基于數(shù)據(jù)挖掘分類的創(chuàng)新創(chuàng)業(yè)團隊管理考核機制研究

馬莉 周小虎

摘 ?要： 為了對現(xiàn)有創(chuàng)新創(chuàng)業(yè)人才管理體系中的量化績效考核機制進行改進，提出一種基于數(shù)據(jù)挖掘技術的研究方案。將決策樹算法與聚類分析相結合運用到量化績效考核體系中，從而發(fā)掘考核結果與各種因素之間的關系。采用K?means聚類算法對團隊成員進行測評分析，以分類規(guī)則的形式粗略劃分為4個等級。采用ID3決策樹算法根據(jù)測評等級和創(chuàng)業(yè)團隊核心屬性，生成細化的最終個人量化考核得分表。以某個創(chuàng)業(yè)團隊的實際數(shù)據(jù)為樣本進行測試、分析和驗證，測試結果表明提出方案具有較好的準確率，為人才隊伍管理提供了有力的決策支持。

關鍵詞： 數(shù)據(jù)挖掘; 考核指標; 績效考核; 量化績效; K?means聚類; 決策樹算法

中圖分類號： TN711?34; TP393 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）11?0178?03

Abstract： In order to improve the quantitative performance appraisal mechanism in the existing innovation and entrepreneur talents management system， a research plan based on data mining technology is proposed. The decision tree algorithm and cluster analysis are combined to apply to the quantitative performance appraisal system， so as to explore the relationship between the assessment results and various factors. The K?means clustering algorithm is used to evaluate and analyze the team members， and the members are roughly divided into four levels in the form of classification rules. The ID3 decision tree algorithm is used to generate a refined final score table of personal quantitative assessment， which is based on the evaluation level and the core attributes of the entrepreneur team. The actual data of a entrepreneur team was taken as a sample for testing， analysis and verification. The test results show that the proposed scheme has high accuracy rate， and provides powerful decision support for the talent team management.

Keywords： data mining; appraisal index; performance appraisal; quantitative performance; K?means clustering; decision tree algorithm

0 ?引 ?言

隨著計算機技術的快速發(fā)展和大規(guī)模普及，信息采集與分析成為各大企事業(yè)單位發(fā)展過程中必須面對的重點問題。21世紀進入了大數(shù)據(jù)時代，辦公自動化、信息化設備、數(shù)據(jù)庫軟件等各種計算機輔助技術的運用，產(chǎn)生了海量的數(shù)據(jù)信息[1]。但是，如何高效地分析和處理這些急劇膨脹的數(shù)據(jù)，并為部門業(yè)務發(fā)展提供決策服務和技術支持，成為過程監(jiān)管控制系統(tǒng)需要解決的難題，特別是創(chuàng)新創(chuàng)業(yè)團隊管理。

數(shù)據(jù)挖掘是20世紀90年代出現(xiàn)的一門交叉學科，涉及來自數(shù)據(jù)庫技術、知識工程、概率與統(tǒng)計、模式識別、神經(jīng)元網(wǎng)絡、可視化技術等各領域的研究成果[2]。數(shù)據(jù)挖掘的本質目標是從大量、有噪聲的、不完全的、模糊的、隨機的數(shù)據(jù)中抽取出隱藏的并具有一定可利用價值的信息和關系。目前，數(shù)據(jù)挖掘在量化績效考核管理系統(tǒng)中的應用已經(jīng)成為熱門研究方向[3?4]。文獻[5]提出一種基于數(shù)據(jù)挖掘的人力資源考核系統(tǒng)。文獻[6]利用數(shù)據(jù)挖掘關聯(lián)規(guī)則的Apriori算法對學生成績進行綜合分析，不僅能夠獲悉學生對知識的掌握程度，還能夠發(fā)掘課程之間的彼此內在聯(lián)系。文獻[7]應用數(shù)據(jù)挖掘技術將與企業(yè)有潛在價值的信息挖掘并與相關的信息比對整合，得到評價企業(yè)更有價值的信息，使用項目考核提升效率。通過上述研究分析發(fā)現(xiàn)，現(xiàn)有的基于數(shù)據(jù)挖掘的績效考核方法均采用單一的決策樹或者關聯(lián)規(guī)則分析，且對績效考核評估涉及的成員屬性選擇并不準確。

因此，本文提出將決策樹算法與聚類分析相結合運用到量化績效考核體系中，以便揭示出隱含在績效考核評估背后的有價值信息。首先采用K?means聚類算法對團隊成員進行測評分析，以分類規(guī)則的形式粗略劃分為4個等級。然后，采用ID3決策樹算法根據(jù)測評等級和創(chuàng)業(yè)團隊核心屬性，生成細化的最終個人量化考核得分表。以某個創(chuàng)業(yè)團隊的實際數(shù)據(jù)為樣本進行測試、分析和驗證，測試結果表明提出方案具有較好的聚類精度和評估準確率，為決策管理提供了有力的技術支持，提高了創(chuàng)新創(chuàng)業(yè)團隊管理的工作效率。

1 ?數(shù)據(jù)挖掘定義

數(shù)據(jù)挖掘匯集了來自機器學習、模式識別、數(shù)據(jù)庫、統(tǒng)計學、人工智能等各領域的研究成果[2?4]。計算機的大規(guī)模普及產(chǎn)生了海量的數(shù)據(jù)，數(shù)據(jù)挖掘通過綜合以上學科領域的技術成果，對海量數(shù)據(jù)進行處理和分析。數(shù)據(jù)挖掘是知識發(fā)現(xiàn)流程的關鍵步驟，如圖1所示。

圖1 ?數(shù)據(jù)挖掘知識發(fā)現(xiàn)圖

將大量的業(yè)務信息數(shù)據(jù)化并進行關鍵信息采集、預處理和變換，以及合理的模型選擇，從中抽取出能夠輔助管理決策的有價值的隱藏關聯(lián)信息。通過數(shù)據(jù)挖掘可以有效提升業(yè)務競爭力，提升團隊運作效率。通過數(shù)據(jù)挖掘技術可以發(fā)現(xiàn)兩個不相關的數(shù)據(jù)，但同時又與其他第三方數(shù)據(jù)有關系，從而間接地通過網(wǎng)絡建立一個隱藏的連接，以便于信息的傳輸和分析。本文的研究目標就是構建基于數(shù)據(jù)挖掘技術的創(chuàng)新創(chuàng)業(yè)團隊量化績效考核機制，從而發(fā)掘考核結果與各成員工作相關因素之間的關系。

2 ?基于數(shù)據(jù)挖掘的量化績效考核方法研究

2.1 ?考核指標分析

針對創(chuàng)新創(chuàng)業(yè)人才管理體系，采用的績效考核指標如圖2所示，包括成果指標、日常考核指標和個人考核指標。基于數(shù)據(jù)挖掘的量化績效考核方法原理如圖3所示。

圖2 ?績效考核指標體系

圖3 ?基于數(shù)據(jù)挖掘的量化績效考核方法原理圖

2.2 ?基于K?means聚類的績效考核等級測評

作為一種基于距離的劃分聚類算法，K?means聚類算法具有算法結構簡單、運行效率高且適用范圍廣等優(yōu)點[8]。K?means聚類算法一般通過式（1）所示的目標函數(shù)來實現(xiàn)優(yōu)化：

式中：[E]為聚類準則函數(shù);[K]為聚類的總數(shù);[Cj（j=1，2，…，K）]為聚類中的簇;[x]為簇[Cj]中績效考核指標體系的內容;[mj]為每項指標的平均值。

本文K?means聚類算法的輸入?yún)?shù)[K]為4個測評等級（優(yōu)秀/良好/合格/不合格），如表1所示。數(shù)據(jù)集[X]中聚類目標的數(shù)量[n]為績效考核數(shù)據(jù)庫中給的數(shù)據(jù)源，輸出為使聚類準則函數(shù)[E]達到最小的[K]個聚類。K?means聚類算法的基本流程為：

1） 輸入?yún)?shù)并初始化[K]個聚類中心;

2） 計算[E]的數(shù)值;

3） 更新每個群集的中心并計算新[E];

4） 是否滿足收斂條件，是則輸出參數(shù)并結束;反之跳轉到步驟2）。

表1 ?績效考核等級參照表

2.3 ?基于ID3決策樹算法的量化績效評估

ID3決策樹算法的關鍵是按照遞歸思想進行信息增益和熵的計算。計算初始熵的方法如下[9]：

為了得到更加準確的評估結果，本文在績效考核數(shù)據(jù)庫中設置了7項核心屬性來構建ID3決策樹，如表2所示，并選擇具有最大信息增益率的“專業(yè)能力”作為ID3決策樹的根節(jié)點。

表2 ?核心屬性

3 ?測試結果與分析

3.1 ?測試配置

實驗硬件環(huán)境參數(shù)為：Windows 7操作系統(tǒng)，CPU為I7處理器，4 GB內存。測試數(shù)據(jù)來自某創(chuàng)業(yè)團隊近兩年的實際歷史數(shù)據(jù)，該團隊分為4個項目組，共計38人。

3.2 ?結果分析

K?means聚類算法和ID3決策樹算法計算出的某小組中所有成員的績效考核得分如表3所示。

表3 ?個人績效考核得分數(shù)據(jù)

表3得出的個人績效考核得分與實際個人績效考核結果一致，數(shù)據(jù)準確性達到92%，在精度上能夠滿足實際應用需求。此外，通過本文數(shù)據(jù)挖掘方法，量化績效考核工作效率得到了大幅提升，驗證了該方法的先進性和有效性。

4 ?結 ?論

本文將決策樹算法與聚類分析相結合應用到量化績效考核體系。首先采用K?means聚類算法對團隊成員進行測評分析，以分類規(guī)則的形式粗略劃分為4個等級。然后，采用ID3決策樹算法根據(jù)測評等級和創(chuàng)業(yè)團隊核心屬性，生成細化的最終個人量化考核得分表。實際測試結果表明本文提出方案具有較好的聚類精度和評估準確率，對量化績效考核系統(tǒng)具有一定的參考意義。

參考文獻

[1] XU L， JIANG C， WANG J， et al. Information security in big data： privacy and data mining [J]. IEEE access， 2017， 2（2）： 1149?1176.

[2] EASLEY D， PRADO M L D， O′HARA M. Discerning information from trade data [J]. Journal of financial economics， 2016， 120（2）： 269?285.

[3] MERCHANT C J， PAUL F， POPP T， et al. Uncertainty information in climate data records from earth observation [J]. Earth system science data， 2017， 9（2）： 1?28.

[4] SUN Y， BIE R， THOMAS P， et al. Advances on data， information， and knowledge in the Internet of Things [J]. Personal & ubiquitous computing， 2016， 20（5）： 653?655.

[5] 裴新明.基于數(shù)據(jù)挖掘的人力資源考核系統(tǒng)分析[J].企業(yè)改革與管理，2016（18）：57?58.

PEI Xinming. Analysis of human resource assessment system based on data mining [J]. Enterprise reform and management， 2016（18）： 57?58.

[6] 孫永輝，周宏.數(shù)據(jù)挖掘技術在高校成績分析中的應用研究[J].科技創(chuàng)新導報，2015（33）：157?159.

SUN Yonghui， ZHOU Hong. Application research of data mi?ning technology in college performance analysis [J]. Science and technology innovation review， 2015（33）： 157?159.

[7] 王孟釗，臧沖.工程建設領域信息系統(tǒng)的實現(xiàn)[J]. 信息技術，2014（5）：206?209.

WANG Mengzhao， ZANG Chong. Implementation of information system in engineering construction field [J]. Information technology， 2014（5）： 206?209.

[8] LIU H， WU J， LIU T， et al. Spectral ensemble clustering via weighted K?means： theoretical and practical evidence [J]. IEEE transactions on knowledge & data engineering， 2017， 29（5）： 1129?1143.

[9] ZHANG X， AI F， LI X， et al. Inflammation?induced S100A8 activates Id3 and promotes colorectal tumorigenesis [J]. International journal of cancer， 2015， 137（12）： 2803?2814.