基于数据决策的人力资源服务绩效模型

徐斌， 王志伟， 曹璐， 张泽， 郭瑞英

(1.国家电网有限公司，客户服务中心，天津 300309；2.北京中电普华信息技术有限公司，北京 100085)

0 引言

电力企业作为国家的基础行业，其发展事关国计民生。电力企业的发展趋势具有一定的不确定性，因此提升电力企业核心竞争力，建设人才队伍十分重要[1]。选择科学合理的人力资源服务绩效评估法是加强人力资源管理的重要手段，实现电力系统人力资源管理优化配置，相关的人力资源服务绩效模型研究受到人们的极大重视[2]。

本文提出基于数据决策的人力资源服务绩效模型设计。采用模糊信息采样方法，获取人力资源服务绩效样本数据。结合最优策略进行电力部门的人力资源管理和服务绩效跟踪，构建服务绩效管理的代价函数，在电力系统人力资源服务绩效管理的模糊查询和优化控制基础上，进行人力资源服务绩效的预测等，实现了基于数据决策的人力资源服务绩效模型设计[3-5]。实验结果表明本文设计的模型可有效应用到电力企业人力资源服务绩效评价中，评价效果较为理想。

1 基于数据决策的人力资源服务绩效模型

1.1 人力资源服务绩效大数据信息分析模型

为了实现基于数据决策的人力资源服务绩效模型构建，加快电力部门人力资源管理从单纯的职能管理向信息化管理转变，本文通过人力资源服务绩效统计分析方法[6-7]进行信息融合，构建人力资源服务绩效统计的大数据信息分析模型。通过信息数据的采集，分析新数据特征，进而根据数据决策构建人力资源服务绩效模型。

采用模糊信息采样方法，获取人力资源服务绩效样本数据，即式(1)。

(1)

在获取人力资源服务绩效样本数据后，需要对样本数据进行特征分析，以便于后续的人力资源服务绩效分析。本文采用最优闭合稳定性方法分析电力部门人力资源服务绩效特征，获得电力部门人力资源服务绩效的最优特征量。通过获取的服务绩效特征数据，构建电力部门人力资源管理决策函数，通过此函数可判断人力资源服务绩效的决策权重。采用数据决策中模糊度子空间融合聚类方法，得到电力部门人力资源服务绩效特征决策函数如下：

(2)

式中，μi>0，μi表示人力资源服务绩效决策的特征变量，ωrj表示人力资源服务绩效特征的决策因子，σj代表成本型目标。在此函数中，决策者的决策能力越高，越能分辨出电力部门人力资源服务绩效中存在的问题。

在上述基础上，根据获取的人力资源服务绩效特征数据量等，通过凸优化组合分析，获取电力部门人力资源服务绩效模型的预测规则函数为式(3)，

(3)

(4)

通过人力资源服务绩效模型的预测规则函数确定人力资源服务绩效中大数据信息模型中数据特征，对人力资源服务绩效的相关数据进行预测，进而构建人力资源服务的大数据信息分析模型。通过数据决策方法，构建大数据信息分析模型为式(5)。

(5)

通过大数据分析模型获得prj(k}与pri(k}的最优值，实现人力资源服务绩效统计大数据分析模型构建。

1.2 电力部门人力资源服务绩效信息融合

(6)

将电力部门人力资源服务绩效数据信息聚类为统一标准，此时电力部门人力资源服务绩效融合聚类函数需满足收敛条件为式(7)。

(7)

在满足绩效融合聚类函数基础上，采用深度学习方法进行电力部门人力资源服务绩效的动态规划，得到规划方程为式(8)。

(8)

其中，LB(x)为非减函数，且需要满足式(9)。

(9)

当x>xTh时，电力部门人力资源服务绩效决策样本条件为式(10)。

(10)

当x>max(k,xTh)，采用多维分组方法，得到电力部门人力资源服务绩效决策的统计特征量为式(11)。

(11)

此时，电力部门人力资源服务绩效辅助决策的模糊度为式(12)。

(12)

其中，电力部门人力资源服务绩效贡献度对应此决策的模糊度。电力部门人力资源服务绩效信息融合的学习速率为式(13)。

Rtw=min{Rmac(W1,W2},Rbc(Tr1,Tr2}}

(13)

式中，Rtw代表信息融合速度，Tr1代表融合所需时间。

综上分析，将人力资源服务绩效模型应用于电力企业人力资源管理中，实现对电力系统人力资源的服务绩效优化预测和配置。

2 仿真实验分析

为验证本文方法在实现电力系统人力资源的服务绩效优化管理中的应用性能，进行仿真测试分析。

2.1 仿真环境

实验在某电力企业中进行，该电力企业在职员工为950人，本次实验是以测试该企业呼叫服务中心部门员工服务质量进行实验分析，该部门人数为100 人。选取MATLAB 平台为实验主要平台，操作系统为Windows 10 专业版,CPU为Intel I7四核-3.6 Hz，系统运行内存为16 GB。

2.2 实验参数

根据特征提取模型提取该电力公司人力资源服务绩效的特征，根据提取的特征将电力系统人力资源信息采样的节点数设置为N=50，将该电力企业呼叫中心员工分为4组，每组25人。具体参数如表1 所示。

表1 人力资源服务绩效配置参数

根据预测规则函数的规则，将此4组员工的服务质量按照满意(>95分)、一般(85～94分)、不满意(<85分)进行评价，根据聚类收敛条件对获取的结果进行获取，实际评价结果如表2 所示。

表2 实验样本实际评价结果

根据上述参数的设定，提取电力部门人力资源服务绩效的特征，进行电力系统人力资源服务绩效模型评价有效性的实验。

2.3 实验指标

为了验证本文模型能够在人力资源管理中的有效性，实验通过对比本文模型、BSC-物元模型以及三角模糊多属性决策评估模型的评价准确性、评价效率，以此验证本文模型的有效性。

2.4 实验结果分析

为了验证本文模型的有效性，通过10次实验对该电力企业呼叫中心员工的服务质量进行评价。对比本文模型、BSC-物元绩效评价模型以及三角模糊多属性决策评估模型的评价准确性，实验结果如图1所示。

分析图1可以看出，3种模型评价人力资源服务绩效的评价准确性存在一定差异。当实验次数为4时，本文模型评价的准确率约为91 %，BSC-物元绩效评价模型的准确率约为63 %，三角模糊多属性决策评估模型的评价准确率约为79 %；当实验次数为10时，本文模型评价的准确率约为98 %，BSC-物元绩效评价模型的准确率约为65 %，三角模糊多属性决策评估模型的评价准确率约为82 %。通过3种模型评价准确率数据对比可以看出，本文模型进行人力资源服务绩效评价时的效果更好，最高可达98 %，具有一定可靠性。

图1 不同模型人力资源服务绩效评价准确性对比

3 总结

本文提出基于数据决策的人力资源服务绩效模型。通过信息数据的采集，分析新数据特征，构建电力系统人力资源管理的大数据信息分析模型。仿真结果表明：本文设计的人力资源服务绩效管理模型可应用于电力企业人力资源管理中，对电力企业人力资源服务绩效评价结果较为理想，且工作效率较高，有助于在复杂数据中分析人力资源的服务绩效规律，结合电企管理特点，提供数据支持并优化管理流程。