עצי ההחלטות הם בין הכלים המפרשים והעוצמתיים ביותר בערכת הכלים המונעת של המנהל.כאשר הם מיושמים להערכת ביצועי העובד וניהול, הם הופכים את האינטואיציה הסובייקטיבית לתהליך מובנה, חוזר על ידי מיפוי נקודות החלטה המבוססות על תכונות מדידה - כגון דמויות מכירות, כהונות, ציוני משוב, או השלמת אבני דרך הכשרה - עצים, צוות מאפשר אנשי מקצוע ומובילים לביצועים עקביים, הוגנים, שיפוטיים, כגון אסטרטגיות ברורות, או אימות, כמו אסטרטגיות מתקדמות, או יישום, או יישום, או יישום, או יישום אסטרטגיות ניהוליות מודרניות, או יישום, או יישום, תכנון, או יישום, או יישום של שיטות ניהוליות, או יישום, או יישום של שיטות ניהול אסטרטגיות ניהול אסטרטגיות ניהוליות, או יישום, או יישום של ניהוליות, או יישום של ניהוליות, או יישום של אבני דרך ניהול אסטרטגיות מתקדמות, או יישום של אבני דרך ניהול שיטות ניהול שיטות ניהוליות, או יישום.

מה הם עצי ההחלטות?

עץ החלטות הוא אלגוריתם למידה בפיקוח שמודלים החלטות והשלכות אפשריות במבנה דמוי עץ.כל צומת פנימי מייצג מבחן על תכונה (למשל, "האם הציון שביעות הרצון של העובד מעל 4?"), כל ענף מייצג את התוצאה של מבחן זה, וכל עלה אינו מייצג תווית או החלטה ייצוגית (למשל, "קידום מחדש" או "שיפורים אידיאליים" (Ne) על בסיס שיקולים של אנשים, הן הערכה אובייקטיבית של אנשים, המבטיחים של ביצועים חזותיים, הן על בסיס מידע חזותיים, הן על בסיס שיקולים, הן על בסיס שיקולים, הן על בסיס שיקולים, הן על בסיס שיקולים, הן על בסיס שיקולים, הן על בסיס שיקולים, הן על בסיס שיקולים של ביצועים חזותיים, הן על בסיס שיקולים, הן על בסיס של ביצועים אידיאליים, והן על בסיס שיקולים, הן על בסיס שיקולים, הן על בסיס שיקולים של ביצועים חזותיים של ביצועים חזותיים של ביצועים חזותיים, והחלטות אובייקטיביים, על בסיס שיקולים, והחלטות אובייקטיביים, הן על בסיס שיקולים, על בסיס שיקולים של ביצועים חזותיים, על בסיס שיקולים, על בסיס שיקולים, על בסיס שיקולים, על בסיס שיקולים, אשר מספקים, והחלטות אובייקטיביים, והחלטות אובייקטיבי

ישנם שני סוגים עיקריים של עצי החלטות המשמשים בניתוח HR:

  • (ב) ,0) עצים קדמיים (הראשונה) השתמשו כאשר התוצאה היא קטגורית, כגון "מניע", "הילד", או "בואו נלך".
  • (ב) ,0) עצי התוקפנות (Regression TreeFLT:1) – בשימוש כאשר התוצאה היא ערך מתמשך, כגון חיזוי דירוג הביצועים הבא של העובד בקנה מידה של 1-5.

האלגוריתם פועל על ידי פיצול חוזר של הנתונים על התכונה כי תהליך הפיצול האוטומטי יכול להתבצע באופן ידני על ידי מומחי דומיין או באמצעות ספריות למידת מכונה כמו FLT:0skit-learnture או entropy.This תהליך פיצול אוטומטי ניתן לבצע באופן ידני על ידי מומחי דומיין או באמצעות ספריות למידת מכונה כמו FLT:0skit-learnFancy:1LT, אבל העץ המושגי נשאר אותו הדבר: מפה של כללים "אם" אם כן, אם כן, אם כן, אם כן, אם כן, "ד נתונים" (הקוד של נתונים" (הקודמים).

היתרונות של שימוש בעץי החלטות ב-HR

אימוץ עצי החלטות לניהול ביצועים מניב מספר יתרונות קונקרטיים מעבר לרשימות או לכרטיסי ציון פשוטים.

  • (FLT:0Clarity and Transparency:FreaLT:1) שלא כמו אלגוריתמים שחורים בקופסאות, עצי ההחלטות מייצרים רצף ראייה שכל בעל עניין – מהחדר הקדמי ועד לקו החזית – יכול להבין.מנהלים יכולים ללכת לעובד בדיוק דרך מדוע התקבלה החלטה, לטפח אמון ולהפחית את התפיסה של העדפה.
  • (FLT:0) שקיפות מעבר ל-Avenators: ⁇ FLT:1 מנהלים שונים עשויים לשקול קריטריונים שונים.עץ החלטות לאכוף לוגיקה אחידה, ולהבטיח כי עובד שדיווח על מובילת צוות אחד נשפט על ידי אותם כללים כמו דיווח אחד לשני.
  • (FLT:0) הסתברות בהחלטות גבוהות של High-Volume:FLT:1 עבור ביקורות שנתיות, בונוסים רבעון, או מחזורי קידום מעורבים מאות או אלפי עובדים, עץ החלטה יכול לבודד את הטריג הראשוני.
  • (ב) ⁇ :0Data-Driven Objectivity: FLT:1 unig פיצולs על נתונים קוונטיים - כגון הכנסות שנוצרו, שערי השלמת פרויקטים, או ציוני משוב של 360 מעלות - העץ מצמצם הטיה קוגניטיבית כמו אפקט ההלו או הטיה של פתיחות. מחקרים המצוטטים על ידי FLT:2Society for Human Management (SHRM) LT 3 מראה ביצועים מונעים על ידי ארגון משאבי אנוש.

בנוסף, עצי ההחלטות מטפלים בנתונים המספריים והקטגוריים באופן טבעי, דורשים עיבוד נתונים מועט (אין צורך בנרמל תכונות), ויכולים להתמודד עם ערכים חסרים באמצעות פיצולים חלופיים.נכסים אלה הופכים אותם מעשיים במיוחד עבור מסדי נתונים, אשר לעתים קרובות הם בלגן וטרוגני.

צעדים לבניית עץ קבלת הערכה

בניית עץ החלטות יעיל להערכה של עובדים דורשת תכנון זהיר, איסוף נתונים, וזיקוק הרציונל.עקוב אחר ששת השלבים המפורטים הללו.

1.המטרות וההחלטות

התחל על ידי הבהרה המטרה המדויקת של העץ.האם אתה מחליט זכאות לקידום?חיזוי הסיכון למחזור? - רוטינג עובדים במסלולי אימון שונים?כל מטרה דורשת משתנה מטרה מובהקת.לדוגמה, עץ קידום עשוי להיות בעל שלושה תוצאות: "עקב אחר הדרך", "נתיב שלילי", או "פיתוח של Needs."

2.Gather and Ready Data

איסוף נתוני עובדים היסטוריים הכוללים את התכונות (משתנים עצמאיים) ואת התווית (התוצאה שאתה רוצה לחזות) תכונות אופייניות כוללות:

  • דמוגרפיות: הקדנציה, המחלקה, רמת העבודה
  • מדדי ביצועים: מכסת מכירות, קצב משלוח הפרויקט, שיעור השגיאה
  • תוצאות משוב: דירוגים למנהל, ביקורות עמיתים, שביעות רצון לקוחות (CSAT)
  • אינדיקטורים התנהגותיים: נעדרים, שעות נוספות, אימון

ודא איכות נתונים על ידי טיפול בערכים חסרים, הסרת העתקות (למשל, ביקורות מרובות עבור אותו עובד), ולוודא כי התווית היא אמינה.לדוגמה, החלטות קידום העבר שנעשו על ידי מנהלים אנושיים עשויים להכיל הטיה, כך לשקול שימוש בדירוג קונצנזוס או ציון ביצועים מאומת כמו האמת הקרקע.

זיהוי נקודות החלטה (Features)

בהתבסס על מומחיות התחום וניתוח נתונים של מחקר, בחר את התכונות כי הן החיזוי ביותר של התוצאה. להימנע כולל תכונות מוגן כגון גזע, מין, או גיל אלא אם נדרש או נשלט באופן חוקי או בקפידה על ההוגנות (יותר על זה באתגרים) השתמש בציונים חשובים מעץ ראשוני או ניתוח מתאם למשתנים לא רלוונטיים.

4.לבנה את העץ

אם נבנה באופן ידני, להתחיל עם ההחלטה המשפיעה ביותר כמו שורש צומת.לדוגמה, "האם הדירוג השנתי של העובד מעל 4.0?", ואז סניף לשאלות הבאות: "האם העובד סיים את הכשרת המנהיגות?", ו"האם העובד לא קיבל שום אזהרות רשמיות ב-12 החודשים האחרונים?", כל ענף מסתיים עם עלה ללא כל סימן המכיל את ההחלטה.אם באמצעות רכבת למידה, עץ על 70% של הנתונים (אימון) וקביעת עומק כדי לאפשר שימוש ב- 3.

עבור צוותים המשתמשים בתשתיות תוכן כמו FLT:0 (DirectusveFLT:1), לוגיקה ההחלטה ניתן לאחסן כמו metadata מובנה (למשל, כללי JSON) והוצא להורג באמצעות הרחבות בצד השרת.השקת הגמיש של Directus מאפשרת לך להגדיר אוספים מותאמים אישית עבור צמת עץ, סניפים, כללים, קבלת העץ מודל נתונים ומנוע חי.

5.לתקן את העץ

בדוק את העץ נגד קבוצה של הערכות עובדים היסטוריות.קלוקלוט מדדים כגון דיוק, דיוק, זיכרון ו-F1score.חשוב יותר, לבחון את ממטריקס הבלבול כדי לראות איפה העץ עושה שגיאות - במיוחד שליליות כוזבת (למשל, מניעת קידום לעובד ראוי) או חיובי כוזב (הצבת ערך יקר תחת בעלי עניין מעורבים) או בדיקת סף שלילי יותר, אם אתה צריך להתאים את עצמך למקרים של קידום חיובי יותר מאשר אופטימיזציה).

6. Deploy and Monitor

לחדד את העץ המאומת לתוך תוכנת HR או את זרימת העבודה של הערכה.ב פלטפורמה כמו Directus, אתה יכול ליצור נקודת קצה אישית שמקבלת נתונים של העובד וחוזרת את ההחלטה יחד עם הנתיב שנלקח. Monitor את ביצועי העץ לאורך זמן: כמו שינויים כוח העבודה שלך, העץ עשוי צריך לאימון מחדש כל 6-12 חודשים.עקב אם החלטות שהתקבלו על ידי עץ תואם עם תוצאות בפועל (למשל, לבצע היטב את תפקידם חדש).

דוגמה לעץ החלטות (ארבעה ליטר)

להלן דוגמה מציאותית יותר של עץ סיווג המשמש לקבוע אם עובד צריך לקבל בונוס שיקול דעת.עץ זה משתמש בשלושה מאפיינים מספריים ותכונה אחת קטגורית.

  • (ב) [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ויקרא יא' (ב') ויקרא יא':2 (ב')
  • (ב) ,0) ,(ה) ,(ה) ,0) ,(ה) .
  • (ב) ,9 שנים (ב) ,5 ,2 (ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • 3 (בלטינית:0) No בונוס
  • 90%-109%: הוכחו לצוללת אחרת (לא מוצגות לקיצור).
  • ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

    • עץ זה מתגמלת ביצועים גבוהים, אבל גם מהווה השפעה על הלקוחות וכהונה.הלוגיקה שקופה: עובד יכול לעקוב אחר תוצאותיהם לגורמים ספציפיים, מדידה של עץ כזה ניתן לקודד כחוקים עסקיים במערכת משאבי אנוש או כמודל מאומן ב- Python עם FLT:0exent AIטכניקות מורכבות AIREFLT:1.

    יישום עץ ההחלטות ב-HR Software

    טכנולוגיות משאבי אנוש מודרניות מחסניות יותר ויותר תמיכה אוטומציה מבוססת-עץ של החלטות, בעוד סוויטות רבות של ארגונים כמו Workday או SAP SuccessFactors מציעים מנועי כלל, הם לעתים קרובות חסרים את הגמישות ליישם אלגוריתמי עץ מותאם אישית.This is wherelessפלטפורמות כמו Directus זור. Directus מאפשר לך לבנות מודול מוסמך של כרטיס-tree באמצעות PHP/Node.s backend ו-PostgreSQL מסד נתונים.

    גישות יישום מפתח כוללות:

    • מבנה עץ ה-FLT:0. [Store tree Structure as data:FLT:1] צור אוסף עבור צמתים (עם שדות: הורה node, כינוי תכונה, מצב, סף, צמתים ילדים) ואוסף החלטות (עמודי צומת) תסריט קטן חוצה את העץ בזמן ריצה עבור כל ערכת הערכה של עובד.
    • (FLT:0) אימץ מודל מאומן: FLT:1ig עץ מ- scikit-learn (למשל, כייצוג JSON) ו לטעון אותו לנקודת מוצא ישירה.
    • (FLT:0) טבלאות החלטות קודקוד: FLT:1 השתמש בלוח המחוונים שנבנה על ידי Directus כדי לאפשר למנהלי משאבי אנוש לערוך חוקי עץ באמצעות ממשק דמוי גליון מבוזר, אשר לאחר מכן יוצר את לוגיקה העץ.

    Directus מספק גם הרשאות מבוססות תפקידים, יומני ביקורת והיסטוריית גרסאות - חיוני לציות לחוקי העבודה ומדיניות HR פנימית. A הדרכות מפורטת על בניית מערכת כזו זמינה ב-FLT:0Directus DocumentFLT:1.

    אתגרים ומייגים

    בעוד שעצים החלטות הם חזקים, הם מגיעים עם סיכונים שיש לנהל באופן פעיל.

    • (ב) ,0) מתאים: עץ 1 (בגובה מביניהם) עשוי להזכר רעש בנתונים האימונים ולא ללמוד דפוסים כלליים.
    • (FLT:0) בייאס מגבר: FLT:1 אם נתוני האימון מכילים הטיות היסטוריות (למשל, פחות נשים קידמו), העץ ישתכפל ואף יגביר את ההטיות הללו.
    • (FLT:0 יחסיות מול דיוק מסחר-off:cioFLT) 1 עץ יחיד הוא מאוד מפרש, אך עשוי להיות פחות מדויק מאשר הרכב או רשת עצבית.עם זאת, ב- HR, הפרשיות נדרשת לעתים קרובות באופן חוקי (למשל, GDPR נכון להסביר). לדבוק בעץ יחיד או בהרכב קטן (כמו 25 עצים) שעדיין ניתן לחדור לתוך עץ ייצוגי יחיד.
    • כוח העבודה המילוני: 1FLT 1 עץ מאומן על הנתונים בשנה שעברה עשוי להיות מבולבל בתפקידי עבודה מתפתחים.

    התייחסות לאתגרים אלה מחייבת לא רק נוקשות טכנית אלא גם שיתוף פעולה בין מדעני נתונים, גנרלים של HR, ויועץ משפטי.עץ החלטות בנוי היטב הוא רק טוב כמו מסגרת הממשל סביבו.

    שיטות טובות ביותר עבור עץ החלטות בניהול ביצועים

    • (ב) ,0) קל: החל מ-1 (ב) עם מקרה קטן, גבוה מאוד (למשל, זכאות בונוס) והתרחבות רק לאחר אימות.
    • (FLT:0) בעלי העניין: (1) יש מנהלים ועובדים הבודקים את מבנה העץ לערעור פנים - אם ההחלטה נראית מנוגדת, לבדוק את הנתונים או את ההיגיון המפוצל.
    • (FLT:0) ביצוע הכל: FLT:1 לשמור על שביל ביקורת של גירסאות עץ, הכשרת נתונים, תוצאות בדיקה, וכל מחסומים ידניים.
    • (ב) בפסק הדין האנושי: FLT:1 השתמש עץ ההחלטה כמלצה, לא פסק דין מוחלט.
    • (FLT:0) לאסוף משוב: FLT:1 לאחר כל מחזור הערכה, מנהלי סקר על שימושיות והגינות של החלטות העץ.

    מסקנה

    עצי ההחלטות מציעים שיטה חזקה, שקופה, והגנתית מבחינה משפטית להערכת ביצועי העובדים וניהול.על ידי פירוק החלטות מורכבות לתוך סדרה של צעדים אובייקטיביים, מונעים נתונים, ארגונים יכולים להפחית את ההטיה, להגביר את היעילות ולבנות אמון עם העובדים.המפתח שוכן בבנייה זהירה - בחירת התכונות הנכונות, אימות נגד תוצאות אמיתיות, ו ניטור עבור ההוגנות לאורך זמן.