本发明涉及人力资源的数据分析领域，特别是一种应用于人力资源管理的系统及其方法。
背景技术：
传统上，人力资源(humanresource，hr)部门依靠同侪评审，个人访谈等来评估员工当前的工作满意度。并且相同的输入也可用于预测人力资源指数如未来的工作绩效，辞职几率，工作任期(工作中的年数)等。
假设我们想要预测员工当前的工作满意度，辞职几率或其他所需的人力资源指数。传统方法的一个范例可能是：假设一个特定因素(例如：该员工所服务的部门)与人力资源指数(例如辞职几率)相关；平均同一因素中所有员工的历史人力资源指数；对具有相同因素的所有员工使用前面归纳得出的历史人力资源指数。然而，这种方式得出的人力资源指数并不够个性化。
更个性化的方法可以增加额外的面对面访谈步骤，以调整具有相同因素的所有员工的历史人力资源指数，从而为每个不同的个体产生不同的人力资源指数。然而，这种面对面采访的额外步骤可能会引入个人的主观偏见。
另外，人力资源人员的能力有限，因此评估或预测可能不会考虑额外的输入，例如工作等级、工作类别、员工数量统计、履历以及工作内容描述等。即使所有输入都由人力资源人员审查，人类进行的评估或预测可能不够客观。因此，需要一种人力资源管理系统，其能够采取各种输入，自动加权其相关性或丢弃不相关的输入，并客观地评估或预测每个雇员的期望人力资源指数，以及将此人力资源指数转换为人力资源人员可理解的形式。
技术实现要素：
有鉴于此，本发明提出一种人力资源管理系统及其方法，借此解决上述提及的问题并满足上述提及的需求。
本发明一实施例的人力资源管理方法包括：取得关联于员工的特征参数，依据特征参数运行基于机器学习的预测算法以产生人力资源指数；以及运行一分类程序以将人力资源指数转换为可识别信息。
本发明一实施例叙述的人力资源管理系统包括：人力资源数据库，储存关联于每一个员工的多个特征参数；储存装置，储存多个指令；以及一或多个处理装置，通讯连接人力资源数据库及储存装置，所述一或多个处理装置用于执行上述指令并引发多个操作，这些操作包括：取得关联于员工的特征参数；依据特征参数运行基于机器学习的预测算法以产生人力资源指数；以及运行分类程序以将人力资源指数转换为可识别信息。
综上所述，为克服以往的人力资源管理仅参照一个或有限数量的因素的缺点，本发明提出的人力资源管理系统及其方法是基于机器学习(machinelearning)的方法参照多种因素，因此可节省人力资源人员根据多种特征参数进行判断的脑力与时间，同时也避免同一个员工的特征参数由于不同人力资源人员的主观偏见而有不一致的判断结果，本发明自动加权这些因素的相关性或丢弃不相关的因素，并且将预测的人力资源指数转换为人力资源人员容易理解并且可采用的可识别信息，同时可节省人力资源指数的储存空间。
以上的关于本发明内容的说明及以下的实施方式的说明用以示范与解释本发明的精神与原理，并且提供本发明的专利申请权利要求保护范围更进一步的解释。
附图说明
图1是依据本发明一实施例的人力资源管理系统所绘示的架构图。
图2是依据本发明一实施例的人力资源管理方法所绘示的流程图。
图3是绘示辞职等级与人数统计的直方图。
其中，附图标记：
1人力资源数据库
3储存装置
5处理装置
具体实施方式
以下在实施方式中详细叙述本发明的详细特征以及优点，其内容足以使任何本领域的技术人员了解本发明的技术内容并据以实施，且根据本说明书所公开的内容、权利要求保护范围及附图，任何本领域的技术人员可轻易地理解本发明相关的目的及优点。以下的实施例进一步详细说明本发明的观点，但非以任何观点限制本发明的范畴。
请参考图1，图1绘示本发明一实施例的人力资源管理系统的方块架构图。如图1所示，所述的人力资源管理系统，包括：人力资源数据库1、储存装置3以及处理装置5。处理装置5电性连接人力资源数据库1及非暂时性机器可读储存装置3。
人力资源数据库1储存关联于每一个员工的多个特征参数。所述的特征参数可分为数值形式以及文字形式，前者例如：年资、职级、学历、年龄、前次考绩、身体检查指数等；后者例如：履历自传、工作经历、工作内容描述等文字资料的关键词。
储存装置3可储存多个指令。储存装置3例如内存或硬盘，本发明不限制储存装置3的硬件类型。
处理装置5读取储存装置3内存放的多个指令并执行，借此引发多个操作。于一实施例中，处理装置5例如是一微处理器或中央处理器，本发明对此不予限制。需注意的是，图1所绘示的处理装置5仅为范例而非用以限制处理装置5的数量。关于处理装置5引发的多个操作将配合图2详述如下。
需注意的是，在本发明其他实施例中，人力资源管理系统可以软件方式呈现，例如：作为现有的人力资源管理软件的插件(plug-in)或扩充功能(extension)；或是作为单独的人力资源管理软件，从人力资源数据库1或其他人力资源管理系统撷取数据并执行其任务。
请参考图2，其绘示本发明一实施例的人力资源预测方法的流程图。
请参考步骤s1，取得关联于员工的特征参数。举体来说，处理装置5依据人力资源管理人员选择的特定员工，从人力资源数据库1中取得该员工的特征参数。
请参考步骤s2，依据特征参数运行基于机器学习的预测算法以产生人力资源指数(humanresourceindex)。所述的人力资源指数例如：辞职几率、考绩分数、期望在职时间或员工满意度，下文以辞职几率为例说明。
所述的预测算法，可以整合多个特征参数并预测辞职几率。实务上，预测算法例如采用自适应增强(adaptiveboost，adaboost)算法、决策树算法、或随机森林算法。由于adaboost算法可自动调整权重和过滤特征参数，将对于辞职几率鉴别度高的特征参数在预测中被提高权重，鉴别度低的特征参数在预测中被减少权重或被舍弃，因此下文中将以adaboost算法为例说明。
所述的机器学习是指预先进行训练。在训练阶段，依据记录于人力资源数据库1的多名已离职员工和多名仍在职员工个别的特征参数执行adaboost算法以进行训练，借此学习如何过滤和加权输入的特征参数，并且输出对应的人力资源指数值(即辞职几率)。在上线运行阶段，即步骤s2，处理装置5依据给定指定员工的特征参数运行经过训练的adaboost算法以产生辞职几率值(或向量)。
请参考步骤s3，运行分类程序以将人力资源指数转换为可识别信息。详言之，分类程序依据人力资源指数对应的多个区间的其中一个产生可识别信息。假设在步骤s2得到的辞职几率为0.505278，人力资源人员并无法从这种数字直接解释出任何意义。因此，需要将此预测到的辞职几率值转换为可识别信息。转换后的可识别信息有助于人力资源部门了解预测结果的含义，也可以整合到人力资源管理的工作流程中，并被储存到人力资源数据库1作为日后的参考资料。实务上，分类程序可将adaboost算法产生的辞职几率转换为下列五个等级：等级一代表“极可能留职”，等级二代表“可能留职”，等级三代表“一般”，等级四代表“可能辞职”，等级五代表“极可能辞职”。上述五个等级即为所述的可识别信息。
请参考图3，其是绘示五个辞职等级、每个辞职几率区间以及人数统计的直方图。详言之，在转换等级之前，必须先决定每个等级的区间边界值。若可识别信息为五个辞职等级，则需决定四个区间边界值。因此，运算装置5基于训练阶段所得到的多个历史辞职几率值由大到小进行排序，并标示对应于每个历史辞职几率的员工的实际状况(是否辞职)。运算装置5接着调整四个区间边界值的其中两个，使得等级一和等级五的准确率高于80％(该准确率也可根据需求调整)，同时这两个等级的人数大于一最小区间累计人数，借此避免区间边界值被调整得过高或过低，以致于后续分类程序实际运行时没有一个人被分类到等级一或等级五。依此类推，运算装置5调整四个区间边界值的另外两个使得等级二和等级四的准确率高于70％(该准确率也可根据需求调整)，同时这两个等级的累计人数不得少于另一最小人数值。运算装置5调整完四个区间边界值后，位于等级二和等级四之间的辞职几率区间则被归类于等级三。
按照上述调整方式，实务上，运算装置5得到的区间边界值大约是取排序过后的几率值的前10％、30％、70％、90％。因此，运算装置5将对应于前10％、前30％、前70％及前90％的辞职几率值作为区间边界值。高于前10％的辞职几率值将被转换为等级五，在前10～30％的辞职几率值将被转换为等级四，依此类推，可以获得所有历史辞职几率值的等级分布，如图3所示。
在得到上述五个等级的区间边界值后，便可将步骤s2获得的辞职几率转换为五个辞职等级其中之一。使得主管或是人力资源人员更容易地理解每个员工的状况，进一步针对被归类为“可能辞职”或“极可能辞职”的员工采取必要的措施。例如主动邀请访谈、调整薪酬、提供更多工作资源等。
实务上，本发明一实施例提出的人力资源管理系统可根据每年、每季、或每月的所有员工的在职情况调整前述的区间边界值，以提升步骤s3的分类精确度。
综合以上所述，与传统人力资源管理方法相比，本发明提出的人力资源管理方法能够采用多种形式的人力资源特征参数因素作为训练数据，并以基于机器学习的预测算法配合分类程序产生供人力资源人员易于实际运用的可理解信息，因此可节省人力资源人员根据多种特征参数进行判断的脑力与时间，同时也避免同一个员工的特征参数由于不同人力资源人员的主观偏见而有不一致的判断结果。本发明除了可用于预测每个员工的辞职等级外，也可用于预测求职者的预期在职长度以及考绩分数。通过这些预测的可识别信息，在人力资源管理上可达到履历快速筛选的效果，也可以适应性地采取必要措施以提升雇主跟员工双方的满意度，转换后的可识别信息也节省了人力资源数据库的储存空间。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
1.一种人力资源管理方法，其特征在于，包括：
取得关联于一员工的一特征参数；
依据该特征参数运行基于机器学习的一预测算法以产生一人力资源指数；以及
运行一分类程序以将该人力资源指数转换为一可识别信息。
2.根据权利要求1所述的人力资源管理方法，其特征在于，该分类程序包括：
排序多个历史人力资源指数并标注每一该些历史人力资源指数的一预测结果；
依据该些历史人力资源指数、一预测准确率及一区间累计人数调整多个区间的边界值；以及
依据该人力资源指数对应于该些区间的其中一个产生该可识别信息。
3.根据权利要求1所述的人力资源管理方法，其特征在于，该特征参数包括下列一或数个：年资、职级、学历、年龄及前次考绩与履历自传、工作经历及工作内容描述的关键词。
4.根据权利要求1所述的人力资源管理方法，其特征在于，该预测算法是自适应增强算法、决策树算法、或随机森林算法。
5.根据权利要求1所述的人力资源管理方法，其特征在于，该人力资源指数包括：辞职几率、考绩分数、期望在职时间或员工满意度。
6.一种人力资源管理系统，其特征在于，包括：
一人力资源数据库，储存关联于多个员工的每一个员工的多个特征参数；
一储存装置，用于储存多个指令；以及
一或多个处理装置，电性连接该人力资源数据库及该储存装置，该一或多个处理装置用于执行该些指令并引发多个操作，该些操作包括：
取得关联于一员工的一特征参数；
依据该特征参数运行基于机器学习的一预测算法以产生一人力资源指数；以及
运行一分类程序以将该人力资源指数转换为一可识别信息。
7.根据权利要求1所述的人力资源管理系统，其特征在于，该分类程序包括：
排序多个历史人力资源指数并标注每一该些历史人力资源指数的一预测结果；
依据该些历史人力资源指数、一预测准确率及一区间累计人数调整多个区间的边界值；以及
依据该人力资源指数对应于该些区间的其中一个产生该可识别信息。
8.根据权利要求1所述的人力资源管理系统，其特征在于，该特征参数包括下列一或数个：年资、职级、学历、年龄及前次考绩与履历自传、工作经历及工作内容描述的关键词。
9.根据权利要求1所述的人力资源管理系统，其特征在于，该预测算法是自适应增强算法、决策树算法、或随机森林算法。
10.根据权利要求1所述的人力资源管理系统，其特征在于，该人力资源指数包括：辞职几率、考绩分数、期望在职时间或员工满意度。
技术总结