用一部分数据建立模型，然后再用剩下的数据来测试和验证这个得到的模型。有时还有第三个数据集，称为验证集，因为测试集可能受模型特性的影响，这时需要一个独立的数据集来验证模型的准确性。训练和测试数据挖掘模型需要把数据至少分成两个部分，一个用于模型训练，另一个用于模型测试。

（6） 评价模型。模型建立好之后，必须评价得到的结果，解释模型的价值。从测试集中得到的准确率只对用于建立模型的数据有意义。在实际应用中，需要进一步了解错误的类型和由此带来的相关费用的多少。经验证明，有效的模型并不一定是正确的模型。造成这一点的直接原因就是模型建立中隐含的各种假定，因此直接在现实世界中测试模型很重要。先在小范围內应用，取得测试数据，觉得满意之后再向大范围推广。

（7） 实施。模型建立并经验证之后，可以有两种主要的使用方法。第一种是提供给分析人员做参考;第二种是把此模型应用到不同的数据集上。

二、人力资源数据挖掘技术的应用要点

1.注重弹性

人力资源数据挖掘技术的应用要点之一，便在于注重弹性。所谓弹性，指的是人力资源工作本身的弹性，同样也指领导以及员工的弹性。就工作本身而言，弹性强调按照人力资源工作的要求，对自身的工作模式进行改变，从而适应要求，审时度势，保证工作与当前情况相互适应。就领导而言，弹性指的是对自身雇用风格以及态度进行改变。在不同的时期，一个行业或企业均会在用人需求方面发生不同的变化。而上述变化，决定着领导务必调整自身所形成的雇用习惯，并适应当前的变化，才能够更大程度上保证雇用效果。领导的弹性，便体现在上述过程中。就员工而言，弹性指的是能够结合团队的目标，以及整体发展方向，对自身的技能以及素质进行改变，对自身发展方向进行调整的过程。具有弹性的员工，其本身的发展方向能够长期与团队方向相符，这对于团队任务以及预期目标的达成具有重要价值。在数据挖掘的过程中，需要掌握上述几方面主体的规律，明确过去一段时间内的雇用以及人员工作状况，从而保证弹性。

2.减少限制

减少限制，同样是人力资源数据挖掘技术的应用要点。所谓减少限制，指的是在人力资源工作中，避免过多阻碍出现。通常情况下，人力资源工作，强调对人际关系进行调整，在团队内部通过建立和谐的人际关系，调节氛围，促使团队成员能够相互协作，共同进步。但在运用数据挖掘技术后，人际关系不再是限制人力资源工作的主要问题，团队成员之间会以完成某项任务为目的，自然而然地相互组合，相互协作，而非出于维持人际关系或出于考虑到以往的关系而相互协作。此时，人力资源组织将由复杂化转变为简单化，由金字塔转变为扁平化。基于数据挖掘技术的人力资源工作，之所以能够实现上述目标，是因为上述技术可帮助寻找事物之间的内在联系，了解完成一项工作所需要的流程以及基础，因此任务的完成将更加便利，团队内的人力资源也将充分发挥价值。

三、人力资源数据挖掘技术的应用方法

将数据挖掘技术应用到人力资源工作中，建立相关模型，并以决策树为基础对人力资源工作进行开展是提高工作质量的关键。具体方法如下：

1.建立人力资源模型

数据挖掘技术的应用流程中，最为重要的一点便是对模型进行建立。考虑到人力资源工作的内容，基于流动率、劳动成本、劳动力规划以及雇员开发等建立相关模型，是当前工作的要点。

（1） 流动率模型

团队运行的过程中，雇员出现流动是常见现象，如何将流动率控制在一定范围内，是人力资源工作者应当注重的主要问题。而为了达到这一目的，人力资源工作者，务必了解雇员流动的原因，同时学会对流动趋势进行预测。可以从性别、年龄以及岗位或工龄等多方面出发，借助数据挖掘技术，建立相关模型。具体如下：

离职率=（离职数/总人数）×100%

新进率=（新进数/总人数）×100%

上述模型中：

总人数=（月/年初员工数+月/年末员工数）/2

建立上述模型后，需要对其进行评价。可以从团队本身所属的行业、薪资待遇，以及团队氛围与文化等方面出发，分析流动率影响因素。也可以从员工的性别、年龄、工龄等角度出发，分析影响因素。上述各项因素相互集合，整体上会对员工的企业认同感产生影响，同样，如员工认为此岗位不符合自身的职业发展规划，或对当前生活状况的要求，同样会出现流动现象。

掌握团队内部存在的问题后，需要将其与同行业的基本情况进行对比。如团队本身流动率低于行业平均水平，则说明人力资源工作质量尚可，可维持当前的工作方案。但如通过对比发现，本团队流动率高于行业平均水平，则说明需要从内部出发，调整人力资源工作模式。通过增加薪资、建立人性化团队文化、改善工作环境等多种手段留住人才，降低流动率。

（2） 劳动成本模型

劳动力成本，是人力资源成本中的重点，一般包括招聘成本、培训成本、离职补偿、薪酬成本等内容。如何在满足员工基本需求的情况下，将上述成本降低，是促使经济效益提升的关键。对此，有关人员可以基于数据挖掘技术，建立劳动力成本模型，从而实现对此类成本的分析，为成本的降低奠定基础。具体模型如下：

招聘成本=劳务费+管理费+业务费

培训成本=培训者的薪酬+被培训者在培训期间离职所产生的费用损失+由于被培训者本身能力不足而导致延长培训时间所带来的成本+管理费

离职补偿=按《劳动法》规定对离职员工给予的补偿

薪酬成本=为员工所发放的薪酬

基于上述信息，人力资源管理者可以以数据挖掘技术为依托，对员工的各项数据进行统计。可以将绩效、事故以及风险等加入到模型判定以及分析的范围内，结合分析结果，了解影响效益的因素。在此基础上，通过相关算法对以往的经验进行学习，并采取措施对风险进行处理，使劳动成本尽可能减小，经济效益尽可能得到进一步提升。采用上述方法对数据挖掘技术进行应用，对人力资源整体效果的改善具有重要价值。

（3） 劳动力规划模型

劳动力规划模型，指的是人力资源工作者在了解当前劳动力需求的基础上，按照其需求，对其进行持续管理的过程。其主要目的，在于保证劳动力的稳定性，降低流失率。另外，结合目前团队劳动力数量的要求，制定未来的工作规划。建立劳动力规划模型，有利于帮助团队長期具有人力资源支持，避免出现资源亏空的现象，同样有利于帮助业务扩展，这对其竞争力的提升具有重要价值。

劳动力规划模型，主要由三部分构成，分别为保证人员充足、保证生产力、保证竞争力。在数据挖掘技术的支持下，上述三项目的均能够达成，而劳动力也将发挥更大的价值。具体如下：①就人员数量而言，人力资源工作者，需要借助数据挖掘技术，对其过去、现在、未来三个时间段的数量、需求量进行分析。而分析的过程，也需要与当前的业务量、市场劳动力总量等相互适应。如发现虽然目前的劳动力数量可满足业务需求，但在未来，随着市场规模的扩大，存在增加劳动力的需求。此时，则需要通过招聘等方式，增加人力资源总量，为未来打下基础。②生产力与竞争力。劳动力的数量与生产力呈正相关，但部分情况下，劳动力的能力也会对生产力产生影响。因此，在劳动力规划的过程中，需要保证劳动力能力符合岗位需求，以全面提升生产力。

（4） 雇员开发模型

所谓雇员开发模型，指的是为了使雇员能够得到更好的发展，而在其任职期间不断增强其技能、优化知识结构的一种模型，其目的同样在于使雇员能够稳定在企业内发挥价值。上述对雇员进行控制的过程，称为雇员开发。

雇员开发模型，主要由三部分构成，分别为成本、利用率、培训。具体如下：①成本：雇员开发的过程中，含有对其进行培养的过程。而上述过程，通常会带来一定成本。在人力资源工作中，工作者必须结合数据挖掘技术，对以往的开发模式进行分析。基于以往的模式，采取优化的措施，展开开发过程，保证收益高于成本。反之，一旦收益低于成本，则不建议开设四方面内容。②利用率：从利用率的角度分析，不同的人才，其本身所具备的技能均存在一定差异，如何对其进行合理利用，是决定人才能否充分发挥其价值的关键。因此，需要在入职期间，对人才进行评估，使人尽其用，提高人才利用率。③培训：为了提高雇员开发效率，在培训的过程中，应当保证具有针对性。可以首先对培训者进行考核，找到其弱点，并针对弱点重点培训，针对优势适当培训。另外，还需要观察培训是否取得了效果。

2.基于决策树的人力资源分析

决策树属于数据挖掘技术中的一种，将其运用到人力资源分析中，结合模型对人力资源工作提供经验，可有效保证此项工作顺利开展。

（1） 应用流程

采用决策树对人力资源进行分析的过程中，其流程与数据挖掘技术的应用流程具有一致性，分别为定义问题、建立数据挖掘库、分析数据、准备数据、建立模型、评价模型、实施。具体如下：①定义问题：人力资源管理者可将问题定义为“如何降低雇员的流动率”、“如何对雇员进行充分开发，使其能够为岗位以及团队提供更大的价值”。②建立数据挖掘库：在此流程中，人力资源管理者需要确定集合，将所有雇员视为一个系统，同时将其分为两大集合，分别为集合A与集合B。两个集合之中，前者是新员工，后者为老员工，两者相互独立。③准备数据：确定集合后，需要准备相关数据，分别对两者的各项特征进行获取，具体包括年龄、流动情况、岗位等。上述数据，均需要以量化的形式呈现。④建立模型：可建立两大模型，分别为流动率模型，以及雇员开发模型。⑤评价模型：在建立模型后，应对其进行评价。员工的流动率，与团队本身薪资水平无法满足其需求、缺少足够的晋升空间、员工本身居住地点偏远等因素有关。雇员开发效果差，与团队缺少培训、招聘与选拔缺乏针对性等因素有关。⑥实施：在实施的过程中，需要建立决策树。以流动率为例，从员工角度分析的决策树见下图。

基于流动率的决策树图

建立决策树后，人力资源管理者，需要据此实现对员工心理的分析，因此也就能够制定相关方案，帮助降低流动率。如：适当提升薪资水平、尽可能满足员工的通勤需求、保证通信效率，以及为其提供更多福利，创造更加人性化的企业文化等。上述决策的落实，均可有效达到增强员工粘性的目的，且具有可行性。

（2） 应用要点

基于数据挖掘技术的决策树在人力资源分析中的应用要点，体现在三方面，第一方面为分类，第二方面则为识别，第三方面为决策属性。具体如下：①分类：在团队当中，不同的员工通常具有不同特征，其处于团队中的目的，以及对团队的要求同样不同。如将其统一整理为同一类型，则难以实现对数据的精准挖掘，从而导致人力资源工作者无法准确掌握其特征，因此也就难以制定针对性的方案，对其进行管理。而做好分类工作，则能够有效提高数据挖掘的清晰度，对人力资源分析结果准确性的提升具有重要价值。②识别：在对人力资源进行分析的过程中，对不同特征进行识别，具有一定重要性。以流动率为例：影响流动率的因素较多，但并非所有因素均处于重要地位，部分因素对于员工而言可能较为关键。针对上述类型的因素，应当重点关注，并采取措施满足员工需求，从而利用较高的效率，以及较为便利的手段，达到提高人力资源工作质量的目的。③决策属性：掌握决策属性，是人力资源数据挖掘技术应用的关键，同样是保证基于决策树的人力资源分析具有客观性的主要因素。决策属性一般可分为多个模块，分别为基础信息模块、招聘模块、离职模块、绩效以及薪资培训模块等。上述模块中，均包含不同的信息以及数据，而以上数据，均属于挖掘过程中的重点。以招聘为例：对于人力资源工作者而言，如未做好招聘工作，容易导致雇员开发效果减弱，不利于其价值的精准发挥。而招聘模块中的决策属性，通常包括职业倾向、性格特征、团队协作能力、学历水平、工作经验等。人力资源工作者，需要重视上述因素，对其进行分别挖掘以及统计，保证人力资源工作质量。

四、结论

综上所述，本文针对人力资源数据挖掘技术及其应用的研究，为有关领域提供了参考，有利于帮助找到人力资源信息中的价值，明确工作目标以及方向，掌握工作思路，全面提升人力资源工作的整体质量。未来建议人力资源管理者加强对此项工作的分析，在此基础上对数据挖掘技术进行应用。在分析问题的基础上，对数据进行整理以及统计，并建立相关模型，最终完成分析过程。结合分析结果，为未来的人力资源工作提供参考。另外，人力资源工作者同样需要学会针对流动率、劳动成本、劳动力规划等建立相关模型，同时利用决策树的方式，对当前的工作情况进行分析，并基于未来的发展提出相关对策。

参考文献：

[1]张雷雷.基于大数据挖掘的航空科研院所技术人才服务中心建设研究[J].现代商业，2021（14）：75-77.

[2]徐军委，刘长胜.基于人工智能和深度数据分析技术的考评系统设计[J].电子设计工程，2021，29（06）：179-183.

[3]谢琦.大数据挖掘技术下的企业人力资源管理策略[J].人力资源，2021（04）：16-17.

[4]吴一梦.基于大数据挖掘技术的企业人力資源管理系统及实现研究[J].无线互联科技，2020，17（14）：29-30.

[5]门学林.大数据背景下数据挖掘技术在管理会计中的运用[J].当代会计，2020（11）：3-4.

[6]刘伊.数据挖掘背景下企业人力资源管理变革的方向探究[J].智库时代，2019（36）：167+174.

[7]孙明标.基于大数据挖掘技术下的企业人力资源管理研究[J].现代营销（下旬刊），2018（01）：166.