一種企業人才流失的數據挖掘分析方法及裝置的制造方法
【技術領域】
[0001]本發明涉及數據分析技術領域，特別涉及一種模具企業人才流失的數據挖掘分析方法及裝置。
【背景技術】
[0002]模具有著“工業之母”之稱，是制造業中重要的成型方法之一，可見，模具行業在現代工業中所占的重要地位。然而，模具產品有著復雜多變的特點，使得有經驗的模具技術人員在模具制造中發揮著重要作用，所以在模具企業中對模具人才流失進行分析是不可或缺的。
[0003]在企業中，新員工可以彌補老員工流失的損失，不過需要經過長期的培訓同經驗的累計，才能真正替代流失的老員工及模具人才。這過程將為公司增加了招聘成本、人才培養的時間成本與培訓成本。相比較新員工，模具企業里的老手員工熟悉企業自身的訂單類型與生產狀況，能夠更好的適應多變的產品生產加工需求。留住人才，降低人才流失率是模具企業人才管理戰略上必須關注的方向。
[0004]然而，傳統的人才流失分析主要是采取調查問卷，個體訪談等方式來進行分析，存在著以下的一些缺點:
[0005]傳統人才流失分析的分析方法:
[0006]I)問卷調查方式，發放調查問卷進行薪資，去留意向等的調查；
[0007]2)個體訪談，對于特別突出的有離職傾向的個別員工進行訪談；
[0008]3)將獲取的資料進行手工分析統計以及輸入統計分析軟件或EXCEL辦公軟件進行分析。
[0009]以上分析方法的缺點:
[0010](I)訪談和調查問卷所制定的分析規則受到分析員的主觀影響，無法客觀反映事實；
[0011](2)由于訪談需要提及員工對人際關系或工作環境等涉及到隱私的想法則會使得員工在具體表述的時候有所保留且會出現信息錯誤的現象；
[0012](3)訪談及調查問卷可獲得離職的原因，但都只是比較表面和廣泛；
[0013](4)調查問卷內容設計和編排到統計分析問卷，需要投入很大的人力物力有悖于企業高效率的原則。
[0014]通過以上的分析方法使得模具企業里的人力資源管理在人才流失分析中遇到了以下五個問題:
[0015]分析過程遇到的問題:
[0016]I)當企業員工較多時，難以對員工進行分類管理；
[0017]2)難以從綜合的角度描述企業現有員工的現狀；
[0018]3)難以對離職員工的員工特點進行歸納；
[0019]4)無法預測員工在短期內離職的可能性；
[0020]5)由于各個員工類別的差異較大，合理的參考薪酬則難以制定。
[0021]針對上述五個問題，傳統的管理學難以得出科學的結果。因此，需要借助先進的數據分析方法。探索出一套能廣泛適用于模具企業，乃至制造業人員流失問題的數據分析方法是十分重要的。
【發明內容】
[0022]為克服上述現有技術存在的不足，本發明之主要目的在于提供一種企業人才流失的數據挖掘分析方法及裝置，其通過從所收集到的員工信息數據，并加以整合，使用聚類的數據挖掘方法，根據員工屬性的差異程度進行細分，以使企業能夠根據細分的結果，對每一類別的員工進行深入的了解，并清楚認識企業人力資源的構成狀況。
[0023]本發明之另一目的在于提供一種企業人才流失的數據挖掘分析方法及裝置，其b)基于關聯規則進行員工流失相關因素探宄，挖掘員工流失規律，能夠為企業改善薪酬福利、人員任用提供參考。
[0024]本發明之又一目的在于提供一種企業人才流失的數據挖掘分析方法及裝置，其通過基于Logistic回歸的流失率預測，預測員工未來一段時間內離職的可能性，得出流失概率值，使企業管理人員可以在所得的分析結果中，預先知道哪些關鍵員工在客觀的數據分析結果中更有可能會選擇離職，并提前對該部分員工做出相應的激勵與挽留措施。
[0025]本發明之再一目的在于提供企業人才流失的數據挖掘分析方法及裝置，其通過基于決策樹的參考薪酬估計，將流失概率較低的員工作為參考薪酬制定的依據，并且為高流失可能性的員工重估薪酬，作為一個降低流失率的參考薪酬。
[0026]為實現上述目的，本發明一種企業人才流失的數據挖掘分析裝置，其特征在于，該數據挖掘分析裝置至少包括:
[0027]數據源模塊，對通過企業薪酬系統和人力資源系統所收集到的員工信息數據進行預處理、清理、集成與轉換，并保存到數據收集服務器中，作為其他功能模塊的數據源；
[0028]員工分類模塊，使用聚類分析方法對所述數據源模塊的數據進行聚類分析，將員工進行聚類，得到員工的聚類結果
[0029]員工流失規律分析模塊，根據聚類分析的結果，利用面向員工流失分析的關聯規則模型，將員工的分類信息同在職與流失的狀態進行關聯，對導致員工流失的因素進行因果關系的分析。
[0030]進一步地，所述數據挖掘分析裝置還包括:
[0031]員工流失率預測模塊，在聚類分析的基礎上，為每一個聚類建立一個流失率預測模型，使用Logistic回歸對員工流失率進行預測。
[0032]參考薪酬模塊，在獲得每一個員工流失率的基礎上，運用決策樹模型為流失率高的員工提出合理的參考薪酬段。
[0033]進一步地，所述數據源模塊包括數據處理器及與其連接的工作流引擎、數據收集服務器和交換機，所述工作流引擎連接多個客戶端，所述交換機連接有人力資源系統數據服務器和薪酬系統數據服務器，所述數據處理器利用所述交換機與所述企業薪酬系統和人力資源系統的數據服務器連接，所述數據處理定時發送連接數據服務器的請求，成功連接所述數據服務器后，所述數據處理器向所述數據服務器發送抽取數據的服務請求；所述數據服務器響應后，根據所述數據處理器傳入的參數和指令，將數據復制到所述數據處理器中；所述數據處理器對收集到的數據進行預處理，對數據進行抽取、轉化與加載，并根據事先所需的輸入變量與輸出變量建立起的模型將預處理的數據輸出整合并加載到其中；將模型中的數據加載到相應的分析模塊中供分析使用；所述數據處理器將處理好的數據上傳到所述數據收集服務器中保存。
[0034]進一步地，所述員工分類模塊包括分類引擎及其連接的分類分件，所述分類引擎與分類文件連接所述數據處理器，所述分類文件根據員工信息中有線性相關的變量進行合并，使得所述數據處理器可篩選和過濾比較舊的歷史數據，所述分類引擎將數據填充到聚類分析的模型，使得屬性相似度較高的員工細分到同一個聚類中，并輸出聚類分析的結果。
[0035]進一步地，所述員工流失規律分析模塊包括關聯規則引擎及與其連接的關聯規則接口，所述關聯規則引擎與所述分類引擎連接，在根據所述員工分類模塊將企業的人力資源的員工類別進行細分的基礎上，將所述分類引擎所得到的數據填充到預先在所述關聯規則引擎中建立的面向員工流失分析的關聯規則模型中，該模型將員工的分類信息同在職與流失的狀態進行關聯；設定關聯閾值，以此來界定關聯最多的頻繁項目變量；通過關聯規則引擎中的模型得出影響員工流失的規律。
[0036]進一步地，所述員工流失率預測模塊包括流失率預測引擎及與其連接的流失率預測接口，所述流失率預測引擎連接所述分類引擎，在所述員工分類模塊