关于SVM算法支持制造业人力资源优化的探讨

王昭 周宏慧 沈琳娜 廖圆 杨定宇

株洲时代新材料科技股份有限公司

一、引言

将密集且结构复杂的人力资源合理分配给若干需求端，提升人均劳效，进而获得更优的企业绩效，是制造业发展的关键所在。Supportive Vector Machines（以下简称SVM），中文为支持向量机，是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。本文我们将对SVM帮助造业人力资源提升可能的方向进行探讨。

二、应用实例

（一）人岗匹配度测算

为了减少人岗匹配度评价主观上的随意性、思维上的不定性带来的影响，小训练样本模型的不精确问题，已有学者结合支持向量机与模糊评价法构建人岗匹配的测算模型，将其运用到某政府机关科级干部候选人以及军队后方油库人员评价过程中，并证明SVM与层次分析法相比操作更加简单且一定程度上可避免主观因素的影响[1][2]。

模型建立步骤如下：1) 岗位匹配度模型的建立，分为目标层和准则层。目标即人员岗位匹配度评价，准则层可以分为多级准则。2）岗位匹配度矩阵/标准的构建，往往采用从差到优秀的数个标度；3）岗位候选人模糊矩阵的构建，数据收集方式包括但是不限于层次分析法、绩效考察、面试法、场景模拟法、项目/财务系统获取等，具体方法的选择要和准则层指标的选择相适宜。4）模型的训练，使用具有代表性的样本对模型进行训练，可以采用交叉验证法选择C系数（对误差的宽容度，用以权衡结构风险和经验风险）以及核函数K(x)。5）对模型进行保存（公式1），调用为候选人进行人岗匹配度预测。

（二）项目人员绩效测评

项目人员绩效测评属于多目标综合评价的运筹学范畴。可模糊综合评价等方式对权重的确定主观性较大，过程复杂不便于普及或者容易引起争议。研究证明，将SVM应用在ERP实施绩效评价中高效可靠,可以为ERP实施绩效评价问题提供新的思路[3]。绩效评价结果可以作为企业动态化的经营要素供决策者参考，SVM为基础的评价法可以缓解依赖人为主观判断及其带来的项目人力资源配置不合理、或者薪酬分配差异较大等问题[4][5]。

模型建立步骤如下：1）建立评价指标体系，如项目复杂度、人员技术水平等。体系的建立要考虑评价的可操作性和公平，可以量化的尽量不要赋值；2）采集人员和项目相关数据后进行数据预处理。注意提取的用来进行学习的数据可以恰当的表征评价指标，也就是每一个指标对应一个数据维度；3）对训练集的项目人员绩效进行分组，然后采用机器学习算法进行模型运算和结果分析。其中基于训练集选择合适的核函数仍是关键。4）判断模型结果。若模型结果良好，即测试集n个样本的评价结果S与实际评价结果A一致比例较高（公式2），则模型可用来进行分析且指导相关工作。如当某指标与绩效强相关且该强相关从企业经营发展角度是合理的，但某些项目人员绩效评价出现不匹配的情况，就相关影响因素给该项目人员提出建议和帮助，或者就项目分配进行调整。

（三）员工离职预警

制造业降低人才流失带来的经营风险，是企业可持续发展的关键因素，因此需要建立有效的员工离职预警机制并恰当应对。离职预测是一个二分类问题，即离职/在职。核函数的选择依然对分类结果影响很大。线性核函数、二次核函数、三次核函数、精细高斯核函数、中值高斯核函数都可以作为选择，每个选择都有其特点[6]。但我们认为其最需要的问题是样本不平衡的问题，也就是往往离职的人数会远远少于在职人数。通常我们会采取改变分类阈值，使分类结果更偏向于样本少的一类；改变样本类别的权重；对多数样本采用欠采样，或对少数样本采用过采样的方式。如使用Python的sklearn模块，可以通过调整SVC的参数class_weight和SVC的接口参数sample_weight之一来进行。从业务角度，可以根据经验划分时间区段界定离职数据，如入职五年离职与否。以五年内离职为正例为例，有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。我们建议较高的召回率作为评价模型的标准（公式3）。对可能离职人员较高的覆盖率可以帮助管理者有的放矢的决策，如对于某类人员施加挽留政策或者替代方案，或者作为人才招募规避高离职风险决策的参考[7]。

三、结论

着眼制造业未来，保障优质人力资源需要选取适宜的算法进行大数据分析，进而支持决策过程是大的趋势。SVM有其限制：其一对大规模样本较难实施，故而我们建议人力资源管理者在以上三个方面选择典型的样本作为训练集；其二解决多分类问题比较麻烦，如在任意两类样本之间设计一个SVM，因此k个类别的样本就需要设计k(k-1)/2个SVM或者训练时依次把某个类别的样本归为一类，其他剩余的样本归为另一类，k个类别的样本构造出k个SVM；其三对于缺失数据和选择敏感，这就等于对人力资源数据管理和获取有较高的要求。从业务理解的角度，采用监督性算法对人力资源业务进行机器学习，需要人力资源管理人员充分考虑其结果直接使用于业务对人力弹性以及对企业人力资源配置力的影响。

SVM具有理论严密、适应性强、全局优化、训练效率高和泛化性能好等优点。考虑制造业企业人力密集多样、配置复杂的特点，模型的泛化性能需要较高。结构风险最小化，因而算法的结果对于资源的合理配置具有较强的提示意义。综上，我们认为SVM可以作为人力资源大数据机器学习的优选监督性算法。