员工离职预测方法以及装置与流程

本公开涉及深度学习技术领域，尤其涉及一种员工离职预测方法以及装置。

背景技术：

随着国内互联网、电商人才竞争环境的白热化，业界在人力资源上的争夺日渐加强。企业在持续不断的招聘人员上花费的时间和精力，将大大增加人力资源成本。由于辞职、解雇等原因，岗位出现空缺，企业因此而调剂或招聘人员递补上岗，并为人员的重置而发生相应费用，甚为可观。如何更加合理的降低离职率，成为人力资源系统的重要课题。通过构建离职预警与人才保留模型等，可以在员工可能产生离职想法前，提前发现且给出保留策略建议，通过针对性的保留措施，如深入沟通、制定发展计划、关怀等，保留关键人才，减少优秀员工流失。

员工离职预警系统的通常有以下几点特征：问题复杂：有意识使用员工离职预警系统的通常都是大中型企业，员工多、部门多、岗位多、员工个体特征复杂等；决策支持：离职预警系统不仅要通知企业可能的人员离职风险，还要给出员工离职的主要因素及其强度，以帮助企业实施挽留措施。当前的离职预警系统具有多种缺点：模型解释能力差、准确率低、客观性较难保证、不能提供每个因素对案例离职风险的影响程度，也通常难以处理大规模数据。因此，需要一种新的关于员工离职预测的技术方案。

技术实现要素：

有鉴于此，本发明要解决的一个技术问题是提供一种员工离职预测方法以及装置。

根据本公开的一个方面，提供一种员工离职预测方法，包括：基于与员工样本相对应的样本离职指标数据、有效挽留因素和离职倾向性生成训练样本；使用深度学习方法并基于所述训练样本对预设的深度学习模型进行训练，获得离职预测模型；将所述预设的深度学习模型更新为所述离职预测模型，通过将被预测员工的预测离职指标数据输入所述离职预测模型，获得所述被预测员工的离职倾向性值和挽留因素强度；根据所述离职倾向性值和所述挽留因素强度确定所述被预测员工的离职倾向性和离职因素。

可选地，所述基于所述训练样本对预设的深度学习模型进行训练包括：将所述样本离职指标数据作为特征数据，将与所述样本离职指标数据相对应的所述有效挽留因素、所述离职倾向性作为初始预测结果；基于所述特征数据和所述初始预测结果对所述预设的深度学习模型进行训练。

可选地，所述预设的深度学习模型包括：三层神经元模型；所述三层神经元模型包括：输入层神经元模型、中间层神经元模型和输出层神经元模型；每层神经元模型的输出作为下一层神经元模型的输入；其中，所述输入层神经元模型的神经元与所述样本离职指标数据相对应，所述输出层神经元模型的神经元与所述挽留因素、所述离职倾向性相对应。

可选地，所述三层神经元模型为具有全连接结构的多个神经网络层的子网络结构；其中，所述中间层神经元模型为全连接层。

可选地，所述员工样本包括：已离职员工和在职员工，所述基于与员工样本相对应的样本离职指标数据、有效挽留因素、离职倾向性生成训练样本包括：采集与所述已离职员工和所述在职员工相对应的所述样本离职指标数据、所述有效挽留因素和所述离职倾向性；其中，所述已离职员工数量与所述在职员工数量的比例为预设值；对所述样本离职指标数据、所述有效挽留因素和所述离职倾向性进行预处理，生成所述训练样本。

可选地，所述对所述样本离职指标数据进行预处理包括：对所述样本离职指标数据进行数据处理；其中，所述数据处理包括：对离散性的指标数据进行二值化处理、将连续性的指标数据归一化到[0,1]区间；基于进行所述数据处理后的所述样本离职指标数据构造样本指标特征向量，将所述样本指标特征向量作为所述预设的深度学习模型的输入量。

可选地，所述对所述有效挽留因素、所述离职倾向性进行预处理包括：分别将与所述已离职员工和所述在职员工对应的所述离职倾向性设置为1和0；将与所述已离职员工的有效挽留因素设置为1。

可选地，所述样本离职指标数据和所述预测离职指标数据包括：工作认知指标数据、价值观指标数据和机遇指标数据；其中，工作认知指标包括：部门、用工性质、职级、薪酬、工作压力、沟通信息收发量、报酬预期、绩效；价值观指标包括：个人信息、职级；所述机遇指标包括：就业机会。

可选地，所述样本指标特征向量包括：分别与所述工作认知指标、所述价值观指标和所述机遇指标数据对应的三个样本指标特征向量。

可选地，基于进行所述数据处理后的所述预测离职指标数据构造预测指标特征向量，将所述预测指标特征向量作为所述离职预测模型的输入量，用于获得所述被预测员工的离职倾向性值和挽留因素强度；其中，所述预测指标特征向量包括：分别与所述工作认知指标、所述价值观指标和所述机遇指标数据对应的三个预测指标特征向量。

可选地，所述根据所述离职倾向性值和所述挽留因素强度确定所述被预测员工的离职倾向性和离职因素包括：如果所述挽留因素强度的值小于预设强度阈值，则将此挽留因素确定为所述被预测员工的离职因素；如果所述离职倾向性的值大于预设倾向性阈值，则确定所述被预测员工具有离职倾向。

根据本公开的另一方面，提供一种员工离职预测装置，包括：样本生成模块，用于基于与员工样本相对应的样本离职指标数据、有效挽留因素和离职倾向性生成训练样本；模型训练模块，用于使用深度学习方法并基于所述训练样本对预设的深度学习模型进行训练，获得离职预测模型；离职预测模块，用于将所述预设的深度学习模型更新为所述离职预测模型，通过将被预测员工的预测离职指标数据输入所述离职预测模型，获得所述被预测员工的离职倾向性值和挽留因素强度；因素确定模块，用于根据所述离职倾向性值和所述挽留因素强度确定所述被预测员工的离职倾向性和离职因素。

可选地，所述模型训练模块，用于将所述样本离职指标数据作为特征数据，将与所述样本离职指标数据相对应的所述有效挽留因素、所述离职倾向性作为初始预测结果；基于所述特征数据和所述初始预测结果对所述预设的深度学习模型进行训练。

可选地，所述预设的深度学习模型包括：三层神经元模型；所述三层神经元模型包括：输入层神经元模型、中间层神经元模型和输出层神经元模型；每层神经元模型的输出作为下一层神经元模型的输入；其中，所述输入层神经元模型的神经元与所述样本离职指标数据相对应，所述输出层神经元模型的神经元与所述挽留因素、所述离职倾向性相对应。

可选地，所述三层神经元模型为具有全连接结构的多个神经网络层的子网络结构；其中，所述中间层神经元模型为全连接层。

可选地，所述员工样本包括：已离职员工和在职员工；所述样本生成模块，用于采集与所述已离职员工和所述在职员工相对应的所述样本离职指标数据、所述有效挽留因素和所述离职倾向性；其中，所述已离职员工数量与所述在职员工数量的比例为预设值；对所述样本离职指标数据、所述有效挽留因素和所述离职倾向性进行预处理，生成所述训练样本。

可选地，所述样本生成模块，用于对所述样本离职指标数据进行数据处理；其中，所述数据处理包括：对离散性的指标数据进行二值化处理、将连续性的指标数据归一化到[0,1]区间；基于进行所述数据处理后的所述样本离职指标数据构造样本指标特征向量，将所述样本指标特征向量作为所述预设的深度学习模型的输入量。

可选地，所述样本生成模块，用于分别将与所述已离职员工和所述在职员工对应的所述离职倾向性设置为1和0；将与所述已离职员工的有效挽留因素设置为1。

可选地，所述样本离职指标数据和所述预测离职指标数据包括：工作认知指标数据、价值观指标数据和机遇指标数据；其中，工作认知指标包括：部门、用工性质、职级、薪酬、工作压力、沟通信息收发量、报酬预期、绩效；价值观指标包括：个人信息、职级；所述机遇指标包括：就业机会。

可选地，所述样本指标特征向量包括：分别与所述工作认知指标、所述价值观指标和所述机遇指标数据对应的三个样本指标特征向量。

可选地，所述离职预测模块，用于基于进行所述数据处理后的所述预测离职指标数据构造预测指标特征向量，将所述预测指标特征向量作为所述离职预测模型的输入量，用于获得所述被预测员工的离职倾向性值和挽留因素强度；其中，所述预测指标特征向量包括：分别与所述工作认知指标、所述价值观指标和所述机遇指标数据对应的三个预测指标特征向量。

可选地，所述因素确定模块，用于如果所述挽留因素强度的值小于预设强度阈值，则将此挽留因素确定为所述被预测员工的离职因素；如果所述离职倾向性的值大于预设倾向性阈值，则确定所述被预测员工具有离职倾向。

根据本公开的又一方面，提供一种员工离职预测装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如上所述的方法。

根据本公开的再一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行如上所述的方法。

本公开的员工离职预测方法以及装置，基于员工样本的离职指标数据、挽留因素和离职倾向性生成训练样本，对预设的深度学习模型进行训练获得离职预测模型，通过将被预测员工的离职指标数据输入离职预测模型，获得被预测员工的离职倾向性值和挽留因素强度；可以一次性输出员工离职倾向性和离职因素，能够预测得出离职倾向性较强的员工并结合人力资源保留策略，能够有效地支持人力资源部门进行筛选和实施有针对性的挽留措施，进而促使企业员工离职率的显著降低，用于支持人力流失和人力资源保留措施，能够节约企业的人力成本，并保障企业的正常运作或工作进展。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为根据本公开的员工离职预测方法的一个实施例的流程示意图；

图2为根据本公开的员工离职预测方法的一个实施例中的深度学习模型的示意图；

图3为根据本公开的员工离职预测装置的一个实施例的模块示意图；

图4为根据本公开的员工离职预测装置的另一个实施例的模块示意图。

具体实施方式

下面参照附图对本公开进行更全面的描述，其中说明本公开的示例性实施例。下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。下面结合各个图和实施例对本公开的技术方案进行多方面的描述。

下文中的“第一”、“第二”等仅用于描述上相区别，并没有其它特殊的含义。

图1为根据本公开的员工离职预测方法的一个实施例的流程示意图，如图1所示，员工离职预测方法包括步骤101－104。

步骤101，基于与员工样本相对应的样本离职指标数据、有效挽留因素和离职倾向性生成训练样本。

步骤102，使用深度学习方法并基于训练样本对预设的深度学习模型进行训练，获得离职预测模型。

步骤103，将预设的深度学习模型更新为离职预测模型，通过将被预测员工的预测离职指标数据输入离职预测模型，获得被预测员工的离职倾向性值和挽留因素强度。

步骤104，根据离职倾向性值和挽留因素强度确定被预测员工的离职倾向性和离职因素。离职预测模型能够一次性输出员工的离职倾向性和离职因素，结合人力资源保留策略，用于支持人力流失和人力资源保留措施。

在一个实施例中，员工付出的劳动，公司给予回报。从公司角度出发，公司给予一定的回报以挽留员工，以获得员工持续的付出，公司给予员工回报可视为的挽留行为。员工对公司的挽留措施满意度高，则员工离职意愿弱；反之，员工的离职意愿强。挽留因素可以为公司可控因素(如薪酬、职级等)，通过调节这些因素，能够减弱员工离职意愿强度。挽留因素强度是指员工在离职挽留因素上达到的满意程度的自我认知。工作认知、价值观和工作变更机遇等是员工离职的重要影响因素，离职倾向性可以反映员工的离职倾向性。挽留因素强度可以反映员工对挽留因素强度的自我认知。

样本离职指标数据和预测离职指标数据的内容相同，可以包括工作认知指标数据、价值观指标数据和机遇指标数据等。工作认知指标可以包括部门、用工性质、职级、薪酬、工作压力、沟通信息收发量、报酬预期、绩效等。价值观指标可以包括个人信息、职级等。机遇指标可以包括就业机会等。

挽留因素指公司针对个别员工可进行调整的量化因素，如职级(对该员工职级进行调整)、薪酬(对该员工薪资待遇进行调整)、部门(对该员工的所属组织架构进行调整)等。挽留因素可以为(职级、薪酬、部门)特定的因素集合，该集合与工作认知指标、价值观指标、机遇指标的总集合可以有交集，不一定为包含关系。

在员工离职意愿分析方面，分析模型主要有马奇西蒙模型、price模型、mobely中介链模型和扩展mobely模型等。扩展mobely模型作为前三个模型的综合，具有更好的解释力。将扩展mobely模型作为基本模型进行修改，为实现对挽留因素强度的分析在基本模型上添加对挽留因素强度的影响，对复杂的基本模型进行少量简化，将择优选择合理的因素作为输入。挽留因素可以设置为薪酬、职级、岗位、工作性质等。员工离职指标体系如下表1所示，挽留因素、离职指标、指标名称、具体指标等可调整且不仅限于枚举范围。

表1员工离职指标体系

在一个实施例中，将样本离职指标数据作为特征数据，将与样本离职指标数据相对应的有效挽留因素、离职倾向性作为初始预测结果，一个样本离职指标数据对应一组有效挽留因素、离职倾向性，基于特征数据和初始预测结果对预设的深度学习模型进行训练。深度学习模型有多种，例如深度学习模型包括cnn、dbn、rnn、rntn、自动编码器、gan等。预设的深度学习模型包括三层神经元模型，三层神经元模型包括输入层神经元模型、中间层神经元模型和输出层神经元模型，每层神经元模型的输出作为下一层神经元模型的输入，输入层神经元模型的神经元与样本离职指标数据相对应，输出层神经元模型的神经元与挽留因素、离职倾向性相对应。三层神经元模型可以为具有全连接结构的多个神经网络层的子网络结构，中间层神经元模型为全连接层。

员工样本包括：已离职员工和在职员工。采集与已离职员工和在职员工相对应的样本离职指标数据、有效挽留因素和离职倾向性等；已离职员工数量与在职员工数量的比例为预设值。当任意员工提请离职时，要求hr通过个人询问或者问卷的方式要求离职的员工回答离职的原因。当员工离职的原因中包括挽留因素时，则用该挽留因素标记该离职案例，一个离职案例可以标记多个感知挽留因素。在现有人力资源系统中，基本都会进行以上的信息采集，所以数据采集部分内容不会对现有人力资源系统造成压力。

对样本离职指标数据、有效挽留因素和离职倾向性进行预处理，生成训练样本。对样本离职指标数据进行预处理可以有多种方法。例如，对样本离职指标数据进行数据处理，数据处理包括：对离散性的指标数据进行二值化处理、将连续性的指标数据归一化到[0,1]区间等。基于进行数据处理后的样本离职指标数据构造样本指标特征向量，将样本指标特征向量作为预设的深度学习模型的输入量。

对有效挽留因素、离职倾向性进行预处理有多种方法。例如，分别将与已离职员工和在职员工对应的离职倾向性设置为1和0，将与已离职员工的有效挽留因素设置为1。样本指标特征向量包括分别与工作认知指标、价值观指标和机遇指标数据对应的三个样本指标特征向量。基于进行数据处理后的预测离职指标数据构造预测指标特征向量，将预测指标特征向量作为离职预测模型的输入量，用于获得被预测员工的离职倾向性值和挽留因素强度。预测指标特征向量包括分别与工作认知指标、价值观指标和机遇指标数据对应的三个预测指标特征向量。

例如，现有人力资源系统的各项数据包括支持员工离职预警的员工个人信息、工作信息、薪酬信息和岗位信息等。随着公司人员流动，人力资源数据不断丰富，能够训练出更准确的模型。从人力资源数据库中读取员工的数据信息，其中包括已离职员工和未离职员工两部分，比例为1:3。对于已离职员工，读取的数据包括各项离职指标数据、挽留因素，并补充离职倾向性为1。对未离职员工，读取的数据包括各项离职指标数据，并补充各项挽留因素为1，可以将离职指标数据中的一个或多个设置为挽留因素，将离职倾向性设置为0。根据获取的已离职员工和未离职员的数据信息构成训练样本集。

在一个实施例中，针对员工离职预警应用在可得数据、领域先验知识、输出结果等方面的特征，设计深度学习主干网络结构，并嵌入用于输出挽留因素强度(影响度)的子网络结构，构建端到端网络。面向员工离职预测应用的深度学习网络结构具有普适性、客观性、鲁棒性、端到端特点。

如图2所示，output1x4代表挽留因素强度输出，取值范围为[0,1]。特定挽留因素的强度小于0.5，则该挽留因素属于员工离职的主要因素，反之取值越低，特定挽留因素的强度越弱，调节该因素起到挽留员工的效果越强。output1x1代表离职倾向性输出，取值范围为[0,1]，取值越高，离职的倾向性越强。input1-3分别对应工作认知、价值观和机遇三个因素结构的具体指标输入。输入因素为表1中枚举的各项具体指标。

unit1-5分别对应一个深度学习网络子结构。根据问题的复杂度不同，该网络的子结构设计和复杂度均不同。可将unit1-5设计为具有一定神经元节点数的单个神经网络层。例如，可将unit1-5设计为具有50个神经元的神经网络层。当单层神经元的精度较低时，可将unit1-5中的一个或多个设计为具有全连接结构的多个神经网络层的子网络结构。

训练样本集通过数据预处理和数据张量化操作。数据预处理指将各项离散指标二值化，将各项连续指标归一化到[0,1]区间，数据张量化指将各个因素的各个指标拼接成向量。经过预处理和张量化操作，每条输入数据对应工作认知、价值观、机遇的三个向量。将以上数据向量输入到深度学习模型进行训练，不限定训练的框架和参数。通过训练，将得到离职预警模型，可定时性或者根据预测模块闲暇时刻将训练好的离职预警模型更新到线上。

在进行离职预测时，根据特定员工的信息预测该员工的离职倾向性和挽留因素强度。离职预测可以按照人力资源业务需求定期执行或者按需执行，预测的细分单位是个人，因此可以按部门、按事业部、按照人群进行分析。在单次执行中，对每个输入的员工信息，获取该员工的各项数据指标，进行数据预处理和数据张量化，并将获得的三个张量输入到已载入离职预测模型的深度学习引擎中，该离职预测模型将输出该员工的离职倾向性和挽留因素强度，将该输出信息存储到人力资源系统的数据库中，用作后续分析。

如果挽留因素强度的值小于预设强度阈值，则将此挽留因素确定为被预测员工的离职因素。例如，预设强度阈值可以为0.3，如果离职预测模型输出的挽留因素强度的值小于0.3，则将此挽留因素确定为被预测员工的离职因素。如果离职倾向性的值大于预设倾向性阈值，则确定被预测员工具有离职倾向。例如，预设倾向性阈值可以为0.6，如果离职预测模型输出的离职倾向性的值大于0.6，则确定被预测员工具有离职倾向。

在一个实施例中，本公开提供一种员工离职预测装置30，包括：样本生成模块31、模型训练模块32、离职预测模块33和因素确定模块34。样本生成模块31基于与员工样本相对应的样本离职指标数据、有效挽留因素和离职倾向性生成训练样本。模型训练模块32使用深度学习方法并基于训练样本对预设的深度学习模型进行训练，获得离职预测模型。

离职预测模块33将预设的深度学习模型更新为离职预测模型，通过将被预测员工的预测离职指标数据输入离职预测模型，获得被预测员工的离职倾向性值和挽留因素强度。因素确定模块34根据离职倾向性值和挽留因素强度确定被预测员工的离职倾向性和离职因素。

在一个实施例中，模型训练模块32将样本离职指标数据作为特征数据，将与样本离职指标数据相对应的有效挽留因素、离职倾向性作为初始预测结果，基于特征数据和初始预测结果对预设的深度学习模型进行训练。预设的深度学习模型包括：三层神经元模型。三层神经元模型包括：输入层神经元模型、中间层神经元模型和输出层神经元模型。每层神经元模型的输出作为下一层神经元模型的输入，输入层神经元模型的神经元与样本离职指标数据相对应，输出层神经元模型的神经元与挽留因素、离职倾向性相对应。三层神经元模型为具有全连接结构的多个神经网络层的子网络结构，中间层神经元模型为全连接层。

在一个实施例中，员工样本包括已离职员工和在职员工。样本生成模块31采集与已离职员工和在职员工相对应的样本离职指标数据、有效挽留因素和离职倾向性，已离职员工数量与在职员工数量的比例为预设值。样本生成模块31对样本离职指标数据、有效挽留因素和离职倾向性进行预处理，生成训练样本。

样本生成模块31对样本离职指标数据进行数据处理，数据处理包括：对离散性的指标数据进行二值化处理、将连续性的指标数据归一化到[0,1]区间等。样本生成模块31基于进行数据处理后的样本离职指标数据构造样本指标特征向量，将样本指标特征向量作为预设的深度学习模型的输入量。样本生成模块31分别将与已离职员工和在职员工对应的离职倾向性设置为1和0，将与已离职员工和在职员工对应的有效挽留因素设置为1。

离职预测模块33基于进行数据处理后的预测离职指标数据构造预测指标特征向量，将预测指标特征向量作为离职预测模型的输入量，用于获得被预测员工的离职倾向性值和挽留因素强度。预测指标特征向量包括分别与工作认知指标、价值观指标和机遇指标数据对应的三个预测指标特征向量。如果挽留因素强度的值小于预设强度阈值，则因素确定模块34将此挽留因素确定为被预测员工的离职因素，如果离职倾向性的值大于预设倾向性阈值，则因素确定模块34确定被预测员工具有离职倾向。

图4为根据本公开的员工离职预测装置的另一个实施例的模块示意图。如图4所示，该装置可包括存储器41、处理器42、通信接口43以及总线44。存储器41用于存储指令，处理器42耦合到存储器41，处理器42被配置为基于存储器41存储的指令执行实现上述的员工离职预测方法。

存储器41可以为高速ram存储器、非易失性存储器(non-volatilememory)等，存储器41也可以是存储器阵列。存储器41还可能被分块，并且块可按一定的规则组合成虚拟卷。处理器42可以为中央处理器cpu，或专用集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本公开的员工离职预测方法的一个或多个集成电路。

在一个实施例中，本公开提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，指令被处理器执行时实现如上任一个实施例中的员工离职预测方法。

上述实施例中的员工离职预测方法以及装置，基于员工样本的离职指标数据、挽留因素和离职倾向性生成训练样本，对预设的深度学习模型进行训练获得离职预测模型，通过将被预测员工的离职指标数据输入所述离职预测模型，获得所述被预测员工的离职倾向性值和挽留因素强度；可以一次性输出员工离职倾向性和离职因素，能够预测得出离职倾向性较强的员工并结合人力资源保留策略，能够有效地支持人力资源部门进行筛选和实施有针对性的挽留措施，进而促使企业员工离职率的显著降低，用于支持人力流失和人力资源保留措施，能够节约企业的人力成本，并保障企业的正常运作或工作进展。

可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。

本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。