基于数据挖掘技术的绩效管理思考

　　【摘要】随着信息时代数据量的剧增，深化绩效管理的最有效方法是在其中引入数据挖掘技术，充分合理地利用数据挖掘技术，可以进行对绩效管理的目标进行准确预测和分析，这必将为正确决策奠定坚实基础。在分析现代绩效管理不足之处的基础上，我们可以结合相关绩效管理方法，对基于数据挖掘技术的绩效管理，提出自己的思路。
　　
　　【关键词】数据挖掘技术，绩效管理，思考
　　一、引言
　　所谓绩效管理，是指各级管理者和员工为了达到组织目标共同参与的绩效计划制定、绩效辅导沟通、绩效考核评价、绩效结果应用、绩效目标提升的持续循环过程，绩效管理的目的是持续提升个人、部门和组织的绩效。
　　绩效管理强调组织目标和个人目标的一致性，强调组织和个人同步成长，形成“多赢”局面；绩效管理体现着“以人为本”的思想，在绩效管理的各个环节中都需要管理者和员工的共同参与。主要针对一致的、可识别的KPI（关键绩效指标），对业务绩效进行衡量和分析，以支持业务绩效的管理。
　　绩效管理是企业实现其战略目标，而KPI的确定则是企业的战略目标得以具体实现的关键所在，也是连接员工行为与企业战略之间的桥梁。当前KPI确定的方法多种多样，并在绩效管理中起到了一定的效果，然而统观这些方法，均是根据各方面的情况经过定性的分析得出较为抽象的结论，缺乏数据的基础和定量的验证。这就需要运用先进的数据处理理论——数据挖掘理论来对其进行改进。
　　近年来，随着信息产业的急剧发展，数据大量地产生和搜集，使得传统的数据管理方法不能有效地使这些数据为人们服务，于是，人们不得不去寻找一种新的方法和技术，使之能够智能的、自动的将这些数据转化处理为有用的信息和知识。知识发现和数据挖掘（KDDandDATAMining）在这种背景下应运而生了。数据挖掘就是需要挖掘出大量数据背后隐藏的规则和模式，主要基于人工智能、机器学习、统计学等技术、高度自动化地分析企业原有的数据，作出归纳性的推理，得到企业的行业定位，帮助企业的决策者调整市场策略，作出正确的决策。数据挖掘从步骤上大致分为数据采集、数据准备和数据解释表达3个部分。数据挖掘的过程见图1。
　　
　　图1数据挖掘流程
　　
　　二、KPI确定中的算法思考
　　利用相关信息数据参与决策，进行决策支持已经成为当前及今后绩效管理的发展趋势和终极目标，其智能化的需求则更为迫切。由于数据挖掘是解决这一问题的有力工具，因此绩效管理中数据挖掘技术的研究更具意义。
　　数据挖掘的主要方法包括：基本统计分析，相关分析，回归分析，时间序列分析，人工神经网络方法等。不同的分析方法和挖掘工具有其独特的特征和使用范围。
　　基本统计分析方法：统计学研究的对象是客观事物的数量关系和数量特征。统计方法广泛地运用于各个领域，供各个部门做出决策、执行计划、检查监督和宏观调控。基本统计方法起着信息咨询、监督、辅助决策的作用。
　　相关分析法：相关分析法是测定经济现象之间相关关系的规律性，并据以进行预测和控制的分析方法。绩效管理中的各个要素间存在着大量的相互联系、相互依赖、相互制约的关系：一类是函数关系，它反映着要素之间严格的依存关系；另一类为相关关系，就是说变量之间存在着不确定、不严格的依存关系。
　　回归分析法：考察变量之间的数量变化规律，确定自变量和因变量之间的数学关系式，建立回归方程，对回归方程进行各种统计检验，并能进行预测。回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。
　　时间序列分析法：对按时间顺序的一组数字序列应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性，根据过去的变化趋势预测未来的发展，前提是假定过去会同样延续到未来；二是突出了时间因素在预测中的作用，因而存在预测误差。当外界发生较大变化，预测往往会有较大偏差，为此要利用加权平均法对历史数据进行处理。时间序列预测法简单易行，便于掌握，中短期预测比长期预测的效果好。
　　人工神经网络法：人工神经网络(ArtificialNeuralNetwork，ANN)是一个由很多节点通过方向性连接组成的一个网络结构，是基于模仿人的大脑的神经网络的结构和功能而建立的一种具有学习能力的信息处理系统。ANN通过从过去的知识中学习、概括和抽取解决问题的经验知识，可以将这些知识进行运用。
　　ANN的优点是：并行处理；非线性映射；自学习功能；高速寻找优化解的能力。由于具有这些优点，ANN具有高度的非线性和极强的模糊推理能力，这是传统数学分析方法无法比拟的。绩效管理涉及的因素比较多，若仅用推理和建立数学模型的方法来解决管理中出现的问题是不够的，还需依靠经验和某些难以用公式表达的知识，因此，ANN比较适合于解决复杂的绩效管理问题。
　　绩效管理是一个系统的体系，从程序上可以划分为绩效计划、绩效辅导、绩效评价与绩效反馈四个阶段。绩效管理的最终目标是充分开发和利用每个员工的资源来提高组织绩效，即通过提高员工的绩效达到改善组织绩效的目的。而这之间就是通过KPI这座桥梁来建立两者之间的关系。有效的确定KPI是建立有效性的绩效管理系统的关键所在。
　　绩效管理中建立KPI体系的方法有许多种，公司级KPI的建立方法有：标杆基准法、成功关键分析法、平衡计分卡方法。其中，平衡计分卡是一个全盘考虑的方法，它由四个各具特色的方面——财务、顾客、内部因素、成长与学习组成。这一评价方法反映了企业兼顾长短期目标、财务和非财务衡量方法、滞后和先行指标以及外部和内部的业绩等方面。它具有三个特点：克服了传统财务指标衡量企业业绩的不足；与企业的战略管理相结合，能有效的推动战略的实施；平衡了企业的各个利益相关者的不同要求。
　　确定KPI主要是依据SMART原则。S即Specific，代表具体的，指绩效考核要切中特定的工作指标，不能笼统；M即Measurable，代表可度量的，指绩效指标是数量化或者行为化的，验证这些绩效指标的数据或者信息是可以获得的；A即Attainable，代表可实现的，指绩效指标在付出努力的情况下可以实现，避免设立过高或过低的目标；R即Realistic，代表现实性，指绩效指标是实实在在的，可以证明和观察；T即Time－based，代表有时限，注重完成绩效指标的特定期限。[!--empirenews.page--]
　　建立KPI体系的要点在于流程性、计划性和系统性，它的落实需要全体员工的参与建立KPI体系。需要明确企业的战略目标，并在企业会议上利用头脑风暴法和鱼骨分析法找出企业的业务重点，也就是企业价值评估的重点。然后，再找出这些关键业务领域的关键绩效指标，即企业级KPI。接下来，各部门的主管依据企业级KPI建立部门级KPI，并对相应部门的KPI进行分解，确定相关的要素目标，分析绩效驱动因素（技术、组织、人），确定实现目标的工作流程和评价指标体系。随后，各部门的主管和部门的KPI人员再将KPI进一步细化，分解为更细的KPI及各职位的业绩衡量指标，这些业绩衡量指标就是员工考核的要素和依据。
　　但是这些确定KPI方法的都是建立在定性的分析企业业务的基础上，并没有从数据出发，通过定量的数据分析得出相应的结果。采取以数据为基础，数据挖掘方法为手段，进行科学、有效地分析，得出有效、准确的与企业绩效目标相对应的KPI。
　　频繁模式的挖掘是数据挖掘关联挖掘的核心和基础，是影响挖掘算法效率的一个决定性的因素。根据算法的特征，目前对于现有的频繁模式挖掘算法，有如下的分类：候选集－计数模型类算法和模式增长类算法。搜索方式和计数方式的概念来自于候选集－计数模型类算法，搜索方式是算法在候选项集空间内遍历的方式，有广度优先搜索和深度优先搜索两种计数方式是对候选项集计算支持度的方式，有直接计数和交叉计数两种。依据这种分类方式目前的算法可分为四类，模式增长类算法的代表算法Fp-growth归入到深度优先搜索和直接计数结合的类型中，算法的搜索方式和计数方式是算法中相对核心的部分；算法使用的数据结构和对数据存储和检索的技术为算法的核心部分所服务，对算法效率的影响也是至关重要。
　　结合绩效管理的实际，以算法的搜索方式、计数方式和数据管理技术为主线，选取频繁模式挖掘中的代表性算法，对算法本身进行分解和分析，对最大频繁项集挖掘算法进行分析，给出对绩效管理关键绩效指标（KPI）确定中挖掘最大频繁项集的算法。
　　三、基于数据挖掘技术的绩效管理方法的算法实现
　　目前频繁模式挖掘算法可被分为广度优先搜索结合直接计数方式、广度优先搜索结合交叉计数方式、深度优先搜索结合直接计数方式、深度优先搜索结合交叉计数方式等四类。代表性算法分别是Apriori、Partition、Eclat和Fp－growth算法，其中除Fp－growth是一种典型的模式增长类算法，其他三种算法都是候选集－计数模型类算法。
　　这些频繁模式挖掘算法有多种优化方式，这些优化方式无非是针对如下目标中的一个或多个进行优化：最小化扫描数据的次数、最小化维护数据结构的成本、最小化必须分析的候选集的数量、最小化计算每个候选集支持度的时间。
　　1.广度优先搜索和直接计数算法，即Apriori算法。是一种非常典型的广度优先搜索、直接计数的算法，相应的它的数据集采用水平数据表示。Apriori首先计算k项频集，将得出的k项频集联接、剪枝处理得到（k＋1）项候选集再计数，得到（k＋1）项频集，如此迭代进行，直至无新的频集产生。
　　2.广度优先搜索&交叉计数算法，即Partition算法。由Savasere等提出，是一种广度优先搜索、交叉计数的算法，它的数据集采用了垂直数据表示。Partition算法引入了本地频集和全局频集的概念。它先把数据集从逻辑上分成几个互不相交的、可被放入内存中的分区，每次单独考虑一个分区并对它生成所有的本地频集；各个分区产生的所有本地频集，就是全局候选集，对之进行部分删减，去除已知支持度和不可能为全局频集的候选集，最后计算这些候选集的支持度。算法的正确性是由每一个可能的频集至少在某一个分块中是频集来保证的。
　　3.深度优先搜索&交叉计数算法，即Eclat算法。是由Zaki提出的一种比较典型的深度优先搜索和交叉计数的算法，它的数据集采用了垂直数据表示。Eclat中在搜索空间中引入了等价类的概念，具有相同前缀的项集归属于同一个等价类，这一等价类就由此前缀表示的项集所指代。Eclat算法引入等价类的概念将搜索空间递归地划分多个不重叠的子空间，在各个子空间内对候选项集计数。
　　4.深度优先搜索&直接计数算法，即Fp－growth算法。是一种深度优先搜索，直接计数的算法，数据集采用了水平数据表示。它最初是针对Apriori算法在处理长模式和密集数据集所表现出来的较低性能来加以改进的。Fp－growth算法是基于这样的思想：（1）既然只有频繁项才有可能出现在频集中，那么它通过第一次扫描数据集将所有的频繁项及其支持度找出来。（2）为避免重复扫描数据集，在内存中维护一个相对紧凑的数据结构fp－tree，来存储事务记录中对应的频集。如果多个事物记录共享相同的频集，在fp－tree中此频集仅被存储一次，频集在数据集中的出现次数由相应的计数来跟踪和维护；具有相同前缀的频集，在fp－tree中也分享相同的节点，相应节点（或者是项）的出现次数由相应的计数跟踪和维护。
　　在上述诸算法中，广度优先搜索类算法是最早被发展，研究得相对比较成熟的，这种迭代循环，逐渐查找频繁模式的思路比较符合人的直观思维，而深度优先搜索算法，如Eclat和Fp-growth则是后来发展的，引入相对比较复杂的概念和结构来提高算法效率的代表。
　　Apriori算法的弱点在于：它需要多次扫描数据库，在某些情况下，会产生被证明为非频繁的候选集；候选集计数是成本相当高的，尤其是当候选集比较长时。但对Apriori算法的研究和改进相当丰富和成熟，在大多数现实数据集上都有不错的表现。
　　而Fp－growth算法，严格来说，候选集的概念相对来说是比较模糊的，模式增长方式避免了产生大量的候选集，尽管实际上，现实数据集多为稀疏的，这种模式压缩的方法不够紧凑，但这种分而治之的思路和模式压缩的方式具有有效解决超大数据集挖掘的潜力。此外，作为研究向前迈进的方向，关注的是算法的未来性，所以以Fp－growth算法为代表的模式增长类算法是目前国内外研究的热点。
　　各类算法对不同数据集的适应性和增量更新算法有不同的影响，而且对频繁模式规则的进一步约束使最大频繁模式挖掘和闭合频繁模式挖掘为人们所关注。数据挖掘作为一种新的技术，它可以对绩效管理相关数据进行深层次的分析，采掘隐含在数据中的有用信息，发现和把握新的机会，为绩效管理提供科学的依据。数据挖掘技术对绩效管理带来的挑战，无疑将推动绩效管理进一步发展。[!--empirenews.page--]
　　随着经济的全球化和信息时代的到来，世界各国企业都面临着越来越激烈的国内和国际市场竞争，为了提高自己的竞争能力和适应能力，许多企业都在探索提高生产力和改善组织绩效的有效途径，组织结构调整、组织裁员、组织扁平化成为当代组织变革的主流趋势。尽管上述的组织结构调整措施能够减少成本，它们也能在一定程度上改善绩效，但是，如果缺少客观的评价体系，那么它们只能达到一个短期激励的效果，即在一定时期内虽然能够提高员工个人绩效，但不能够从根本上改善企业的整体绩效。
　　
　　
　　参考文献
　　[1]赵国军：《绩效管理方案设计与实施》，化学工业出版社
　　[2]陈琳：传统绩效评价体系与EVA的整合研究[J].科技进步与对策，2005，（6）：35-38.
　　[3]傅元略：企业智力资产效益贡献的综合评价[J]会计研究，2000，（2）：43-45
　　[4]王宗军：综合评价的方法、问题及其研究趋势[J]管理科学学报，1998，（1）：73-79
　　[7]景旭文，易红，赵良才：基于数据挖掘的产品概念设计建模研究[J].计算机集成制造系统——CIMS，2003，
　　[12]毛国君：数据挖掘原理与算法[M].北京：清华大学出版社

《基于数据挖掘技术的绩效管理思考》

本文由职称驿站首发，您身边的高端学术顾问

文章名称： 基于数据挖掘技术的绩效管理思考

文章地址： https://m.zhichengyz.com/p-8672