（国网临沂供电公司山东临沂276000）
摘要：数据挖掘技术对于企业人力资源管理来说是一种新型技术，通过数据挖掘，企业可以更好地运用企业运行中的相关数据与各种全面的信息，通过对各项数据和信息的详细分析，以使企业管理者可以知道整个企业中的运作情况，进而找出优缺点，以进一步为企业获得更大的经济效益，促进企业效益的稳定增长。
关键词：数据挖掘技术；电力企业；人力资源；管理；应用；分析
引言：在这个信息技术和通信技术飞速发展的时代，管理信息这样的系统已经运用在国内很多的企业中，信息管理系统在处理业务的过程中产出了非常多的数据，信息管理系统的数据是可以操作的数据，不可以直接的用来分析和处理，所以导致了下面的这些现象：存在海量的业务数据，企业却无法从大量的数据中及时得到有用的管理信息。这样导致大量的数据以及管理层信息无法被应用。
1.数据挖掘技术的概述分析
一是信息收集：根据确定的数据分析对象抽象出在数据分析中所需要的特征信息，然后选择合适的信息收集方法，将收集到的信息存入数据库。对于海量数据，选择一个合适的数据存储和管理的数据仓库是至关重要的。二是数据集成：把不同来源、格式、特点性质的数据在逻辑上或物理上有机地集中，从而为企业提供全面的数据共享。三是数据规约：执行多数的数据挖掘算法即使在少量数据上也需要很长的时间，而做商业运营数据挖掘时往往数据量非常大。数据规约技术可以用来得到数据集的规约表示，它小得多，但仍然接近于保持原数据的完整性，并且规约后执行数据挖掘结果与规约前执行结果相同或几乎相同。四是数据清理：在数据库中的数据有一些是不完整的（有些感兴趣的属性缺少属性值），含噪声的（包含错误的属性值），并且是不一致的（同样的信息不同的表示方式），因此需要进行数据清理，将完整、正确、一致的数据信息存入数据仓库中。五是数据变换：通过平滑聚集，数据概化，规范化等方式将数据转换成适用于数据挖掘的形式。对于有些实数型数据，通过概念分层和数据的离散化来转换数据也是重要的一步。六是数据挖掘过程：根据数据仓库中的数据信息，选择合适的分析工具，应用统计方法、事例推理、决策树、规则推理、模糊集、甚至神经网络、遗传算法的方法处理信息，得出有用的分析信息。七是模式评估：从商业角度，由行业专家来验证数据挖掘结果的正确性。
2.相关概念和技术
2.1概述
BI是GartnerGroup于1996年提出来的，定义为一类由数据仓库、查询报表、数据分析、数据挖掘、数据备份和恢复等组成的，以帮助企业决策为目的的技术及其应用。商业智能是对商业信息的搜集、管理和分析的过程，目的是使企业的各级决策者获得知识或洞察力，促使他们做出对企业更有利的决策。
2.2数据仓库技术
数据仓库是商业智能的基础，许多基本报表可由此生成，但它更大的用处是作为进一步分析的数据源。所谓数据仓库就是面向主题的、集成的、稳定的、不同时间的数据集合，用以支持经营管理中的决策制定过程。数据仓库能供给多维分析和数据挖掘所需要的、整齐一致的数据。
2.3在线分析处理技术
数据在线分析处理（OLAP）又称为联机分析处理，是一种高度交互式的过程，信息分析专家可以及时进行反复分析，迅速获得所需结果。在线分析处理同时也是对存储在多维数据库（MDD）或关系型数据库（RDBMS）中的数据进行分析、处理的过程，这种分析可以是多维在线分析处理、关系型在线分析处理，也可以是混合在线分析处理。
2.4数据挖掘技术
数据挖掘方法有很多，数据仓库技术也支持多种预测模型以便对数据信息进行相应的分类和分析。如何针对具体情况，采取不同的预测方法是人力资源数据分析中迫切需要解决的问题，因此有必要对其进行分析比较。常用的数据挖掘预测方法有：回归预测、决策树、神经网络、聚类和邻点预测、规则导引等。基本数据挖掘技术的预测方法虽然有多种，但每一种预测方法都适用于不同的情况，解决不同类型的问题。有些数据挖掘在定性和数据分类方面使用方便，可用作更高一级预测的“探索”工具。比如，先用决策树或聚类方法找出数据的总体趋势，预测变量相关性之后，再用神经网络或规则导引方法有针对性地建模，一方面可以细化数据、提高性能，另一方面可以在某种程度上帮助消除噪音。
3.数据挖掘在人力资源管理系统中的应用
首先，在电力企业，对企业发展有重大影响的就是人力资源管理，同时，在管理中自然会有很多纰漏以及问题的出现，那么产生的这些问题和原因又不具有一定的确定性，因此问题的解决一般很难用定量的方法去做到。所以，要把智能化的思想引入电力企业人力资源的管理中，为解决问题提供更好、更有效的方法。一是聚类分析法是一种很理想的多变量统计技术。它分层聚类法和迭代聚类法，将相同性质分为一类。相反，不同性质的两个个体归到不同类。它可以帮助分析的人从员工基本数据库中查看到不同的员工群。二是通过员工的年龄，在企业工作的时间、收入、技能是人力资源管理系统在电力企业中的一个典型的应用。对这个类型的员工聚集归类以后，将获得每类的重要平均值，检查并核查该平均值以及样本特征的关联程度。
4.论数据挖掘技术的实际应用
数据挖掘的一般过程分为四项：第一个是数据预处理。是指在主要的处理以前对数据进行的一些处理。如对大部分物理面积性观测数据在进行转换或增强处理之前，首先要将不规则分布的测网通过插值转换然后成为规则网的处理，它以利于计算机的运算。第二个是模型探索。这个工序完全可以由系统本身自动执行，从底部往上搜索原始的事实从而发现它们存在的某种关联。第三个是结果分析。数据挖掘的整个探索过程不是一次形成的，一般是需要重复反复很多次进行，因为当分析的人员给出结果以后，很有可能会出现一些之前并没有出现过的新问题或者是对某一方面的结果要做出更精准的查询。第四个是知识同化。对结果所出的报告进行解释和分析，这就是一个人工的过程了。另外，还可以可以通过判断总结分析出员工属于哪一种类型。在数据库的全部数据的记录上，建立起待分类这样的样本集，将所要分类的对象称之为样本，也为样本分类做到合理的分类，应该将它们具体的属性数量化。企业所需要的关键员工是需要员工保持的，因此找到关键员工是员工保持工作的首要任务。那么，接下来是要针对那些有可能要离开的员工，这样就完全可以运用决策树的方法来完成这一项。
总结：总而言之，数据挖掘技术不会在缺乏指导的情况下自动发掘模型，得到的模型必须建立在现实生活中，只有这样，才能真正解释最终的结果，从而促使该技术不断完善和提高，使得数据挖掘能够真正满足信息时代人们对它的要求，更好地服务于社会，也更好地服务于电力企业人力资源管理体系。
参考文献：
[1]呼雨欣.决策支持系统在南京地铁集团人力资源管理中的应用[J/OL].电子技术与软件工程，2017，（20）：162（2017-10-26）.
[2]李妹琴.试论人力资源管理中数据挖掘技术的应用[J].财经界（学术版），2016，（18）：367.
[3]战丽娜，韩冰.试论人力资源管理中数据挖掘技术的应用[J].中国商论，2015，（14）：12-15.
[4]高超.数据挖掘技术对企业人力资源管理的影响分析[J].电子制作，2013，（17）：288.
[5]漆昊晟，欧阳群.数据挖掘技术在企业人力资源管理中的应用[J].企业经济，2012，31（01）：78-80.
[6]朱近贤.数据挖掘技术在人力资源管理中的应用研究[J].计算机与信息技术，2008，（10）：7-9.