员工组织行为暨人脉网管理与预测方法技术

本发明专利技术公开了员工组织行为暨人脉网管理与预测方法，包括：数据模块，用于获取并整合员工在工作场域使用的社交网络数据及人力资源部门实际行为和表现数据；大数据指标计算模块，基于社交网络大数据互动记录形成互动网络；预测模型训练模块，形成员工圈子计算、非正式领导和小团体识别模型，员工、团队表现预测模型，并输出准确率最高的模型；组织场域人脉管理模块，用于可视化部门圈子、非正式领导、小团体；员工组织行为管理与预测模块：用于员工组织行为(绩效、转职、工作满意度、离职意愿)预测；团队组建于绩效预测模块，预测可能产生高绩效的团队成员的组合和已指定成员的未来团队绩效。该方法解决了公司对人脉、员工团队表现管理和预测不足的问题。

【技术实现步骤摘要】
员工组织行为暨人脉网管理与预测方法
本专利技术属于信息
，具体涉及员工组织行为暨人脉网管理与预测方法。
技术介绍
关于员工组织行为管理系统的研究，涉及以下几个方面：1、组织场域人脉管理：在既有研究中，组织中的非正式关系与网络对于部门的作用已有较多成熟的结论。组织员工除了组织架构中体现的正式关系，在实际中还存在非正式的交往和互动，因此存在非正式关系，在现有的平台化、网络化的组织当中，存在非正式领导。已有研究证明良好的非正式领导与非正式网络关系形态，可以很好的提高团队绩效、员工工作满意度、对于组织的忠诚度以及降低离职率等。当前还缺少针对于公司内部人脉资源管理的相关软件，组织领导者缺乏对于组织除正式组织关系以外的非正式关系全局性的了解，对于组织内部员工历史合作关系也无法全面掌握，不能高效地实施了解组织内部关系结构的动态变化来实现组织资源调度和协调。2、员工组织行为管理与预测：现有工作领域智能移动办公平台一方面只能实现办公流程网络化、自动化，虽然极大的提高了办公效率，但因为仅仅是事后的行为印迹的记录，还未能实现根据历史数据对于员工组织行为进行预测，尤其是一些明星员工(有更高的创造力、领导力、绩效等)的预测，另一方面还未有专门针对公司、部门管理者的员工组织行为管理的平台，使得管理者无法进行整体的协调规划，导致组织管理过程缺乏高效的资源配置和协调。3、团队组建与绩效预测：目前的移动办公平台未能实现以团队为单位的组织绩效的管理，例如根据不同的组织成员历史合作记录、其非正...

【技术保护点】
1.员工组织行为暨人脉网管理与预测方法，其特征在于，分为两大模块，模型训练测试模块和用户使用模块，二者之间的关系为：模型训练预测模块为用户使用模块提供训练好的预测模型，用户的管理人员使用模块通过管理人员上传的员工在工作场域使用的社交网络数据形成的互动网络来计算员工所形成的圈子、非正式领导、非正式小团体，并可视化动态的、跨层级的圈子图谱；在此基础上，利用上述互动网络计算网络指标，结合员工历史行为数据、员工个人属性数据形成预测模型预测因子，将其输入预测模型中，预测组织中的明星员工、员工组织行为包括绩效、转职、升迁、工作满意度、离职意愿；在团队层面，预测产生高绩效的团队成员的组合和预测已指定成员的未来团队绩效；/n其中，模型训练测试模块具体包括大数据与人力资源结构化数据匹配模块、大数据指标计算模块、预测模型训练模块；用户使用模块包括组织场域人脉管理模块、员工组织行为管理与预测模块、团队组建与绩效预测模块。/n

【技术特征摘要】
1.员工组织行为暨人脉网管理与预测方法，其特征在于，分为两大模块，模型训练测试模块和用户使用模块，二者之间的关系为：模型训练预测模块为用户使用模块提供训练好的预测模型，用户的管理人员使用模块通过管理人员上传的员工在工作场域使用的社交网络数据形成的互动网络来计算员工所形成的圈子、非正式领导、非正式小团体，并可视化动态的、跨层级的圈子图谱；在此基础上，利用上述互动网络计算网络指标，结合员工历史行为数据、员工个人属性数据形成预测模型预测因子，将其输入预测模型中，预测组织中的明星员工、员工组织行为包括绩效、转职、升迁、工作满意度、离职意愿；在团队层面，预测产生高绩效的团队成员的组合和预测已指定成员的未来团队绩效；
其中，模型训练测试模块具体包括大数据与人力资源结构化数据匹配模块、大数据指标计算模块、预测模型训练模块；用户使用模块包括组织场域人脉管理模块、员工组织行为管理与预测模块、团队组建与绩效预测模块。

2.如权利要求1所述的管理与预测方法，其特征在于，所述模型训练测试模块具体如下：
1)数据模块，是经过公司授权、收集员工工作场域社交平台网络大数据，用这部分数据与人力资源部门结构化数据进行匹配，包括员工个人属性、组织行为、团队绩效的历史记录；
2)大数据指标计算模块，分别利用员工点对点联系频率、群组互动形成互动网络最终得到整体网络，并计算相关网络指标，详细指标如下：

预测模型训练模块，利用上述大数据指标作为输入值，使用收集到的来自人力资源部门实际明星员工、员工组织行为记录以及团队历史绩效作为标签，使用有监督机器学习模型来进行预测模型的训练，有经典的支持向量机模型SVM、决策树DecisionTree、logistic回归、随机森林RandomForest算法和集成算法梯度提升树模型GradientBoostingClassifier和XGboost同时对模型进行训练和预测，最终找到测试集准确率最高的分类模型。

3.如权利要求1所述的管理与预测方法，其特征在于，所述用户使用模块包括：
1)管理人员使用模块，是直接面向公司管理人员的，首先用户进行数据授权，系统获得管理人员授权的员工社交网络数据的权限，依照大数据计算模块形成的指标体系来计算大数据指标，然后在组织场域人脉管理模块中，计算员工所形成的圈子、非正式领导、非正式小团体，并可视化动态的、跨层级的圈子图谱；
2)员工组织行为管理与预测模块，在训练预测模块中，得到的明星员工预测模型和员工组织行为预测模型，用于后续预测组织中的明星员工、员工组织行为：绩效、转职、升迁、工作满意度、离职意愿；
3)团队组建与绩效预测模块，基于模型训练预测模块中得到的团队绩效预测模型，预测团队层面的产生高绩效的团队成员的组合和已指定成员的团队绩效。

4.如权利要求1或2所述的管理与预测方法，其特征在于，所述1)数据模块和2)大数据指标计算模块流程如下：
101)提供方通过数据上传端将用户数据信息加密上传到分布式数据库；
102)数据上传端上传数据后检查是否收到分布式数据库返回的数据存储地址信息；收到地址则进入下一步骤；若无，则检查上传过程，重新执行数据上传工作；
103)在收到数据存储地址的情况下，对员工社交网络账号与来自人力资源部分数据进行匹配；
104)基于员工社交网络数据形成人脉关系网络，计算关于个人和团队的大数据指标；
105)输出用于训练和测试的数据集。

5.如权利要求4所述的管理与预测方法，其特征在于，在104)数据提供方完成数据匹配和大数据指标的计算及105)输出后，后续圈子算法模型训练流程如下：
201)数据管理节点不断监听并接受数据集生成信息；
202)当数据管理节点监听到生成数据集将其暂时存储至本地；
203)将社交网络交互数据处理为员工点对点之间的交互网络，二者之间的交互频率等其他大数据指标为连边的权重，并数据转为邻接矩阵形式；
204)找出部门主管节点i；
205)为每一个矩阵中的每一个节点，即除了部门主管外的每一个部门成员，计算下列的公式，称之为关系圈子指标，简称Gvalue：
Gii＝
Zji+3[(∑kZjk×Zki)-Min(∑kZjk×Zki)]/Max(∑kZjk×Zki)-Min(∑kZjk×Zki)，其中k≠i或j.
Gji是部门成员j在部门主管i关系圈子中的圈子指标，Zji是部门成员j和部门主管i间的直接关系，在有向网络中，0是两人间互不指认「有关系」，1是部门成员指认了主管，2是主管指认了部门成员，3是两人间相互指认，这一部分是衡量成员与主管的直接关系，数值是0到3的整数，Zjk是部门成员j与其他的任一位部门成员k的关系，取值同样为{0，1，2，3}，这后半部分是部门成员j和主管i的间接关系强度，为部门成员j和任一其他成员k间的关系乘以其他成员k和主管i间的关系，经标准化后乘以3，值域为[0，3]，二者相加后Gvalue值域为[0，6]，在无向网络中，0是两人间互不指认「有关系」，3是两人互指为「朋友」；
206)计算将所有部门成员的Gvalue，并从高到低依序排列；
207)寻找「断崖」cliff，设置并合适的阈值，即每相邻的两个Gvalue落差大于这个阈值，找到这样的断崖并标识；在所有断崖中，Gvalue最接近整数4的「断崖」处，Gvalue大于4的部分归为部门主管核心层成员，在最接近整数2的断崖到上一个「断崖」间，归为圈内边缘人；
208)其余既不是部门主管核心层成员或圈内边缘人的归为圈外人；
209)确定领导圈子中不同成员的划分标准，确定圈内核心层成员与圈内边缘人划分的阈值，生成将员工划分为部门领导圈内核心成员、圈内边缘成员和圈...

【专利技术属性】
技术研发人员：罗家德，
申请(专利权)人：罗家德，
类型：发明
国别省市：北京;11

网址：员工组织行为暨人脉网管理与预测方法技术 https://mxgxt.com/news/view/147086

相关内容

管理“明星员工”的艺术
形象管理,是指专业技术人员为建立适当的形象而进行的一系列活动。( )
个人形象管理的技术应用
形象管理，是指专业技术人员为建立适当的形象而进行的一系列活动。..
网络舆情管理与处置实施办法
如何高效进行网络舆情的监测？揭秘实用手段与预警技巧
为什么要进行企业舆情管理？舆情管理重要性及管理方法详解
中国战略执行峰会暨中国战略执行明星组织颁奖
关于企业员工健康管理的方法
技术人员的生涯人物访谈报告

随便看看