数据驱动员工成长，AI辅助研发评优

1 . 训练 营 发 管 理 数据驱动员工成长，AI辅助研发评优 字 化 研 方 云 数 于人 2020.9 1 

2 .自我介绍 于人 训练 营 方云数据CEO、前随行付CTO 发 管 理 字 化 研 15年开发经验、12年技术管理经验 方 云 数 社科院 管理哲学 博士 中国人民大学 EMBA 2 

3 . 训练 营 发 管 理 字 化 研 方 云 数 3 

4 . 训练 营 发 管 理 字 化 研 方 云 数 老外屌丝中文哥超强12人模仿（2012年） https://www.bilibili.com/video/av255501?from=search&seid=1858820810630355762 

5 . 训练 营 发 管 理 字 化 研 方 云 数 男人不懂的东西 5 女人不懂的东西 

6 .主观偏差无处不在，管理评价要有客观纠错机制 刻板印象 首因效应 训练 营 近因效应 发 管 理 晕轮效应 字 化 研 感情效应 方 云 数 暗示效应 偏见误差 …… 6 

7 .智能算法：监督学习、决策树等算法全面赋能上级评价 上级的主观评价 理性决策 潜意识 训 练 营 认知盲区 发 管 理 字 化 研 方 云 数 规则引擎 监督学习 聚类算法 ⽅云 AI 算法，客观量化为评价赋能 7 

8 .方云数据专家团，创新理论、前沿科技与实战经验结合 刘军 陈运涛 胡豫陇 教授 博导 教授 博士后 中国人民大学 北京交通大学 训练 营 清华大学 组织行为学 质量管理 发 管 理 算法建模 字 化 研 方 云 数于人 方云 创始人 谭健 方云 合伙人 12年研发管理经验 10年研发管理经验 社科院 管理哲学 博士 英国 Essex 硕士 中国人民大学 EMBA 8 

9 . 训 练 营 1 发 管 理 PART 01 字 化 研 方云 数 聚类算法辅助研发评优 9 

10 . 聚类算法：识别特征、针对培养 聚类算法：识别特征、针对培养 老黄牛 训练 营 优秀员工 发 管 理 字 化 研 方 云 数 南郭先生 普通员工 10 

11 .第一步：围绕聚类目的，构建数据池 训练 营 数据来源 数据组成 发 管 理 分析目标 字 化 研 方 云 数 某企业员工， 成果产出、工作时间、 研发行为画像 4周内的工作 缺陷问题、组织成本 记录数据。 11 

12 .通过相关性筛选指标 训练 营 发 管 理 字 化 研 方 云 数 12 

13 . 聚类变量：RFM特征+截⾯⾏为特征 实际 缺陷 F M R 任务数 缺陷数量 组织成本 工作总时长 处理总时长 3 3 4.500 6.000 4 4 171.91 182.24 9 12 5 3 训练 13.68 7.54 营 99.7078 105.6992 理 1 1.000 4 154.03 4 5 10.02 138.2419 管 1 1.000 4 200.21 4 0 0.00 179.6885 1 1 0.333 0.167 4 1 164.07 化 研 188.41 1 1 发 3 0 4.30 0.00 114.2378 235.2770 字 2 0.667 4 205.36 2 2 8.12 142.9870 数 1 0.333 1 187.74 1 0 0.00 130.7187 云 2 0.667 4 210.29 2 4 7.18 146.4197 1 1 3 3 方 0.167 2.000 3.000 1.250 1 4 2 4 193.02 195.58 156.48 178.21 1 2 3 5 0 5 1 6 0.00 9.33 0.75 7.89 255.0277 88.0110 70.4160 146.9564 4 3.750 4 187.72 15 10 44.29 168.4787 4 1.000 4 209.80 5 6 11.97 206.1285 2 4.000 2 204.30 8 10 47.95 118.4940 13 

14 .第二步：选择算法 训练 营 发 管 理 字 化 研 方 云 数 14 

15 .两类聚类算法原理介绍 清晰聚类：Kmeans 模糊聚类：Fuzzy C-means 1. 指定聚类中心个数 1. 初始化隶属矩阵U，计算聚类中心 2. 随机选取聚类中心 营 2. 根据欧式距离范式计算样本点到中心的距离。 训练 理 3. 计算中心与样本点的欧氏距离，记录所属类别 3. 更新隶属矩阵U，直到评价函数变化小于阈值 4. 迭代求新的聚类中心 研 发 管 5. 直到聚类中心稳定 数 Tips：聚类变量间彼此独立 字 化 Tips：样本点以一定归属度（概率），属于一个类别 方 云 0. 6 0. 4 15 

16 . 第三步：分析聚类结果 模糊聚类： 行为边界模糊现象（图中红圈所示） SC: 0.4420 SC: 0.5638 营 S: 0.0340 S: 0.0489 练 XB: 1.3124 Kmeans-Cluster：4 XB: 0.7977 FCM-Cluster：4 管 理 训 化 研 发 云 数 字 方 16 

17 . - 类别1优秀员工： RFM得分高，价值点高，工作效率高； 结果分析 - 类别2普通员工： 行为趋同，各项行为数据处于中等水平。 - 类别3吃苦员工： 工作时间与普通员工一样，但任务数量、任务产出多 - 类别4落后员工： 各项行为数据偏小，工作产出很少。 实际 缺陷 已完成 营 姓名 F M R 缺陷数量 组织成本 类别 开发任务数量 练 工作总时长 处理总时长 训 小安 3 4.500 4 5 171.91 13.68 9 99.7078 1 理 小代 3 6.000 4 3 182.24 7.54 12 105.6992 1 小五 小樊 1 1 1.000 1.000 4 4 研 5 0 154.03 200.21 发 管 10.02 0.00 4 4 138.2419 179.6885 2 2 化 小郭 1 0.333 4 3 164.07 4.30 1 114.2378 2 小海 小李 2 2 云 数 0.667 0.667 字 4 4 2 4 205.36 210.29 8.12 7.18 2 2 142.9870 146.4197 2 2 方 小刘 1 2.000 4 5 195.58 9.33 2 88.0110 2 小欧 3 1.250 4 6 178.21 7.89 5 146.9564 3 小殷 4 1.000 4 6 209.80 11.97 5 206.1285 3 小田 4 3.750 4 10 187.72 44.29 15 168.4787 3 小于 2 4.000 2 10 204.30 47.95 8 118.4940 3 小韩 1 0.167 1 0 188.41 0.00 1 235.2770 4 小滨 1 0.167 1 0 193.02 0.00 1 255.0277 4 小明 1 0.333 1 0 187.74 0.00 1 130.7187 4 小孟 3 3.000 2 1 156.48 0.75 3 70.4160 4 

18 .聚类分析方法论总结 训练 营 数据： 分析目标： 发 管 理 分析算法： 结果检验： ·时间序列 字 化 研 ·行为轮廓 ·RFM ·管理理论实践 方 云 数 ·截面数据 ·聚类算法 ·实际行为比对 18 

19 .输入参数决定聚类效果：两种失败场景 Kmeans 1 营 个人产出 任务完成 严重的缺 缺陷处理 开发任务 重要的缺 练 姓名 缺陷数量 工作量 所属类别 价值 总时长 陷数量 总时长 数量 陷数量 小李 小宁 管 理 1 0.82 0.78 1 0.22 1 0.52 0.85 训 0.33 1 1 1 0.60 1 0.33 0 1 1 发 小郑 0.50 0.53 0.78 0.47 0.78 0.6 0.80 0 1 研 小周 0.31 0.83 0.11 0.02 0.22 1 0 0.33 1 小魏 0.59 0.16 0 0.02 0.11 0.6 0.15 0.33 2 化 小许 0.05 0.12 0.22 0.05 0.22 1 0.28 0 2 云 数 字 Kmeans 2 方 姓名 小李 个人产出 任务完成 严重的缺 缺陷处理 价值 1.00 总时长 陷数量 总时长 0.8 缺陷数量 0.2 开发任务 数量 工作量 0.52 0.3 1 0.59 重要的缺陷数量 所属类别 0.33 1 小宁 0.80 1.00 1 0.85 1 1 1 0 1 小魏 0.60 0.16 0 0.02 0.1 0.6 0.15 0.33 2 小许 0.04 0.12 0.2 0.05 0.2 1 0.28 0 2 小郑 0.50 0.53 0.8 0.47 0.8 0.6 0.8 0 2 小周 0.30 0.83 0.1 0.02 0.2 1 0 0.33 2 类别差异化不明显 员工向相邻类别转移，分析发现聚类原则与目标不一致 19 

20 . 训 练 营 好像还是离不开我，管 理 “ 云 字 化 研 发 能不能帮我自动评优？ 数 ” 方 20 

21 . 训 练 营 2 发 管 理 PART 02 字 化 研 方云 数 监督学习辅助研发评优 21 

22 .监督学习：为企业量身打造评价模型 用SVM算法（监督学习）学习领导对员工的评价模式 训练 营 进而用训练好的模型直接评价员工表现。 发 管 理 其优势在于： 字 化 研 云 数 1、发现那些被忽视的优秀员工或落后员工。 方 2、辅助管理者优化自身决策模式。 3、引导员工行为向“更好的”、“企业需要的” 方向发展。 22 

23 .SVM算法构建评价模型原理 领导对员工打分 训练 营 理 数据 发 监督学习模型 研 管 员工行为数据 数 字 化 下一期 预测未来的 员工行为得分 方 云 员工行为数据 模型训练 员工评价 输出结果 23 

24 .模型训练是重点，而“数据”是重中之重 训练 营 发 管 理 字 化 研 方 云 数 数据准备 ·建立数据池 模型建设 ·模型降维，定位关键指标 ·区分训练与测试数据集 ·生成算法，识别结果 ·分析数据特征 ·数据归一化 ·验证算法有效性（自测、互测） 24 

25 .构建数据池 数据池：28名员工的2020年1-4月行为数据+领导打分。 训练 营 数据包括研发人员。 发 管 理 字 化 研 云 数 数据来源为研发管理系统TAPD、Sonar、考勤系统等。 方 数据经过清洗，将不合格数据筛除，得到48个维度的数据。 25 

26 .区分训练与测试数据集 基于A企业员工4个月行为数据和每月领导打分数据 训练 营 月份 训练算法 标签 发 管 理 测试集 1月 SVM 字 化 研 有 2、3、4月行为数据与label 方 2月 云 3月 数 SVM SVM 有 有 1、3、4月行为数据与label 1、2、4月行为数据与label 4月 SVM 有 1、2、3月行为数据与label 26 

27 .第一次全量指标实验 - 失败 指标选择：全量指标（48个） 指标过多 + 训练样本过少 输入数据：4月训练模型，1月测试模型。 训练 营 导致模型受过多因素影响，无法有效区分出优秀人员 理 二分目标：“好” ，“不好” 参数：gamma=0.2,kernel='rbf',C=15 研 发 管 数 学习数据 (4月) 字 化 验证数据 (1月) 方 云 主管评价 不好 好 主管评价 不好 好 数量 24 4 数量 23 5 验证结果：4月模型识别1月数据，好员工为0，验证未通过。 27 

28 . 模型降维：RandomForestRegressor 营 算法降维 模型降维后指标库 基于实验2所使用的48个指标，通过机器学习算法 1 理 训练 代码提交行数 （ RandomForestRegressor ），筛选出有效指 研 发 管2 3 任务完成总时长 缺陷评分 化 标8个。 字 4 任务速度 方 云 人工降维 数 5 6 个人需求速度 任务平均完成时长 7 个人投入 可以根据业务解读，管理经验等⼈⼯⽅式再去评 8 任务预估工时准确率（组织） 价这些有效变量。 28 

29 . 生成算法，识别结果 4月份，28名研发人员，8个指标，优秀与非优秀数据对比 营 任务预估工时准 练 姓名 类别 代码提交行数 任务完成总时长 缺陷评分 任务速度 个人需求速度 任务平均完成时长 个人投入 确率（组织） 赵同学 张同学 优 优 25624 2107 338.05 446.8 1.5 3.3333 管 理 0.2075 0.1751 0 25.04 训 37.5611 44.68 133.4 127.6 44.4444 60 发 蔡同学 优 141427 795.85 0.4848 0.1577 0 49.7406 133.4 81.25 霍同学 优 94246 628.35 1.6667 0.1865 114.355 41.89 95.52 46.6667 研 于同学 差 0 53.76 0 1.2547 0 5.376 14 90 化 赵同学 差 0 342.07 0 0.1604 0 48.8671 43.2 85.7143 字 王同学 差 638 0 0 8 0 0 43.5 0 数 周同学 差 1327037 274.5 0 0.2812 17.44 27.45 52.2 20 1. 方 云 4月的优秀标准： 代码提交多 4月研发人员优秀的标准在于 打硬仗的、肯付出（处理缺陷，持续输出） 2. 处理缺陷，尤其是复杂缺陷。 3. 个人投入多 4. 任务完成时长偏长，处理棘手问题 降维后模型有效性： 89.3%，与48指标模型判断准确率相同（4月训练、4月验证） 29