知识型员工忠诚度的评估方法和技术(共8页).docx

精选优质文档-倾情为你奉上的评估方法和技术测量和计算能使一家公司的为实际行动.一家企业选择来加以测量,评估的东西,反映出它的,为企业管理层确定了轻重缓急,同时也在塑造着员工的思维.·知识型员工,忠诚度的变化肯定会在公司产生一些反应,其中有些反应与公司的利润密切相关.作为,你需要知道员工对你所做的事,你管理企业和知识型员工的方式持什么态度,你需要及时或有预见的发现知识型员工变化以改善公司的经营,这就需要对知识型员工的忠诚度进行评估,建立一个体系或通过一些工具来测量.1.知识型员工忠诚度评估的重要性了解,评估知识型员工的忠诚度对基于忠诚管理的企业来说,既是非常必要的,也是非常有益的.知识型员工忠诚度评估对于企业有以下意义:1.1 强化控制机制知识型员工忠诚度的评估首先是企业对部门的一种控制手段,但由于它是对知识型员工业绩表现等诸方面表现的评定与认可,评估的过程又主要由实施,它也是该部门行使控制职能的手段与表现形式.同时,它具有激励功能,企业对培养知识型员工忠诚的重视,企业的高知识型员工忠诚度,使知识型员工特别是忠诚知识型员工体验到成就感,自豪感,从而进一步提高知识型员工整体的忠诚度.1.2 促进沟通知识型员工忠诚度的评估,通过多方面(顾客,上,下级)等考察与测评,可采用面谈,调查等渠道,这一过程了解并评估忠诚情况,也会从侧面了解一些管理上的问题,听取反映,说明和申诉,及时发现不利于培养忠诚度的问题,而后将评估结果向知识型员工反馈,并改进相关制度.这样,对知识型员工忠诚度的评估便具有促进上级与下级,知识型员工与顾客,知识型员工之间的沟通,了解彼此双方期望的作用.1.3 从侧面考察顾客忠诚度对顾客忠诚度的考察始终是企业制定发展战略过程中的重要环节,而这本身需要考虑顾客态度,行为等多个变量.根据本书第二章的论述,知识型员工忠诚度与顾客忠诚密切相关,对顾客忠诚度的培养有重要影响.对知识型员工忠诚度的科学评估,可为顾客忠诚度的评估提供一定的依据.比如,根据有关顾客忠诚度与知识型员工忠诚度的的定量结论,在计算出知识型员工流失率的同时,就可估算出的流失率,从这一侧面考察了顾客忠诚度.1.4 有利于企业确定,健康发展测量是经营的手段,测量和计算能使一家公司的经营理念物化为实际行动.一家企业选择来加以测量,评估的东西,反映出它的价值观念,为企业管理层确定了轻重缓急,同时也在塑造着知识型员工的思维.拥有长期忠诚知识型员工的企业可以获得较低的成本,其顾客群也非常大.一般说来,企业每年流失一定数量的知识型员工是正常的,而企业只要降低一定比率的知识型员工流失率,就会多倍于该比率增长.因此,从某种意义上看,低知识型员工流失率作为一种策略往往比单纯的低成本策略有效,这即为策略制定提供了参考.另外,知识型员工忠诚度高的企业拟兼并知识型员工跳槽率高的企业,这无疑需要精确的评估分析.由此可见,A省研究院要长期,健康发展,适时进行知识型员工忠诚度评估是极其必要的.1.5 知识型员工忠诚度评估与的比较绩效评估是企业根据知识型员工的职务说明,对知识型员工的工作业绩,包括工作行为和工作效果,进行考察和评估.知识型员工忠诚度评估是企业从忠诚管理角度,对知识型员工的行为与态度(不仅仅在工作中)进行考察,评估.2.知识型员工忠诚度评估应解决的问题2.1 正视人员流动正视人员流动即应转变对人员流动的观念,流动是绝对的,别指望留住所有人.知识型员工的高流失率是忠诚度下滑的表现之一,在评估知识型员工整体的忠诚度时往往把流失率作为重要指标,由此不少企业在控制知识型员工的流动方面下了不少.有不少人力资源主管把企业知识型员工的稳定作为自己追求的目标,认为人员流动就意味着管理的失败,这是对知识型员工忠诚的一种误解.因为,人员的流动应该说是一种正常的现象,而知识型员工的忠诚是相对而言的.知识型员工的相对忠诚有这样的表现:在企业任职期间,勤勤恳恳,兢兢业业,为企业的发展尽职尽责;在企业不适合自己或者是自己不适合企业而离职后,在一定的期限内能够保守企业的,不从事有损企业利益的行为.基于这样的表现,知识型员工的流动应该是合理的正常的.换言之,如果知识型员工有这样的表现,对忠诚的培养就应视为是成功的.现实中,人们往往只强调知识型员工长期留在现有企业的表面现象,而忽略了忠诚知识型员工是必须为企业作贡献的,即忽视了"主动忠诚".于是,不少企业里存在着大量的"做一天和尚,撞一天钟",出工不出力,掐着指头过日子,按酬付劳的"忠诚"知识型员工.这种忠诚是一种无益的忠诚.由此可见,人员不流动照样难以保证忠诚.从这种意义上来说,人员流动并不一定是一件坏事.不仅如此,它还可能会促进企业人力资源的发展与更新.一些知识型员工跳槽必然给其他的知识型员工提供晋升的机会,而最后空缺的职位将会由招聘来的新知识型员工占有.这些新知识型员工又会给企业带来一些新的思维方式,使企业永远充满活力.更重要的是,一定程度上知识型员工的流入流出,还可以激活企业内部,保持知识型员工的高士气.所以,管理者应该学会如何在知识型员工忠诚与知识型员工流动之间求得一种平衡.重要的是"要留住正确的人",如有着较强的专业技术或技能,丰富的从业经验及杰出的才能,对企业的生产经营起着关键作用的核心知识型员工.而且,应该注意的是知识型员工包括核心知识型员工,并不是固定的,唯一不变的组合,随着企业环境的变化,其也会不断地变换.今天的核心知识型员工,明天也许就成为企业的累赘.因此,企业有必要根据环境变化和企业发展对部分知识型员工进行淘汰,由此带来的知识型员工流失则会有利于企业发展.2.2 给跳槽者分类给跳槽者分类,是根据知识型员工具体状况,如实评价知识型员工的忠诚问题.这方面做得最好的公司并不简单的计算知识型员工流失率,而是先对跳槽的人进行分类,然后再按类型来分析流失问题.从以下对A省研究院等几家设计单位跳槽人员的情况分析中发现,不同的进入背景,知识型员工流失率也大不相同.分析表明,如果是由其它设计院调入者,在前一家公司停留时间少于4年的人,在本院的流失率既高且流失的早,停留多于4年的设计人员,到了A省研究院以后工作的年限也长;如果是根据广告前来而被雇佣的,则停留时间很短,短得无法弥补当初招聘并培训他的费用;如果是从大学直接招聘来的毕业生,则其忠诚度要比通过广告应聘的人高很多;各种不同背景中最为忠诚的设计人员,是那些由本单位现有或前知识型员工引荐来的.根据这一研究结果,在评估知识型员工整体忠诚度时,就要区分不同进入途径,赋予不同背景下的忠诚度不同的权重.摘要：如何比较准确地评价企业员工的忠诚度是学术界和企业界亟待解决的问题。建立了企业员工忠诚度的评价指标体系，提出基于BP神经网络的企业员工忠诚度评价模型并给出仿真算例，最后指出此方法的缺点和进一步研究的方向。 关键词：忠诚度，BP神经网络，指标体系 在知识经济时代,人是企业中最具活力的因素。员工对企业的忠诚度的高低是企业管理好坏的重要指标,也是关系到企业能否获得持续发展的大事。员工的忠诚是企业生存的基石，也是企业发展的核心竞争力所在。因此，建立合理、全面、科学的企业员工忠诚度评价体系和评价方法就显得尤为重要。 建立企业员工忠程度的评价指标体系 根据客观性、综合性、系统性、可操作性等原则,将员工忠诚度设为一级指标,设立4个二级指标,全面、系统地分析影响各个二级指标的各种子因素,并设为三级指标,建立员工忠诚度的评价模型。 (1) 员工的状况 员工的状况是影响员工忠诚度最基本的因素,决定着员工对企业的责任感。此指标由员工技能与知识、员工目标的一致性程度、合作精神和工作的意愿等组成。 (2) 企业的状况 员工忠诚度与企业的自身状况成一定的正向关系,经营不善的企业人心涣散,反之亦然。企业的状况主要由学习和培训的机会、薪酬制度、激励制度和企业文化与员工的默契程度四个部分组成。 (3) 人事关系状况 当员工和上级以及同事建立了一种和谐关系时, 员工就会有一种归属感,不会轻易跳槽到其他公司,如果跳槽则需要付出较大成本。它包括:上下级关系和同事关系。 (4) 领导者的影响力 领导者影响的基础最主要地来自非权力来源,领导者自身的素质高,能取得组织或群体成员的信任,组织或群体中的成员心甘情愿地追随领导者,形成员工的忠诚。此指标由品德因素、情感因素、资历因素和专长因素等组成。 通过以上的定性分析,本文提出的员工忠诚度的评价指标体系如表1所示: 表1 员工忠诚度的评价指标体系 目标层 一级指标 二级指标 企 业 员 工 忠 诚 度 员工的状况 员工的知识与技能x1 员工目标的一致程度x2 合作精神x3 工作意愿x4 企业的状况 学习培训的机会x5 薪酬制度x6 激励制度x7 企业文化与员工的默契程度x8 人事关系状况 同事关系x9 上下级关系x10 领导者的影响力 品德因素x11 情感因素x12 资历因素x13 专长因素x14 基于BP神经网络的企业员工忠诚度评价模型 BP神经网络应用于企业员工忠诚度评价时是把用来描述企业员工忠诚度基本特征的指标信息作为神经网络的输入向量X =（x1，x2，xn）,将代表相应综合评价结果的值作为神经网络的输出y 。然后再用足够的样本来训练这个网络,经过反复迭代,使不同的输入向量得到不同的输出量值, 这样神经网络所持有的那组权系数值Wij 、阈值(当i= 0时, Wij 即代表阈值) ,便是网络经过自适应学习所得到的正确内部表示。 BP神经网络是一个简单而有效的网络。特征参量由输入层神经元输入,然后直接输出,而隐含层和输出层的每个神经元输入量为上一层神经元的输出的加权和。其学习的过程就是调整神经元间的连接权重,使得输出值等于或接近理想的目标值。一旦神经网络训练完毕,即可作为企业员工忠诚度评价的有效工具。基于BP神经网络的企业员工忠诚度评价指标体系的思路框架如图1所示。 图1 企业员工忠诚度评价的BP神经网络结构模型 (1) 网络初始化。将各连接权值Wij 和神经元阈值赋予较小的随机值。 (2) 提供训练集。给定p个学习样本的输入向量xp(p= 1,2,p) 与期望的输出变量yp(p =1,2,p):xp( X1,X2,Xn)T,yp=(Y1 ,Y2,Ym)。 (3) 计算和输出各种神经元实际输出。输入样本评价指标信息(x1,x2,xn),计算实际输出:uj= +j，yi=f(ui),其中f 采用Sigmoid函数,f(u) =1/1+exp(-u) 式中,n是结点j的输入结点个数;xi是第i个输入结点的输出值;Wij是第i个输入结点到结点j的权值;j代表第j个神经元的阈值。 (4) 调整输入层、输出层、隐含层的连接权值。Wij(t + 1) = Wij(t) + jxi+Wij(t)-Wik(t-1)式中,Wij是t-1层结点i到结点j的连接权值和阈值;xi 是结点i的输出;是学习系数（0<<1）;是权值调整参数0<<1。j是一个与偏差有关的值。j=xj (1-xj) ,式中xj是结点j的实际输出值,m是结点j 的输出结点个数。此时,误差样本从输出层向输入层传播并沿途调整各层间连接权值和阈值,以使误差样本不断减少。 (5) 返回(2),进行迭代。当期望输出与计算输出的误差小于某一容许值时,网络的学习训练结束,评价模型建立。 基于BP神经网络的员工忠诚度评价模型的训练与仿真算例 1 网络模型的设计 企业员工忠诚度评价指标体系共包括四项大指标14项子指标,即输入层神经元个数Pn=14。评价主体对企业员工忠诚度评价结果(优、良、中、及格、差)作为网络的唯一输出。因此,输出层神经元个数为r=1 。对不同隐含层数的神经网络学习速度较快,而且Kosmogorov定理表明,在合理的结构和恰当的权值条件下,3层BP网络可以逼近任意的连续函数。所以,可以选取结构相对简单的3层BP网络。根据经验公式: 其中Pm ,Pn ,r分别为隐含层、输入层、输出层的神经元数目,L为110之间的一个整数。从学习时间及次数与达到全局总误差的综合效果看,8个隐含层神经元比较合适。 2 样本选择与数据来源 笔者曾在某IT公司实习，数据主要来源于对此企业的实际调研、专家评估等途径。定量指标主要来源于此公司的相关报表，定性指标则采用专家测定的方法获得的。 3 指标数据的归一化处理 对于评价指标uiU ,设其论域为di =mi ,Mi ,其中,mi和Mi分别为评价指标ui 的最小值和最大值。设ri= udi(xi)(i=1,2,n)为决策者对评价指标ui的属性值xi的无量纲化值,且ri0，1 。其中,udi(x)为定义在论域di上的指标ui无量纲化的标准函数。根据评价指标的类型,可采用下列两种无量纲化标准函数: (1) 成本型指标无量纲化的标准函数: ri = udi( x i) =1(ximi); (xidi);0(xiMi). (2) 效益型指标无量纲化的标准函数: ri = udi( x i) = 1(xiMi); (xidi);0(ximi). 对于某些只能进行定性分析的指标,可以采用确定指标评价等级隶属度的方法来实现其量化。其方法为:设ui为定性评价指标,ui相对于评价集A=(a1 ,a2 ,an) 的隶属度向量为: ri=(ri1 ,ri2 ,rin)。此处隶属度向量可采用专家调查,并通过集值统计方法来确定,或者可以用模糊数学中确定隶属函数的方法来确定。在企业员工忠诚度定量评价指标体系中,指标评价集A=(好、较好、一般、较差、差),设采用的评价标度为B=0.90,0.70,0.50,0.30,0.10。因此,V =ri&#8226;B即为定性指标在给定标度B下的量化值。表2中的“x1 ,x2 ,x3”和各行数据分别表示各评价指标及其指标数据归一化后的数值。 表2 归一化后的企业员工忠诚度评价指标数据 x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 训 练 样 本 0.006 0.237 0.384 0.081 0.178 0.575 0.252 0.137 0.095 0.202 0.194 0.300 0.133 0.135 0.273 0.390 0.203 0.058 0.344 0.421 0.169 0.436 0.275 0.229 0.299 0.708 0.372 0.405 0.234 0.355 0.269 0.308 0.351 0.200 0.044 0.128 0.003 0.007 0.083 0.095 0.207 0.483 0.077 0.227 0.072 0.060 0.121 0.688 0.093 0.167 0.286 0.355 0.497 0.244 0.096 0.342 0.038 0.575 0.125 0.174 0.012 0.037 0.328 0.170 0.258 0.447 0.105 0.258 0.457 0.069 0.043 0.271 0.277 0.477 0.409 0.496 0.315 0.078 0.435 0.160 0.675 0.051 0.229 0.196 0.267 0.481 0.096 0.290 0.092 0.018 0.004 0.199 0.411 0.545 0.176 0.112 0.111 0.088 0.080 0.224 0.606 0.269 0.054 0.054 0.118 0.007 0.320 0.481 0.115 0.324 0.333 0.832 待 评 样 本 0.030 0.046 0.524 0.170 0.361 0.009 0.298 0.140 0.552 0.098 0.253 0.036 0.097 0.285 0.341 0.287 0.672 0.248 0.651 0.058 0.271 0.397 0.330 0.047 0.231 0.338 0.369 0.284 0.313 0.251 0.024 0.283 0.303 0.294 0.037 0.257 0.228 0.377 0.227 0.158 0.082 0.271 0.377 0.410 0.876 0.277 0.002 0.061 0.911 0.881 0.325 0.098 0.358 0.023 0.055 0.233 4 网络模型的训练 选取比较典型的8组样本数据(表中前8组)作为训练样本,训练该网络,其余4 组作为检测样本,模拟待评价的对象。在实际计算时,给定的学习精度为= 0.00001,网络隐含层神经元为8个,训练次数N = 3000,权值调整参数=0.5,偏置值调整参数=0.8,测试的评价结果与专家评价结果(专家评价采用传统的综合等级评分法进行)如表3所示,可以看出神经网络评价结果与专家评价结果基本相符,误差在可接受的范围,对给定的训练样本学习已满足要求。专家传统综合等级评分是凭借专家个人经验进行的,在实际过程中摆脱不了评价过程中的随机性和评价专家主观上的不确定性。调用训练好的模型，待评样本的评价结果见表4。结果表明，相对误差最大为0.57%，最小为0.07%。而且专家排序与仿真排序完全一致，两种评价结果具有较好的一致性。 表3 网络训练结果与专家评价结果比较 训练样本 训练 结果 2.9005 4.5819 2.7756 3.3393 3.0580 4.0956 2.8801 3.8195 期望 输出 2.9084 4.5814 2.7651 3.3237 3.0522 4.1120 2.8882 3.8145 相对 误差 -0.0027 0.0001 0.0038 0.0047 0.0019 -0.0040 -0.0028 0.0013 表4 员工忠诚度评价结果 评价结果 专家评价结果 相对误差 专家排序 仿真排序 评 价 样 本 3.8248 2.8990 0.0014 4 4 4.5318 4.5223 0.0021 2 2 3.1012 3.1034 -0.0007 3 3 4.8581 4.8860 -0.0057 1 1 结语 BP神经网络模型在企业员工忠诚度评价中的应用,为研究企业员工忠诚度评价提供一个新的研究思路和工具。此方法在实际中也存在着一些缺陷:(1)建立的指标的合理性、全面性还需要进一步研究,特别在运用到不同行业、不同规模的企业员工忠诚的评价时; (2)BP神经网络模型要求有一定的学习样本,学习样本的数量和质量在很大程度上影响着神经网络模型的学习性能,但是选取合适的学习样本是件比较困难而复杂的;(3)BP神经网络在学习训练过程中,容易陷入局部最优,这也会在一定程度上影响评价结果的准确性。因此,针对上述的问题还应当做进一步深入地研究。 沁园春·雪北国风光， 千里冰封， 万里雪飘。望长城内外， 惟余莽莽； 大河上下， 顿失滔滔。山舞银蛇， 原驰蜡象， 欲与天公试比高。须晴日， 看红装素裹， 分外妖娆。江山如此多娇， 引无数英雄竞折腰。惜秦皇汉武， 略输文采； 唐宗宋祖， 稍逊风骚。一代天骄， 成吉思汗， 只识弯弓射大雕。俱往矣， 数风流人物， 还看今朝。 克专心-专注-专业