本發(fā)明涉及計算機(jī)領(lǐng)域，尤其涉及一種數(shù)據(jù)處理方法及裝置。

背景技術(shù)：

人才招聘是企業(yè)發(fā)展過程中不可缺少的一個重要環(huán)節(jié)。在各個企業(yè)中，通常具有專門的面試官負(fù)責(zé)進(jìn)行招聘的面試工作。特別是具有較大招聘需求的大企業(yè)，面試官隊伍非常龐大。

而面試官本身的能力有著參差不齊。對于大企業(yè)，處在面試環(huán)節(jié)初期的簡歷評估和第一輪面試任務(wù)，直接面對海量的應(yīng)聘請求，面試官難免會有一些主觀或者錯判的情況。這時，評價一位面試官的面試能力尤為重要。一位優(yōu)秀的面試官可以大大減少錯判，并可以留下具有參考價值的面試反饋，供后續(xù)其他面試官參考，提升信息的互通，提供效率。反之，則會形成惡性循環(huán)。

目前，對面試官面試能力的評價主要通過人工的方式，由hr(人力資源)或者主管的主觀感覺或者統(tǒng)計面試結(jié)果來評價和管理面試官，這種方式有兩個缺陷：一是對面試官面試能力的評價結(jié)論過于主觀，不夠準(zhǔn)確，二是評價面試官面試能力的人工工作量大，效率低下，特別是面試官隊伍比較大時，工作量大增，效率更低，其效果也會大打折扣。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種數(shù)據(jù)處理方法及裝置，能夠使對面試官的面試能力的評價更加客觀、準(zhǔn)確，有助于提升面試效果。

為實現(xiàn)上述目的，本發(fā)明提出了一種數(shù)據(jù)處理方法，包括：

獲取設(shè)定歷史期間內(nèi)對候選人的面試數(shù)據(jù)，所述面試數(shù)據(jù)以次為單位，每次的面試數(shù)據(jù)包括候選人、面試官、面試結(jié)果；

基于所述面試數(shù)據(jù)反映出的不同面試官的面試結(jié)果差異，對面試官進(jìn) 行評價。

進(jìn)一步地，上述方法還可具有以下特點(diǎn)，所述基于所述面試數(shù)據(jù)反映出的不同面試官的面試結(jié)果差異，對面試官進(jìn)行評價，包括：

基于所述面試數(shù)據(jù)反映出的不同面試官對相同候選人的面試結(jié)果差異程度確定待評定面試官在一定面試官群體中的相對面試能力層級。

進(jìn)一步地，上述方法還可具有以下特點(diǎn)，所述不同面試官的面試結(jié)果差異包括：不同面試官對相同候選人在不同應(yīng)聘的相同環(huán)節(jié)給予所述相同候選人的面試結(jié)果差異，和/或，不同面試官對相同候選人在相同應(yīng)聘的不同環(huán)節(jié)給予所述相同候選人的面試結(jié)果差異。

進(jìn)一步地，上述方法還可具有以下特點(diǎn)，所述基于所述面試數(shù)據(jù)反映出的不同面試官對相同候選人的面試結(jié)果差異程度確定待評定面試官在一定面試官群體中的相對面試能力層級包括：

按照設(shè)定的評價分值模型，利用所述面試數(shù)據(jù)計算每次面試的評價分值，所述評價分值模型以不同面試官對相同候選人的面試結(jié)果差異程度為基礎(chǔ)；

分別計算各個面試官單次面試的評價分值平均值，記為第一平均值；

按照設(shè)定的排名得分模型，根據(jù)所述第一平均值計算各個面試官的排名得分；

按照所述排名得分降序順序?qū)Ω鱾€面試官進(jìn)行排名，所述待評定面試官取得的排名名次即為所述待評定面試官在所述面試官群體中的相對面試能力層級。

進(jìn)一步地，上述方法還可具有以下特點(diǎn)，所述按照設(shè)定的排名得分模型，根據(jù)所述第一平均值計算各個面試官的排名得分包括：

令各個面試官的排名得分等于各自對應(yīng)的第一平均值。

進(jìn)一步地，上述方法還可具有以下特點(diǎn)，所述按照設(shè)定的排名得分模型，根據(jù)所述第一平均值計算各個面試官的排名得分包括：

計算所述面試數(shù)據(jù)涉及的所有面試官單次面試的評價分值平均值，記為第二平均值；

根據(jù)所述第一平均值和所述第二平均值的權(quán)重，得到各個面試官的排名得分。

進(jìn)一步地，上述方法還可具有以下特點(diǎn)，所述根據(jù)所述第一平均值和所述第二平均值的權(quán)重，得到各個面試官的排名得分包括：

設(shè)置所述第一平均值的權(quán)重與v/(v+m)正相關(guān)、所述第二平均值的權(quán)重與m/(v+m)正相關(guān)，其中，v為所述面試數(shù)據(jù)中涉及的相應(yīng)單個面試官的總面試次數(shù)，m為預(yù)設(shè)的面試次數(shù)閾值。

本發(fā)明實施例的數(shù)據(jù)處理方法，能夠自動利用海量的歷史面試數(shù)據(jù)對面試官的面試能力進(jìn)行評價，一方面節(jié)省了人工評價面試官的工作量，效率高，且降低了企業(yè)管理面試官隊伍的成本，另一方面對面試官的面試能力的評價更加客觀、準(zhǔn)確，有助于企業(yè)選拔優(yōu)秀的面試官，從而提升本企業(yè)的面試效果。

為實現(xiàn)上述目的，本發(fā)明還提出了一種數(shù)據(jù)處理裝置，包括：

獲取模塊，用于獲取設(shè)定歷史期間內(nèi)對候選人的面試數(shù)據(jù)，所述面試數(shù)據(jù)以次為單位，每次的面試數(shù)據(jù)包括候選人、面試官、面試結(jié)果；

評價模塊，用于基于所述面試數(shù)據(jù)反映出的不同面試官的面試結(jié)果差異，對面試官進(jìn)行評價。

進(jìn)一步地，上述裝置還可具有以下特點(diǎn)，所述評價模塊包括：

確定模塊，用于基于所述獲取模塊獲取的所述面試數(shù)據(jù)反映出的不同面試官對相同候選人的面試結(jié)果差異程度確定待評定面試官在一定面試官群體中的相對面試能力層級。

進(jìn)一步地，上述裝置還可具有以下特點(diǎn)，所述不同面試官的面試結(jié)果差異包括：不同面試官對相同候選人在不同應(yīng)聘的相同環(huán)節(jié)給予所述相同候選人的面試結(jié)果差異，和/或，不同面試官對相同候選人在相同應(yīng)聘的不同環(huán)節(jié)給予所述相同候選人的面試結(jié)果差異。

進(jìn)一步地，上述裝置還可具有以下特點(diǎn)，所述確定模塊包括：

評價分值計算模塊，用于按照設(shè)定的評價分值模型，利用所述面試數(shù)據(jù)計算每次面試的評價分值，所述評價分值模型以不同面試官對相同候選人的面試結(jié)果差異程度為基礎(chǔ)；

第一計算模塊，用于分別計算各個面試官單次面試的評價分值平均值，記為第一平均值；

排名得分模塊，用于按照設(shè)定的排名得分模型，根據(jù)所述第一計算模 塊計算出的第一平均值計算各個面試官的排名得分；

排名模塊，用于按照所述排名得分模塊計算出的排名得分降序順序?qū)Ω鱾€面試官進(jìn)行排名，所述待評定面試官取得的排名名次即為所述待評定面試官在所述面試官群體中的相對面試能力層級。

進(jìn)一步地，上述裝置還可具有以下特點(diǎn)，所述排名得分模塊包括：

第一處理單元，用于令各個面試官的排名得分等于各自對應(yīng)的第一平均值。

進(jìn)一步地，上述裝置還可具有以下特點(diǎn)，所述排名得分模塊包括：

第二計算單元，用于計算所述面試數(shù)據(jù)涉及的所有面試官單次面試的評價分值平均值，記為第二平均值；

第二處理單元，用于根據(jù)所述第一計算模塊計算出的所述第一平均值和所述第二計算單元計算出的所述第二平均值的權(quán)重，得到各個面試官的排名得分。

進(jìn)一步地，上述裝置還可具有以下特點(diǎn)，所述第二處理單元包括：

設(shè)置子單元，用于設(shè)置所述第一平均值的權(quán)重與v/(v+m)正相關(guān)、所述第二平均值的權(quán)重與m/(v+m)正相關(guān)，其中，v為所述面試數(shù)據(jù)中涉及的相應(yīng)單個面試官的總面試次數(shù)，m為預(yù)設(shè)的面試次數(shù)閾值。

本發(fā)明實施例的數(shù)據(jù)處理裝置，能夠自動利用海量的歷史面試數(shù)據(jù)對面試官的面試能力進(jìn)行評價，一方面節(jié)省了人工評價面試官的工作量，效率高，且降低了企業(yè)管理面試官隊伍的成本，另一方面對面試官的面試能力的評價更加客觀、準(zhǔn)確，有助于企業(yè)選拔優(yōu)秀的面試官，從而提升本企業(yè)的面試效果。

附圖說明

圖1為本發(fā)明實施例一中數(shù)據(jù)處理方法的流程圖。

圖2為一個候選人的面試數(shù)據(jù)關(guān)聯(lián)示意圖。

圖3為本發(fā)明實施例二中數(shù)據(jù)處理裝置的結(jié)構(gòu)框圖。

具體實施方式

以下結(jié)合附圖對本發(fā)明的原理和特征進(jìn)行描述，所舉實施例只用于解 釋本發(fā)明，并非用于限定本發(fā)明的范圍。對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，根據(jù)本發(fā)明精神所獲得的所有實施例，都屬于本發(fā)明的保護(hù)范圍。

圖1為本發(fā)明實施例一中數(shù)據(jù)處理方法的流程圖。如圖1所示，本實施例中，數(shù)據(jù)處理方法可以包括如下步驟：

步驟s101，獲取設(shè)定歷史期間內(nèi)對候選人的面試數(shù)據(jù)，其中，面試數(shù)據(jù)以次為單位，每次的面試數(shù)據(jù)包括候選人、面試官、面試結(jié)果；

這里，獲取的面試數(shù)據(jù)是過去一段時期內(nèi)的面試數(shù)據(jù)，例如，可以是過去一年或兩年中的面試數(shù)據(jù)，也可以是過去幾個月內(nèi)的面試數(shù)據(jù)。

其中，面試結(jié)果可以包括是否通過、面試官給予候選人的評定層級等。在具體應(yīng)用中，可以將通過面試標(biāo)記為1，將未通過面試標(biāo)記為0。而面試官給予候選人的評定層級可以是設(shè)定的整數(shù)范圍，比如1到5的整數(shù)、1到10的整數(shù)等等。

步驟s102，基于面試數(shù)據(jù)反映出的不同面試官的面試結(jié)果差異，對面試官進(jìn)行評價。

在本發(fā)明實施例中，步驟s102可以包括：基于面試數(shù)據(jù)反映出的不同面試官對相同候選人的面試結(jié)果差異程度確定待評定面試官在一定面試官群體中的相對面試能力層級。

本文中，相同候選人可以包括一個候選人，也可以包括多個候選人。面試官對間接相同的候選人進(jìn)行面試的結(jié)果也可以用來進(jìn)行評價。

其中，一定面試官群體一般可以是一個公司內(nèi)部的所有面試官。步驟s102中的面試官群體可以理解為是步驟s101中面試數(shù)據(jù)涉及的所有面試官。

其中，面試結(jié)果差異程度是針對相同候選人，不同面試官給予的面試結(jié)果之間的差別大小。例如，一個候選人申請了一個公司的5個職位，每一個職位的面試中有一個面試官，而且每一個職位的面試都只有1輪。假如在這5個職位的面試中，只有一個面試官(假設(shè)為面試官a)的面試結(jié)果是未通過面試，而其他4位面試官的面試結(jié)果都是通過面試，那么面試官a與其他面試官對相同候選人的面試結(jié)果差異程度很大。而如果有3個面試官(包括面試官a在內(nèi))的面試結(jié)果是未通過面試，而其他2位面試 官的面試結(jié)果都是通過面試，那么面試官a與其他面試官對相同候選人的面試結(jié)果差異程度較小。

當(dāng)然，面試結(jié)果差異程度是基于步驟s101中的大量的面試數(shù)據(jù)產(chǎn)生的，而不是只根據(jù)一次或少數(shù)幾次的面試結(jié)果確定的。也就是說，面試結(jié)果差異程度是基于很多次的大量的面試結(jié)果得出的結(jié)論，而不是基于個別的一次或幾次的數(shù)據(jù)。

其中，不同面試官的面試結(jié)果差異可以包括不同面試官對相同候選人在不同應(yīng)聘的相同環(huán)節(jié)給予該相同候選人的面試結(jié)果差異。不同面試官的面試結(jié)果差異還可以包括不同面試官對相同候選人在相同應(yīng)聘的不同環(huán)節(jié)給予該相同候選人的面試結(jié)果差異。在本發(fā)明實施例中，可以同時包括這兩種情形，也可以包括這兩種情形之一。

在本發(fā)明實施例中，基于面試數(shù)據(jù)反映出的不同面試官對相同候選人的面試結(jié)果差異程度確定待評定面試官在一定面試官群體中的相對面試能力層級，可以包括如下步驟a至步驟d：

步驟a，按照設(shè)定的評價分值模型，利用面試數(shù)據(jù)計算每次面試的評價分值，該評價分值模型以不同面試官對相同候選人的面試結(jié)果差異程度為基礎(chǔ)；

本步驟實質(zhì)上是對每一次面試進(jìn)行打分的過程?；谙嗤瑯?biāo)準(zhǔn)(這里指相同的評價分值模型)對每一次面試進(jìn)行打分，然后后續(xù)再對大量這樣的打分結(jié)果進(jìn)行處理。

步驟b，分別計算各個面試官單次面試的評價分值平均值，記為第一平均值；

假設(shè)一個面試官的總面試次數(shù)是m，該面試官在該m次面試中得到的評價分值之和為n，則該面試官的第一平均值等于n/m，其中，符號“/”表示除以運(yùn)算。

面試官某一次的評價分值具有較大的偶然性，但很多次面試的評價分值的平均值可以比較真實地反映該面試官在單次面試中的評價分值水平。

步驟c，按照設(shè)定的排名得分模型，根據(jù)第一平均值計算各個面試官的排名得分；

排名得分用于評價面試官的面試能力，排名得分越高，面試官的面試 能力越強(qiáng)，反之，排名得分越高，面試官的面試能力越差。

步驟d，按照排名得分降序順序?qū)Ω鱾€面試官進(jìn)行排名，其中，待評定面試官取得的排名名次即為待評定面試官在該面試官群體中的相對面試能力層級。

在本發(fā)明實施例中，上述的步驟c可以包括：令各個面試官的排名得分等于各自對應(yīng)的第一平均值。

在本發(fā)明實施例中，上述的步驟c可以包括：計算面試數(shù)據(jù)涉及的所有面試官單次面試的評價分值平均值，記為第二平均值；根據(jù)第一平均值和第二平均值的權(quán)重，得到各個面試官的排名得分。例如可以對第一平均值和第二平均值進(jìn)行加權(quán)相加，將加權(quán)相加的結(jié)果作為面試官的排名得分。假設(shè)面試數(shù)據(jù)涉及的所有面試官的總面試次數(shù)是t，該t次面試的評價分值總和是q，則第二平均值等于q/t，其中，符號“/”表示除以運(yùn)算。對第一平均值和第二平均值進(jìn)行加權(quán)相加得到的排名得分更加客觀和有針對性。

在本發(fā)明實施例中，根據(jù)第一平均值和第二平均值的權(quán)重，得到各個面試官的排名得分可以包括：設(shè)置第一平均值的權(quán)重與v/(v+m)正相關(guān)、第二平均值的權(quán)重與m/(v+m)正相關(guān)，其中，v為面試數(shù)據(jù)中涉及的相應(yīng)單個面試官的總面試次數(shù)，m為預(yù)設(shè)的面試次數(shù)閾值。m的設(shè)定依據(jù)可以是單次面試評價分值最高的前設(shè)定數(shù)目個面試官的最低面試次數(shù)。也就是說，可以將單次面試評價分值最高的前設(shè)定數(shù)目個面試官的最低面試次數(shù)設(shè)置為面試次數(shù)閾值。

下面通過具體應(yīng)用示例來對本發(fā)明的數(shù)據(jù)處理方法作進(jìn)一步的詳細(xì)說明。

示例一

本示例中，假設(shè)面試結(jié)果包含兩方面內(nèi)容，一是是否通過面試，通過標(biāo)記為1，未通過標(biāo)記為0，二是面試官給予候選人的層級。一個候選人的面試數(shù)據(jù)可以用圖2所示的面試數(shù)據(jù)關(guān)聯(lián)圖表示。

圖2中，橫坐標(biāo)application表示每一次應(yīng)聘，縱坐標(biāo)task表示每一輪面試任務(wù)。圖2中，pij表示第i場應(yīng)聘的第j輪面試任務(wù)是否通過(pij的值為0或1)，lij表示第i場應(yīng)聘的第j輪面試任務(wù)中面試官給出的層級。

本示例中設(shè)置，對單次面試的評價分值最高為5分。

(11)按照設(shè)定的評價分值模型，利用面試數(shù)據(jù)計算每次面試的評價分值，本示例中的評價分值模型如下：

s＝max{whorizontal*shorizontal+wvertical*svertical，5}公式(1)

其中，whorizontal和wvertical為根據(jù)經(jīng)驗值預(yù)先設(shè)置的權(quán)重，shorizontal為水平權(quán)重，由下面的公式(2)計算得到，svertical為垂直權(quán)重，由下面的公式(3)計算得到。

whorizontal和wvertical兩者之和為定值，當(dāng)更注重水平權(quán)重shorizontal時，可以設(shè)置whorizontal大于wvertical，當(dāng)更注重垂直權(quán)重svertical時，可以設(shè)置whorizontal小于wvertical。

水平權(quán)重shorizontal的計算公式如下：

shorizontal＝max{sp1+sl1，5}公式(2)

計算水平權(quán)重shorizontal時，j固定，其中，

當(dāng)pi＝1且pi+1＝0時，sp1＝2；

當(dāng)pi＝1且pi+1＝1時，sp1＝4；

當(dāng)pi＝0時，sp1＝0；

當(dāng)li＝li+1時，sl1＝α1*(li+β1)；

當(dāng)|li-li+1|＝1時，sl1＝0，|li-li+1|表示li與li+1之差的絕對值；

當(dāng)|li-li+1|＞1時，sl1＝-α2*(|li-li+1|+β2)。

其中，α1、β1、α2、β2為預(yù)設(shè)的加權(quán)因子，且α1、β1、α2、β2為正數(shù)。

垂直權(quán)重svertical的計算公式如下：

svertical＝max{sp2+sl2，5}公式(3)

計算垂直權(quán)重svertical時，i固定，其中，

當(dāng)pj＝1且pj+1＝0時，sp2＝2；

當(dāng)pj＝1且pj+1＝1時，sp2＝4；

當(dāng)pj＝0時，sp2＝0；

當(dāng)lj＝lj+1時，sl2＝α1*(li+β1)；

當(dāng)|lj-lj+1|＝1時，sl2＝0，|lj-lj+1|表示lj與lj+1之差的絕對值；

當(dāng)|lj-lj+1|＞1時，sl2＝α2*(|lj-lj+1|+β2)。

其中，α1、β1、α2、β2為預(yù)設(shè)的加權(quán)因子，且α1、β1、α2、β2為正數(shù)。

根據(jù)本示例中的評價分值模型，如果兩次的評價不同，則兩次評價之間的差距越大，評價分值將會越低。

(12)分別計算各個面試官單次面試的評價分值平均值，記為第一平均值，假設(shè)待評定面試官的第一平均值為r；

假設(shè)一個面試官的總面試次數(shù)是m，該面試官在該m次面試中得到的評價分值之和為n，則該面試官的第一平均值等于n/m，其中，符號“/”表示除以運(yùn)算。

(13)計算面試數(shù)據(jù)涉及的所有面試官單次面試的評價分值平均值，記為第二平均值，假設(shè)第二平均值為c；

假設(shè)面試數(shù)據(jù)涉及的所有面試官的總面試次數(shù)是t，該t次面試的評價分值總和是q，則第二平均值等于q/t，其中，符號“/”表示除以運(yùn)算。

(14)對第一平均值和第二平均值進(jìn)行加權(quán)相加，得到各個面試官的排名得分；

設(shè)置第一平均值的權(quán)重為v/(v+m)、第二平均值的權(quán)重為m/(v+m)，其中，v為面試數(shù)據(jù)中涉及的相應(yīng)單個面試官的總面試次數(shù)，m為單次面試評價分值最高(這個排名按照(11)中計算出的單次面試得到的s值排列)的前設(shè)定數(shù)目個面試官的最低面試次數(shù)。

則待評定面試官的排名得分wr的計算方法如下面的公式(4)：

每個面試官的排名得分都可以按照公式(1)至公式(4)計算得到。

(15)按照排名得分降序順序?qū)Ω鱾€面試官進(jìn)行排名，其中，待評定面試官取得的排名名次即為待評定面試官在該面試官群體中的相對面試能力層級。

示例二

本示例中，假設(shè)面試結(jié)果只包含一方面內(nèi)容，即是否通過面試。假設(shè)每一個候選人應(yīng)聘數(shù)個職位，每次應(yīng)聘的面試只有一輪，每次面試只有一個面試官。

(21)按照設(shè)定的評價分值模型，利用面試數(shù)據(jù)計算每次面試的評價分值，本示例中的評價分值模型如下：

評價分值等于面試結(jié)果在對相同候選人的所有面試結(jié)果中所占的比 例。例如，一個候選人應(yīng)聘10個職位，其中，給予未通過面試的面試結(jié)果有4個，給予通過面試的面試結(jié)果有6個，那么給予未通過面試的面試的評價分值為4/(4+6)＝0.4，給予通過面試的面試的評價分值為6/(4+6)＝0.6。

(22)分別計算各個面試官單次面試的評價分值平均值，記為第一平均值；

(23)對面試官的第一平均值作為面試官的排名得分；

(24)按照排名得分降序順序?qū)Ω鱾€面試官進(jìn)行排名，其中，待評定面試官取得的排名名次即為待評定面試官在該面試官群體中的相對面試能力層級。

本發(fā)明實施例的數(shù)據(jù)處理方法，能夠自動利用海量的歷史面試數(shù)據(jù)對面試官的面試能力進(jìn)行評價，一方面節(jié)省了人工評價面試官的工作量，效率高，且降低了企業(yè)管理面試官隊伍的成本，另一方面對面試官的面試能力的評價更加客觀、準(zhǔn)確，有助于企業(yè)選拔優(yōu)秀的面試官，從而提升本企業(yè)的面試效果。

圖3為本發(fā)明實施例二中數(shù)據(jù)處理裝置的結(jié)構(gòu)框圖。圖3中的數(shù)據(jù)處理裝置可以用于實施本發(fā)明前述實施例中的數(shù)據(jù)處理方法。本發(fā)明前述數(shù)據(jù)處理方法實施例中的原理說明也適用于下述的數(shù)據(jù)處理裝置。

如圖3所示，本實施例中，數(shù)據(jù)處理裝置300可以包括獲取模塊310、評價模塊320。其中，獲取模塊310用于獲取設(shè)定歷史期間內(nèi)對候選人的面試數(shù)據(jù)，其中，面試數(shù)據(jù)以次為單位，每次的面試數(shù)據(jù)包括候選人、面試官、面試結(jié)果。評價模塊320用于基于所述面試數(shù)據(jù)反映出的不同面試官的面試結(jié)果差異，對面試官進(jìn)行評價。

在本發(fā)明實施例中，評價模塊320可以包括確定模塊。確定模塊用于基于面試數(shù)據(jù)反映出的不同面試官對相同候選人的面試結(jié)果差異程度確定待評定面試官在一定面試官群體中的相對面試能力層級。

其中，不同面試官的面試結(jié)果差異可以包括不同面試官對相同候選人在不同應(yīng)聘的相同環(huán)節(jié)給予該相同候選人的面試結(jié)果差異。不同面試官的面試結(jié)果差異還可以包括不同面試官對相同候選人在相同應(yīng)聘的不同環(huán)節(jié)給予該相同候選人的面試結(jié)果差異。在本發(fā)明實施例中，可以同時包括 這兩種情形，也可以包括這兩種情形之一。

在本發(fā)明實施例中，確定模塊可以進(jìn)一步包括評價分值計算模塊、第一計算模塊、排名得分模塊、排名模塊。其中，評價分值計算模塊用于按照設(shè)定的評價分值模型，利用面試數(shù)據(jù)計算每次面試的評價分值，其中，評價分值模型以不同面試官對相同候選人的面試結(jié)果差異程度為基礎(chǔ)；第一計算模塊用于分別計算各個面試官單次面試的評價分值平均值，記為第一平均值；排名得分模塊用于按照設(shè)定的排名得分模型，根據(jù)第一計算模塊計算出的第一平均值計算各個面試官的排名得分；排名模塊用于按照排名得分模塊計算出的排名得分降序順序?qū)Ω鱾€面試官進(jìn)行排名，待評定面試官取得的排名名次即為待評定面試官在該面試官群體中的相對面試能力層級。

在本發(fā)明實施例中，上述的排名得分模塊可以包括第一處理單元。第一處理單元用于令各個面試官的排名得分等于各自對應(yīng)的第一平均值。

在本發(fā)明實施例中，上述的排名得分模塊可以包括第二計算單元和第二處理單元。第二計算單元用于計算面試數(shù)據(jù)涉及的所有面試官單次面試的評價分值平均值，記為第二平均值。第二處理單元用于根據(jù)第一計算模塊計算出的第一平均值和第二計算單元計算出的第二平均值的權(quán)重，得到各個面試官的排名得分。例如可以對第一平均值和第二平均值進(jìn)行加權(quán)相加，將加權(quán)相加的結(jié)果作為面試官的排名得分。

在本發(fā)明實施例中，上述的第二處理單元可以包括設(shè)置子單元。設(shè)置子單元用于設(shè)置第一平均值的權(quán)重與v/(v+m)正相關(guān)、第二平均值的權(quán)重與m/(v+m)正相關(guān)，其中，v為面試數(shù)據(jù)中涉及的相應(yīng)單個面試官的總面試次數(shù)，m為預(yù)設(shè)的面試次數(shù)閾值。

本發(fā)明實施例的數(shù)據(jù)處理裝置，能夠自動利用海量的歷史面試數(shù)據(jù)對面試官的面試能力進(jìn)行評價，一方面節(jié)省了人工評價面試官的工作量，效率高，且降低了企業(yè)管理面試官隊伍的成本，另一方面對面試官的面試能力的評價更加客觀、準(zhǔn)確，有助于企業(yè)選拔優(yōu)秀的面試官，從而提升本企業(yè)的面試效果。

以上所述僅為本發(fā)明的較佳實施例，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在 本發(fā)明的保護(hù)范圍之內(nèi)。