解析招聘中的定量分析

　　招聘工作对企业的意义重大，它是保证企业整个人力资源管理工作顺利开展的重要前提和基础。

　　如何有效地对应聘人员做出评价，从中甄选出最适合企业的人员是人力资源部门面临的一个重大问题。传统的招聘面试方法，无论是常规的笔试、面试，还是评价中心法，人的主观判断和选择对结果的影响较大，使得企业在招聘过程中所体现的主观成分很大，有时甚至会影响到招聘的效果。笔者在此介绍几种较为客观科学的企业人员招聘评价的定量分析技术与大家共同学习探讨。
 

　　层次分析法的基本思想是把应聘者的综合能力分解为若干指标及层次，在最低层次通过两两对比得出各因素的权重，通过由低到高的层层分析计算，最后计算出各应聘者的最终综合指数，指数*5的即为a1候选人。

　　它的基本方法是建立应聘者评价指标层次结构模型。而建立评价指标层次模型，首先要对所要招聘的岗位有明确的认识，弄清它涉及哪些因素，如目标、分目标、部门、约束条件、可能情况等等，以及各因素之间的相互关系。其次将评价指标层次化，分为若干个层次。建立评价指标层次模型之后，可以对应聘者的各项指标进行两两比较，构造出判断矩阵。判断矩阵是定性过渡到定量的重要环节，再通过求解判断矩阵的特征向量，并对判断矩阵的一致性进行检验，检查企业招聘方在构造判断矩阵时判断思维是否具有一致性。通过一致性检验后，便可按归一化处理过的特征向量作为某一层次对上一层次某评价指标相对重要的排序加权值，然后从高层次到低层次逐层计算排序权值，得出应聘者的总排序。
 

　　在现实生活中，很多概念都是模糊的。如高个子，身高达到多少即算高个子，并无明确的定义，不同的人会有不同的理解。另外如应聘的能力、工作态度、性格等概念也是模糊的。这些概念的内涵是明确的，但外延是模糊的。在企业招聘的现实中，很多指标概念是模糊的，因此模糊决策方法正在成为企业招聘决策中的一种很有实用价值的工具。

　　模糊综合评价法是综合考虑系统或者事物的多种价值因素，用模糊集理论来评定优劣的方法。它的特点是将定性分析和定量分析相结合，主观分析与客观分析相结合。模糊决策的基本方法首先是构造评价指标集X和评级域V。比如X={X1(知识)，X2(能力)，X3(个性)，X4(动机)},V={V1(很好)，V2(好)，V3(不太好)，V4(不好)}。如果对于应聘者甲的“知识”指标，企业招聘方有30%认为“很好”，60%认为“好”，还有10%认为“不太好”，却无人认为“不好”，为了简便起见，我们可近似地认为对应聘者甲的“知识”指标的评价集为(0.3,0.6,0.1,0)。相似类推，即可得出应聘者的评价矩阵，将对应聘者的评价矩阵与其相应的权值进行求解，最后将会得到每个应聘者的综合评价分数。在实践中，模糊决策法常与专家分析评估法、层次分析法等综合使用。
 

　　优劣系数法是通过对应聘人员的各项指标相对于其他应聘者的优劣程度进行比较，从中甄选出较优秀的应聘者的一种定量分析方法。在现实生活中，没有哪一个应聘者绝对优于其他应聘者，也没有哪一个应聘者的各项指标绝对优于其他人员。

　　对于企业来说，各项素质指标的重要性并不是一样的，有些素质相对重要一些，而有些素质则相对次要一些。因此企业在计算优劣系数之前，首先需要对不同的评价指标给予不同的权数;然后通过标准化各项评价指标，使各项指标之间具有可比性，再计算优、劣系数。所谓优系数，是指一个应聘者优于另一个应聘者所对应的权数之和与全部权数之和的比率。所谓劣系数是通过对比两方案的优极差与劣极差来计算的。

　　由于优系数只反映优的应聘者，而不反映应聘者优的程度，劣系数只反映应聘者劣的程度，而不反映劣的应聘者，因而在进行招聘决策时应综合考虑优、劣系数。优劣系数法是根据优劣系数逐步淘汰不理想的应聘者，在招聘过程中具有较广泛的应用价值。
 

　　人工神经网络(Artificial Neural Network)是一门崭新的信息处理科学，是用来模拟人体神经结构和智能的一个前沿研究领域，因其具有独特的结构和处理信息的方法，使其在许多实际应用中取得了显着成效。近年来，由于神经科学、数理科学、信息科学、计算机科学的快速发展，使得以研究神经元的工作模式、非程序的信息处理的人工神经网络的实现成为可能。人工神经网络不需构建任何数学模型，只靠过去的经验和专家的知识来学习，通过网络学习达到其输出与期望输出相符的结果。网络所具有的自学习能力使得传统的专家系统技术应用最为困难的知识获取工作方式转换为网络的变结构调节过程，它能根据己学会的知识和处理问题的经验对复杂问题作出合理的判断决策，给出较满意的解答，或对未来过程作出有效预侧和估计。只要我们能够按照科学的数据选择参数构建网络模型，它即可获取数据中的专家经验数据，对应聘者的各项素质评价指标进行判断，给出较为客观合理的结果。目前人工神经网络在管理中的应用尚处于研究开发阶段。