电力员工综合素质测试数据的挖掘评价系统及其方法与流程

本发明涉及电力员工综合素质分析及追踪领域，特别涉及一种电力员工综合素质测试数据的挖掘评价系统及其方法。

背景技术：

综合素质测评是指运用一系列的测评手段一级技术来对被测评人员的职业心理进行评估量化，从而为企业人员招聘提供决策信息的方法。近年来，电力企业开始引入综合素质测评手段，但是无论对于综合素质测评的具体作用，还是对于综合素质测评的具体流程，都还存在很多认识层面的不足，这导致综合素质测评的作用不能得到有效的发挥。具体阐述如下：

（1）测评内容与岗位要求不符。目前电力企业在职业综合素质测评中使用的测评试题基本上都是一些公司开发出来的现成的测评软件，这些软件并不是建立在电力企业岗位要求的基础之上，缺少对电力行业、企业相关工作岗位的分析。与此同时，这些测评试题基本上都是从国外引进后稍加变化而成。考虑到东西方文化差异以及测评重点、评价方面的不同，这就导致综合素质测评内容与岗位的特征相脱节。

（2）综合素质测评的结果被滥用。一些电力企业的管理者在人员招聘中对于综合素质测评的结果过分看重，由此忽略了岗位的实际需求。综合素质测评的分数仅仅应该是一个参考而不是员工与岗位之间的匹配程度，盲目地用综合素质测评分数高低来评价一个人的胜任特征，这种做法等于颠倒了主次。

（3）综合素质测评队伍不够专业。综合素质测评是一项专业性很强的工作，但是很多电力企业并没有专门从事综合素质测评方面的专业人员，在人力测评工作的开展中却忽视了对相关测评人员的培训一级专业人才的引进。

技术实现要素：

本发明的目的是提供一种电力员工综合素质测试数据的挖掘评价系统及其方法，简捷、有效、精准地辅助公司人资在员工招聘中定位到需要的人才。进一步完善综合素质测评系统的辅助招聘功能，为公司在员工招聘前期准备以及后续工作中提供更精准、系统的参考信息，更高效、快捷、精准地为公司定位和招聘到优秀的人才，同时关注新进员工的个人职业发展，为公司员工提供更优越的心理支持体验。

为了实现以上目的，本发明是通过以下技术方案实现的：

一种电力员工综合素质测试数据的挖掘评价系统，其特点是，包含：

数据集，其存储电力员工综合素质测试数据；

数据预处理模块，用于将数据集中的电力员工综合素质测试数据进行预处理获取有效信息；

数据挖掘模块，用于对有效信息进行分析预测得出测试数据的预测模型及其有效性；

规则提取模块，用于根据所述测试数据的预测模型提取预测模型对应的规则。

所述的数据预处理模块包含：

数据集成单元，用于处理形成相关数据集的连接；

特征属性分析单元，用于分析数据集成的特征属性；

转换单元，用于将特征属性转化为可用于机器语言学习的词库；

特征值提取单元，用于提取所述的词库中的有效信息。

，所述的数据挖掘模块用于通过因子分析法获取各因子与特征属性的相关性，并对所述的各因子与特征属性的相关性进行分析后回归分析得出测试数据的预测模型及其有效性。

一种电力员工综合素质测试数据的挖掘评价方法，其特点是，包含：

存储电力员工综合素质测试数据；

将数据集中的电力员工综合素质测试数据进行预处理获取有效信息；

对有效信息进行分析预测得出测试数据的预测模型及其有效性；

根据所述测试数据的预测模型提取预测模型对应的规则。

所述的将数据集中的电力员工综合素质测试数据进行预处理获取有效信息包含：

处理形成相关数据集的连接；

分析数据集成的特征属性；

将特征属性转化为可用于机器语言学习的词库；

提取所述的词库中的有效信息。

所述的对有效信息进行分析预测得出测试数据的预测模型及其有效性包含：

通过因子分析法获取各因子与特征属性的相关性；

通过相关分析法对所述的各因子与特征属性的相关性进行分析；

通过回归分析法得出测试数据的预测模型及其有效性。

本发明与现有技术相比，具有以下优点：

本发明简捷、有效、精准地辅助公司人资在员工招聘中定位到需要的人才。旨在通过因子分析法、相关性分析、回归分析、预测模型建立等数据挖掘方法，进一步完善综合素质测评系统的辅助招聘功能，为公司在员工招聘前期准备以及后续工作中提供更精准、系统的参考信息，更高效、快捷、精准地为公司定位和招聘到优秀的人才，同时关注新进员工的个人职业发展，为公司员工提供更优越的心理支持体验。

附图说明

图1为本发明一种电力员工综合素质测试数据的挖掘评价系统的结构示意图；

图2为本发明一种电力员工综合素质测试数据的挖掘评价方法流程图。

具体实施方式

以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。

如图1所示，一种电力员工综合素质测试数据的挖掘评价系统，包含：数据集100，其存储电力员工综合素质测试数据；数据预处理模块200，用于将数据集中的电力员工综合素质测试数据进行预处理获取有效信息；数据挖掘模块300，用于对有效信息进行分析预测得出测试数据的预测模型及其有效性；规则提取模块400，用于根据所述测试数据的预测模型提取预测模型对应的规则。

上述的数据预处理模块200包含：数据集成单元，用于处理形成相关数据集的连接；特征属性分析单元，用于分析数据集成的特征属性；转换单元，用于将特征属性转化为可用于机器语言学习的词库；特征值提取单元，用于提取所述的词库中的有效信息。

所述的数据挖掘模块300用于通过因子分析法获取各因子与特征属性的相关性，并对所述的各因子与特征属性的相关性进行分析后回归分析得出测试数据的预测模型及其有效性。

如图2所示，一种电力员工综合素质测试数据的挖掘评价方法，包含：

s1，存储电力员工综合素质测试数据，该电力员工综合素质测试数据来自国网上海市电力培训中心“心灵方舟”招聘过程中的综合素质能力测评数据，包括2014年-2017年，4122份有效问卷；

s2，将数据集中的电力员工综合素质测试数据进行预处理获取有效信息；

s3，对有效信息进行分析预测得出测试数据的预测模型及其有效性；

s4，根据所述测试数据的预测模型提取预测模型对应的规则，并完善的模型及有效性。

所述的步骤s2包含：

s2.1，处理形成相关数据集的连接，原始数据集包含的基本信息有姓名、性别、学校、学历、生源地、年龄，以及每个人员的测评数据，测评数据包含有效性、有效性系数、最终分数、调节总分、原始总分、精神健康性、耐挫抗压性、尽责自律性、有恒坚持性、自信果敢性、进去开放性、乐群宜人性、沟通协调性、言语理解、判断推理。各种测评数据都是以人员为主体的多维数据，因此在进行数据挖掘前，要通过处理形成相关数据集的连接，将数据集成便于数据挖掘；

s2.2，分析数据集成的特征属性，在数据集成的特征属性中，存在两种冗余或相关性较小的信息，如：特征属性之间不独立，存在交集而引起的数据冗余；特征属性与挖掘任务相关性不大；数据本身没有挖掘意义；

s2.3，将特征属性转化为可用于机器语言学习的词库，特征属性往往是文字信息，机器语言学习问题涉及到自然语言处理（nlp）时，需要将文字信息转化为文集（corpus），词库模型是本方法的转换形式。对特征属性做一个词的组合，每个词的出现都是独立的，不依赖其他词是否出现；

s2.4，提取所述的词库中的有效信息，数据转换后，从数据挖掘角度，提炼最大、最有效信息量是关键。通过主成分分析（pca）、判别分析（pls）等方法对特征值进行提取，获取最大、最有效的信息量。

在具体实施例中，所述的步骤s3使用统计分析工具ibmspssstatistics19软件进行数据分析，本方法的使用的统计学分析方法有因子分析、相关分析、回归分析，具体包含：

s3.1，通过因子分析法获取各因子与特征属性的相关性，鉴于本数据为多变量，故使用因子分析法，将多个很难解释而彼此有关的变量转换为少数有概念化、相互独立的因子，抽取的因子越少但累计的变异量越大越好。一般满足累计变异量达到85%时，则选取的因子可被认为相互独立并具有代表性。假设筛选出的因子为p1,p2……pn；

s3.2，通过相关分析法对所述的各因子与特征属性的相关性进行分析，通过因子分析法虽获取各因子与特征属性的关系式，但各因子能否代表特征属性需要通过相关分析进行检测。本方法通过皮尔逊（pearson）、肯德尔（kendall）、斯波曼（spearman）三种相关分析方法对各因子与特征属性的相关性进行分析；

s3.3，通过回归分析法得出测试数据的预测模型及其有效性，在获取影响因子和相关性下，回归分析可实现模型预测，对人员的综合素质测评结果进行预测模型建立。同时回归分析可实现模型检测，本项目通过7：3的分配方式，即随机使用70%的数据作为模型建立，30%数据进行模型检测，通过相对标准偏差值对预测模型进行评定。

综上所述，本发明一种电力员工综合素质测试数据的挖掘评价系统及其方法，根据招聘过程中的综合素质能力测评数据，进行数据信息的浓缩、分类与感知图呈现，同时对参与公司招聘的人员进行素质特性分析，呈现人员特性分布地图，为招聘前期准备工作提供指导意义。针对综合素质能力测评体系测评的各项指标数据，结合最终入职员工档案信息，探索影响入职的指标因素的作用方式，为公司在招聘员工筛选方面提供一定的参考价值。结合其员工档案信息，探索其素质测评与岗位胜任力的潜在联系，跟踪新进员工的心路变化历程，关注其个人职业发展，有针对性地制定心理服务拓展辅导方案。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。