關(guān)于SVM算法支持制造業(yè)人力資源優(yōu)化的探討

王昭 周宏慧 沈琳娜 廖圓 楊定宇

株洲時(shí)代新材料科技股份有限公司

一、引言

將密集且結(jié)構(gòu)復(fù)雜的人力資源合理分配給若干需求端，提升人均勞效，進(jìn)而獲得更優(yōu)的企業(yè)績效，是制造業(yè)發(fā)展的關(guān)鍵所在。Supportive Vector Machines（以下簡稱SVM），中文為支持向量機(jī)，是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器。本文我們將對(duì)SVM幫助造業(yè)人力資源提升可能的方向進(jìn)行探討。

二、應(yīng)用實(shí)例

（一）人崗匹配度測算

為了減少人崗匹配度評(píng)價(jià)主觀上的隨意性、思維上的不定性帶來的影響，小訓(xùn)練樣本模型的不精確問題，已有學(xué)者結(jié)合支持向量機(jī)與模糊評(píng)價(jià)法構(gòu)建人崗匹配的測算模型，將其運(yùn)用到某政府機(jī)關(guān)科級(jí)干部候選人以及軍隊(duì)后方油庫人員評(píng)價(jià)過程中，并證明SVM與層次分析法相比操作更加簡單且一定程度上可避免主觀因素的影響[1][2]。

模型建立步驟如下：1) 崗位匹配度模型的建立，分為目標(biāo)層和準(zhǔn)則層。目標(biāo)即人員崗位匹配度評(píng)價(jià)，準(zhǔn)則層可以分為多級(jí)準(zhǔn)則。2）崗位匹配度矩陣/標(biāo)準(zhǔn)的構(gòu)建，往往采用從差到優(yōu)秀的數(shù)個(gè)標(biāo)度；3）崗位候選人模糊矩陣的構(gòu)建，數(shù)據(jù)收集方式包括但是不限于層次分析法、績效考察、面試法、場景模擬法、項(xiàng)目/財(cái)務(wù)系統(tǒng)獲取等，具體方法的選擇要和準(zhǔn)則層指標(biāo)的選擇相適宜。4）模型的訓(xùn)練，使用具有代表性的樣本對(duì)模型進(jìn)行訓(xùn)練，可以采用交叉驗(yàn)證法選擇C系數(shù)（對(duì)誤差的寬容度，用以權(quán)衡結(jié)構(gòu)風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn)）以及核函數(shù)K(x)。5）對(duì)模型進(jìn)行保存（公式1），調(diào)用為候選人進(jìn)行人崗匹配度預(yù)測。

（二）項(xiàng)目人員績效測評(píng)

項(xiàng)目人員績效測評(píng)屬于多目標(biāo)綜合評(píng)價(jià)的運(yùn)籌學(xué)范疇?？赡：C合評(píng)價(jià)等方式對(duì)權(quán)重的確定主觀性較大，過程復(fù)雜不便于普及或者容易引起爭議。研究證明，將SVM應(yīng)用在ERP實(shí)施績效評(píng)價(jià)中高效可靠,可以為ERP實(shí)施績效評(píng)價(jià)問題提供新的思路[3]?？冃гu(píng)價(jià)結(jié)果可以作為企業(yè)動(dòng)態(tài)化的經(jīng)營要素供決策者參考，SVM為基礎(chǔ)的評(píng)價(jià)法可以緩解依賴人為主觀判斷及其帶來的項(xiàng)目人力資源配置不合理、或者薪酬分配差異較大等問題[4][5]。

模型建立步驟如下：1）建立評(píng)價(jià)指標(biāo)體系，如項(xiàng)目復(fù)雜度、人員技術(shù)水平等。體系的建立要考慮評(píng)價(jià)的可操作性和公平，可以量化的盡量不要賦值；2）采集人員和項(xiàng)目相關(guān)數(shù)據(jù)后進(jìn)行數(shù)據(jù)預(yù)處理。注意提取的用來進(jìn)行學(xué)習(xí)的數(shù)據(jù)可以恰當(dāng)?shù)谋碚髟u(píng)價(jià)指標(biāo)，也就是每一個(gè)指標(biāo)對(duì)應(yīng)一個(gè)數(shù)據(jù)維度；3）對(duì)訓(xùn)練集的項(xiàng)目人員績效進(jìn)行分組，然后采用機(jī)器學(xué)習(xí)算法進(jìn)行模型運(yùn)算和結(jié)果分析。其中基于訓(xùn)練集選擇合適的核函數(shù)仍是關(guān)鍵。4）判斷模型結(jié)果。若模型結(jié)果良好，即測試集n個(gè)樣本的評(píng)價(jià)結(jié)果S與實(shí)際評(píng)價(jià)結(jié)果A一致比例較高（公式2），則模型可用來進(jìn)行分析且指導(dǎo)相關(guān)工作。如當(dāng)某指標(biāo)與績效強(qiáng)相關(guān)且該強(qiáng)相關(guān)從企業(yè)經(jīng)營發(fā)展角度是合理的，但某些項(xiàng)目人員績效評(píng)價(jià)出現(xiàn)不匹配的情況，就相關(guān)影響因素給該項(xiàng)目人員提出建議和幫助，或者就項(xiàng)目分配進(jìn)行調(diào)整。

（三）員工離職預(yù)警

制造業(yè)降低人才流失帶來的經(jīng)營風(fēng)險(xiǎn)，是企業(yè)可持續(xù)發(fā)展的關(guān)鍵因素，因此需要建立有效的員工離職預(yù)警機(jī)制并恰當(dāng)應(yīng)對(duì)。離職預(yù)測是一個(gè)二分類問題，即離職/在職。核函數(shù)的選擇依然對(duì)分類結(jié)果影響很大。線性核函數(shù)、二次核函數(shù)、三次核函數(shù)、精細(xì)高斯核函數(shù)、中值高斯核函數(shù)都可以作為選擇，每個(gè)選擇都有其特點(diǎn)[6]。但我們認(rèn)為其最需要的問題是樣本不平衡的問題，也就是往往離職的人數(shù)會(huì)遠(yuǎn)遠(yuǎn)少于在職人數(shù)。通常我們會(huì)采取改變分類閾值，使分類結(jié)果更偏向于樣本少的一類；改變樣本類別的權(quán)重；對(duì)多數(shù)樣本采用欠采樣，或?qū)ι贁?shù)樣本采用過采樣的方式。如使用Python的sklearn模塊，可以通過調(diào)整SVC的參數(shù)class_weight和SVC的接口參數(shù)sample_weight之一來進(jìn)行。從業(yè)務(wù)角度，可以根據(jù)經(jīng)驗(yàn)劃分時(shí)間區(qū)段界定離職數(shù)據(jù)，如入職五年離職與否。以五年內(nèi)離職為正例為例，有兩種可能，一種是把原來的正類預(yù)測成正類(TP)，另一種就是把原來的正類預(yù)測為負(fù)類(FN)。我們建議較高的召回率作為評(píng)價(jià)模型的標(biāo)準(zhǔn)（公式3）。對(duì)可能離職人員較高的覆蓋率可以幫助管理者有的放矢的決策，如對(duì)于某類人員施加挽留政策或者替代方案，或者作為人才招募規(guī)避高離職風(fēng)險(xiǎn)決策的參考[7]。

三、結(jié)論

著眼制造業(yè)未來，保障優(yōu)質(zhì)人力資源需要選取適宜的算法進(jìn)行大數(shù)據(jù)分析，進(jìn)而支持決策過程是大的趨勢。SVM有其限制：其一對(duì)大規(guī)模樣本較難實(shí)施，故而我們建議人力資源管理者在以上三個(gè)方面選擇典型的樣本作為訓(xùn)練集；其二解決多分類問題比較麻煩，如在任意兩類樣本之間設(shè)計(jì)一個(gè)SVM，因此k個(gè)類別的樣本就需要設(shè)計(jì)k(k-1)/2個(gè)SVM或者訓(xùn)練時(shí)依次把某個(gè)類別的樣本歸為一類，其他剩余的樣本歸為另一類，k個(gè)類別的樣本構(gòu)造出k個(gè)SVM；其三對(duì)于缺失數(shù)據(jù)和選擇敏感，這就等于對(duì)人力資源數(shù)據(jù)管理和獲取有較高的要求。從業(yè)務(wù)理解的角度，采用監(jiān)督性算法對(duì)人力資源業(yè)務(wù)進(jìn)行機(jī)器學(xué)習(xí)，需要人力資源管理人員充分考慮其結(jié)果直接使用于業(yè)務(wù)對(duì)人力彈性以及對(duì)企業(yè)人力資源配置力的影響。

SVM具有理論嚴(yán)密、適應(yīng)性強(qiáng)、全局優(yōu)化、訓(xùn)練效率高和泛化性能好等優(yōu)點(diǎn)?？紤]制造業(yè)企業(yè)人力密集多樣、配置復(fù)雜的特點(diǎn)，模型的泛化性能需要較高。結(jié)構(gòu)風(fēng)險(xiǎn)最小化，因而算法的結(jié)果對(duì)于資源的合理配置具有較強(qiáng)的提示意義。綜上，我們認(rèn)為SVM可以作為人力資源大數(shù)據(jù)機(jī)器學(xué)習(xí)的優(yōu)選監(jiān)督性算法。