王昭 周宏慧 沈琳娜 廖圓 楊定宇

株洲時(shí)代新材料科技股份有限公司

一、引言

將密集且結(jié)構(gòu)復(fù)雜的人力資源合理分配給若干需求端，提升人均勞效，進(jìn)而獲得更優(yōu)的企業(yè)績(jī)效，是制造業(yè)發(fā)展的關(guān)鍵所在。Supportive Vector Machines（以下簡(jiǎn)稱(chēng)SVM），中文為支持向量機(jī)，是一種二分類(lèi)模型，它的基本模型是定義在特征空間上的間隔最大的線性分類(lèi)器。本文我們將對(duì)SVM幫助造業(yè)人力資源提升可能的方向進(jìn)行探討。

二、應(yīng)用實(shí)例

（一）人崗匹配度測(cè)算

為了減少人崗匹配度評(píng)價(jià)主觀上的隨意性、思維上的不定性帶來(lái)的影響，小訓(xùn)練樣本模型的不精確問(wèn)題，已有學(xué)者結(jié)合支持向量機(jī)與模糊評(píng)價(jià)法構(gòu)建人崗匹配的測(cè)算模型，將其運(yùn)用到某政府機(jī)關(guān)科級(jí)干部候選人以及軍隊(duì)后方油庫(kù)人員評(píng)價(jià)過(guò)程中，并證明SVM與層次分析法相比操作更加簡(jiǎn)單且一定程度上可避免主觀因素的影響[1][2]。

模型建立步驟如下：1) 崗位匹配度模型的建立，分為目標(biāo)層和準(zhǔn)則層。目標(biāo)即人員崗位匹配度評(píng)價(jià)，準(zhǔn)則層可以分為多級(jí)準(zhǔn)則。2）崗位匹配度矩陣/標(biāo)準(zhǔn)的構(gòu)建，往往采用從差到優(yōu)秀的數(shù)個(gè)標(biāo)度；3）崗位候選人模糊矩陣的構(gòu)建，數(shù)據(jù)收集方式包括但是不限于層次分析法、績(jī)效考察、面試法、場(chǎng)景模擬法、項(xiàng)目/財(cái)務(wù)系統(tǒng)獲取等，具體方法的選擇要和準(zhǔn)則層指標(biāo)的選擇相適宜。4）模型的訓(xùn)練，使用具有代表性的樣本對(duì)模型進(jìn)行訓(xùn)練，可以采用交叉驗(yàn)證法選擇C系數(shù)（對(duì)誤差的寬容度，用以權(quán)衡結(jié)構(gòu)風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn)）以及核函數(shù)K(x)。5）對(duì)模型進(jìn)行保存（公式1），調(diào)用為候選人進(jìn)行人崗匹配度預(yù)測(cè)。

（二）項(xiàng)目人員績(jī)效測(cè)評(píng)

項(xiàng)目人員績(jī)效測(cè)評(píng)屬于多目標(biāo)綜合評(píng)價(jià)的運(yùn)籌學(xué)范疇?？赡：C合評(píng)價(jià)等方式對(duì)權(quán)重的確定主觀性較大，過(guò)程復(fù)雜不便于普及或者容易引起爭(zhēng)議。研究證明，將SVM應(yīng)用在ERP實(shí)施績(jī)效評(píng)價(jià)中高效可靠,可以為ERP實(shí)施績(jī)效評(píng)價(jià)問(wèn)題提供新的思路[3]?？?jī)效評(píng)價(jià)結(jié)果可以作為企業(yè)動(dòng)態(tài)化的經(jīng)營(yíng)要素供決策者參考，SVM為基礎(chǔ)的評(píng)價(jià)法可以緩解依賴(lài)人為主觀判斷及其帶來(lái)的項(xiàng)目人力資源配置不合理、或者薪酬分配差異較大等問(wèn)題[4][5]。

模型建立步驟如下：1）建立評(píng)價(jià)指標(biāo)體系，如項(xiàng)目復(fù)雜度、人員技術(shù)水平等。體系的建立要考慮評(píng)價(jià)的可操作性和公平，可以量化的盡量不要賦值；2）采集人員和項(xiàng)目相關(guān)數(shù)據(jù)后進(jìn)行數(shù)據(jù)預(yù)處理。注意提取的用來(lái)進(jìn)行學(xué)習(xí)的數(shù)據(jù)可以恰當(dāng)?shù)谋碚髟u(píng)價(jià)指標(biāo)，也就是每一個(gè)指標(biāo)對(duì)應(yīng)一個(gè)數(shù)據(jù)維度；3）對(duì)訓(xùn)練集的項(xiàng)目人員績(jī)效進(jìn)行分組，然后采用機(jī)器學(xué)習(xí)算法進(jìn)行模型運(yùn)算和結(jié)果分析。其中基于訓(xùn)練集選擇合適的核函數(shù)仍是關(guān)鍵。4）判斷模型結(jié)果。若模型結(jié)果良好，即測(cè)試集n個(gè)樣本的評(píng)價(jià)結(jié)果S與實(shí)際評(píng)價(jià)結(jié)果A一致比例較高（公式2），則模型可用來(lái)進(jìn)行分析且指導(dǎo)相關(guān)工作。如當(dāng)某指標(biāo)與績(jī)效強(qiáng)相關(guān)且該強(qiáng)相關(guān)從企業(yè)經(jīng)營(yíng)發(fā)展角度是合理的，但某些項(xiàng)目人員績(jī)效評(píng)價(jià)出現(xiàn)不匹配的情況，就相關(guān)影響因素給該項(xiàng)目人員提出建議和幫助，或者就項(xiàng)目分配進(jìn)行調(diào)整。

（三）員工離職預(yù)警

制造業(yè)降低人才流失帶來(lái)的經(jīng)營(yíng)風(fēng)險(xiǎn)，是企業(yè)可持續(xù)發(fā)展的關(guān)鍵因素，因此需要建立有效的員工離職預(yù)警機(jī)制并恰當(dāng)應(yīng)對(duì)。離職預(yù)測(cè)是一個(gè)二分類(lèi)問(wèn)題，即離職/在職。核函數(shù)的選擇依然對(duì)分類(lèi)結(jié)果影響很大。線性核函數(shù)、二次核函數(shù)、三次核函數(shù)、精細(xì)高斯核函數(shù)、中值高斯核函數(shù)都可以作為選擇，每個(gè)選擇都有其特點(diǎn)[6]。但我們認(rèn)為其最需要的問(wèn)題是樣本不平衡的問(wèn)題，也就是往往離職的人數(shù)會(huì)遠(yuǎn)遠(yuǎn)少于在職人數(shù)。通常我們會(huì)采取改變分類(lèi)閾值，使分類(lèi)結(jié)果更偏向于樣本少的一類(lèi)；改變樣本類(lèi)別的權(quán)重；對(duì)多數(shù)樣本采用欠采樣，或?qū)ι贁?shù)樣本采用過(guò)采樣的方式。如使用Python的sklearn模塊，可以通過(guò)調(diào)整SVC的參數(shù)class_weight和SVC的接口參數(shù)sample_weight之一來(lái)進(jìn)行。從業(yè)務(wù)角度，可以根據(jù)經(jīng)驗(yàn)劃分時(shí)間區(qū)段界定離職數(shù)據(jù)，如入職五年離職與否。以五年內(nèi)離職為正例為例，有兩種可能，一種是把原來(lái)的正類(lèi)預(yù)測(cè)成正類(lèi)(TP)，另一種就是把原來(lái)的正類(lèi)預(yù)測(cè)為負(fù)類(lèi)(FN)。我們建議較高的召回率作為評(píng)價(jià)模型的標(biāo)準(zhǔn)（公式3）。對(duì)可能離職人員較高的覆蓋率可以幫助管理者有的放矢的決策，如對(duì)于某類(lèi)人員施加挽留政策或者替代方案，或者作為人才招募規(guī)避高離職風(fēng)險(xiǎn)決策的參考[7]。

三、結(jié)論

著眼制造業(yè)未來(lái)，保障優(yōu)質(zhì)人力資源需要選取適宜的算法進(jìn)行大數(shù)據(jù)分析，進(jìn)而支持決策過(guò)程是大的趨勢(shì)。SVM有其限制：其一對(duì)大規(guī)模樣本較難實(shí)施，故而我們建議人力資源管理者在以上三個(gè)方面選擇典型的樣本作為訓(xùn)練集；其二解決多分類(lèi)問(wèn)題比較麻煩，如在任意兩類(lèi)樣本之間設(shè)計(jì)一個(gè)SVM，因此k個(gè)類(lèi)別的樣本就需要設(shè)計(jì)k(k-1)/2個(gè)SVM或者訓(xùn)練時(shí)依次把某個(gè)類(lèi)別的樣本歸為一類(lèi)，其他剩余的樣本歸為另一類(lèi)，k個(gè)類(lèi)別的樣本構(gòu)造出k個(gè)SVM；其三對(duì)于缺失數(shù)據(jù)和選擇敏感，這就等于對(duì)人力資源數(shù)據(jù)管理和獲取有較高的要求。從業(yè)務(wù)理解的角度，采用監(jiān)督性算法對(duì)人力資源業(yè)務(wù)進(jìn)行機(jī)器學(xué)習(xí)，需要人力資源管理人員充分考慮其結(jié)果直接使用于業(yè)務(wù)對(duì)人力彈性以及對(duì)企業(yè)人力資源配置力的影響。

SVM具有理論嚴(yán)密、適應(yīng)性強(qiáng)、全局優(yōu)化、訓(xùn)練效率高和泛化性能好等優(yōu)點(diǎn)?？紤]制造業(yè)企業(yè)人力密集多樣、配置復(fù)雜的特點(diǎn)，模型的泛化性能需要較高。結(jié)構(gòu)風(fēng)險(xiǎn)最小化，因而算法的結(jié)果對(duì)于資源的合理配置具有較強(qiáng)的提示意義。綜上，我們認(rèn)為SVM可以作為人力資源大數(shù)據(jù)機(jī)器學(xué)習(xí)的優(yōu)選監(jiān)督性算法。