留任風險確定器的制造方法
【專利說明】
【背景技術】
[0001]大型企業可能跨不同公司部門雇用許多人。貫穿其職業經歷，雇員可能具有許多雇用事務(transact1n)，例如晉升、改變部門、改變位置、離開公司等。一些雇員在長時間段內留在相同的職能和位置中，一些人更經常地改變職能和/或位置。然而，公司明顯投資于其雇員。因此，如果雇員離開公司，則企業損失時間和金錢二者，因為其替換剛剛離開的雇員。
【附圖說明】
[0002]在以下【具體實施方式】和隨附各圖中公開本發明的各實施例。
[0003]圖1是圖示了網絡系統的實施例的框圖。
[0004]圖2是圖示了雇員數據服務器的實施例的框圖。
[0005]圖3A是圖示了留任(retent1n)風險確定器的實施例的框圖。
[0006]圖3B是圖示了留任風險確定器的實施例的框圖。
[0007]圖4是圖不了事務的實施例的圖。
[0008]圖5A是圖示了特征向量的實施例的圖。
[0009]圖5B是圖示了權重向量的實施例的圖。
[0010]圖6A是圖示了工作層級的實施例的圖。
[0011 ]圖6B是圖示了層級職能聚集的實施例的圖。
[0012]圖7是圖示了用于預測留任風險的過程的實施例的流程圖。
[0013]圖8是圖示了用于使用雇用數據確定事務的時間序列的集合的過程的實施例的流程圖。
[0014]圖9是圖示了用于過濾事務的時間序列的集合的過程的實施例的流程圖。
[0015]圖1OA是圖示了用于通過規格化(normalize)時間序列的子集來確定時間系列的模型集合的過程的實施例的流程圖。
[0016]圖1OB是圖示了用于規格化事務的過程的實施例的流程圖。
[0017]圖11是圖示了用于將時間序列的集合的時間序列分類(sort)成分裝(bucket)的過程的實施例的流程圖。
[0018]圖12是圖示了用于確定特征向量的集合的過程的實施例的流程圖，其中從時間序列的集合的時間序列來確定每一個特征向量。
[0019]圖13是圖示了用于確定模型的過程的實施例的流程圖。
[0020]圖14是圖示了用于使用一個或多個模型來預測針對給定雇員的留任風險的過程的實施例的流程圖。
[0021]圖15是圖示了風險預測顯示的實施例的圖表的實施例。
[0022]圖16是圖示了風險預測顯示的實施例的表格的實施例。
【具體實施方式】
[0023]本發明可以以眾多方式實現，包括作為過程;裝置;系統;組合物;體現在計算機可讀存儲介質上的計算機程序產品；和/或處理器，諸如被配置成執行存儲在耦合到處理器的存儲器上和/或由存儲器提供的指令的處理器。在本說明書中，這些實現或者本發明可以采取的任何其它形式可以被稱為技術。一般地，所公開的過程的步驟的順序可以在本發明的范圍內更改。除非以其它方式陳述，否則被描述為配置成執行任務的諸如處理器或者存儲器之類的組件可以實現為臨時被配置成在給定時間執行該任務的通用組件、或者被制造成執行該任務的特定組件。如本文所使用的，術語“處理器”是指被配置成處理諸如計算機程序指令之類的數據的一個或多個設備、電路和/或處理核。
[0024]在下文連同圖示本發明的原理的附圖一起提供本發明的一個或多個實施例的詳細描述。結合這樣的實施例描述本發明，但是本發明不限于任何實施例。本發明的范圍僅由權利要求書限制，并且本發明涵蓋眾多可替換方案、修改方案和等同方案。在以下描述中闡述眾多具體細節以便提供對本發明的透徹理解。這些細節僅出于示例的目的而提供，并且本發明可以在不具有這些具體細節中的一些或全部的情況下根據權利要求書來實施。出于清楚的目的，未詳細描述與本發明有關的技術領域中所已知的技術材料，以使得本發明不會不必要地模糊。
[0025]公開了一種用于確定留任風險的系統。用于確定留任風險的系統包括:用于使用雇用數據確定事務的時間序列的集合的分組器，其中事務的每一個時間序列與一個雇員相關聯;用于基于雇員轉變特性來過濾事務的時間序列的集合以確定時間序列的子集的過濾器；用于通過規格化時間序列的子集來確定時間序列的模型集合的規格化器；用于確定特征向量的集合的特征向量提取器，其中從時間序列的模型集合的時間序列來確定特征向量的集合的每一個特征；用于至少部分地基于特征向量的集合來確定一個或多個模型的模型構建器;以及用于使用一個或多個模型來預測針對給定雇員的留任風險的預測器。
[0026]公開了一種用于留任風險確定的系統。在一些實施例中，用于留任風險確定的系統接收雇員事務數據(例如雇員職稱改變、雇員位置改變、公司部門改變等)的集合，并且創建用于確定給定雇員將離開公司(例如在下一年內)的可能性或風險的模型。用于留任風險確定的系統按照雇員對來自雇員事務數據的集合的事務進行分組并且對與每一個雇員相關聯的事務進行分類以創建事務的時間序列的集合，每一個時間序列與一個雇員相關聯。在各實施例中，事務包括晉升、位置改變、職稱改變、管理者改變、薪水改變、輪班改變、聘用、開除、失業、主動離開或者任何其它適當的雇員事務。與雇員相關聯的事務的時間序列包括通過事務的時間(例如時間和日期)排序的事務的序列，其描述雇員在公司的職業經歷的進程。例如，針對雇員的事務的時間序列包括聘用事務、第一加薪事務、第一晉升事務、位置改變事務、第二加薪事務、第二晉升事務、管理者改變事務和主動離開事務。每一個事務包括適當的事務信息(例如事務類型、事務日期、新薪資、新位置、新管理者、新職稱、新職能等)。至少部分地基于轉變特性來過濾事務的時間序列的集合以移除對模型未貢獻有用信息的雇員(例如轉變特性包括以下中的一個或多個:出于與留任實踐無關的原因而離開的雇員、已經死亡的雇員、已經退休的雇員、在臨時基礎上聘用的雇員、合同工、僅在非常短的時間內留在公司的雇員等等)。然后通過規格化事務而從事務的時間序列的經過濾集合確定時間序列的模型集合。在一些實施例中，規格化事務包括確定與事務相關聯的規格化工作水平(job level)和/或規格化職稱。在一些實施例中，規格化職稱包括從規格化職稱的集合選擇的職稱，其中規格化職稱的集合小于職稱的集合(例如，規格化與事務的集合相關聯的職稱減少了與事務的集合相關聯的職稱的總數)。在一些實施例中，規格化工作水平包括從規格化工作水平的集合選擇的工作水平，其中規格化工作水平的集合小于工作水平的集合(例如，規格化與事務的集合相關聯的工作水平減少了與事務的集合相關聯的工作水平的總數)。在一些實施例中，將時間序列的模型集合除以雇用長度(例如進行分裝，使用分裝器模塊或分裝器，與被雇用了從1-5年的雇員相關聯的時間序列被分類成第一類別一一或者針對n-m年，與被雇用了從5-10年的雇員相關聯的時間序列被分類成第二類別一一或者針對m-k年等等)。在各實施例中，分裝器模塊在特征向量提取之前、在特征向量提取之后、或者在任何其它適當的時間，以使得能夠實現數據的多個模型。然后從時間序列的模型集合的每一個時間序列確定特征向量。在一些實施例中，特征向量的每一個特征包括從時間序列確定的數據度量(例如總雇用時間、職能數目、晉升之間的平均持續時間、雇員是否曾經改變職能、雇員已經工作過的工作位置的總數、在當前職能中的時間等)。使用機器學習算法(例如支持向量機)在從時間序列確定的特征向量的集合和時間序列的集合上構建模型，其中每一個雇員由特征向量表示。在一些實施例中，使用監督式學習模型，其中每一個特征向量包括標簽，其表示相關聯的雇員是否主動地離開公司。監督式學習模型確定針對每一個特征的權重，其示出特征在提供預測留任風險的最佳準確性中的影響和相關性。在一些實施例中，使用交叉驗證來測量預測的統計重要性和準確性一一例如通過具有雇員特征向量的第一集合上的模型訓練以及通過在雇員特征向量的第二集合上應用經訓練的模型。雇員特征向量的第一集合和雇員特征向量的第二集合不重疊以避免訓練中的偏向并且使模型一般化。然后應用經訓練的模型以確定由時間序列和特征向量表示的現有雇員將離開公司(例如在下一年內)的概率。在一些實施例中，針對每一個雇用長度分段而構建單獨的模型。一旦模型被構建，則預測器可以使用該模型來確定針對給定雇員的留任風險。預測器接收與給定雇員相關聯的事務的時間序列，規格化時間序列，從規格化后的時間序列確定特征向量