基于ID3算法的员工满意度分析过程研究
2017年02月17日 | 作者: adminlin | 分类: 企业管理满意度 |
基于ID3决策树算法，提出了企业员工满意度的分析步骤，对影响企业员工满意度的薪酬福利、工作岗位、工作环境、组织机构、职业发展等方面进行了分类，得到其决策树，提炼出产生式规则集，并用实例进行计算分析，提出了提高满意度的对策。
人力资源是企业核心竞争力的来源，随着“以人为本”的管理理念的深入，员工满意度已经成为了现代企业人力资源管理的重要内容。员工对其工作满意，则会努力工作，为企业创造更多价值，反之，则很可能会选择辞职，即使留在企业中，也会以消极的态度对待工作，这是企业所不愿意看到的。因此，企业应当重视提高员工的满意度，为此必须全面了解影响员工满意度的各方面因素及其关系。
ID3算法是人工职能领域中的一种归纳学习方法，通过对事实实例集合采用的“属性-值”信息结构计算其平均信息量，逐次利用平均信息量最小的属性划分事实实例集合，从而得到实例集合的选择过程及决策树。将该算法引入到员工满意度分析过程中，可以发现各项因素对被调查员工满意度实例集的影响情况，有助于了解员工对其工作满意程度的来源。
一、员工满意度概述
员工满意度是员工从其工作中得到的需求被满足而感受的程度，是员工对其工作情况的心理感知及接受程度。员工往往将其对工作的期望与目前所从事的工作带来的满足感进行对比，进而判断其当前工作的价值。员工满意度是员工对企业的一种评判，其评判结果影响了员工对企业的忠诚度和归属感。
员工满意度从员工的角度，反映了企业各方面对员工产生的影响。员工在企业里工作，对其工作环境、薪酬待遇、企业文化等方面都有所期望，这些期望被满足的程度直接影响了其工作绩效及就职意愿，因此，企业需要了解影响员工满意度的各方因素及其内在关联。
从组织行为学的角度出发，提出了员工满意度调查的指标体系，包括：工作环境、工作时间、成就感、兴趣、薪酬、晋升机会、企业形象、领导和同事关系；张艳清从员工性格的角度分析，归纳出影响内倾与外倾性格的员工满意度因素有：工作环境、工作属性、薪酬状况、人际关系、领导风格、制度、政策和成长空间七项指标；肖焰、胡珍珍进行了知识型员工的满意度实证研究，并构建了以工作满意度、回报满意度、自身发展满意度、组织满意度、工作环境为测量维度的指标体系。通过这些学者的研究，可以将影响员工满意度的因素归结为以下几个方面：薪酬福利；工作岗位；工作环境；组织文化；职业前途。
二、ID3算法基本原理
ID3算法是人工智能领域中的归纳学习方法，由J.R.Quianlan于1979年在CLS算法的基础上改进提出。其基本思想是通过对以“属性-值”信息结构的训练实例集中属性的选择给出一种启发式搜索方法，通过计算实例集的信息熵来选择平均信息量最小的属性来划分该实例集，进而扩展生成实例集的决策树。
假设训练实例集 ，其属性集合List={ , ,…, ,…, }，从中任选属性 ，通过该属性的值域Value( )={ ,…, ,…, }的s个取值将 划分为s个子集 , ,…, ,…, 。其中，子集 中所有实例的属性 的取值为 。
划分 的实例分类结果表Class={ , ,…, ,…, }，若子集 的实例数为 ，分类结果为 的实例数为 ( )， ，且 ( )= ，则实例集 的实例分类结果为 的概率为 = ( )/ 。
定义训练实例集 的信息熵为：
引入启发函数 生成决策树：若选择属性 划分实例集 为s个子集后，各子集的熵表示实例平均信息量，即：
则划分子集的启发式规则为：选择属性 划分实例集 为若干个子集后，应使实例平均信息量最小，即有 ，使用该属性划分实例集，从而得到决策树的节点。
ID3算法作为一种归纳学习方法，通过在CLS算法的基础上应用启发式规则，简化了计算步骤，提高了分类搜索的效率，能够快速从特例推导出一般规则。目前，该方法已经在员工绩效评价、库存量预测、关系管理等方面得到了应用。
三、基于ID3算法的员工满意度分析步骤
通过之前对员工满意度影响因素的研究，将归纳出的薪酬福利、工作岗位、工作环境、组织文化和职业前途作为某一员工满意度调查结果实例集的分类属性集合，构建实例集和属性集，分析步骤如下：
步骤一，构建初始学习实例集合
，并根据员工满意度影响因素进行属性分类，得到其属性集合List={薪酬福利,工作岗位,工作环境,组织文化,职业前途}，各属性值域表为：Value(薪酬福利),Value(工作岗位),
Value(工作环境), Value(组织文化), Value(职业前途)。
步骤二，若所有节点都已是最终节点，则终止，否则转步骤三。
步骤三，若属性集合List=()，则终止，否则转步骤四。
步骤四，从属性集合中分别选择各个属性划分非最终节点实例集 ，通过计算各自的信息熵，对比得到平均信息量最小的属性，即 = ，并用该属性划分实例集合 ，形成各分类结果。
逐个分析各分类结果，若其结果一致且不为空，则该分类结果为决策树的最终节点，并以分类结果进行标记；若为空，则该分类结果也是最终节点，并予以删除。
步骤五，删除刚才划分实例集用的属性，并转步骤二。
步骤六，各属性计算完毕，得到实例集 的决策树。
四、实例分析
假设某企业开展了一次以薪酬福利、工作岗位、工作环境、组织文化和职业前途五个方面为基础的员工满意度问卷调查，得到结果汇总如表1所示：
对上述汇总结果运用基于ID3算法的员工满意度模型进行分析，过程如下：
第一，归纳初始实例集及属性表。
初始实例集为：
T=[1(不满意),2(满意),3(满意),4(不满意),5(满意),6(不满意),7(满意),8(满意),9(不满意),10(不满意),11(满意),12(满意),13(满意),14(满意),15(不满意),16(不满意),17(满意),18(满意),19(满意),20(不满意),21(满意),22(不满意),23(满意),24(满意)]
属性集合为：List=(薪酬福利,工作岗位,工作环境,组织文化,职业前途)
各属性值域分别是：Value(薪酬福利)={ , , }，Value(工作岗位)={ , , }，Value(工作环境)={ , }，Value(组织文化)={ , , }，Value(组织文化)={ , , }
第二，选择属性划分T，并计算各属性划分的信息熵及平均信息量。
比较不同属性划分T的信息量，则有：
故使用属性“职业前途”划分T为三个子集：
职业前途为“ ”的子集
=[5(满意), 9(不满意), 11(满意), 12(满意), 14(满意), 19(满意), 22(不满意), 23(满意)]。
职业前途为“ ”的子集
=[1(不满意), 3(满意), 4(不满意), 7(满意), 8(满意), 10(不满意), 13(满意), 17(满意), 18(满意), 21(满意), 24(满意)]。
职业前途为“ ”的子集
=[2(不满意), 6(不满意), 15(不满意), 16(不满意), 20(不满意)]，此为终叶节点，标记“不满意”。
从属性集List中删除属性“职业前途”，则List=(薪酬福利,工作岗位,工作环境,组织文化)。
第三，继续用List中的属性划分 ，并计算各属性划分的信息熵及平均信息量。
比较不同属性划分 的信息量，则有：
故使用属性“薪酬福利”划分 为三个子集：
薪酬福利为“ ”的子集 =[5(满意), 11(满意), 12(满意), 22(不满意), 23(满意)]。
薪酬福利为“ ”的子集 =[14(满意), 19(满意)]，此为终叶节点，标记“满意”。
薪酬福利为“ ”的子集 =[9(不满意)] ，此为终叶节点，标记“不满意”。
从属性集List中删除属性“薪酬福利”，则List=(工作岗位,工作环境,组织文化)。
第四，循环使用各个属性计算，直到所有节点都是最终节点，将各节点汇总形成决策树如图1所示.
由决策树生成产生式规则集如下：
对于该实例集合，职业前途是员工满意度的基础内容，如果职业前途为“
”，则员工会对薪酬福利为“ ”感到满意，对薪酬福利为“ ”感到不满意，而对薪酬福利为“ ”时，需要进一步考虑工作岗位，如果工作岗位为“ ”或“
”，则对工作满意，如果工作岗位为“ ”，则对工作不满意。
如果职业前途为“ ”，则员工会对组织文化为“ ”或“ ”感到满意，而对组织文化为“ ”时，需要进一步考虑工作环境，如果工作环境为“ ”，则对工作满意，如果工作环境为“ ”，则对工作不满意。
如果企业所能提供的职业前途为“ ”，则员工对其工作不满意。
上述决策树和提炼出的规则集反映了该实例集中员工对其工作满意情况的选择决策过程，有助于企业发现其所属员工对工作满意程度各因素之间的内在关联，合理预测企业的人力资源状况，从而为提高员工工作满意度制定合理的人力资源管理策略。
五、结束语
通过将ID3算法引入到员工满意度调查研究中，构建起影响员工满意度的各因素决策树，并提炼出其产生式规则集，由于是从目前已知的数据进行归纳分析，整个过程突出了对事实的归纳。该方法有助于企业管理者了解所属员工的工作意向及其影响因素之间的内在关联，为管理者制定企业人力资源管理策略提供了依据。
不过，当面临实例集数量较多且属性较多的时候，ID3算法会因计算量过大而导致效率降低，而且由于员工满意度调查所组成的实例集不确定性较大，利用该算法分析时，可能在计算过程中出现所有节点都还未成为终叶节点，而属性集已经为空的情况，导致计算失败。因此，一方面需要在进行员工满意度调查时进行合理的设计，另一方面需要进一步改进算法，尽量规避这类问题。
想获取更多信息，或者咨询相关业务可以关注我们的微信公众平台：SMR_gz
或者扫描下面二维码
