طراحي مدل تلفيقي خوشه بندي-تخصيص به منظور خوشه بندي عملكردي كاركنان و تخصيص بسته هاي آموزشي ضمن خدمت به آنان

Designing an integrated clustering allocation model to cluster employee functionally and allocate in-service training packages to them

امروزه سازمان ها به منظور همگام شدن با پيشرفت تكنولوژي و تداوم بقا در محيطي رقابتي، پيوسته مهارت هاي كاركنان خود را ارزيابي مي نمايند و در صورت نياز به پرورش و ارتقاء سطح عملكرد كاركنان خود دوره هاي آموزشي براي آنان طراحي و برگزار مي كنند. لذا در اين پژوهش با توجه به اهميت ارتقاي عملكرد كاركنان با رويكردي نوين در ادبيات موضوع به تعيين بسته هاي آموزشي پرداخته مي شود. بدين صورت كه ابتدا با روش خوشه بنديSOM دو مرحله اي، خوشه هاي عملكردي كاركنان براي مورد مطالعه مشخص مي شود و سپس با استفاده از معيارهاي اعتبارسنجي و تست همگرايي، تعداد خوشه هاي نهايي مشخص مي گردد. نتايج نشان داد كاركنان به لحاظ عملكرد در چهار خوشه قرار مي گيرند كه ويژگي هاي عملكردي هر خوشه و عضويت هر كارمند به هر خوشه نيز با اجراي مدل تعيين گرديد. در آخر با توجه به نتايج خوشه بندي، با هدف ارتقاء ويژگي هاي كاركنان براي هر خوشه مناسب ترين بسته آموزشي با استفاده از مدل تخصيص تعيين شد.

these days and ages, each organization needs to be adaptable to environmental changes in order to achieve strategic purposes and have an impression on business competitors. Therefore, managers constantly evaluate the skills and knowledge of their employees in periods of time. If it seemed to be necessary for them to participate and pass some courses, they would determine and hold some appropriate training courses. By considering the fact that the importance of employees’ performance level and improvement of that in this competitive era, in this research, we propose a new approach to determine training packages and allocate each of them to employees or to clusters of them. First, the two-stage SOM clustering method is used to cluster employees in terms of functionality, and then the optimal number of final clusters is determined by using validation criteria and convergence testing. By running the clustering model, the staff is categorized into four clusters each of which has specific performance characteristics. Finally, due to the results of the clustering and needs of each cluster member, appropriate training packages were determined and assigned according to the priority of each package for each cluster. To assign the most appropriate training package and reduce human errors we used the assignment model.