员工数据处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及人工智能领域内的一种员工数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取待评估员工的多种待评估数据；获取预设的违规风险模型；违规风险模型中包含评估指标；从多种待评估数据中提取与评估指标相应的指标数据；将指标数据输入预设的违规风险模型；通过违规风险模型对指标数据进行计算，得到待评估员工的违规风险分数；当违规风险分数大于预设分数时，判定待评估员工为违规高风险员工。采用本方法能够通过机器学习技术，准确确定违规高风险员工。

【技术实现步骤摘要】
员工数据处理方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种员工数据处理方法、装置、计算机设备和存储介质。
技术介绍
企业内部通常会进行定期员工评估工作，筛选出存在违规风险的员工以进行提前预警防范。传统方式中，一般先根据预警规则设定相应指标，由预警人员基于个人经验确定指标的阈值后，对高于阈值的员工清单进行抽样调查，通过人工筛选确定违规高风险员工。然而，传统方式中设定的指标及阈值是基于预警人员的个人经验，具有较强的主观性和不稳定性，导致难以准确地确定违规高风险员工。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够准确确定违规高风险员工的员工数据处理方法、装置、计算机设备和存储介质。一种员工数据处理方法，所述方法包括：获取待评估员工的多种待评估数据；获取预设的违规风险模型；所述违规风险模型中包含评估指标；从所述多种待评估数据中提取与所述评估指标相应的指标数据；将所述指标数据输入所述预设的违规风险模型；通过所述违规风险模型对所述指标数据进行计算，得到所述待评估员工的违规风险分数；当所述违规风险分数大于预设分数时，判定所述待评估员工为违规高风险员工。在其中一个实施例中，在所述获取待评估员工的多种待评估数据之前，还包括：分别获取正常员工的多种建模数据，和违规员工的多种建模数据；确定每种建模数据对应的初始指标；根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标；对每个待筛选指标对应的正常员工的建模数据，和相应待筛选指标对应的违规员工的建模数据进行单因素分析，筛选得到多个评估指标；基于所述多个评估指标建立违规风险模型。在其中一个实施例中，所述根据每个初始指标的对应的建模数据，从初始指标中选取待筛选指标，包括：分别统计每个初始指标的对应的建模数据的样本数量，以及获取的所述多种建模数据的总体数量；根据所述样本数量和所述总体数量计算每个初始指标的数据缺失率；筛选出所述数据缺失率低于预设缺失率的中间指标；对每个所述中间指标进行聚类分析得到每个所述中间指标的数据异常率；将所述数据异常率低于预设异常率的中间指标作为待筛选指标。在其中一个实施例中，所述对每个待筛选指标对应的正常员工的建模数据，和相应待筛选指标对应的违规员工的建模数据进行单因素分析，筛选得到多个评估指标，包括：统计每个待筛选指标对应的正常员工的建模数据的第一数量，和相应待筛选指标对应的违规员工的建模数据的第二数量；对每个待筛选指标对应的建模数据进行分组处理；统计每组中正常员工的建模数据的第一子数量和违规员工的建模数据的第二子数量；根据所述第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值；当信息值处于预设取值区间时，将所述信息值对应的待筛选指标作为评估指标。在其中一个实施例中，在所述根据所述第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值之后，还包括：当信息值大于所述预设取值区间的上限取值时，对所述信息值对应的待筛选指标对应的建模数据重新进行分组处理，并循环执行所述统计每组中正常员工的建模数据的第一子数量和违规员工的建模数据的第二子数量；根据所述第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值的步骤，直至重新计算的信息值处于所述预设取值区间。在其中一个实施例中，所述基于所述多个评估指标建立违规风险模型，包括：获取初始逻辑回归模型；从所述多个评估指标中逐一选取评估指标加入所述初始逻辑回归模型；计算加入新的评估指标的中间逻辑回归模型的准确率；当中间逻辑回归模型的准确率小于预设准确率时，筛除新加入的评估指标；当中间逻辑回归模型的准确率大于预设准确率时，保留新加入的评估指标；根据保留的评估指标构建违规风险模型。一种员工数据处理装置，所述装置包括：获取模块，用于获取待评估员工的多种待评估数据；获取预设的违规风险模型；所述违规风险模型中包含评估指标；提取模块，用于从所述多种待评估数据中提取与所述评估指标相应的指标数据；输入模块，用于将所述指标数据输入所述预设的违规风险模型；评估模块，用于通过所述违规风险模型对所述指标数据进行计算，得到所述待评估员工的违规风险分数；当所述违规风险分数大于预设分数时，判定所述待评估员工为违规高风险员工。在其中一个实施例中，该装置还包括：建模模块，用于分别获取正常员工的多种建模数据，和违规员工的多种建模数据；确定每种建模数据对应的初始指标；根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标；对每个待筛选指标对应的正常员工的建模数据，和相应待筛选指标对应的违规员工的建模数据进行单因素分析，筛选得到多个评估指标；基于所述多个评估指标建立违规风险模型。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个实施例中所述的员工数据处理方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个实施例中所述的员工数据处理方法的步骤。上述员工数据处理方法、装置、计算机设备和存储介质，通过提前预设包含评估指标违规风险模型，在获取到待评估员工的多种待评估数据之后，可根据评估指标从多种待评估数据中提取出指标数据。将指标数据输入违规风险模型进行计算，得到待评估员工的违规风险分数。根据违规风险分数可判定待评估员工是否为违规高风险员工。通过具有统一评估指标的违规风险模型对待评估员工打分，使得能够精准客观地确定违规高风险员工。附图说明图1为一个实施例中员工数据处理方法的应用场景图；图2为一个实施例中员工数据处理方法的流程示意图；图3为另一个实施例中员工数据处理方法的流程示意图；图4为一个实施例中员工数据处理装置的结构框图；图5为另一个实施例中员工数据处理装置的结构框图；图6为一个实施例中计算机设备的内部结构图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请提供的员工数据处理方法，可以应用于如图1所示的应用环境中。其中，多个终端102通过网络与服务器104通过网络进行通信。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器104可从多个终端102获取待评估员工的多种待评估数据。服务器104在获取包含评估指标的违规风险模型之后，可从多种待评估数据中提取与评估指标相应的指标数据，并将指标数据输入预设的违规风险模型。服务器104通过违规风险模型对指标数据进行计算，可计算得到待评估员工的违规风险分数，且当违规风险分数大于预设分数时，判定待评估员工为违规高风险员工。在一个实施例中，如图2所示，提供了一种员工数据处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：步骤202，获取待评估员工的多种待评估数据。待评估数据是指用于评估待评估员工违规风险的相关数据。可获取预设时长内待评估员工的多种待评估数据。待评估数据可以是员工的基础信息和行为信息，还可以是体现待评估员工的能力特点、情绪性格、社交情况等特性的数据本文档来自技高网...

【技术保护点】
1.一种员工数据处理方法，所述方法包括：获取待评估员工的多种待评估数据；获取预设的违规风险模型；所述违规风险模型中包含评估指标；从所述多种待评估数据中提取与所述评估指标相应的指标数据；将所述指标数据输入所述预设的违规风险模型；通过所述违规风险模型对所述指标数据进行计算，得到所述待评估员工的违规风险分数；当所述违规风险分数大于预设分数时，判定所述待评估员工为违规高风险员工。

【技术特征摘要】
1.一种员工数据处理方法，所述方法包括：获取待评估员工的多种待评估数据；获取预设的违规风险模型；所述违规风险模型中包含评估指标；从所述多种待评估数据中提取与所述评估指标相应的指标数据；将所述指标数据输入所述预设的违规风险模型；通过所述违规风险模型对所述指标数据进行计算，得到所述待评估员工的违规风险分数；当所述违规风险分数大于预设分数时，判定所述待评估员工为违规高风险员工。2.根据权利要求1所述的方法，其特征在于，在所述获取待评估员工的多种待评估数据之前，还包括：分别获取正常员工的多种建模数据，和违规员工的多种建模数据；确定每种建模数据对应的初始指标；根据每个初始指标对应的建模数据，从初始指标中选取待筛选指标；对每个待筛选指标对应的正常员工的建模数据，和相应待筛选指标对应的违规员工的建模数据进行单因素分析，筛选得到多个评估指标；基于所述多个评估指标建立违规风险模型。3.根据权利要求2所述的方法，其特征在于，所述根据每个初始指标的对应的建模数据，从初始指标中选取待筛选指标，包括：分别统计每个初始指标的对应的建模数据的样本数量，以及获取的所述多种建模数据的总体数量；根据所述样本数量和所述总体数量计算每个初始指标的数据缺失率；筛选出所述数据缺失率低于预设缺失率的中间指标；对每个所述中间指标进行聚类分析得到每个所述中间指标的数据异常率；将所述数据异常率低于预设异常率的中间指标作为待筛选指标。4.根据权利要求2所述的方法，其特征在于，所述对每个待筛选指标对应的正常员工的建模数据，和相应待筛选指标对应的违规员工的建模数据进行单因素分析，筛选得到多个评估指标，包括：统计每个待筛选指标对应的正常员工的建模数据的第一数量，和相应待筛选指标对应的违规员工的建模数据的第二数量；对每个待筛选指标对应的建模数据进行分组处理；统计每组中正常员工的建模数据的第一子数量和违规员工的建模数据的第二子数量；根据所述第一数量、第二数量、第一子数量和第二子数量计算每个待筛选指标的信息值；当信息值处于预设取值区间时，将所述信息值对应的待筛选指标作为评估指标。5.根据权利要求4所述的方法，其特征在于，在所述根据所述第一数量、第二数量、第一子数量和第二子数量计算每...

【专利技术属性】
技术研发人员：刘宇晗，廖林方，何威，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44