考核算法（共3篇）
考核算法 篇1
0 引言
随着信息化管理、数字化办公的发展,油田产能业务急需一个方便、快捷的协同办公平台,并能够制定一个新的考核方式。为生产管理部门和决策人员提供方便、灵活、有效的汇总统计及对比分析手段,便于及时、准确地追踪各个业务环节的工作痕迹,掌握产能建设工作面临的问题,为产能建设工作优化运行提供有力的信息支撑。对各个业务环节起到督办、预警和考核的作用,并能够提高产能项目的执行效率。对关键节点实施情况实现自动考核报警,利于各部门之间进行相互监督、高效沟通与协调,为确保产能建设计划全面完成提供有力的计算机辅助管理手段。
1 算法分析
为了完成全年产量计划及产能建设任务,采用结点管理法组织及考核产能建设各项工作,统计出一组工作完成情况的数据,提高产能项目运行效率。结合产能项目的运行规律,提出一个考核算法,来督促产能项目的执行。该算法需要考虑的内容包括考核时间的建立、考核规则的设置及考核数据的存储思路。
考核标准及奖惩金额是可以制定的,管理层根据公司的实际情况动态制定,考核天数是通过实际完成时间与计划时间计算得出的一个差值,其中计划时间可能是实际计划时间也可能是年初的计划时间,可以根据考核配置表中的配置信息自动选取。其中实际计划时间由前后两个考核点的计划时间推算出结点的实际计划时间。然后通过计算公式可以直接得出考核金额。基本公式为:
整个过程全自动完成,但实际考核情况不能用这个公式,因为在产能业务运行过程中会发生业务变更,多个业务部门之间的业务协调,某些业务出现多次反复,甚至某个业务环节无法继续等现象。而且时间完成时间与计划时间做差,也至少三种情况。第一按实际计划时间与完成时间求差值;第二使用相对计划时间(即相邻两个计划时间的差)与完成时间的差值;第三在前两项做的差值如果期间有节假日、双休日的话,则需要将非工作日天数考虑进去。根据要求考核点权值不定,可以根据实际需要设定,历史数据保留。考核标准不统一,对于不同的业务部门,由于处理的产能业务不同,考核标准无法统一,因此可以设置独立标准。
2 算法设计
2.1 模型设计
将产能业务置于工作流中进行考核,首先要建立适应能力强的存储模型。由于产能业务的多变性和不可预测性,当前的商务工作流软件不能很好的解决其中的特殊问题,因此独立定制了一款工作流平台,其主要存储表如下。
主要需要建立员工表(关联岗位表)、岗位表(关联部门表)、部门表、产能业务基础表(关联岗位表)、产能业务流转配置表(关联产能业务基础表、按年度配置产能业务流转关系)、产能项目表(按年度的产能项目信息)、产能业务计划表(年度内的各个产能项目在各个业务结点的计划时间)、产能业务运行表(按岗位并按具体产能项目的业务环节在实际运行流转的历史痕迹)、产能运行大表(展示所有产能的运行进度及状态,起预警,督办,考核参考作用)、还有日历表(考核日期需要去掉节假日等)、日志表(记录登录用户的所有历史操作痕迹)等。
2.2 算法设计
以前产能考核使用Excel表格记录产能项目在各个业务环节的计划时间(T1)与完成时间(T2),按照计划时间与实际完成时间进行对比做差值,与可容许超额天数(D)做和,再除以一个天数审核范畴(W)。考核算法的公式为:((T1-T2)+D)/W。其中的完成时间无事实依据,可以任意修改,不具备考核的严肃性。业务环节衔接时也经常发生关于考核时间认定的争执,经常需要厂机关人员进行协商调节,造成人员,工时的浪费,延误新井投产日期。
为了提供一个科学的、合理的、公开的、公证的考核管理办法,我们按产能业务流程开发一个基于工作流的网络办公平台,并结合平台推出一个新的产能考核算法。各个业务岗位在该平台完成自己的业务结点提交后自动生成完成时间。
(1)计划时间(P):由计划部设定的业务计划完成时间,Pn为该项目第n个业务考核点的计划时间。
(2)完成时间(F):产能业务结点完成并提交后产生的完成日期,Fn为该项目第n个业务考核点的完成时间。
(3)相对计划时间(A):随着产能业务的展开推进,并根据相邻的业务的计划时间而动态计算产生的。该项目第n个业务考核点的相对计划时间为An=Fn-1+(Pn-Pn-1)。由于有些产能业务按计划时间标准考核,有些产能业务按相对计划时间标准考核,需要在业务结点信息表中维护。在业务流转过程中,有些考核点具有多个前驱结点,则该式中前驱的完成时间(Fn-1)取较大值。
(4)考核点考核标准(S):不同的考核点可以设置不同的考核标准。
(5)考核天数(D):假设提前完成X天,若X>D,则对于X-D的天数,才按S标准发放奖励;若X
说明:很多相邻的产能业务在执行过程中是有重叠的,即在前驱开始的同时,后继结点也可以开始业务了,但是后继的后继不可以开始。且只有前驱业务完成后继业务才有可能完成。例如前项业务设计部门总共需要提供20份施工图,给后继业务基建部门进行指导施工,而实际情况是前面的设计部门在完成一部分施工图时就将已完成的部分图纸转交给后面的基建部门进行施工,在施工的同时继续设计图纸,并计划时间内完成所有图纸。这样可以很好的提高整个产能项目的运行效率。
考虑产能业务环节中,某个业务环节不合格则有可能出现返工现象,或涉及两单一证时,项目返回到前k个环节,且返工次数不定,一般不大于三次。因此造成多次完成时间与多次的考核结果。
一个项目在第n个考核点的考核算法,设在该结点返工k次,且该考核点按计划时间考核时:
一个项目在第n个考核点的考核算法,设在该结点返工k次,且该考核点按相对计划时间考核时:
对于一个产能项目,其中任一考核点的计划时间不论按那种方式都可以通过已知条件得到,设该时间为实际计划时间(G)。
假设本年度有m个项目,则一个岗位的在本年度考核算法:
单独一个项目全程的考核算法,即:这个项目对1~m个考核点的考核结果总和。则该项目全程的考核算法为:
根据考核算法给出的结果,按下面几种情况对员工进行奖惩。首先对于提前完成的员工,如果满足公式F-P≥D,则给予奖励,否则无奖励;对于超期完成的员工,如果是自己原因造成延时则按超出的天数和奖惩标准给予惩罚,如果是由非本人的原因导致延期完成的话,则需要提供支撑材料,核实后不予惩罚;最后对于未完成的情况,如果计划时间未到,则不予处理,如果计划时间已过,但仍未完成的,给出警告,并待业务完成后考核,对于因不可抗力或其他外界因素造成项目无法继续的,仅对已完成部分进行考核。
该产能考核算法比较以前的产能考核方式具有下列优点:产能业务数据的录入、处理、汇总及查询管理,实现资源共享,加快项目实施和投产进度;根据产能业务实际情况,制定项目运行及考核预警数据模型,实现系统自动考核,加快产能建设等项目各节点工作步伐;根据考核制度设计奖惩金额计算模型;产能建设进度跟踪及各阶段状态展示;支持厂级考核与作业区级考核同时进行,考核结点以厂级为准,下级单位可以自定义自己的标准但不能修改厂级共享的同一个考核点的设置。算法更具灵活性。
3 结束语
该考核算法通过在油田产能项目中的应用,在数据采集、业务流转、进度跟踪、信息共享以及考核报警等方面,实现对传统业务流程的信息化管理,使各项工作更紧密、信息上报更及时、责任划分更明确。实现对项目各环节数据快速查询和检索,通过两单一证网上流转,规范审批流程,提高审批效率,对考核业务的实施情况实现自动预警、考核,利于各部门之间进行相互监督、高效沟通与协调。为生产管理部门提供方便、快捷的协同办公平台,解决产能信息共享不畅、数据时效性低等问题,提高新井投产运行效率。
考核算法 篇2
随着企业的发展, 信息系统数据库的数据积累越来越多。不过, 面对庞大而复杂的数据, 人力资源管理者该选择从数据库里获取哪样的有关信息呢?这类问题特别需要由人力资源管理者来解决, 通过现有数据以科学、合理的方式对员工绩效进行考核, 结果用作为执行激励、补偿机制的基础, 从而在有效执行激励功能的基础上进一步促进公司的发展。鉴于此, 本文应用到一种模糊聚类法, 以对员工绩效进行科学、合理的考核。在人力资源管理系统方面应用了改进遗传算法。
1 改进遗传算法
假设聚类的目标函数是Jm (U, P) , 聚类的最终目标是为了获取一个模糊分区矩阵U和样品集X的聚类原型P (U与P相互关联) 。也就是, 如果已知一个方法就可以得出另一个解决方法。如此一来就存在两种编码策略[3]。
首先, 我们应用第一种策略对硬分区矩阵U进行编码。假设有n个样品被分成c级, 我们使用基因串Jm (U, P) ,
代表某一级的筛选结果;这里, αi∈{1, 2, ...c}, i=1, 2, …, n。当αi∈={k1, (21, ...c}≤k≤c) 时, 表明第i个样品属于第k级。
然后, 我们应用第二种策略对聚类原型矩阵P进行编码。首先将代表c组聚类原型的参数连接起来, 再根据各自值的范围, 将量化值 (用二进制字符串表示) 编码成基因串。
这里, 每个聚类原型Vi均有一组对应的参数。例如:
1) 对于FCM算法, 我们可以对其聚类中心进行量化编码:
2) FCM算法可以在其原型 (直线部分) 对两点 (v1, v2) 进行量化编码。
2 绩效考核方面的应用
人力资源管理方面的员工绩效考核有两大特点:
1) 有无数影响因素, 它们之间存在复杂关系, 一些可以通过检验、测试和其它方法来获取信息, 另一些则因为检测方法受限而无法进行评估;因此, 这一问题就带有某种模糊性质;
2) 模糊积累可以降低绩效考核结果的准确度。以致, 考核过程中, 准确和模糊构成了一对明显的矛盾。基于改进遗传算法的模糊聚类是解决这些矛盾问题的有效途径。
2.1 绩效考核指数系统的建立
作为企业的一个特殊岗位群体, 员工的工作具有时空上的广泛性、外延性和灵活性, 以及工作作风上的个体性[5]。因而, 很难对员工的工作行为和活动过程进行量化和评估。据此, 我们应用关键绩效指标 (KPI) 来构建一个绩效考核指数系统。KPI是从企业的全局策略目标分离出来的, 反映的是能对企业的创造价值产生最有效影响的关键推动因素, 是一种用来衡量在某一岗位的工作人员表现的最直接的检测方法。
2.2 数据处理
绩效考核指数系统的建立使得提取、计算与员工绩效考核指数系统有关的数据并用作输入数据以进行后来的聚类分析成为可能。但是, 在正常情况下, 目前尚不适宜直接将从人力资源管理系统生成的数据用作聚类分析的数据源。反之, 而应事先进行数据预处理以达到聚类分析所需数据的要求。
我们从抽样里收集了十个员工的原始数据。我们已经对这些原始数据的取样进行了清除、重分布和合并, 并得出员工的KPI数据, 如表2所示。
2.3 分析结果
通过给予改进遗传算法的模糊聚类算法的调用, 并进行9次迭代操作后, 我们可以得出物种选择的级别是10, 交叉概率是0.25, 以及这十个员工代表的聚类分析结果。
3 结论
作为数据挖掘领域最常见的技术之一, 基于遗传算法的聚类分析可用来找出数据库里未知对象类, 对个体和数据对象之间的相似性进行研究, 合理地区分个体或存在相似条件的数据对象。对企业而言, 聚类技术可以根据员工的岗位表现进行分组和聚类, 这样就便于管理者清楚了解每个员工的绩效类型, 从而便于对员工的这种类型的最大特征进行分析。
摘要：为了弥补标准遗传算法的不足, 本文提出了一种改进算法。通过对标准的遗传算法的遗传算子进行改进和扩展研究后, 算法的运算效率以及基于改进遗传算法的模糊聚类分析法的准确性均得到提高。然后将其应用于人力资源管理系统以对员工绩效进行科学、合理的考核。结果表明这种改进是有效的。
关键词：遗传算法,模糊聚类分析,人力资源管理,绩效考核
参考文献
[1]Heidan Xiang.Effective Genetic Approach for Optimize Planning in Flexible Manufacturing System[J].GECCO’06, Seattle, Washington, USA, July8-12, 2006.
[2]Holland J.H.Adaptation in natural and artificial systems[M].Ann Arbor:The University of Michigan press, 1975reprinted MIT Press, 1992.
[3]Chen K.J., Jia B.P.A genetic algorithm for dynamic advanced planning and scheduling (DAPS) with a frozen interval[J].ExpertSystems with Applications, 2007:1004-1010.
[4]Junhua Tan, Hongwei Zhang, Shizheng Zhao.Research and Application of Fuzzy Clustering based on Genetic Algorithm[J].Computer Applications, 2007, 27 (1) :53.
考核算法 篇3
随着我国高等教育的急剧膨胀, 我国的高校出现了人力资源相对过剩与绝对匮乏的矛盾, 出现了管理混乱、职工积极性不高等问题。人事管理工作是学校工作中的重要组成部分。因此, 高校的人事管理有待于进一步正规化、全面化和系统化。
为此, 建立一个有效的高校职工绩效管理决策支持系统则显得十分必要。该系统的各项功能除了满足日常简单查询、统计和维护、协调各部门工作顺利开展外, 还能够为决策者提供有关职工工作情况的瞬时变化, 提取隐含在其中的事先未知的、潜在的、深层次的、有价值的信息, 以利于管理和决策的开展和进行。
2 基于可变聚类数k值的聚类算法
算法描述如下:
1) 编码方式。
由于需要在遗传操作过程中动态确定恰当的聚类数目k, 所以染色体中要设计相应部分, 采用聚类中心的实数编码方式, 每条染色体由k个聚类中心组成C=c1c2…ck进行改进, 在原染色体编码的最前面加入聚类数目k的编码, 新的染色体编码为C=kc1c2…ck, 由于各染色体的k值是不尽相同的, 所以染色体的长度不再是固定值, 采用变长编码方式。
2) 初始化参数。
聚类数目k, 子种群的个数M, 每个子种群的个体数N, 独立进化次数S, 各子种群的交叉概率和变异概率自适应确定。
3) 适应度函数。
好的聚类结果使得类间距离较大, 类内距离较小, 而适应度函数是用来评价聚类结果的优劣。根据染色体中选定的k个聚类中心, 将每个样本向量为输入向量Xl=[Xl1, Xl2, …, Xlm]T (m为输入向量的维数) , 按下列欧氏距离归入中心为ci的类中, ‖xl-ci‖=min j[xl-cj]。相应的目标函数J要考虑类间距、类内距的综合结果, 所以定义表示类内距, 表示类间距。这样类间距较大, 类内距较小的聚类划分较优, 相应的目标函数J的值较小。由此, 定义适应度函数为。
4) 遗传操作。
a.选择:排序选择+最佳个体保存法。
b.交叉:非一致交叉。
c.变异:变步长变异。
5) 若达到进化次数S, 则找出当前M个子群体中各自最优个体, 并从中再选出总最优个体, 将其传播到所有子种群中。否则转步骤 (3) 。
6) 终止条件。
根据连续几次迭代后得到的最好解是否变化来判断是否终止算法。
3 绩效考核中的应用实践
3.1 数据分析
3.1.1 确定挖掘对象、目标
从某高校人事管理系统中收集了80张“2011年职工绩效考核表”, 试图回答诸如“职工的整体工作水平如何”, 在工作中“哪些环节把握的好, 哪些有待于提高”等类似的问题, 并期望用所获得的分析结果来指导职工的工作。
3.1.2 数据采集与预处理
从学校人事管理处, 获取了2011年度的职工“绩效考核表”。
1) 数据清理。
“绩效考核表”要求人事管理部门在“事业心与责任感”、“政策性与原则性”、“创新能力”、“科研能力”、“授课能力”、“学识水平”、“教学完成情况”、“教学质量”等共17个调查项目中, 针对职工的表现, 进行“优秀、称职、基本称职、不合格”共4个等级的考核。
2) 数据转换。
“绩效考核表”中考核的项目共计有17个, 将这些数据集中成一个聚类数据模型。因此, 需要从4个方面 (“工作态度”、“工作能力”、“工作方法”和“工作业绩”) 重新组合绩效考核表中的数据。
依据4个方面的内容形成属性值, 具体如下:
首先, 要把绩效考核表中的单项评定等级化成易计算的数据形式。依据聚类分析中的数据类型, 可以知道等级评定数据属于序数型变量, 它的4个状态“优秀、称职、基本称职、不合格”是以有意义的序列排序的。对应的处理是将每个变量的值域映射到[0.0, 1.0]上, 以使每个变量都有相同的权重。根据数据的转换公式, 得到以上4个状态的值分别为“1、0.75、0.5、0.25”。
接下来, 4个方面“工作态度”、“工作能力”、“工作方法”和“工作业绩”的属性值就可以通过所含各项的算术平均数来计算。其中:
“工作态度”= (事业心+遵章守纪饱满+政策性与原则性+无教学事故) /4;
“工作能力”= (创新能力+学识水平+组织协调能力+科研能力+授课能力) /5;
“工作方法”= (注重记录每天应该完成的工作+反映学科新进展+知识面广, 理论联系实际+教学改革有新意, 加强综合素质教育+积极有效地利用教学辅助手段) /5;
“工作效果”= (教学质量+科研成果完成情况+职工个人发展) /3。
经过以上处理, 把绩效考核表中涉及到的17项考核项目, 都转换到“工作态度”、“工作能力”、“工作方法”和“工作效果”这4个方面了。以下对76个样本数据的4个属性进行数据聚类。
3.1.3 聚类挖掘
经过数据预处理, 聚类数据样本如表1所示。
把以上样本数据分成4个等级, 分别代表优秀、称职、基本称职、不合格, 通过数据聚类, 希望能得到这些数据分别在4个等级上的分布。试图回答诸如“职工的整体工作水平如何”, 在工作中“哪些环节把握的好, 哪些有待于提高”等类似的问题。下面介绍聚类分析算法的实现。
3.2 算法的实现
3.2.1 算法的基本策略
本文所用的聚类分析方法是动态的K-means算法, 其聚类数k是在算法运行过程中确定的, 将k加在染色体的前面, 由于k值是变化的, 所以染色体采用变长编码方式。
再根据欧氏距离把每个点分配到最接近其均值的聚类中, 然后计算被分配到每个聚类点的均值向量, 并作为新的中心, 然后计算个体适应度, 对个体进行选择、交叉、变异等操作。
3.2.2 样本数据的改进
为了减少样本的倾斜, 尽量得到想要的结果, 就要对样本数据进行改进。考虑对最终聚类的要求 (想得到样本数据分别在优秀、称职、基本称职、不合格4个等级上的分布) , 改进措施就是添加代表4个等级的样本数据作为前4个样本, 让它们一开始就成为聚类中心, 以尽量减少数据的倾斜和迭代次数。代表4个等级对应属性值的样本如表2所示。
4 聚类结果分析与知识的应用
使用聚类算法对80个样本 (4个分别代表优秀、称职、不称职的标准样本和76个经过数据变换的样本) , 其中每个样本包含4个属性 (分别代表“工作态度”、“工作能力”、“工作方法”和“工作业绩”4个方面) 的数据进行聚类, 聚类结果如表3所示。
根据最终的聚类结果, 各簇所含样本的比例分别为:
簇1 (优秀) , 共5个样本, 减去一个示范样本, 还有4个, 占4/76=5%;
簇2 (称职) , 共26个样本, 减去一个示范样本, 还有25个, 占25/76=33%;
簇3 (基本称职) , 共44个样本, 减去一个示范样本, 还有43个, 占43/76=57%;
簇4 (不合格) , 共5个样本, 减去一个示范样本, 还有4个, 占4/76=5%。
对于聚类结果, 考察4个等级簇的质心, 与示范样本相比, 大多数都有了提高, 除了簇1“工作方法”项为0.99, 小于示范样本的1.0;簇2“工作方法”项为0.73, 小于示范样本的0.75。说明每个簇的总体得分都有了提高。再考察各个单项的总体得分, 因为样本数不同, 所以要加上权重。4个单项的总体得分如下:
“工作态度”=1.0×5%+0.76×33%+0.52×57%+0.27×5%=0.6107;
“工作能力”=1.0×5%+0.78×33%+0.55×57%+0.35×5%=0.6384;
“工作方法”=0.99×5%+0.73×33%+0.51×57%+0.27×5%=0.5946;
“工作业绩”=1.0×5%+0.76×33%+0.52×57%+0.28×5%=0.6112。
得分由高到低依次是“工作能力”、“工作业绩”、“工作态度”、“工作方法”。可以看到, 所有的得分都在中等偏上 (中等为0.5) , 说明职工总体的工作情况是中等偏上, 是不错的。最高分 (工作能力) 和最低分 (工作方法) 之间差距为0.044, 因为总分为1, 所以相当于低了大约4个百分点, 因此对学校有关管理部门来说, 在加强对职工工作能力和工作业绩的同时, 要加大对工作方法 (涉及项目为注重记录每天应完成的工作;反映学科新进展;知识面广, 理论联系实际;教学改革有新意, 加强综合素质教育;积极有效地利用教学辅助手段共计5项) 的管理和要求。
5 结论