一种基于数据驱动的企业学习方法及系统与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于数据驱动的企业学习方法及系统。


背景技术：

2.在数字浪潮下，社会、政治、技术、法律、产业、竞争、消费等发生着越来越快速的演进变化，商业环境以越来越快的速度向前狂奔。企业组织只有适应环境，敏捷进化，持续变革，才能基业长青。
3.然而，现有技术中存在企业很难对内部员工进行自适应化的培训学习，使得员工发展道路与企业可持续发展有所脱节，使得员工的个人发展较为缓慢，同时无法积极助力企业的良好可持续发展的技术问题。


技术实现要素：

4.本发明的目的是提供一种基于数据驱动的企业学习方法及系统，用以解决现有技术中的企业很难对内部员工进行自适应化的培训学习，使得员工发展道路与企业可持续发展有所脱节，使得员工的个人发展较为缓慢，同时无法积极助力企业的良好可持续发展的技术问题。
5.鉴于上述问题，本发明提供了一种基于数据驱动的企业学习方法及系统。
6.第一方面，本发明提供了一种基于数据驱动的企业学习方法，所述方法通过一种基于数据驱动的企业学习系统实现，其中，所述方法包括：搭建目标企业的分布状学习决策架构，所述分布状学习决策架构包括数据遍历层、画像生成层以及决策匹配层；基于所述数据遍历层，对所述目标企业的主流运营信息进行遍历，获得所述目标企业的岗位知识结构；将所述岗位知识结构进行格式转换，生成各岗位地图集合；基于所述画像生成层，对所述目标企业的内部员工进行角色定位，生成各员工角色定位集合；根据各员工附加特征信息，对所述各员工角色定位集合进行信息融合，生成各员工画像集合；将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练，获得所述内部员工的个性化学习决策模型集合；基于所述个性化学习决策模型集合，对所述目标企业的各员工进行驱动学习。
7.另一方面，本发明还提供了一种基于数据驱动的企业学习系统，用于执行如第一方面所述的一种基于数据驱动的企业学习方法，其中，所述系统包括：第一搭建单元，所述第一搭建单元用于搭建目标企业的分布状学习决策架构，所述分布状学习决策架构包括数据遍历层、画像生成层以及决策匹配层；第一获得单元，所述第一获得单元用于基于所述数据遍历层，对所述目标企业的主流运营信息进行遍历，获得所述目标企业的岗位知识结构；第一转换单元，所述第一转换单元用于将所述岗位知识结构进行格式转换，生成各岗位地图集合；第一定位单元，所述第一定位单元用于基于所述画像生成层，对所述目标企业的内部员工进行角色定位，生成各员工角色定位集合；第一融合单元，所述第一融合单元用于根
据各员工附加特征信息，对所述各员工角色定位集合进行信息融合，生成各员工画像集合；第一上传单元，所述第一上传单元用于将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练，获得所述内部员工的个性化学习决策模型集合；第一驱动单元，所述第一驱动单元用于基于所述个性化学习决策模型集合，对所述目标企业的各员工进行驱动学习。
8.第三方面，本发明还提供了一种基于数据驱动的企业学习系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
9.第四方面，一种电子设备，其中，包括处理器和存储器；该存储器，用于存储；该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。
10.第五方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
11.本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：通过搭建目标企业的分布状学习决策架构，进而根据其中的数据遍历层，对主流运营信息进行遍历，由此获得岗位知识结构；转换格式可生成各岗位地图集合；根据其中的画像生成层，对内部员工进行角色定位，生成各员工画像集合；通过将各岗位地图集合和各员工画像集合，上传至其中的决策匹配层进行匹配训练，可获得个性化学习决策模型集合，对各员工进行驱动学习。通过对目标企业的运营项目主流进行遍历精准的岗位知识结构采集，生成精准的各岗位地图，同时对企业内部员工进行精准角色定位以及技能水平测试，结合个人习惯特征，构建每位员工的精准画像，通过对画像进行数据解析，可为每位员工制定个性化学习决策模型，使得实现对内部员工进行自适应化的培训学习，助力企业发展。
12.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
13.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
14.图1为本发明一种基于数据驱动的企业学习方法的流程示意图；图2为本发明一种基于数据驱动的企业学习方法中将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练的流程示意图；图3为本发明一种基于数据驱动的企业学习方法中构建第一匹配逻辑的流程示意图；图4为本发明一种基于数据驱动的企业学习方法中生成非达标员工集合的个性化学习决策模型的流程示意图；图5为本发明一种基于数据驱动的企业学习方法中对所述非达标员工集合进行进
阶驱动学习的流程示意图；图6为本发明一种基于数据驱动的企业学习系统的结构示意图；图7为本发明示例性电子设备的结构示意图。
15.附图标记说明：第一搭建单元11，第一获得单元12，第一转换单元13，第一定位单元14，第一融合单元15，第一上传单元16，第一驱动单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
16.本发明通过提供一种基于数据驱动的企业学习方法及系统，解决了企业很难对内部员工进行自适应化的培训学习，使得员工发展道路与企业可持续发展有所脱节，使得员工的个人发展较为缓慢，同时无法积极助力企业的良好可持续发展的技术问题。通过对目标企业的运营项目主流进行遍历精准的岗位知识结构采集，生成精准的各岗位地图，同时对企业内部员工进行精准角色定位以及技能水平测试，结合个人习惯特征，构建每位员工的精准画像，通过对画像进行数据解析，可为每位员工制定个性化学习决策模型，达到对内部员工进行自适应化的培训学习，在提高员工专业技能的同时，助力企业的良好可持续发展的技术效果。
17.本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
18.下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
19.本发明提供了一种基于数据驱动的企业学习方法，所述方法应用于一种基于数据驱动的企业学习系统，其中，所述方法包括：搭建目标企业的分布状学习决策架构，所述分布状学习决策架构包括数据遍历层、画像生成层以及决策匹配层；基于所述数据遍历层，对所述目标企业的主流运营信息进行遍历，获得所述目标企业的岗位知识结构；将所述岗位知识结构进行格式转换，生成各岗位地图集合；基于所述画像生成层，对所述目标企业的内部员工进行角色定位，生成各员工角色定位集合；根据各员工附加特征信息，对所述各员工角色定位集合进行信息融合，生成各员工画像集合；将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练，获得所述内部员工的个性化学习决策模型集合；基于所述个性化学习决策模型集合，对所述目标企业的各员工进行驱动学习。
20.在介绍了本发明基本原理后，下面将结合说明书附图来具体介绍本发明的各种非限制性的实施方式。
21.实施例一请参阅附图1，本发明提供了一种基于数据驱动的企业学习方法，其中，所述方法应用于一种基于数据驱动的企业学习系统，所述方法具体包括如下步骤：步骤s100：搭建目标企业的分布状学习决策架构，所述分布状学习决策架构包括
数据遍历层、画像生成层以及决策匹配层；步骤s200：基于所述数据遍历层，对所述目标企业的主流运营信息进行遍历，获得所述目标企业的岗位知识结构；具体而言，在数字浪潮下，社会、政治、技术、法律、产业、竞争、消费等发生着越来越快速的演进变化，商业环境以越来越快的速度向前狂奔。企业组织只有适应环境，敏捷进化，持续变革，才能基业长青。然而现有的企业很难对内部员工进行自适应化的培训学习，使得员工发展道路与企业可持续发展有所脱节，使得员工的个人发展较为缓慢，同时无法积极助力企业的良好可持续发展。为了解决此类问题，本技术提出了了一种基于数据驱动的企业学习方法，即通过对目标企业的运营项目主流进行精准遍历的岗位知识结构采集，生成精准的各岗位地图，同时对企业内部员工进行精准角色定位以及技能水平测试，结合个人习惯特征，构建每位员工的精准画像，通过对画像进行数据解析，可为每位员工制定个性化学习决策模型，使得实现对内部员工进行自适应化的培训学习，助力企业发展。
22.更具体的，可先搭建目标企业的分布状学习决策架构，其中，所述目标企业为本技术中需要对其内部员工进行培训的企业，在此可以中小微金融企业为例进行说明，对中小微金融企业的内部员工培训，可基于所述分布状学习决策机构实现，其中，所述分布状学习决策机构包括数据遍历层、画像生成层以及决策匹配层。进一步的，所述数据遍历层即为对目标企业（金融企业）的运营项目主流（风控投资等项目）进行精准遍历的岗位知识结构采集；所述画像生成层即为对企业内部员工进行精准角色定位以及技能水平测试，结合个人习惯特征，构建每位员工的精准画像；所述决策匹配层即为对画像进行数据解析，可为每位员工制定个性化学习决策模型。
23.步骤s300：将所述岗位知识结构进行格式转换，生成各岗位地图集合；进一步的，步骤s300包括：步骤s310：对所述岗位知识结构进行遍历分析，获得职能部门集合；步骤s320：获得所述职能部门集合中，各职能部门的执行主体信息；步骤s330：对所述职能部门集合和所述执行主体信息进行格式转换，生成所述各岗位地图集合。
24.具体而言，在获得所述目标企业的岗位知识结构之后，可对其进行格式转换，具体的，所述岗位知识结构可表征为金融企业的组织架构，常常包括前台部分，包括资产管理部、创新业务部、重组并购部以及资产托管部等；中台部分，包括法律合规部、业务审核部等；后台部分，包括计划财务部以及人事行政部等。
25.在对所述岗位知识结构进行格式转换时，可对所述岗位知识结构进行遍历分析，获得职能部门集合，所述职能部门集合可表征为上述资产管理部、创新业务部、重组并购部或资产托管部等，进而，获得各职能部门的执行主体信息，示例性的，创新业务部的执行主体包括部长以及业务员等组成信息，进而对所述职能部门集合和所述执行主体信息进行格式转换，生成所述各岗位地图集合，即通过将创新业务部的部长以及业务员的执行主体分布信息进行格式转换，举例如，可转换为树状分布信息等，其中，树状分布信息展示了各执行主体的地位分布，即部长负责统筹规划，业务员负责实际业务运行等。所述各岗位地图集合遍及了金融企业的任一岗位及其执行主体的分布信息。
26.步骤s400：基于所述画像生成层，对所述目标企业的内部员工进行角色定位，生成
各员工角色定位集合；步骤s500：根据各员工附加特征信息，对所述各员工角色定位集合进行信息融合，生成各员工画像集合；进一步的，步骤s500包括：步骤s510：对所述各员工附加特征信息进行相关性分析，获得第一相关性附加特征和第二相关性附加特征；步骤s520：对所述各员工角色定位集合和所述第一相关性附加特征进行信息融合，生成初级各员工画像集合；步骤s530：对所述第二相关性附加特征和所述初级各员工画像集合进行二次信息融合，生成所述各员工画像集合。
27.具体而言，在生成精准的各岗位地图之后，需要对企业内部员工进行精准角色定位，具体的，可根据所述画像生成层，对所述目标企业的内部员工进行角色定位，生成各员工角色定位集合，其中，所述各员工角色定位集合包括创新业务部的业务人员、重组并购部的并购人员、计划财务部的财务人员，又或是人事行政部的行政人员，即企业内部的每个员工都有自己的角色定位。
28.同时，还可根据各员工附加特征信息，对所述各员工角色定位集合进行信息融合，具体的，所述各员工附加特征信息包括知识储备、实战经历以及个人习惯特征等，通过对所述各员工附加特征信息进行相关性分析，获得的所述第一相关性附加特征，可表征为对员工个人能力影响最大的特征，即技能水平；所述第二相关性附加特征，可表征为较次之的特征，即个人习惯等。
29.进而，对所述各员工角色定位集合和所述第一相关性附加特征进行信息融合，生成初级各员工画像集合，所述初级各员工画像集合，即表征了具备技能水平特征的员工画像集合，进而对所述第二相关性附加特征和所述初级各员工画像集合进行二次信息融合，生成所述各员工画像集合，所述各员工画像集合，可表征为在具备技能水平特征的员工画像集合的基础上，加入员工的个人习惯特征，融合得到的最终的企业内部员工画像集合。
30.步骤s600：将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练，获得所述内部员工的个性化学习决策模型集合；步骤s700：基于所述个性化学习决策模型集合，对所述目标企业的各员工进行驱动学习。
31.具体而言，在生成精准的各岗位地图，以及对企业内部员工进行精准画像生成之后，可将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练，将员工画像与岗位地图进行匹配契合，可对各岗位执行主体生成自适应的个性化学习决策模型，用以提高员工的专业技术水平。
32.示例性的，所述个性化学习决策模型集合，包括创新业务部的业务人员的个性化学习决策模型、重组并购部的并购人员的个性化学习决策模型、计划财务部的财务人员的个性化学习决策模型，以及人事行政部的行政人员的个性化学习决策模型等，可基于所述个性化学习决策模型集合，对所述目标企业的各员工进行驱动学习，在提高员工个人职业水平的同时，更好的助力企业可持续发展需求。
33.进一步的，如图2所示，所述将所述各岗位地图集合和所述各员工画像集合，上传
至所述决策匹配层进行匹配训练，步骤s600包括：步骤s610：对所述决策匹配层进行层级划分，生成第一匹配序列和第二匹配序列，其中，所述第二匹配序列和所述第一匹配序列一一对应；步骤s620：对所述各岗位地图集合中的各岗位进行需求特征提取，生成需求特征集合，并将所述需求特征集合输入至所述第一匹配序列；步骤s630：对所述各员工画像集合中的各员工进行技能特征提取，生成技能特征集合，并将所述技能特征集合输入至所述第二匹配序列；步骤s640：构建第一匹配逻辑；步骤s650：根据所述第一匹配逻辑，对所述第一匹配序列和所述第二匹配序列进行匹配训练。
34.具体而言，在将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练时，具体的，可对所述决策匹配层进行层级划分，所述第一匹配序列对应于金融企业的各岗位需求特征，所述第二匹配序列对应于企业内员工的个人技能特征。
35.通过对所述各岗位地图集合中的各岗位进行需求特征提取，可生成需求特征集合，示例性的，通过对重组并购部的岗位需求特征进行提取，提取到的结果包括员工的个人专业知识储备、并购案例结果以及胆大心细等个人行为特征集合，进而将所述需求特征集合输入至所述第一匹配序列；同时，还可对所述各员工画像集合中的各员工进行技能特征提取，此处可参考所述第一相关性附加特征进行提取，包括个人专业技能、职业素养等特征集合，进而将所述技能特征集合输入至所述第二匹配序列。
36.进而，根据构建好的第一匹配逻辑，可对所述第一匹配序列和所述第二匹配序列进行匹配训练，其中，所述第一匹配逻辑为对各岗位需求特征和企业内员工的个人技能特征进行相匹配的逻辑，使得对两者进行最优化、精准化的匹配。
37.进一步的，如图3所示，所述构建第一匹配逻辑，步骤s640包括：步骤s641：对所述第一匹配序列，嵌入访问式信号指令；步骤s642：对所述第二匹配序列，嵌入应答式信号指令；步骤s643：获得所述需求特征集合中的第一需求特征，且将所述第一需求特征加载至所述访问式信号指令，一同发送至所述第二匹配序列进行循环遍历，获得所述第二匹配序列中的第一技能特征集合；步骤s644：将所述第一技能特征集合加载至所述应答式信号指令，一同反馈至所述第一需求特征，获得所述第一技能特征集合相对应的第一技能员工集合。
38.具体而言，构建所述第一匹配逻辑，具体的，可对所述第一匹配序列，嵌入访问式信号指令，所述访问式信号指令，可类比于信号访问器，可加载需要进行访问的信息，传输至访问目的地进行信号访问；同时，对所述第二匹配序列，嵌入应答式信号指令，所述应答式信号指令，可类比于信号应答器，实现对访问的信号进行应答。
39.进而，获得所述需求特征集合中的第一需求特征，所述第一需求特征为所述需求特征集合中的任一岗位需求特征，示例性的，可以是重组并购部的岗位需求特征，通过将所述第一需求特征加载至所述访问式信号指令，一同发送至所述第二匹配序列进行循环遍历，可获得所述第二匹配序列中的第一技能特征集合，所述第一技能特征集合，即为与重组并购部的岗位需求特征相适应的个人专业知识储备、并购案例结果以及胆大心细等个人行
为特征集合。
40.最后，通过将所述第一技能特征集合加载至所述应答式信号指令，一同反馈至所述第一需求特征，获得所述第一技能特征集合相对应的第一技能员工集合，所述第一技能员工集合具备上述个人专业知识储备、并购案例结果以及胆大心细等个人行为特征集合，便于对所述第一技能员工集合进行个性化的学习决策模型生成。
41.进一步的，如图4所示，步骤s600还包括步骤s660：步骤s661：将所述第一需求特征和所述第一技能特征集合输入技能关联匹配模型进行训练，获得所述第一技能员工集合中，第一员工技能与所述第一需求特征的第一关联度值、第二员工技能与所述第一需求特征的第二关联度值、直至第n员工技能与所述第一需求特征的第n关联度值；步骤s662：基于预设关联度值，对所述第一关联度值、所述第二关联度值直至所述第n关联度值进行分类，获得第一达标关联度值集合和第二非达标关联度值集合；步骤s663：获得所述第一达标关联度值集合的岗位必要知识结构集合；步骤s664：基于所述岗位必要知识结构集合和所述第二非达标关联度值集合，生成非达标员工集合的个性化学习决策模型。
42.具体而言，在获得所述第一技能特征集合相对应的第一技能员工集合之后，可基于此生成个性化学习决策模型。具体的，将所述第一需求特征和所述第一技能特征集合输入技能关联匹配模型进行训练，其中，所述技能关联匹配模型可对员工个人技能与岗位需求特征之间的关联度进行精准训练，因所述第一技能员工集合都具备重组并购部的岗位需求，然而具体到每个员工的实际技能，却大有参差，因此可根据员工个人技能与岗位需求特征之间的关联度进行进行精准匹配。
43.具体的，基于所述技能关联匹配模型，可训练获得所述第一技能员工集合中，第一员工技能与所述第一需求特征的第一关联度值、第二员工技能与所述第一需求特征的第二关联度值、直至第n员工技能与所述第一需求特征的第n关联度值，即每个员工的实际技能与第一需求特征之间的关联度分布情况，进而，基于预设关联度值，对所述第一关联度值、所述第二关联度值直至所述第n关联度值进行分类，其中，所述预设关联度值可设定为员工的个人技能满足重组并购部的达标要求，即个人专业知识储备丰富、并购案例经验较多，且多为成功案例以及胆大心细等个人习惯，分类获得的所述第一达标关联度值集合可表征为满足个人专业知识储备丰富、并购案例经验较多，且多为成功案例以及胆大心细等个人习惯的关联度集合，反之，所述第二非达标关联度值集合即为不满足的关联度集合。
44.基于此，可获得所述第一达标关联度值集合的岗位必要知识结构集合，所述岗位必要知识结构集合，在此可以个人专业知识储备丰富所涉及的岗位必要知识进行总结，可通过所述岗位必要知识结构集合和所述第二非达标关联度值集合，生成非达标员工集合的个性化学习决策模型，实现对非达标员工集合的自适应化驱动学习。
45.进一步的，如图5所示，步骤s664包括：步骤s6641：基于所述个性化学习决策模型，获得所述非达标员工集合在与预设时间后的第一学习成果；步骤s6642：对所述岗位必要知识结构集合进行阶次划分，生成一阶知识架构、二阶知识架构和三阶知识架构；
步骤s6643：判断所述第一学习成果是否达到所述三阶知识架构；步骤s6644：若所述第一学习成果达到所述三阶知识架构，对所述非达标员工集合进行进阶驱动学习。
46.具体而言，在生成非达标员工集合的个性化学习决策模型，实现对非达标员工集合的自适应化驱动学习之后，为了评估所述个性化学习决策模型的学习效果，可基于所述个性化学习决策模型，获得所述非达标员工集合在与预设时间后的第一学习成果，其中，所述预设时间为基于所述个性化学习决策模型，员工学习的一段时间，可以是一周、一月、一季度不等，所述第一学习成果即为学习一段时间后的员工的实际个人专业知识储备。
47.同时，对所述岗位必要知识结构集合进行阶次划分，生成一阶知识架构、二阶知识架构和三阶知识架构，其中，所述一阶知识架构可理解为对专业知识的90%以上储备，所述二阶知识架构可理解为对专业知识的80%以上储备，所述三阶知识架构可理解为对专业知识的60%以上储备，通过判断所述第一学习成果是否达到所述三阶知识架构，即员工的实际个人专业知识储备是否达到对专业知识的60%以上储备，如果达到，则说明所述个性化学习决策模型与非达标员工是相适应的，可对所述非达标员工集合进行进阶驱动学习，使之进阶到所述二阶知识架构，乃至所述一阶知识架构，实现对员工的适应性驱动学习，进而提高员工的知识储备，助力公司发展。
48.综上所述，本发明所提供的一种基于数据驱动的企业学习方法具有如下技术效果：1、通过搭建目标企业的分布状学习决策架构，进而根据其中的数据遍历层，对主流运营信息进行遍历，由此获得岗位知识结构；转换格式可生成各岗位地图集合；根据其中的画像生成层，对内部员工进行角色定位，生成各员工画像集合；通过将各岗位地图集合和各员工画像集合，上传至其中的决策匹配层进行匹配训练，可获得个性化学习决策模型集合，对各员工进行驱动学习。通过对目标企业的运营项目主流进行遍历精准的岗位知识结构采集，生成精准的各岗位地图，同时对企业内部员工进行精准角色定位以及技能水平测试，结合个人习惯特征，构建每位员工的精准画像，通过对画像进行数据解析，可为每位员工制定个性化学习决策模型，使得实现对内部员工进行自适应化的培训学习，助力企业发展。
49.2、通过判断学习成果是否达到三阶知识架构，如果达到，可对员工进行进阶驱动学习，使之进阶到二阶知识架构，乃至一阶知识架构，实现对员工的适应性驱动学习，进而提高员工的知识储备。
50.实施例二基于与前述实施例中一种基于数据驱动的企业学习方法，同样发明构思，本发明还提供了一种基于数据驱动的企业学习系统，请参阅附图6，所述系统包括：第一搭建单元11，所述第一搭建单元11用于搭建目标企业的分布状学习决策架构，所述分布状学习决策架构包括数据遍历层、画像生成层以及决策匹配层；第一获得单元12，所述第一获得单元12用于基于所述数据遍历层，对所述目标企业的主流运营信息进行遍历，获得所述目标企业的岗位知识结构；第一转换单元13，所述第一转换单元13用于将所述岗位知识结构进行格式转换，生成各岗位地图集合；
第一定位单元14，所述第一定位单元14用于基于所述画像生成层，对所述目标企业的内部员工进行角色定位，生成各员工角色定位集合；第一融合单元15，所述第一融合单元15用于根据各员工附加特征信息，对所述各员工角色定位集合进行信息融合，生成各员工画像集合；第一上传单元16，所述第一上传单元16用于将所述各岗位地图集合和所述各员工画像集合，上传至所述决策匹配层进行匹配训练，获得所述内部员工的个性化学习决策模型集合；第一驱动单元17，所述第一驱动单元17用于基于所述个性化学习决策模型集合，对所述目标企业的各员工进行驱动学习。
51.进一步的，所述系统还包括：第一划分单元，所述第一划分单元用于对所述决策匹配层进行层级划分，生成第一匹配序列和第二匹配序列，其中，所述第二匹配序列和所述第一匹配序列一一对应；第一提取单元，所述第一提取单元用于对所述各岗位地图集合中的各岗位进行需求特征提取，生成需求特征集合，并将所述需求特征集合输入至所述第一匹配序列；第二提取单元，所述第二提取单元用于对所述各员工画像集合中的各员工进行技能特征提取，生成技能特征集合，并将所述技能特征集合输入至所述第二匹配序列；第一构建单元，所述第一构建单元用于构建第一匹配逻辑；第一匹配单元，所述第一匹配单元用于根据所述第一匹配逻辑，对所述第一匹配序列和所述第二匹配序列进行匹配训练。
52.进一步的，所述系统还包括：第一嵌入单元，所述第一嵌入单元用于对所述第一匹配序列，嵌入访问式信号指令；第二嵌入单元，所述第二嵌入单元用于对所述第二匹配序列，嵌入应答式信号指令；第二获得单元，所述第二获得单元用于获得所述需求特征集合中的第一需求特征，且将所述第一需求特征加载至所述访问式信号指令，一同发送至所述第二匹配序列进行循环遍历，获得所述第二匹配序列中的第一技能特征集合；第一加载单元，所述第一加载单元用于将所述第一技能特征集合加载至所述应答式信号指令，一同反馈至所述第一需求特征，获得所述第一技能特征集合相对应的第一技能员工集合。
53.进一步的，所述系统还包括：第一输入单元，所述第一输入单元用于将所述第一需求特征和所述第一技能特征集合输入技能关联匹配模型进行训练，获得所述第一技能员工集合中，第一员工技能与所述第一需求特征的第一关联度值、第二员工技能与所述第一需求特征的第二关联度值、直至第n员工技能与所述第一需求特征的第n关联度值；第一分类单元，所述第一分类单元用于基于预设关联度值，对所述第一关联度值、所述第二关联度值直至所述第n关联度值进行分类，获得第一达标关联度值集合和第二非达标关联度值集合；第三获得单元，所述第三获得单元用于获得所述第一达标关联度值集合的岗位必
要知识结构集合；第一生成单元，所述第一生成单元用于基于所述岗位必要知识结构集合和所述第二非达标关联度值集合，生成非达标员工集合的个性化学习决策模型。
54.进一步的，所述系统还包括：第四获得单元，所述第四获得单元用于基于所述个性化学习决策模型，获得所述非达标员工集合在与预设时间后的第一学习成果；第二划分单元，所述第二划分单元用于对所述岗位必要知识结构集合进行阶次划分，生成一阶知识架构、二阶知识架构和三阶知识架构；第一判断单元，所述第一判断单元用于判断所述第一学习成果是否达到所述三阶知识架构；第二驱动单元，所述第二驱动单元用于若所述第一学习成果达到所述三阶知识架构，对所述非达标员工集合进行进阶驱动学习。
55.进一步的，所述系统还包括：第一分析单元，所述第一分析单元用于对所述各员工附加特征信息进行相关性分析，获得第一相关性附加特征和第二相关性附加特征；第二融合单元，所述第二融合单元用于对所述各员工角色定位集合和所述第一相关性附加特征进行信息融合，生成初级各员工画像集合；第三融合单元，所述第三融合单元用于对所述第二相关性附加特征和所述初级各员工画像集合进行二次信息融合，生成所述各员工画像集合。
56.进一步的，所述系统还包括：第二分析单元，所述第二分析单元用于对所述岗位知识结构进行遍历分析，获得职能部门集合；第五获得单元，所述第五获得单元用于获得所述职能部门集合中，各职能部门的执行主体信息；第二转换单元，所述第二转换单元用于对所述职能部门集合和所述执行主体信息进行格式转换，生成所述各岗位地图集合。
57.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于数据驱动的企业学习方法和具体实例同样适用于本实施例的一种基于数据驱动的企业学习系统，通过前述对一种基于数据驱动的企业学习方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于数据驱动的企业学习系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
58.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
59.示例性电子设备
memory，简称ram）、磁盘存储器、只读光盘（compact disc read-only memory，简称cd-rom）、光学存储器等各种可以存储程序代码的介质。
68.本发明是参照本发明的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。
69.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
70.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。
71.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。