【正文】 考核體系中自我評價環(huán)節(jié)的體現 ,員工通過對自我的評價 ,可以發(fā)現員工自身的問題 ,對員工工作和企業(yè)的發(fā)展都起到了促進作用。 績效考評模塊是員工作為考評人為其他員工進行績效考評的子系統 ,在這個模塊中員工可以查看自己需要考評的項冃 ,為其他員工做出考評。 考評項設置模塊主要針對考評項進行管理。考評項權值設置模塊實現了考評項的權值設置 ,通過考評項權值的設置有助于考核整體的公平性和有效性。在員工考評結果出 現異常波動的數據時對查詢結果進行手動調節(jié)。 3. 3. 3 系統業(yè)務流程分析 本系統的主要業(yè)務流程就是績效考評的流程 ,這個流程在人事部門員工、被考核員工、給出考核成績的評價者之間流轉?？己穗A段如圖 35所示 : 圖 35 考核階段流程示例圖 首先 ,績效考核由人事部門的員工建立績效考核的考核發(fā)起申請 ,將由系統生成的績效考核的詳細內容發(fā)送給被考核人的領導和被考核人進 行審批。在這個階段 ,部門領導應考慮到被考核員工的工作崗位、工作性質等綜合員工自身狀況給出考核項的權重系數。 進入考核階段之后 ,系統會通知全部需要對考核員工給出評價的人員 ,這其中包括被考核人的領導、同部門同事、外部門同事和下屬。待所有考評人給出考評結果之后 ,考核階段完成。 本系統的業(yè)務流程如圖 36 所示 : 圖 36績效考核系統業(yè)務流程圖 上圖清晰的反應了績效考核這一主要的系統業(yè)務的流程。 系統頂層數據流程如圖 37 所示?？冃Э己说暮唵螖祿Ｐ图从脩籼峤豢冃Э己藬祿o系統 ,經過績效考核業(yè)務處理將處理好的數據返回給客戶的過程?？冃Э己藰I(yè)務涵蓋了績效考核準各、績效考核、績效考核結果的分析與統計等環(huán)節(jié)。 圖 38 系統一層數據流程圖 細化系統業(yè)務流程 ,用戶的數據進入系統的業(yè)務為“ P1 績效考核數據審查處理” ,管理員操作數據反饋給用戶的業(yè)務為“ P2 績效考核 結果”。 圖 39 系統二層數椐流程圖 在一層數據流圖的基礎上細化系統業(yè)務流程 ,用戶的數據進入系統的業(yè)務 增加 了 “ h 我考核”和“ 考核信息反饋”。 用例分析 績效考核時系統的核心用例 ,員工作為績效考核的主體需要進行績效考核的發(fā)起 ,考核項的權重系數的設定 ,填寫績效考核成績。本系統的績效考核用例圖 310如下所示 : 圖 310績效考核用例圖 表 310 績效考核用例數據項說明 用例名稱 :績效考核用例 用例標識號 :TG 參與者 :員工領導 簡要數據項說明 :員工績效考核 前置條件 :發(fā)布信息的用戶身份已經確認且有權限進行績效考核 信息發(fā)布的事件流 : (1)用戶申請績效考核 ,并初步確定考核項。 (3)審核 通過后 ,考核人對被考核人進行評分。 其他事件流 A1: 在按“提交”按鈕之前 ,需要對員工級別 ,職務 ,崗位等信息進行采集。 注釋 :系統績效考核用例 第四章數據庫設計與數據挖掘 數 據庫的設計主要步驟如下 ,首先 ,依據系統所實現的業(yè)務對系統中的數據進行整理和細化 。最后 ,將準備整理好的邏輯數據模型應用到物理結構中去。 數據庫概念結構設計 ER模型是指 Entity and Relation,即實體關系模型。 ER 模型的構建過程是 根據真實的世界客觀規(guī)律對實體之間的關系進行分析和抽象。再將實體之間的關系找出來 ,通過分析實體之間的關系再對實體的屬性進行整理。 ` 圖 41系統 ER 圖 圖 41詳細顯示了本系統中主要實體之間的關系。員工與人事信息之間是發(fā)布和瀏覽的關系 。一個績效考核項目對應一個績效考核項目的成績 。員 工參加績效考核完成了整個系統的核心業(yè)務。本系統的數據庫的關系模型設計如下 : ⑴部門 (部門 ID,部門名稱 ,部門領導員工 ID,部門簡介 )。 (3)崗位 (崗位 ID,崗位名稱 ,崗位描述 )。)。 (6)人事信息與通知 (人事信息與通知 ID,人事信息與通知主題 ,人事信息與通知內容 ,人事信息與通知發(fā)表時間 ,電力 公司員工權限 ID 號 )。 （ 8） 績效考核分類 (績效考核分類 ID,績效考核分類標題 ,績 效考核分類說明 )。 (10)績效考核項目成績 (績效考核項目成績 ID,績效考核項目成績 ,給出考核結果的 電力 公司員工 ID,所屬績效考核項目 ID,所屬績效考核 ID,績效考核項目權重系數 )。表是數據庫的基礎 ,表的設計需要依據 ER圖 ,需要通過字段數據類型來考慮數據庫的性能。 表 41部門表 表 42崗位表 表 43人事信息與通知表 表 44 員工級別表 表 45員 工表 表 46 員工權限表表 表 47 績效考核表 表 48績效考核分類表 表 49績效考核項目表 表 410 績效考核項目成績表 數據庫關系圖 數據庫中表與表的關系通過主鍵與外鍵聯系在一起。本系統的數 據庫關系如圖 42所示。 數據庫中視圖的設計與應用 鑒于本系統中的數據量大 ,數據項之間的關系復雜 ,數據庫視圖在本系統中有著廣泛的使用。如果在需要顯示員工完整信息的時候都直接用 SQL 語句操作 ,不僅僅需要大量的代碼 ,而且由于在遠端請求的 SQL 查詢效率問題也會給服務器帶來很大的壓力。該視圖關鍵代碼 如下 : SELECT , , , , , , , , , AS Exprl FROM LEFT OUTER JOIN ON LEFT OUTER JOIN ON 如視圖 CMCC— User— Department— Rule 通過組合員工相關的數據 ,將用戶的全部信息完整地展示在了一起。 圖 43 視圖 User— Department_Rule運行的結果圖 (2)用于簡弟的數據統汁的視圖 在 SQL中提供了一些內置的函數 ,實現了數據統計功能 ,如常見的 Sum,count等 ,視圖 CMCC_User— Number統計了部門內部員工的人數 : SELECT , , Counter(*) AS CMCC— User— Number FROM INNER JOIN ON GROUP BY , 本視圖使用了 SQL 的內部統計函數“ counter”來實現數據的統計。 圖 44視圖 User_Number 運行結果圖。 SQL 中的觸發(fā)器與 Windows 系統中的時間響應函數有異曲同工之妙 ,不同的是觸發(fā)觸發(fā)器首先需要確定是對哪個數據庫表的操作 ,如 insert,update, delete。最后用 SQL 語言編寫觸發(fā)器執(zhí)行的存儲過程。同時觸發(fā)器還廣泛應用到對重要數據的保護 上 ,如在支付系統中對支付表進行 delete 操作的鎖定 ,不容許刪除表中的數據。 4. 數據挖掘技術概述 數據挖掘即 Data Mining,是指從數據庫中的大量、不完整、存在數據噪聲、邏輯 關系不明確的實際數據中 ,尋找出數據間隱含的關系 ,發(fā)掘出數據間潛在的信息和知識的數據處理和分析過程。如數據挖掘領域的經典范例“啤酒與尿片”中 ,通過對于超市購物情況的挖掘 ,發(fā)掘出啤酒與尿片經常在一起購買 ,這就是典型的數據間知識的描述。 隨著數據挖掘技術的發(fā)展 ,數據倉庫 ,聯 機分析處理 ,機器智能學習和統計學都有了相關的發(fā)展。數據挖掘技術的應用已經從最初的科學研究領域發(fā)展到了現在的在金融業(yè) ,零售業(yè) ,電力 業(yè) ,物流業(yè)等國計民生領域。 數據挖掘的過程就是對數據進行清洗 ,分類 ,整理 ,歸納的過程一般來講數據挖掘包含了數據收集 ,數據清理和數據轉換 ,數據挖掘與知識提取 ,數據挖掘結果評估與反饋這四個典型的階段 ,如圖 45所示。被提取出來的數據項如果直接進行數掘挖掘結果會有偏差 ,這是由于原始的數據項中往往存在“噪聲”數據 ,數據之間的關系往往是連續(xù)的 ,數掘的類型往往是數值型或者抽象的布爾型 ,這些障礙都使得數據挖掘的結果出現偏差。 數據預 處理好之后 ,就會通過數據挖掘算法對數據進行分析和處理 ,發(fā)現數據之間蘊含的關系和知識。 整體上看 ,數掘挖掘的過程中數據清洗階段決定了數據挖掘結果的質量 ,而對數據挖掘結果的反饋也從另一個側面促進了數據挖掘結果的正確與否。 本系統中數據挖掘需要解 決的問題 本系統在傳統的 360 度考核體系中引入了 “權重系數”這一概念。在系統剛剛運行的時候 ,在進行績效考評的時候 ,權重系數的設定成為影響數據挖掘結果公平性的主要依據。在系統運行一段時間之后 ,通過對現有數據的數掘挖掘 ,并對結果加以分析和矯 TH,可以直接得出不同崗位的權重系數。整個數據挖掘的過程包含數據清洗 ,數掘歸類 ,數據挖掘和結果應用。 本系統所采用的據挖掘工具和算法 數據庫技術的發(fā)展和廣泛使用大大促進了數據挖掘技術的發(fā)展 ,如今主流數據庫都提供數據挖掘功能。該系統包含了常用的數據挖掘算法和可視化工具 ,使得數據挖掘工作的入門難度降低 ,更加方便地為用戶提供數據挖掘服務。 作為商業(yè)軟件開發(fā)環(huán)境的提供商 Microsoft 在其主流的數據庫中都包含數據挖掘子系統。到了 SQL server20xx 產品時代 ,數據挖掘控件出現在了 中 ,這三個控件是 DMClusterViewer, DMDecisionTreeViewer 和DMNaiveBayesViewer,如圖 47 所 示： 圖 47數據挖掘主要階段示例 在 SQL server20xx產品中 ,數據挖掘的對象已經從基礎的數據庫中的數據發(fā)展到了 Microsoft Office 系列軟件中的各種數據。 本系統的數據庫管理軟件為 Microsoft SQL server 20xx。 電力 公司的員工多 ,部門和崗位分類眾多 ,數據項的分類細 ,數據量大 ,故而數據挖掘算法采用FPgrowth 算法。數據清理主要為了清除待挖掘數據項中的異常數據和錯誤數據。數據轉換是指將不同格式的數據轉化成便于數據挖掘的數據格式。數據預處理的過程是上述四種數據預處理方法整體運用的過程 ,圖 48顯示數據預處理步驟。本系統中數據清理的步驟如下 : (1)根據員工 ,崗位 ,考核項目將數據整理出來 (2)如果某 一項考核在員工的考核項目中 ,將此考核項目標記為“ 1” ,如果該考核項不在員工考核項目中則標記為“ 0”。 圖 49數椐預處理主要階段示例 算法關鍵代碼如下 : public class CleanDasta { public void CleanDasta (string[] AssessmentSAssItem,string BFlag) { string SAssItem =。 SAssSAssResult = Get (AssessmentSAssItem).ToStringO。 //SQL 命令 string sql = INSERT INTO SAssSAssResult (AssessmentSAssItem,SAssSAssResult) VALUES( ? + SAssItem + + SAssSAssResult + ?39。 SqlCommand cmd = new SqlCommandO。 (i, , sql39。 } public string BuildSAssItem(string[] AssessmentSAssItem) { string SAssItem for (int i = 1。 i++) { if (AssessmentSAssItem[i],ToStringO !=) { SAssItem = SAssItem + Key[i] + + AssessmentSAssItem[i].ToStringO+39。 } } return SAssItem。 SqICommand cmd = new SqlCommandO。 Apriori Apriori = new Apriori。 (SAssSAssResult)。 SqICommand cmd 二 new SqlCommandQ。 AssessmentSAssItem[l]=” 。 Assessments Assltem [