CN113439279A - 用于提供多维人力资源配置顾问的方法和*** - Google Patents

Abstract

多维人力资源配置顾问与一个或多个雇员技能集合数据源集成在一起，并对来自这些源的初始/静态技能集合数据和动态技能集合数据两者进行处理和聚集。然后，使用机器学习算法将经聚集的雇员技能相对于与给定任务、项目或案件相关联的技能集合和要求进行标准化和排名。然后，基于由企业和/或客户的要求确定的规则和约束，过滤被确定为具有最紧密地匹配与该给定项目、任务或案件相关联的技能集合和其他要求的雇员技能集合的雇员集合。然后，推荐在规则和约束过滤之后剩余的一个或多个最佳雇员匹配，以供推荐/配置给该给定任务、项目或案件。

Description

用于提供多维人力资源配置顾问的方法和***

背景技术

企业(尤其是为客户提供专业服务的企业)面临的主要挑战之一是有效并高效地配置人力资源，例如，将雇员的技能集合与要代表企业的客户执行的特定任务和项目的需求和要求相匹配，并为这些任务和项目配置雇员和同事。当企业雇佣高技能和/或专业人才(诸如工程师、技术人员或其他专业人员)时，这是一个特别具有挑战性和重要的问题。

作为一个特定的说明性示例，考虑企业雇佣工程师来为该企业的客户支持各种与企业资源计划(ERP)相关的软件***，并向这些客户提供各种工程和支持服务。在这个特定的说明性示例中，每个工程师雇员都可能具有众多专业技能，以及关于众多特定产品、模块及与那些产品和模块相关联的特征和功能的经验。假设每个工程师雇员可能具有与可能上百个产品和模块相关联的可能上百种技能，那么通常情况下，单个工程师雇员的技能集合可以包括上百甚至上千种个人技能。因此，确保高效并有效地配置最适合(即最有资格)的工程师雇员来支持给定的项目或案件可能很快会成为复杂而使人畏缩的任务。

确实，问题可能如此复杂，以至于人类准确地标识并理解多个甚至上百个雇员的技能集合(每个雇员具有可能上百甚至上千的个人技能)与企业的可能上百个客户的多个甚至上百个项目/案件的要求(每个客户具有可能上百或甚至上千个作业技能集合要求和合同履约要求和局限性)之间的相互作用和关系是不切实际的，并且在大多数情况下是不可能的。此外，当还必须考虑每个合格雇员的可用性和工作量时，问题将变得更加复杂。

结果是问题复杂性使人无法认识到最有效并最高效地为特定任务、项目或案件配置人力资源所必需的因素之间的重要关系和相互联系。

为特定任务和项目有效并高效地配置人力资源的当前问题是一个持续存在且动态变化的问题，部分原因是由于许多企业(诸如提供支持工程师的企业)拥有的雇员的技能集合以及经验在持续变化，因为这些雇员会被分派各种项目并完成各种任务，由此获得新的技能和宝贵的经验。然而，尽管雇员技能集合的动态性质，但是当前，雇员技能集合数据通常最初是在雇员第一次被雇佣时从这些雇员本身处获取的。然后，通常，雇员的技能集合数据很少更新，最多诸如每年更新一次。至少由于三个原因，这导致雇员技能集合数据不正确。

首先，雇员声明的雇员技能集合数据通常是不完整的，因为雇员在提供技能集合数据时要么不慎忽略一项或多项技能，和/或没有意识到过去在特定团队或项目中的参与已为该雇员提供了新的技能或经验水平。如上所述，在某些情况下，雇员技能集合可包含上百甚至上千个特定的技能，雇员很难跟踪这些技能，更不用说记得为雇主企业列出这些技能并准确地更新其技能集合数据了。

其次，如上所述，随着雇员在其雇佣过程中为企业从事各种项目并执行任务，雇员不仅获得了更多的提升现有技能的经验，而且还获得了新的技能，而往往甚至没有意识到这一事实。当前，这种“在职”获得的经验和“在职”获得的新技能通常没有反映在“当前的”雇员技能集合数据中。

第三，即使对于已报告/已知的技能，目前也不存在用于将一个雇员的技能与另一位雇员的技能客观地进行比较，从而使得可将多个雇员的技能集合与给定的项目、任务或案件的需求客观地进行比较的方法或***。结果，当前，对多名雇员的技能集合数据的任何比较和分析都缺乏关于这些雇员的技能及给定项目或客户的已标识需求的任何“真实世界”或相对“实时的”研究。

试图有效且高效地配置人力资源时遇到的当前困难不仅对希望配置人力资源的企业造成问题，而且对企业的客户也造成了问题，因为无效并低效地为客户的项目配置人力资源可负面地影响所执行的工作的质量和完成该工作所花费的时间。因此，长期存在的缺乏用于配置人力资源的有效且高效的***的技术问题既不利于企业雇主也不利于该企业的客户，从而可能导致错过截止日期和基准、损失工时、成本超支以及较低质量的工作。这进而可对企业的声誉、品牌和客户/潜在客户印象产生非常负面的影响。

需要一种针对以下长期存在的技术问题的技术解决方案，该长期存在的技术问题为要以为雇主企业和该企业的客户提供最大利益的方式，为特定任务和项目有效、高效并客观地配置人力资源，即分派最合格的雇员。

发明内容

本公开的实施例通过公开一种自动地提供多维雇员分派推荐的多维人力资源配置顾问，而提供了针对以下长期存在的技术问题的技术解决方案：该长期存在的技术问题为要为特定项目和任务有效、高效并客观地分派最合格的雇员。

在一个实施例中，所公开的多维人力资源配置顾问与一个或多个雇员技能集合数据源集成，以获得整体雇员技能集合数据，包括初始的/雇员声明的技能集合数据以及动态聚集的“在职”获得的雇员技能设置数据。然后将如此获得的整体雇员技能集合数据进行聚集、处理并存储，作为聚集的雇员技能集合数据。

在一个实施例中，然后使用一个或多个机器学习算法来结合被标识为给定项目、案件或任务所需的技能集合以及与给定项目、任务或案件相关联的任何因作业而异的要求，对聚集的雇员技能集合数据进行标识、标准化和排名。在一个实施例中，通过该过程，标识出了被确定为具有匹配或最紧密地匹配所标识出的任务、项目或案件所需技能集合的标准化雇员技能集合数据并且满足与该给定项目、任务或案件相关联的因作业而异的要求的雇员集合。

在一个实施例中，然后，基于由企业的要求和/或由客户确定和/或定义的规则和约束，过滤被确定为具有匹配或最紧密地匹配所标识出的任务、项目或案件所需的技能集合的标准化雇员技能集合数据并且满足与该给定项目、任务或案件相关联的因作业而异的要求的雇员集合，以标识出具有被确定为匹配或最紧密地匹配所标识出的用于项目、任务或案件的技能集合的标准化雇员技能集合数据并且符合所需规则和约束的雇员集合。

在一个实施例中，然后，基于有关给定项目、任务或案件的优先级的雇员能力和/或区域考虑和/或雇员工作量平衡考虑，对具有被确定为匹配或最紧密地匹配所标识出的项目、任务或案件的技能集合的标准化雇员技能集合数据并且符合所需规则和约束的雇员集合进行进一步处理/过滤。

在一个实施例中，然后，推荐具有最紧密地匹配所标识出的用于项目、任务或案件的技能集合的标准化雇员技能集合数据，符合与给定项目、任务或案件相关联的所需规则和约束及要求，并且满足经验、区域和工作量平衡要求的一个或多个雇员，以供分派/配置给该给定项目、任务或案件。

因此，本公开的实施例使用从多个源获得的标准化多维雇员技能集合数据，以及机器学***衡，来基于客户和企业要求、区域要求以及工作量平衡考虑标识和推荐雇员，这些雇员：具有执行与新项目或案件相关联的任务所需的技能，可用并且具有执行与项目或案件相关联的任务的经验，并且有资格被分派该新项目、任务或案件。因此，本公开的实施例解决了与针对以下长期存在的技术问题的传统方法相关联的一些缺点：该长期存在的技术问题为要为正代表雇主企业的客户执行的项目、任务或案件有效且高效地配置人力资源。

另外，所公开的多维***不是静态的或固定的，而是用户可定制的并且能或动态地且几乎实时地并入新的数据和输入。这允许添加更多的数据、元素和维度，以进一步完善从可能变化的多个源的集合中获得的雇员动态技能。

附图说明

图1是根据一个实施例的用于提供多维人力资源配置顾问的***和方法的设计层次结构的图示。

图2A和图2B一起是根据一个实施例的用于提供多维人力资源配置推荐的过程的流程图。

图3是根据一个实施例的示出用于提供多维人力资源配置顾问的***的各个组件以及各个组件的整体交互的组件图。

图4A是根据一个实施例的包括在经聚集的雇员技能集合数据中的初始雇员/工程师技能简档数据的具体的说明性示例，该初始雇员/工程师技能简档数据包括初始的/雇员报告的雇员技能集合数据。

图4B是根据一个实施例的包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中的雇员/工程师简档数据的具体的说明性示例。

图4C是根据一个实施例的包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中的雇员/工程师产品模块技能数据的具体的说明性示例。

图4D是根据一个实施例的包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中的雇员/工程师案件类型技能数据的具体的说明性示例。

图4E是根据一个实施例的包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中的雇员/工程师复杂性达到技能数据的具体的说明性示例。

图4F是根据一个实施例的包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中的雇员/工程师调查平均值数据的具体的说明性示例。

图5是示出了根据一个实施例的用于提供多维人力资源配置顾问的***的预处理子***的各个组件的交互的组件图。

图6A示出了根据一个实施例的包括在示出可选择和可编辑的规则和约束的案件分派模型中的规则和约束数据的具体的说明性示例。

图6B示出了根据一个实施例的用于设置和编辑规则和约束值的规则和约束修改界面的具体的说明性示例。

图6C示出了根据一个实施例的用于激活、设置和编辑规则和约束值的规则和约束修改数据录入界面的具体的说明性示例。

图7是示出了根据一个实施例的用于提供多维人力资源配置顾问的***的技能匹配、标准化和排名子***的各个组件的交互的组件图。

图8是根据一个实施例的新案件矢量元素的具体的说明性示例的图示。

图9A是根据一个实施例的由图7的技能匹配、标准化和排名子***执行的技能发现、技能标准化和技能排名的具体的说明性示例的高级图形图示。

图9B是根据一个实施例的来自由图7的技能匹配、标准化和排名子***执行的图9A的技能发现、技能标准化和技能排名的数值结果的具体的说明性示例。

图9C是根据一个实施例的标准化数据和处理属性的具体的说明性示例，其与由图7的技能匹配、标准化和排名子***执行的标准化过程的一个说明性示例相关联。

图9D示出了根据一个实施例的由图7的技能匹配、标准化和排名子***执行的技能匹配过程的具体的说明性示例的一些步骤。

图10是根据一个实施例的标准化雇员技能集合矢量元素的具体的说明性示例的图形说明。

图11是根据一个实施例的图3的新案件数据与图8的新案件矢量元素、图3的经聚集的雇员技能集合数据与图10的标准化雇员技能集合矢量元素、以及图7的技能匹配、标准化和排名子***的交互和关系的具体的说明性示例的图示。

图12是示出根据一个实施例的用于提供多维人力资源配置顾问的***的过滤子***的各个组件的交互的组件图。

图13是根据一个实施例的图12的过滤子***的具体的说明性示例的操作的简化图示。

图14是示出根据一个实施例的用于提供多维人力资源配置顾问的***的负荷平衡子***的各个组件的交互的组件图。

图15是根据一个实施例的图12的过滤子***和图14的负荷平衡子***的应用对具有匹配或最紧密匹配所标识的与特定案件相关联的所需技能的技能集合数据的初始雇员池的累积影响的高级图示说明。

图16是示出根据一个实施例的用于提供多维人力资源配置顾问的***的负荷平衡和雇员技能提升子***的各个组件的交互的组件图。

图17A、图17B、图17C、图17D、图17E、图17F和图17G是根据一个实施例的指示与用于提供多维人力资源配置顾问的***和方法的一个说明性实施例相关联的操作和用户体验的用户界面屏幕的具体的说明性示例。

在整个附图和详细描述中使用共同的附图标记来指示相似的元素。本领域技术人员将容易地认识到，以上附图是示例，并且在不脱离如权利要求书中阐述的本发明的特性(characteristics)和特征(features)的情况下，可以提供和实现其他架构、操作模式、操作顺序和元件/功能。

具体实施方式

现在将参考附图讨论实施例，附图描述了一个或多个示例性实施例。实施例可以以许多不同的形式来实现，而不应被解释为受限于本文中阐述的、附图中示出的和/或在下面描述的实施例。相反，这些示例性实施例被提供以允许向本领域普通技术人员传达如在权利要求书中阐述的本发明的原理的完整公开。

概述

如上所述，企业面临的主要挑战之一是有效且高效地配置人力资源，即使雇员的技能集合与要代表雇主企业的客户执行的特定任务、项目或案件的需求和要求相匹配，并为这些任务配置雇员和/或同事。当企业雇佣高技能和/或专业人才(诸如工程师、技术人员或其他专业人员)时，这是一个特别具有挑战性和重要的问题。

如上所述，部分归因于以下事实，为特定任务、项目或案件有效和高效地配置人力资源的问题是一个持续存在且动态变化的问题：许多企业(诸如提供支持工程师的企业)拥有的雇员的技能集合以及经验在持续变化，因为这些雇员会被分派并完成各种任务、项目或案件，并在此过程中获得新的技能和宝贵的经验。

如上所述，尽管雇员技能集合有动态性质，但是当前，雇员技能集合数据通常最初是在雇员第一次被雇佣时从这些雇员本身处获得的。然后，通常，雇员的技能集合数据很少(诸如最多每年)更新。这导致雇员技能集合数据不准确和不完整，因为雇员在提供技能集合数据时要么不慎忽略了一项或多项技能，和/或没有意识到在特定团队或项目中的历史参与已为雇员提供了新的技能或经验水平。此外，如上所述，随着雇员在其雇佣过程中从事各种任务、项目或业务案件，雇员通常会获得更多的提升现有技能的经验，以及新的“在职”获得的技能(在本文中称为动态技能)。当前，这些“在职”获得的动态技能和经验通常没有反映在雇员技能集合数据中。

由于许多任务、项目或案件都具有特定的要求并且必须存在雇员技能集合以便查找能够并有资格执行给定任务、项目或案件的雇员的事实，高效和有效地配置人力资源的问题变得更加复杂。这些因作业而异的要求以及雇员技能集合通常由客户和/或其他方和/或与任务/项目/案件相关的合同规定。这些因作业而异的要求以及雇员技能集合可以包括但不限于公民身份要求、位置要求、语言(人类和机器两者)要求、地理位置和时区要求、全职、兼职或合同雇员类型要求等。问题由以下事实引起：当前，因作业而异的要求数据以及雇员技能集合数据通常也都分布在多个数据源上，这些数据源甚至都不容易被标识出，更不用说与现有的雇员技能集合数据合并以确保仅将合格的雇员分派给给定的任务、项目或案件了。

此外，高效且有效地配置人力资源还受到以下事实的阻碍：表示给定雇员是否具有处理高优先级任务、项目或案件的经验和/或是否具有承担更多任务、项目或案件的带宽的任何数据通常也都分布在多个数据源上。因此，通常不容易被标识出雇员经验和工作量数据，或将其与雇员技能集合数据和作业要求数据合并，以确保仅具有合适技能集合的雇员才有资格承担特定的任务、项目或案件并具有承担给定任务、项目或案件的经验和带宽，并将这些雇员分派给该任务、项目或案件。

有效和高效配置人力资源的问题还因以下事实而加剧：雇员技能集合数据(包括技能集合数据和与雇员已为企业完成的任务相关联的历史绩效数据)通常也分布在多个数据源上。通常，雇员技能集合数据的这些潜在源未被连接和/或集成来提供雇员的当前技能的统一列表或视图，并且这些源中的大多数源及其数据通常甚至没有被考虑。

此外，即使对于已报告/已知的技能，目前也不存在用于将一位雇员的技能相对于另一位雇员的技能进行“标准化”，使得可以结合给定的任务、项目或案件的需求，对多个雇员的技能集合进行客观地比较的方法。这是由于当前没有考虑/整合雇员的历史和当前“在职”雇员绩效及动态工作经验参数对其技能集合和潜在任务、项目或案件和/或客户的影响。

结果，当前，对使用当前方法呈现的多名雇员的技能集合数据的任何比较和分析都缺少关于雇员的已知技能和所标识出的给定任务/项目/案件或客户的需求的任何“真实世界”和“在职”绩效考虑。因此，当前并不存在通过其可统一评估“在职”获得的动态雇员技能的标准化和客观过程，更不用说将“在职”获得的动态雇员技能集成到雇员的技能集合数据中。

最后，使用初始/雇员声明的技能和动态的“在职”获得的技能来为新任务、项目或案件确定最佳雇员匹配是一项有挑战性的且艰巨的任务，即使这些数据可用。这是因为合并、纠正和统一初始/雇员声明的技能数据和动态技能数据是如此复杂，以至于超出了人类的能力范围。但是，技能集合数据的每个源都提供了带来独特且不同角度的雇员技能的技能维度，这些独特且不同角度的雇员技能对于雇员技能的统一视图以及为案件分派做出结论和决定而言非常重要。

如上所述，当前在试图有效地且高效地配置人力资源时遇到的困难不仅对于希望配置人力资源的企业来说是个极大的问题，而且对于企业的客户来说也是个问题，因为无效且低效地为客户的任务、项目或案件配置人力资源可能会负面地影响所执行的工作的质量以及完成该工作所花费的时间。因此，长期存在的缺乏用于有效且高效地配置人力资源的方法和***的技术问题既不利于企业雇主也不利于该企业的客户，从而有可能导致错过截止日期和基准、损失工时、成本超支和较低质量的工作。这进而可能会对企业的声誉、品牌以及客户/潜在客户印象具有非常负面的影响。

本公开的实施例提供了一种或多种针对以下长期存在的技术问题的技术解决方案：该长期存在的技术问题为要有效且高效地为正代表企业的客户执行的任务配置人力资源。

在一个实施例中，用于提供多维人力资源配置推荐的***和计算***实现的方法包括：获取对雇员技能集合数据的一个或多个源的访问，并聚集所述雇员技能集合数据，以生成针对企业的雇员集合的经聚集的雇员技能集合数据。

在一个实施例中，生成规则和约束数据，该规则和约束数据控制企业的雇员到所述企业的所述雇员要为企业的客户执行的任务的分派。

在一个实施例中，获取新案件数据，所述新案件数据表示企业的雇员要为企业的客户执行的新任务或项目。

在一个实施例中，对所述新案件数据进行处理，以生成新案件要求和技能集合数据，该新案件要求和技能集合数据表示要向新案件数据所表示的任务或项目分派的企业的雇员所需的雇员技能和资格。

在一个实施例中，对为企业的雇员集合中的每个雇员的聚集的雇员技能集合数据以及所述新案件要求和技能集合数据进行处理，以标识技能集合匹配雇员数据，该技能集合匹配雇员数据表示具有与所述新案件要求和技能集合数据中表示的新案件技能和要求相匹配的一个或多个匹配技能的技能集合匹配雇员的集合。

在一个实施例中，对于每个技能集合匹配雇员，将该技能集合匹配雇员的匹配技能进行标准化，以为该技能集合匹配雇员生成标准化雇员技能集合数据。

在一个实施例中，将每个技能集合匹配雇员的标准化雇员技能集合数据以及新案件要求和技能集合数据提供给机器学习算法，以生成原始经排名技能匹配雇员推荐数据，该原始经排名技能匹配雇员推荐数据表示原始经排名技能匹配雇员的集合。

在一个实施例中，使用规则和约束数据过滤原始经排名技能匹配雇员推荐数据，以生成雇员推荐数据，该雇员推荐数据表示经过滤和排名的技能匹配雇员的集合。

在一实施例中，将推荐雇员数据提供给决策者进行批准、编辑和最终雇员分派/配置。在各种实施例中，接收新案件的推荐雇员数据的决策者可以是但不限于以下中的一个或多个：人工决策者，诸如主管或具有访问/决策者许可以实现批准、编辑和最终雇员分派/配置的其他雇员；用于批准、编辑和最终雇员分派/配置，和/或用于进一步处理用于新案件的推荐雇员数据的一个或多个应用程序；和/或负责批准、编辑和最终雇员分派/配置的任何其他实体(诸如，公司)。

在一个实施例中，提供了一种多维人力资源配置顾问，以及一种用于提供多维人力资源配置推荐的***/方法。在一个实施例中，多维人力资源配置顾问和用于提供多维人力资源配置推荐的***与一个或多个雇员技能集合数据源集成，以获取、处理、聚集和标准化初始雇员技能集合数据以及从这些来源动态聚集的“在职”获得的雇员技能集合数据两者。

在一实施例中，初始雇员技能集合数据包括但不限于：来自雇员自身、和/或雇员的雇佣记录、和/或雇员的HR记录、和/或证书和学校教育的公共记录的自我声明和报告的技能组信息，和/或专业社交媒体网站、和/或一般社交媒体网站、和/或初始的、自我报告的和/或相对静态的初始雇员技能集合数据的任何其他源的雇员帐户，如本文中讨论或说明的、和/或如在提交时间本领域已知的、和/或在提交时间后开发的。

在一个实施例中，与经聚集的“在职”获得的技能和绩效相关联的雇员的动态雇员技能集合数据是基于以下中的一个或多个在产品线、产品以及发行或版本级别处获得的：动态更新的与雇员相关联的任务、项目或案件结案数据，包括已完结任务、项目或案件的总数；动态地更新的针对任务、项目或案件的平均完结时间；动态地更新的每个顾客/产品/雇员的平均客户调查或排名数据；动态地更新的经验和团队参与数据、动态地更新的团队领导经验数据；动态地更新的案件优先级经验；动态地更新的用于确定雇员的当前负荷的每个时间段的里程碑；和/或如本文所讨论或说明的、如在提交时在本领域中已知的和/或如在提交后开发的任何其他动态雇员技能集合数据的源。

在一个实施例中，然后基于对经聚集的雇员初始雇员技能集合数据、雇员的动态雇员技能集合数据以及其他雇员数据(诸如，但不限于，人力资源(HR)和其他雇员记录数据)的多维分析，执行雇员技能集合合并，以生成经聚集的雇员技能集合数据，并且一旦生成了经聚集的雇员技能集合数据就对其进行动态地更新。

在一个实施例中，定义雇主/主管施加的规则和约束，并且生成并存储雇主/主管施加的规则和约束数据。

在一个实施例中，获取新案件数据。在一个实施例中，新案件数据是从案件接收和管理***处获得的，该***用于录入企业的雇员和/或企业的客户的新作业请求。

在一实施例中，除了获取新案件数据外，还获取与新案件数据相关联的客户的历史和/或当前客户数据。在各实施例中，客户数据是经聚集的客户数据，并且至少部分客户数据是作为新案件数据的部分来获取的。

在一个实施例中，然后对新案件数据和客户数据进行处理，以标识与新案件相关联的新案件要求和/或合同义务以及为了满足客户的需求而为新案件分派的雇员将需要的技能集合。在一个实施例中，然后生成新案件要求和技能集合数据，所述新案件要求和技能集合数据表示标识出的与新案件相关联的新案件要求和/或合同义务以及新案件所需的技能集合。

在一个实施例中，还对新案件要求和技能集合数据进行处理，以标识客户施加的规则和约束，并生成客户施加的规则和约束数据。在一个实施例中，然后聚集并纠正雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据，以生成新案件规则和约束数据。

在一个实施例中，然后使用机器学习算法，结合被标识为给定任务、项目或案件所需的技能集合以及与该给定任务、项目或案件相关联的被确定为与新案件数据相关联的特定要求，对经聚集的雇员技能集合数据进行标识、标准化和排名。

为此，在一个实施例中，使用新案件要求和技能集合数据以及新案件规则和约束数据来生成新案件矢量数据，所述新案件矢量数据表示理想地匹配新案件的假设雇员所需的技能和要求。在一个实施例中，新案件矢量数据包括两个或更多个新案件理想雇员矢量元素。在一个实施例中，两个或更多个新案件理想雇员矢量元素中的每一个都与新案件要求和技能集合数据元素之一相关。

在一个实施例中，将每个雇员的经聚集的雇员技能集合数据与新案件要求和技能集合数据进行技能匹配，以标识初始技能集合匹配雇员数据，初始技能集合匹配雇员数据表示好像具有与新案件要求和技能集合数据中指示的技能集合相匹配或紧密匹配的关联技能集合数据的雇员及其关联技能集合数据。

在一个实施例中，基于所标识出的存在于新案件要求和技能集合数据以及经聚集的雇员技能集合数据两者的共同技能(也称为匹配技能或匹配技能特征)，来将雇员初始确定为匹配或最紧密匹配新案件要求和技能集合数据中指示的技能集合。

在一个实施例中，将包括在初始技能集合匹配雇员数据中表示的每个雇员的技能集合中的匹配技能标准化，以生成每个雇员的标准化初始技能集合匹配雇员数据。在一个实施例中，标准化过程基于与匹配技能相关联的雇员的动态经聚集的“在职”获得的技能集合数据。

因此，所公开的实施例提供了将一个雇员的技能相对于另一雇员的技能进行“标准化”，使得可以结合给定任务、项目或案件的需求客观地对多个雇员的技能集合进行比较。这是通过动态地考虑并整合雇员的历史和当前经聚集“在职”雇员绩效以及工作经验参数对其报告/已知技能以及潜在任务、项目和案件和/或客户的影响来实现的。结果，使用所公开的实施例，对多个雇员的技能集合数据的比较和分析反映了关于雇员的报告/已知技能以及所标识出的给定作业或客户的需求的“真实世界”和经聚集的“在职”绩效考虑。因此，公开的标准化过程集成了经聚集的动态的“在职”获得的雇员技能，以统一评估雇员的技能集合数据。

在一个实施例中，然后使用每个初始匹配雇员的标准化初始技能集合匹配雇员数据中表示的标准化匹配技能集合特征，来生成初始技能集合匹配雇员数据中表示的每个雇员的标准化雇员技能集合矢量数据。在一个实施例中，标准化雇员技能集合矢量数据包括标准化雇员技能集合矢量元素，标准化雇员技能集合矢量元素与同初始技能集合匹配的雇员数据中表示的每个初始匹配雇员相关联的标准化匹配技巧集特征中的每一个相关。

在一个实施例中，使用新案件矢量数据、每个初始匹配雇员的标准化雇员技能集合矢量数据以及新案件规则和约束数据作为先前训练的机器学习模型的输入数据。

在一个实施例中，机器学习模型的输出是原始经排名技能匹配雇员推荐数据。在一个实施例中，原始经排名技能匹配雇员推荐数据包括使用机器学习模型表示与新案件匹配或最紧密匹配的雇员的数据。

在一个实施例中，然后基于在新案件规则和约束数据中表示的规则和约束过滤原始经排名技能匹配雇员推荐数据，以生成经过滤的技能匹配雇员推荐数据，该经过滤的技能匹配雇员推荐数据数据表示与新案件匹配或最紧密匹配的雇员，这些雇员也符合新案件规则和约束数据的规则和约束。

在一实施例中，随后基于雇员工作量平衡、和/或区域考虑、和/或更充分地开发/扩展雇员各个雇员技能的需求、和/或与给定任务、项目或案件相关联的预期需求或问题，对经过滤的技能匹配雇员推荐数据进行进一步处理/过滤，以生成新案件的推荐雇员数据。

在一个实施例中，新案件的推荐雇员数据包括表示以下一个或多个雇员的数据：该一个或多个雇员具有与新案件要求和技能集合数据最紧密匹配的标准化技能集合数据，符合新案件规则和约束，满足经验、区域和/或工作量平衡的要求，并且因此被推荐分派/配置给新任务、项目或案件。

在一个实施例中，新案件的推荐雇员数据、和/或针对推荐雇员的理由和排名被提供给决策者以供进行批准、编辑和最终雇员分派/配置。在各种实施例中，接收新案件的推荐雇员数据的决策者可以是但不限于以下中的一个或多个：人工决策者，诸如具有用于批准、编辑和最终雇员分派/配置的访问/决策者许可的主管或其他雇员；用于批准、编辑和最终雇员分派/配置和/或用于对新案件的推荐雇员数据进行进一步处理的一个或多个应用程序；和/或负责批准、编辑和最终雇员分派/配置的任何其他实体(诸如，公司)。

如上所述，本公开的实施例使用从多个源获取的标准化多维雇员技能集合数据以及机器学***衡，来解决与针对以下长期存在的技术问题的传统方法相关联的一些缺点：该长期存在的技术问题为要有效且高效地为代表雇主企业的客户执行的任务、项目或案件配置人力资源。

另外，所公开的多维***不是静态的或固定的，而是用户可定制的并且能够或动态地且几乎实时地并入新数据和输入。这允许添加更多的数据、元素和维度，以进一步完善从潜在变化的多个源集合中获取的雇员动态技能。

然而，尽管本公开的实施例提供了用于有效地且高效地为代表雇主企业的客户执行的任务、项目或案件配置人力资源的高度高效、有效和通用的***和方法，但是所公开的用于提供多维人力资源配置顾问的***和方法的实施例并不包含、体现或排除人力资源配置领域中的其他形式的创新。

另外，出于至少几个原因，所公开的用于提供多维人力资源配置顾问的***和方法的实施例并不是抽象概念。

首先，如上所述，企业的每个雇员都可能具有众多专门技能和/或关于企业为其提供支持和雇员的众多特定产品、模块和/或与那些产品和模块相关联的特征和/或能力的经验。假设每个雇员可能具有与可能上百个产品和模块相关联的可能上百种技能，情况通常是单个雇员的技能集合可以包括上百甚至上千种个人技能。因此，确保高效并有效地配置最适合(即最有资格)的雇员来支持给定任务、项目或案件可很快成为一项复杂而令人怯步的任务。

确实，问题可能如此复杂，以致于人类无法准确地标识并理解多个甚至上百个雇员的技能集合(每个雇员具有可能上百种甚至上千种个人技能)与企业的可能上百个客户的众多甚至上百个任务、项目或案件的要求(每个客户具有可能上百个甚至上千个技能集合要求和合同业绩要求和限制)之间的相互作用和关系。当还必须考虑每个合格雇员的可用性、区域需求和工作量时，问题将变得甚至更加复杂。结果是问题的复杂度使得人类无法认识到最有效并高效地为特定任务、项目或案件配置人力资源所必需的因素之间的重要关系和相互联系。

相反，所公开的实施例以独特的方式利用机器学习技术来以人类无法胜任的方式并基于人类无法辨别的关系来对雇员技能集合进行标识、标准化和排名。因此，所公开的用于提供多维人力资源配置顾问的***和方法并不是抽象概念，因为它们不仅仅是概念本身，而且不能在精神上或使用笔和纸来执行。

第二，所公开的用于提供多维人力资源配置顾问的***和方法并不是抽象概念，因为它们不是基本的经济实践(例如，不仅仅建立合同关系、对冲、减轻结算风险等)。

第三，尽管在所公开的用于提供多维人力资源配置顾问的***和方法中可能使用了数学运算，但是所公开和要求保护的***和方法并不是抽象概念，因为它们不仅仅是简单的数学关系/公式。

另外，如上所述，所公开的用于提供多维人力资源配置顾问的方法和***提供了经合并的、标准化的和更加集中的数据，该数据提供用于经合并的和更准确的数据的处理和存储，并使对不相关、不准确或错误的数据的处理最小化。因此，使用所公开的实施例，避免了不必要的数据分析、转移和存储。因此，使用所公开的用于提供多维人力资源配置顾问的方法和***导致更有效地利用人力资源和非人力资源、利用更少的处理器周期、降低存储器的利用率、以及利用更少的通信带宽来中继数据往返于后端***以及各种***和各方。所以，通过实现所公开的实施例，计算***被转换成更快、更高效和更有效的计算***。

另外，所公开的实施例表示操作(包括数据的集成、标准化和机器学习处理)的有序组合，这些操作加起来明显大于任何抽象概念，并且表示发明构思和技术进步。

图1是根据一个实施例的用于提供多维人力资源配置顾问的***和方法的设计层次结构100的图示。

如图1所示，设计层次结构100可以包括：服务器层101，其可以包括本文讨论和/或示出的各种数据库和应用服务器及其功能；工具层103，其可以包括本文讨论和/或示出的各种开发工具和/或开源技术，诸如但不限于Python、个人主页(PHP)，即递归初始化PHP、MariaDB等；应用层105，其可以包括本文公开的自主机器学习平台(AMLP)106以及本文讨论和/或示出的机器学习算法、服务和模型；以及用户层107，其可以包括一个或多个用户应用程序。

在各种实施例中，用户层107的一个或多个用户应用程序可以包括但不限于：应用程序108，其在本公开的实施例中为多维人力资源配置顾问(MHRAA)应用程序；应用程序110，其在一个实施例中可以是用于估计给定案件的优先级被升级的几率的预测性升级应用程序；应用程序112，其在一个实施例中可以是预测性计划应用程序；以及如本文所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后所开发的任何数量的其他类型的应用程序“N”。

在各种实施例中，应用程序108、110、112和“N”中的任何一个或全部使用应用层105的自主机器学习平台(AMLP)的组件和功能和工具层103和/或服务器层101的组件中的全部或部分(带有各种修改)来执行其被分派任务并向用户提供其相应的功能。

当前公开的焦点在于自主机器学习平台与多维人力资源配置顾问(MHRAA)应用程序108出于向用户提供多维人力资源顾问和多维人力资源推荐数据的目的的交互。

过程

图2A和图2B一起是根据一个实施例的用于提供多维人力资源配置推荐的过程的流程图。

在一个实施例中，用于提供多维人力资源配置推荐的过程200始于录入操作201，并且处理流行进至获取初始雇员技能集合数据操作203。

在一个实施例中，在获取初始雇员技能集合数据操作203处，从一个或多个源获取初始雇员技能集合数据。

在一个实施例中，在获取初始雇员技能集合数据操作203处，从包括但不限于以下中的一个或多个的一个或多个源获取初始雇员技能集合数据：雇员本身，和/或雇员的雇佣记录，和/或雇员的HR记录，和/或证书和学校教育的公共记录，和/或雇员在专业社交媒体网站和/或普通社交媒体网站上的帐户，和/或如本文所讨论或说明的和/或如在提交时在本领域中已知的和/或如在提交后所开发的任何其他初始的、自我报告/声明的和/或相对静态的初始雇员技能集合。

图4A是初始雇员技能集合数据的特定说明性示例，其中雇员是工程师，并且初始雇员技能集合数据被呈现在初始雇员/工程师技能简档400中。下面将更详细地讨论图4A。

返回到图2A和图2B，在一个实施例中，一旦在获取初始雇员技能集合数据操作203处从一个或多个源获取了初始雇员技能集合数据，则处理流行进至获取动态雇员技能集合数据操作205。

在一个实施例中，在获取动态雇员技能集合数据操作205处，获取与经聚集的“在职”获得的雇员技能和绩效相关联的动态雇员技能集合数据。

在一实施例中，在获取动态雇员技能集合数据操作205处，与经聚集的“在职”获得的技能和绩效相关联的雇员的动态雇员技能集合数据包括以下中的一个或多个，并且是基于以下中的一个或多个在生产线、产品、和发行或版本级别获取的：动态地更新的与雇员相关联的任务、项目或案件结案数据，包括已完结的任务、项目或案件的总数；动态地更新的针对任务、项目或案件的平均完结时间；动态地更新的每个顾客/产品/雇员的平均客户调查或排名数据；动态地更新的经验和团队参与数据、动态地更新的团队领导经验数据；动态地更新的案件优先级经验；动态地更新的用于确定雇员的当前负荷的每个时间段的里程碑；和/或如本文中所讨论或说明的、如在提交时本领域中已知的和/或如在提交后所开发的动态雇员技能集合数据的任何其他源。

图4B至图4F针对其中雇员是软件工程师的特定说明性示例示出了动态雇员技能数据的特定说明性示例。

特别地：图4B是根据一个实施例的雇员/工程师简档数据420的特定的说明性示例；图4C是根据一个实施例的包括在动态雇员技能数据中的雇员/工程师产品模块技能数据430的特定说明性示例；图4D是根据一个实施例的包括在动态雇员技能数据中的雇员/工程师案件类型技能数据440的具体说明性示例；图4E是根据一个实施例的包括在动态雇员技能数据中的雇员/工程师复杂度获得技能数据450的具体说明性示例；图4F是根据一个实施例的包括在动态雇员技能数据中的雇员/工程师调查平均值数据460的具体说明性示例。

下面更详细地讨论图4A至图4F。

返回到图2A和图2B，在一个实施例中，一旦在获取动态雇员技能集合数据操作205处获得了与经聚集的“在职”获得的雇员技能和绩效相关联的动态雇员技能集合数据，则过程流前进到获取雇员HR数据操作207。

在一实施例中，在获取雇员HR数据操作207处，获取与雇员相关联的人力资源(HR)数据。

在各种实施例中，在获取雇员HR数据操作207处获得的与雇员相关联的HR数据可以包括但不限于：雇员的地理位置；与雇员相关联的时区；与雇员相关联的工作时区；雇员理解、说或写的人类语言；雇员所精通的机器和编程语言；雇员证书和/或教育数据；雇员类型，诸如全职、兼职、承包商等；雇员计划的带薪休假(PTO)；和/或如本文所讨论的或说明的，和/或如在提交时为本领域已知的，和/或如在提交后变为已知/可用的任何其他HR数据。

在一个实施例中，一旦在获取雇员HR数据操作207处获取了与雇员相关联的HR数据，过程流就行行到聚集初始雇员技能集合数据、动态雇员技能集合数据和雇员HR数据以生成经聚集的雇员技能集合数据操作209。

在一个实施例中，在聚集初始雇员技能集合数据、动态雇员技能集合数据和雇员HR数据以生成经聚集的雇员技能集合数据操作209处，执行雇员技能集合合并。

在一个实施例中，在聚集初始雇员技能集合数据、动态雇员技能集合数据和雇员HR数据以生成经聚集的雇员技能集合数据操作209处，基于对经聚集的初始雇员技能集合数据、动态雇员技能集合数据和其他雇员数据(诸如，但不限于，人力资源(HR)和/或其他雇员记录数据)的多维分析来执行雇员技能集合合并，以生成针对每个雇员的经聚集的雇员技能集合数据，并动态地更新针对每位雇员的经聚集的雇员技能集合数据。

如下所述，在一个实施例中，所公开的在聚集初始雇员技能集合数据、动态雇员技能集合数据和雇员HR数据以生成经聚集的雇员技能集合数据操作209处执行的对初始雇员技能集合数据、动态雇员技能集合数据和雇员HR数据的合并、纠正和统一提供了带来独特且不同角度的雇员技能的雇员技能集合维度，这些独特且不同角度的雇员技能对于雇员技能的统一视图至关重要，并且如将在下面所更详细讨论的允许雇员技能集合数据的生成和标准化，在一个实施例中，该雇员技能集合数据又被用来生成所公开的标准化雇员技能集合矢量数据，根据一个实施例，该标准化雇员技能集合矢量数据用于做出案件分派的结论和决定。

在一个实施例中，一旦在聚集初始雇员技能集合数据、动态雇员技能集合数据和雇员HR数据以生成经聚集的雇员技能集合数据操作209处执行了雇员技能集合合并，则过程流行进到生成雇员/主管施加的规则和约束数据操作211。

在一个实施例中，在生成雇主/主管施加的规则和约束数据操作211处，定义雇主/主管施加的规则和约束，并且生成雇主/主管施加的规则和约束数据。

在一个实施例中，在生成雇主/主管施加的规则和约束数据操作处定义的雇主/主管施加的规则和约束的特定示例包括但不限于：限制能够分派给任何雇员或特定雇员的活跃任务、项目或案件的数量的规则和约束；限制每个定义的时间范围内能够分派给任何雇员或特定雇员的活跃截止日期或基准的数量的规则和约束；限制能够分派给任何雇员或特定雇员的具有特定优先级或紧迫性的活跃任务、项目或案件的最大数量的规则和约束；有关在分派其他类型的雇员(诸如合同雇员)之前使用特定类型的雇员(诸如全职雇员)的规则和约束；有关各种角色对不同优先级任务、项目或案件和客户所需的雇员经验的规则和约束，和/或如本文讨论或说明的、和/或如在提交时本领域所已知的、和/或如在提交后所开发的或可用的任何其他雇主/主管施加的规则和约束。

值得注意的是，通常，具有较高分派优先级的案件在给定时间范围内具有相应较高数量的关联里程碑/目标。作为示例，优先级为二(P2)的案件每周可有5个里程碑/目标被跟踪，而优先级一(P1)的案件每天可有10个里程碑被跟踪。因此，使用所公开的实施例，不仅跟踪了案件的总数，而且跟踪了优先级，并因此跟踪看每个给定时间范围的相关联的里程碑/目标。

在一个实施例中，在生成雇主/主管施加的规则和约束数据操作处定义的雇主/主管施加的规则和约束的特定示例还包括但不限于：与雇员工作的区域以及针对该区域的团队、主管和组织有关的规则和约束，以允许以“追随太阳(follow the sun)”模型在整个全球为客户和案件选择可以服务于产品线和/或支持团队的雇员，在该“追随太阳”模型中，可以在全球在团队、区域和办事处之间传递案件，以减少延迟并提高对客户的响应。

在一个实施例中，雇主/主管施加的规则和约束可以在任何时间由具有访问权限的任何雇主或主管并针对任何受支持的产品或模块来进行激活和/或修改和调整。因此，所公开的实施例极灵活，因为阈值以及规则和约束集合可以在任何时间并由具有访问/配置权项的任何人结合任何产品线、产品团队、服务、客户或案件为每个雇员技能定义和修改。

在一个实施例中，一旦定义了雇主/主管施加的规则和约束，并且在生成雇主/主管施加的规则和约束数据操作211处生成了雇主/主管施加的规则和约束数据，则过程流行进到获取新案件数据操作213。

在一个实施例中，在获取新案件数据操作213处，获取新案件数据。

在一个实施例中，在获取新案件数据操作213处，从用于录入企业的雇员和/或企业的客户的新任务、项目或案件请求的案件接收和管理***处获取新案件数据。

在各种实施例中，新案件数据包括但不限于表示以下数据：任务、项目或案件的名称；要为其执行任务、项目或案件的客户的名称；任务、项目或案件的优先级；与任务、项目或案件相关联的客户的优先级；与任务、项目或案件相关联的设施类型或产品线；与任务、项目或案件相关联的设施类型或产品线中包含的任何子组件；任务、项目或案件的类型；任务、项目或案件的复杂度；与任务、项目或案件相关联的客户是升级客户还是战略客户；与客户和/或任务、项目或案件相关联的任何调查或审查数据的平均值；客户的地理位置和/或要在哪里执行任务、项目或案件；与客户的位置和/或要执行任务、项目或案件的位置相关联的时区；和/或如本文中所讨论或说明的、和/或如在提交时本领域已知的、和/或如在提交后变得可用的任何其他新案件数据。

在一个实施例中，一旦在获取新案件数据操作213处获取了新案件数据，过程流就行进到获取与新案件数据相关联的客户的客户数据操作215。

在一个实施例中，除了获取新案件数据之外，还在获取与新案件数据相关联的客户的客户数据操作215处获取与新案件数据相关联的客户的历史客户数据和当前客户数据。在各种实施例中，在获取与新案件数据相关联的客户的客户数据操作215处获取的客户数据是经聚集的客户数据，并且至少部分客户数据被获取作为新案件数据的一部分，并且可以包括但是不限于表示以下的数据：客户的优先级；与客户相关联的设施类型或产品线；与客户和/或代表客户执行的任务、项目或案件相关联的任何合同义务和/或要求；客户是升级客户还是战略客户；与客户相关联的任何调查或审查数据的平均值；客户的地理位置；与客户的位置相关联的时区；和/或如本文中所讨论或说明的、和/或如在提交时本领域已知的、和/或如在提交后变得可用或已知的任何其他客户数据。

在各种实施例中，客户数据是从以下但不限于以下的一个或多个中获取的：由雇主企业所维护的客户和/或案件记录；与客户相关联的社交媒体帐户；与客户相关联的网站和广告；和/或如本文中所讨论或说明的、和/或如在提交时本领域已知的、和/或如在提交后变得可用或已知的任何其他客户数据源。

在一个实施例中，一旦在获取与新案件数据相关联的客户的客户数据操作215处获取了与新案件数据相关联的客户的历史客户数据和当前客户数据，过程流就行进到对新案件数据和客户数据进行处理以生成新案件要求和技能集合数据操作217。

在一个实施例中，在对新案件数据和客户数据进行处理以生成新案件要求和技能集合数据操作217处，标识/生成新案件要求和技能集合数据。

在一个实施例中，在对新案件数据和客户数据进行以生成新案件要求和技能集合数据操作217处，对获取新案件数据操作213的新案件数据和获取与新案件数据相关联的客户的客户数据操作215的客户数据进行处理，以标识与新案件相关联的新案件要求和/或合同义务以及的为了满足任务、项目或案件和/或客户的需求而为新案件分派的雇员将需要的技能集合。

在一个实施例中，然后生成新案件要求和技能集合数据，其表示所标识出的与新案件相关联的新案件要求和/或合同义务以及新案件技能集合。

在一个实施例中，一旦在对新案件数据和客户数据进行处理以生成新案件要求和技能集合数据操作217处标识出了新案件要求和技能集合数据，过程流就行进到对新案件要求和技能集合数据进行处理以标识客户施加的规则和约束数据操作219。

在一个实施例中，在对新案件要求和技能集合数据进行处理以标识客户施加的规则和约束数据操作219处，生成客户施加的规则和约束数据。

在一个实施例中，在对新案件要求和技能集合数据进行处理以标识客户施加的规则和约束数据操作219处，将对新案件数据和客户数据进行处理以生成新案件要求和技能集合数据操作217的新案件要求和技能集合数据进行进一步处理以标识客户施加的规则和约束，并生成客户施加的规则和约束数据。

在各种实施例中，客户施加的规则和约束数据包括但不限于：指示为客户工作和/或为新案件分派的雇员的要求公民身份的规则和约束；指示为客户工作和/或为新案件分派的雇员所说的要求语言的规则和约束；有关为客户工作和/或为新案件分派的雇员的可用性的规则和约束；和/或如本文所讨论或说明的、和/或如在提交时为本领域所已知的、和/或如在提交后所发展或可用的任何其他客户施加的规则和约束。

在一个实施例中，一旦在对新案件要求和技能集合数据进行处理以标识客户施加的规则和约束数据操作219处生成了客户施加的规则和约束数据，过程流便行进到聚集雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据以生成新案件规则和约束数据操作221。

在一个实施例中，在聚集雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据以生成新案件规则和约束数据操作221处，聚集并纠正生成雇主/主管施加的规则和约束数据操作211的雇主/主管施加的规则和约束数据以及对新案件要求和技能集合数据进行处理以标识客户施加的规则和约束数据操作219的客户施加的规则和约束数据，以生成新案件规则和约束数据。

图6A示出了规则和约束数据的特定说明性示例，该规则和约束数据表示在聚集雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据以生成新案件规则和约束数据操作221处生成的可选择和可编辑的规则和约束。

如上所述，在一个实施例中，图6A的规则和约束可以在任何时间由具有访问权限的任何雇主或主管并针对任何受支持的产品或模块进行激活和/或修改和调整。因此，所公开的实施例极灵活，因为阈值以及规则和约束结合可以在任何时间并由具有访问/配置权限的任何人结合任何产品线、产品团队、服务、客户或任务/项目/案件为每个雇员技能定义。

作为具体的说明性示例，图6B和图6C示出了根据一个实施例的用于设置和编辑规则和约束值的规则和约束修改界面的特定说明性示例。

下面更详细地讨论图6A、图6B和图6C。

返回到图2A和图2B，在一个实施例中，一旦在聚集雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据以生成新案件规则和约束数据操作221处聚集并纠正了雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据以生成新案件规则和约束数据，过程流就行进到对新案件要求和技能集合数据以及新案件规则和约束数据进行处理以生成新案件矢量数据操作223。

如下所述，在一个实施例中，使用机器学习算法结合被标识为给定任务、项目、或案件以及新案件要求和技能集合数据中与该给定项目、任务或案件相关联的因作业而异的要求正需要的技能集合，对经聚集的雇员技能集合数据进行标识、标准化和排名。为此，在一个实施例中，在对新案件要求和技能集合数据以及新案件规则和约束数据进行处理以生成新案件矢量数据操作223处，对新案件数据和客户数据进行处理以生成新案件要求和技能集合数据操作217的新案件要求和技能集合数据，以及聚集雇主/主管施加的规则和约束数据和客户施加的规则和约束数据以生成新案件规则和约束数据操作221的新案件规则和约束数据被处理以生成新案件矢量数据。

在一个实施例中，在对新案件要求和技能集合数据以及新案件规则和约束数据进行处理以生成新案件矢量数据操作223处，新案件要求和技能集合数据以及新案件规则和约束数据被处理以生成新案件矢量数据，该新案件矢量数据表示与新案件理想地匹配的假设雇员所需的技能和要求。

在一个实施例中，新案件矢量数据是从标识出的新案件理想雇员数据中导出的，并且包括与新案件理想雇员数据元素相对应的两个或更多个新案件矢量元素。在一个实施例中，新案件矢量数据由一个或多个机器学习服务和/或模块使用新案件需要求技能集合数据以及新案件规则和约束数据作为输入数据来生成的。在一个实施例中，两个或更多个新案件元素中的每一个与新案件要求和技能集合数据元素之一相关。

在各种实施例中，一个或多个机器学习服务或模块包括但不限于以下中的一个或多个：监督式机器学习服务或模型；无监督式机器学习服务或模型；半监督式机器学习服务或模型；或者如本文所讨论或说明的和/或如在提交时本领域已知的和/或如在提交之后开发出或变得可用的能够基于新案件要求和技能集合数据以及新案件规则和约束数据生成新案件矢量数据的任何其他机器学习服务或模型。

图8是根据一个实施例的新案件矢量元素800的特定说明性示例的图形说明，其中雇员是软件工程师。下面将更详细地讨论图8。

返回到图2A和图2B，在一个实施例中，一旦在对新案件要求和技能集合数据以及新案件规则和约束数据进行处理以生成新案件矢量数据操作223处生成了新案件矢量数据，过程流就行进到对经聚集的雇员技能集合数据以及新案件要求和技能集合数据进行处理以标识初始技能集合匹配雇员数据操作225。

在一个实施例中，在对经聚集的雇员技能集合数据以及新案件要求和技能集合数据进行处理以标识初始技能集合匹配雇员数据操作225处，生成初始技能集合匹配雇员数据。

在一个实施例中，在对经聚集的雇员技能集合数据以及新案件要求和技能集合数据进行处理以标识初始技能集合匹配雇员数据操作225处，对针对每个雇员的经聚集的雇员技能集合数据与新案件要求和技能集合数据进行技能匹配，以标识初始技能集合匹配雇员数据，这些初始技能集合匹配雇员数据表示好像具有与新案件要求和技能集合数据中指示的技能集合相匹配或最紧密匹配的关联技能集合数据的雇员及其关联技能集合数据。

在一个实施例中，在对经聚集的雇员技能集合数据以及新案件要求和技能集合数据进行处理以标识初始技能集合匹配雇员数据操作225处，使用一种或多种机器学习算法对针对每个雇员的经聚集的雇员技能集合数据与新案件要求和技能集合数据进行技能匹配，该一种或多种机器学习算法诸如为但不限于K最近邻(KNN)分类和加权或非加权欧氏距离方法，或如本文所讨论或说明的和/或如在提交时为本领域已知的和/或如在提交后开发的任何其他分类算法/方法。

在一个实施例中，在对经聚集的雇员技能集合数据以及新案件需求和技能集合数据进行处理以标识初始技能集合匹配雇员数据操作225处，最初基于所标识出的新案件要求和技能集合数据以及经聚集的雇员技能集合数据两者中都存在的公共技能(也称为匹配技能或匹配技能特征)，确定匹配或紧密匹配新案件要求中指示的技能集合的雇员。

在一个实施例中，一旦在对经聚集的雇员技能集合数据以及新案件要求和技能集合数据进行处理以标识初始技能集合匹配雇员数据操作225处生成了初始技能集合匹配雇员数据，过程流就行进到对于每个技能集合匹配雇员，将匹配技能特征进行标准化操作227。

在一个实施例中，使用机器学习算法来结合被标识为给定任务、项目或案件以及与该给定任务、项目或案件相关联的因作业而异的要求所需的技能集合，对经聚集的雇员技能集合数据进行标识、标准化和排名。

在一个实施例中，在对于每个技能集合匹配雇员，将匹配技能特征进行标准化操作227处，为每个雇员技能集合匹配雇员生成标准化雇员技能集合数据。

在一个实施例中，将在针对在初始技能集合匹配雇员数据中表示的每个雇员技能集合中所包括的匹配技能标准化，以针对每个雇员的标准化雇员技能集合数据。在一个实施例中，该标准化过程基于与匹配技能相关联的雇员的动态“在职”获得的技能集合数据。

在各种实施例中，雇员的与匹配技能集合特征相关联的动态技能集合数据可以包括但不限于表示以下中的一个或多个的数据：由雇员完结的全部案件；由雇员完结的案件的平均解决时间；雇员的平均顾客满意度审查分数数据；由与匹配技能集合特征相关联的雇员拥有和/或完结的案件；由与技能集合特征相关联的雇员领导和完结的案件；由与匹配技能集合特征相关联的雇员贡献的案件；同由与匹配技能集合特征相关联的雇员团队所拥有和/或完结和/或参与的案件相关联的解决时间；针对与匹配技能集合特征相关联的雇员团队的审查和顾客满意度输入/评分；和/或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后变得可用的与雇员以及匹配技能集合特征相关联的任何其他动态技能集合数据，。

图9A是根据一个实施例执行的技能查找、技能标准化和技能排名的特定说明性示例的高级图形图示。

图9B是根据一个实施例执行的图9A的技能查找、技能标准化和技能排名的结果的特定说明性示例。

返回到图2A和图2B，在一个实施例中，每个雇员的标准化初始技能集合匹配雇员数据是使用与匹配技能相关联的雇员的动态技能集合数据和一个或多个机器学习算法(诸如，但不限于，Min-Max标准化，或如本文中所讨论或说明的、和/或如在提交时本领域中已知的，和/或如在提交后所开发的任何其他标准化算法/方法)来生成的。

图9C是与根据一个实施例执行的标准化过程的一个说明性示例相关联的标准化数据和处理属性的特定说明性示例。

图9D示出了根据一个实施例的标准化和技能匹配过程的特定说明性示例的一些步骤。

所公开的实施例提供了将一个雇员的技能相对于另一雇员的技能“标准化”，使得可以针对给定任务、项目或案件的需求来客观地比较多个雇员的技能集合。这是通过考虑并整合雇员的历史和当前聚集的“在职”雇员绩效以及动态工作经验参数对其报告的/已知的技能和潜在任务、项目或案件和/或客户的影响来实现的。结果，使用所公开的实施例，对多个雇员的技能集合数据的比较和分析反映了关于雇员的报告/已知的技能以及所标识出的给定任务、项目或案件或客户的需求的“真实世界的”和聚集的“在职”绩效考虑。因此，所公开的标准化过程集成了“在职”获得的动态雇员技能，以统一地评估雇员的技能集合数据。

下面更详细地讨论图9A、图9B、图9C和图9D。

返回到图2A和图2B，在一个实施例中，一旦在对于每个技能集合匹配雇员，将匹配技能特征标准化操作227处为每个雇员技能集合匹配雇员生成了标准化雇员技能集合数据，过程流就行进至对于每个技能集合匹配雇员，基于标准化雇员技能集合数据和特征生成标准化雇员技能集合矢量数据操作229。

在一个实施例中，在对于每个技能集合匹配雇员，基于标准化雇员技能集合数据和特征生成标准化雇员技能集合矢量数据操作229处，生成标准化雇员技能集合矢量数据。

在一个实施例中，在对于每个技能集合匹配雇员，基于标准化雇员技能集合数据和特征生成标准化雇员技能集合矢量数据操作229处，使用在对于每个技能集合匹配雇员，将匹配技能特征标准化操作227的每个初始匹配雇员的标准化雇员技能集合数据中表示的标准化技能集合特征，生成初始技能集合匹配雇员数据中表示的雇员的标准化雇员技能集合矢量数据。在一个实施例中，标准化雇员技能集合矢量数据包括标准化雇员技能集合矢量元素，标准化雇员技能集合矢量元素与同初始技能集合匹配雇员数据中表示的每个初始匹配雇员相关联的每个标准化雇员技能集合数据特征相关。

在一个实施例中，使用标准化匹配技能集合特征以及新案件规则和约束数据作为输入数据，通过一个或多个机器学习服务和/或模型来生成每个最初匹配雇员的标准化雇员技能集合矢量数据。在各种实施例中，一个或多个机器学习服务或模块包括但不限于以下中的一个或多个：监督式机器学习服务或模型；无监督式机器学习服务或模型；半监督式机器学习服务或模型；或如本文所讨论或说明的和/或如在提交时在本领域已知的和/或如在提交之后开发的或变得可用的能够基于使用标准化雇员技能集合数据特征以及新案件规则和约束数据作为输入数据生成标准化雇员技能集合矢量数据的任何其他机器学习服务或模型。

图10是根据一个实施例的标准化雇员技能集合矢量元素1000的特定说明性示例的图示。下面将更详细地讨论图10。

返回到图2A和图2B，在一个实施例中，一旦在对于每个技能集合匹配雇员，基于标准化雇员技能集合数据和特征生成标准化雇员技能集合矢量数据操作229处生成了标准化雇员技能集合矢量数据，过程流就从图2行进到图2B以及将针对每个技能集合匹配雇员的标准化雇员技能集合矢量数据和新案件矢量数据提供给机器学习算法以生成原始经排名技能匹配雇员推荐数据操作231。

在一个实施例中，在将针对每个技能集合匹配雇员的标准化雇员技能集合矢量数据和新案件矢量数据提供给机器学习算法以生成原始经排名技能匹配雇员推荐数据操作231处，使用一种或多种机器学习算法生成原始经排名技能匹配雇员推荐数据。

在一个实施例中，在将针对每个技能集合匹配雇员的标准化雇员技能集合矢量数据和新案件矢量数据提供给机器学习算法以生成原始经排名技能匹配雇员推荐数据操作231处，使用对新案件要求和技能集合数据以及新案件规则和约束数据进行处理以生成新案件矢量数据操作223的新案件矢量数据、对于每个技能集合匹配雇员基于标准化雇员技能集合数据和特征生成标准化雇员技能集合矢量数据操作229的针对每个初始匹配雇员的标准化雇员技能集合矢量数据、以及聚集雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据以生成新案件规则和约束数据操作221的新案件规则和约束数据作为先前训练的机器学习模型的输入数据。

在一个实施例中，该机器学***均解决时间；雇员的平均顾客满意度审查分数数据；历史案件数据、历史客户数据、历史初始雇员技能集合数据、历史动态雇员技能集合数据、历史雇员HR数据和历史规则和约束数据，以及经聚集的任务、项目或案件完成数据、顾客审查/评级数据，以及其他历史案件和历史雇员数据。在一个实施例中，使用该训练数据，将训练机器学习模型训练为使用新案件规则和约束数据作为匹配约束/过滤，将每个初始匹配雇员的标准化雇员技能集合矢量数据与新案件矢量数据进行匹配和排名。

在各种实施例中，机器学习模型是以下中的任何一个或多个：监督式机器学习服务或模型；无监督式机器学习服务或模型；半监督式机器学习服务或模型；或能够使用新案件规则和约束数据作为匹配约束/过滤，将每个初始匹配雇员的标准化雇员技能集合矢量数据与新案件矢量数据进行匹配和排序的任何其他机器学习服务或模型。

作为特定的说明性示例，在一个实施例中，机器学习模型利用加权或非加权欧氏距离方法，或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后开发出的任何其他排名算法/方法。

在一个实施例中，机器学习模型的输出是原始经排名技能匹配雇员推荐数据。在一个实施例中，原始经排名技能匹配雇员推荐数据包括表示与新案件匹配或最紧密匹配的雇员的数据。

图11是根据一个实施例的图3的新案件数据307与图8的新案件矢量元素800、图3的经聚集的雇员技能集合数据323与图10的标准化雇员技能集合矢量元素1000、图7的技能匹配、标准化和排名子***700与图7的原始排名技能匹配雇员推荐数据563的交互和关系的特定说明性示例的图示说明。下面将更详细地讨论图3、图7、图8、图10和图11。

返回到图2A和图2B，在一个实施例中，一旦在将针对每个技能集合匹配雇员的标准化雇员技能集合矢量数据和新案件矢量数据提供给机器学习算法，以生成原始经排名技能匹配雇员推荐数据操作231处，使用一个或多个机器学习算法生成了原始经排名技能匹配雇员推荐数据，过程流就行进到使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233。

在一个实施例中，在使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233处，生成经过滤的技能匹配雇员推荐数据。

在一个实施例中，在使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233处，基于在聚集雇主/主管施加的规则和约束数据以及客户施加的规则和约束数据以生成新案件规则和约束数据操作221的新案件规则和约束数据中表示的规则和约束，过滤将针对每个技能集合匹配雇员的标准化雇员技能集合矢量数据和新案件矢量数据提供给机器学习算法以生成原始经排名技能匹配雇员推荐数据操作231的原始经排名技能匹配雇员推荐数据，以生成经过滤的技能匹配雇员推荐数据，该经过滤的技能匹配雇员推荐数据表示匹配或紧密匹配符合新案件规则和约束数据的规则和约束的新案件雇员。

图13是根据一个实施例的过滤子***的特定说明性示例的操作的图示。下面将更详细地讨论图13。

返回到图2A和图2B，在一个实施例中，一旦在使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233处生成了经过滤的技能匹配雇员推荐数据，过程流就行进到使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235。

在一个实施例中，在使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235处，生成新案件的推荐雇员数据。

在一个实施例中，在使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235处，基于雇员工作量平衡考虑对使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233的经过滤的技能匹配雇员推荐数据进行进一步处理/过滤，以生成新案件的推荐雇员数据。

在一个实施例中，使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235处的负荷平衡考虑的目的是基于如在雇员案件加载数据中所指示的雇员工作量平衡考虑，并根据如在新案件规则和约束数据中所指示的一个或多个规则和约束，对经过滤的技能匹配雇员推荐数据进行进一步处理，以生成新案件的推荐雇员数据。该特征在下面相对于图14更详细地讨论。

在一个实施例中，在使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235处，基于发展/扩展个体雇员技能，对使用新案件规则和约束数据来过滤原始经排名技能匹配的雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233的经过滤的技能匹配雇员推荐数据进行进一步处理/过滤，以生成新案件的推荐雇员数据。

在一个实施例中，在使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233处增加开发/扩展个体雇员技能考虑的目的是：在满足新案件和客户的需求的同时开发雇主企业的雇员的技能集合。为此，生成了雇主/主管雇员开发规则并将其存储在规则和约束中，雇主/主管雇员开发规则控制将雇员分派到其可以开发新的且限定的被确定为雇主企业和/或企业的客户所需要的技能的作业或案件。该特征在下面结合图16更详细地讨论。

在一个实施例中，在使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235处，基于与雇员工作的区域或“剧院”以及针对该区域/剧院的团队、主管和组织有关的规则和约束，对使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配的雇员推荐数据操作233的经过滤的技能匹配雇员推荐数据进行进一步处理/过滤，以生成新案件的推荐雇员数据，以便允许以“追随太阳”模型在整个全球为客户和案件选择可以服务于产品线和/或支持团队的雇员，在“追随太阳”模式中，可以在全球在团队、区域和办事处之间传递案件，以减少延迟并提高对客户的响应。

在一个实施例中，新案件的推荐雇员数据包括表示具有最紧密匹配新案件要求和技能集合数据的技能集合数据的一个或多个雇员的数据，这些数据符合新案件规则和约束，并满足经验和/或工作量平衡要求，并且因此被推荐以供分派/配置给新任务、项目或案件。

图15是根据一个实施例的使用新案件规则和约束数据来过滤原始经排名技能匹配雇员推荐数据以生成经过滤的技能匹配雇员推荐数据操作233处的过滤子***以及使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235处的负荷平衡子***的应用对具有匹配或最紧密匹配所标识出的与特定案件相关联的所需技能的技能集合数据的初始雇员池的累积影响的高级图示。下面更详细地讨论图15。

返回到图2A和图2B，在一个实施例中，一旦在使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235处生成了新案件的推荐雇员数据，过程流就行进到向决策者提供推荐雇员数据以供审查和/或批准操作237。

在一个实施例中，在向决策者提供推荐雇员数据以供进行审查和/或批准操作237处，将使用负荷平衡和操作考虑对经过滤的技能匹配雇员推荐数据进行处理以生成新案件的推荐雇员数据操作235的新案件的推荐雇员数据和/或推荐雇员的原因和排名提供给决策者，以供进行批准、编辑和最终雇员分派/配置。

在各种实施例中，接收新案件的推荐雇员数据的决策者可以是但不限于以下中的一个或多个：人工决策者，诸如具有访问/决策者许可以供进行批准、编辑和最终雇员分派/配置的主管或其他雇员；用于批准、编辑和最终雇员分派/配置，和/或用于对新案件的推荐雇员数据进行进一步处理的一个或多个应用程序；和/或负责批准、编辑和最终雇员分派/配置的任何其他实体(诸如，公司)。

图17A、图17B、图17C、图17D、图17E、图17F和图17G是根据一个实施例的指示与用于提供多维人力资源配置顾问的***和方法的一个说明性实施例相关联的操作和用户体验的用户界面屏幕的特定说明性示例。下面更详细地讨论图17A、图17B、图17C、图17D、图17E、图17F和图17G。

返回到图2A和图2B，在一个实施例中，一旦在向决策者提供推荐雇员数据以供进行审查和/或批准操作237处，将新案件的推雇员数据提供给决策者以供进行批准、编辑和最终雇员分派/配置，过程流进行行进至退出240。

在一个实施例中，在退出240处，退出用于提供多维人力资源配置推荐的过程200，以等待新数据。

***组件、交互和操作

在随后的讨论中，提供了多维人力资源配置顾问***的一个实施例的组件组织和操作的特定说明性示例。在随后的讨论中，图3、图5、图7、图12、图14和图16的多维人力资源配置顾问***和子***的特定说明性示例只是多维人力资源配置顾问***的一个实施例的组织和操作的一个示例。本领域普通技术人员将认识到，本文公开的多维人力资源配置顾问***的组织和操作的许多其他示例是可能的。因此，以下讨论以及图3、图5、图7、图12、图14和图16不应被解释为对本发明施加任何限制，如以下权利要求中所述。

此外，相关联的支持图4A到图4F、图6A到图6C、图8、图9A到图9D、图10、图11、图13、图15和图17A到图17G也与多维人力资源配置顾问***的组织和操作的一个实施例的特定说明性示例相关联，该多维人力资源配置顾问***在图4A到图4F、图6A到图6C、图8、图9A到图9D、图10、图11、图13、图15和图17A到图17G的特定说明性示例中被实现为供与雇主企业一起使用，该雇主企业提供软件工程师以支持企业的客户的企业资源规划(ERP)***。本领域普通技术人员将认识到，对于许多其他类型的雇主企业和客户而言，许多其他实现是可能的，并且是发明人想得到的。因此，不应将以下讨论和附图解释为对本发明施加任何限制，如以下权利要求书所述。

图3是示出根据一个实施例的多维人力资源配置顾问***300的各个组件的整体组织、交互和操作的组件图。

如图3所示，多维人力资源配置顾问***300包括自主机器学习平台106、案件接收和管理***301以及包括各种用户应用程序的用户层107。

如图3所示，并且如以上结合图1所讨论的，用户层107可以包括各种用户应用程序，供用户通过案件接收和管理***301使用，诸如，但不限于：应用程序108，在本公开的实施例中，该应用程序108为多维人力资源配置顾问(MHRAA)应用程序；应用程序110，在一个实施例中，应用程序110可以是用于估计给定案件的优先级被升级的几率的预测性升级应用程序；应用程序112，在一个实施例中，应用程序112可以是预测性计划应用程序；以及如本文中所讨论的，和/或如在提交时在本领域中已知的，和/或如在提交后开发的任何数量的其他类型的应用程序“N”。

在各种实施例中，应用程序108、应用程序110、应用程序112和应用程序“N”中的任何一个或全部使用自主机器学***台106出于经由案件接收和管理***301向用户提供多维人力资源顾问和推荐雇员数据363的目的与多维人力资源顾问(MHRAA)应用程序的交互。

为此，如图3所示，在一个实施例中，自主机器学习平台106包括企业机器学习(ML)数据库320、雇主企业数据库331、规则和约束数据库345以及机器学习(ML)引擎350。

如以下更详细讨论的，在一个实施例的操作中，企业ML数据库320是从多维人力资源配置顾问***300的其他组件获取和/或由其提供/生成的数据的主要存储库。这样，在一个实施例中，企业ML数据库320从多维人力资源配置顾问***300的其他组件接收数据，以及将数据提供给其他组件，并且因此，在一个实施例中，企业ML数据库320是多维人力资源配置顾问***的中央枢纽。

在一个实施例中，案件接收和管理***301表示一个或多个计算***和数据库，雇主企业的销售人员通过该计算***和数据库来接收并记录销售，跟踪历史和当前任务、项目或案件的合同和绩效，协调新到来的任务、项目或案件，跟踪正在进行的绩效和里程碑、记录客户的反馈和满意度、并执行如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后变得已知/可用的任何其他客户接收和顾客关系管理功能。

如图3所示，在一个实施例中，案件接收和管理***301包括案件接收和管理数据303。在一个实施例中，案件接收和管理数据303包括历史案件数据305。在一个实施例中，历史案件数据305包括案件历史数据，诸如但不限于客户历史数据，客户联系人数据，历史顾客满意度审查数据，顾客关系管理数据，表示为当前和历史案件的工作分派的雇主企业的特定雇员的数据，与当前和历史案件相关联的模块、技能和经验，和/或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后变得已知/可用的的任何其他历史案件数据。

在一个实施例中，案件接收和管理***301还包括新案件数据307。在一个实施例中，新案件数据307包括但不限于表示以下的数据：任务、项目或案件的名称；要为其执行任务、项目或案件的客户的名称；任务、项目或案件的优先级；与任务、项目或案件相关联的客户的优先级；与任务、项目或案件相关联的作业设施类型或产品线；与任务、项目或案件相关联的作业设施类型或产品线中包含的任何子组件；任务、项目或案件的类型；任务、项目或案件的复杂度；与任务、项目或案件相关联的客户是升级客户还是战略客户；与客户和/或任务、项目或案件相关联的任何调查或审查数据的平均值；客户的地理位置和/或任务、项目或案件将被执行的位置；与客户的位置和/或任务、项目或案件将被执行的位置相关联的时区；和/或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后变得可用的任何其他新案件数据。

在一个实施例中，案件接收和管理***301进一步包括客户数据308。在一个实施例中，客户数据308是经聚集的客户数据，并且可以包括但不限于表示以下的数据：客户的优先级；与客户相关联的设施类型或产品线；与客户和/或代表客户执行的任务、项目或案件相关联的任何合同义务和/或要求；客户是升级客户还是战略客户；与客户相关联的任何调查或审查数据的平均值；客户的地理位置；与客户的位置相关联的时区；和/或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后变得可用或已知的任何其他客户数据。

在一个实施例中，案件接收和管理数据303包括但不限于历史案件数据305、新案件数据307和客户数据308的全部或一部分，案件接收和管理数据303的全部或部分被提供给企业ML数据库320并存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件访问和使用。

如图3所示，在一个实施例中，自主机器学习平台106包括雇主企业数据库331。在一个实施例中，雇主企业数据库331包括与雇主企业和雇主企业的雇员相关联的数据。

在一个实施例中，雇主企业数据库331包括雇员人力资源(HR)数据333。在一个实施例中，雇员HR数据333可以包括但不限于：雇主企业的雇员的地理位置；与雇主企业的雇员相关联的时区；与雇主企业的雇员相关联的工作时区；雇主企业的雇员理解、说或写的人类语言；雇主企业的雇员精通的机器和编程语言；与雇主企业的雇员相关联的证书和/或教育数据；与雇主企业的雇员相关联的雇员类型，诸如全职、兼职、承包商等；与雇主企业的雇员相关联的审查和客户顾客满意度数据；与雇主企业的雇员相关联的计划带薪休假(PTO)；和/或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后变得已知/可用的任何其他HR数据。

在一个实施例中，雇主企业数据库331包括初始雇员技能集合数据335。在一个实施例中，初始雇员技能集合数据335可以包括但不限于：从雇员本身获得的雇员技能集合/经验数据；从雇员的雇佣记录中获得的雇员技能集合/经验数据；从雇员的HR记录中获得的雇员技能集合/经验数据；从证书和学校教育的公共记录中获得的雇员技能集合/经验数据；在专业社交媒体网站上的雇员帐户；从一般社交媒体网站获得的雇员技能集合/经验数据；从雇员以前的雇主获得的雇员技能集合/经验数据；和/或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后所开发的任何其他初始的、自我报告/声明的和/或相对静态的初始雇员技能集合数据的来源。

图4A是初始雇员技能集合数据的特定说明性示例，其中雇员是工程师，并且初始雇员技能集合数据被呈现在初始雇员/工程师技能简档400中。

如图4A所示，在图4A的特定说明性示例中，初始雇员/工程师技能简档400包括：雇员标识数据401,在该特定示例中，其是雇员电子邮件数据；指示所讨论的产品线的产品线数据403；指示所考虑的产品技能或模块的产品模块数据405；发行或版本数据407，其指示所考虑的产品模块的发行或版本；经验年数数据409，其指示雇员对所考虑的产品和模块的经验，即，技能；最后使用数据411，其指示雇员对所考虑的产品线和模块所具有最近经验；等级数据413，其指示雇员与所考虑的产品和模块有关的顾客服务等级。

本领域普通技术人员将容易认识到，图4A仅仅是初始雇员技能集合数据的类型和布置的一个特定说明性示例，并且初始雇员技能集合数据的许多其他类型和布置是可能的并且是发明人想得到的。因此，图4A的初始雇员技能集合数据的类型和布置的特定说明性示例不应被理解为限制权利要求中阐述的本发明。

如以下更详细讨论的那样，根据一个实施例，包括在图4A的说明性初始雇员/工程师技能简档中的初始雇员技能集合数据用于生成下面所讨论的标准化雇员技能集合矢量数据的一部分。

返回到图3，在一个实施例中，雇主企业数据库331包括动态雇员技能集合数据337。在一个实施例中，动态雇员技能集合数据337是从历史案件数据305以及每个雇员“在职”获得/取得的技能和经验中得出的。

在一个实施例中，动态雇员技能集合数据337是基于以下中的一个或多个在产品线、产品以及发行或版本级别处获得的：动态地更新的与雇员相关联的任务、项目或案件完结数据，包括已完结的任务、项目或案件的总数；动态地更新的针对任务、项目或案件的平均完结时间；动态地更新的每个顾客/产品/雇员的平均客户调查或排名数据；动态地更新的经验和团队参与数据；动态地更新的团队领导经验数据；动态地更新的案件优先级经验；动态地更新的用于确定雇员的当前负荷的每个时间段的里程碑；和/或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后开发的动态的雇员技能集合数据的任何其他来源。

图4B至图4F示出了针对其中雇员是软件工程师的特定说明性示例的动态雇员技能数据的特定说明性示例。

图4B是根据一个实施例的包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中并且用于生成标准化雇员技能集合矢量数据的一部分的雇员/工程师简档数据420的特定说明性示例。

如图4B所示，雇员/工程师简档数据420包括：部门/产品数据421A，其指示所考虑的部门和/或产品线；雇员/工程师联系人数据421B，在此示例中，其为电子邮件地址；雇员/工程师标识数据421C，在这个情况下，其为雇员的名和姓数据；雇员/工程师状态数据421D；雇员/工程师分派案件工作数据421E；雇员/工程师小时数数据421F；雇员/工程师类型数据421G，例如，兼职、全职或承包商；指示雇员工作所在的时区的雇员/工程师时区数据421H；最大案件阈值数据421I，其指示所考虑的雇员在每个时间段开放的案件和/或里程碑的最大数目；雇员/工程师可以分派P1数据421J，其指示所讨论的雇员是否可以承担优先级为一的案件；雇员/工程师可以分派P2数据421K，其指示所讨论的雇员是否可以承担优先级为二的案件；雇员/工程师可用性数据421L，其指示雇员/工程师的带薪休假(PTO)状态；以及雇员/工程师动作图标421M。

本领域普通技术人员将容易地认识到，图4B仅是雇员简档数据420的类型和布置的一个特定的说明性示例，并且雇员简档数据420的许多其他类型的和布置是可能的并且是发明人想得到的。因此，图4B的雇员简档数据420的类型和布置的特定说明性示例不应被理解为限制权利要求中阐述的本发明。

图4C是根据一个实施例的雇员/工程师产品模块技能数据430的特定说明性示例，该雇员/工程师产品模块技能数据430包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中，并且用于生成标准化雇员技能集合矢量数据。

如图4C所示，雇员/工程师产品模块技能数据430包括指示所考虑的产品线的产品线数据431以及雇员/工程师条目432、433、435、437和439。如图4C所示，在雇员/工程师条目432、433、435、437和439的每个被标识的雇员之下，列出了该雇员已获得/取得的模块技能的列表以及表示以下的数据：包括雇员已经为产品和发行工作并完结了的产品模块的案件数434；以及产品和发行的平均完结时间436；用于产品和发行。

本领域普通技术人员将容易地认识到，图4C仅是雇员/工程师产品模块技能数据430的类型和布置的一个特定说明性示例，并且雇员/工程师产品模块技能数据430的许多其他类型和布置是可能的并且是发明人想得到的。因此，图4C的雇员/工程师产品模块技能数据430的类型和布置的特定说明性示例不应被理解为限制权利要求中阐述的本发明。

图4D是根据一个实施例的雇员/工程师案件类型技能数据440的特定说明性示例，该雇员/工程师案件类型技能数据440包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中，并且用于生成标准化雇员技能集合矢量数据的一部分。

如图4D所示，雇员/工程师案件类型技能数据440包括产品线数据441和443，其指示所考虑的产品线，以及在每个产品线数据条目(诸如产品线数据条目441和443)下的雇员/工程师条目(诸如雇员/工程师条目442)。如图4D所示，对于每个产品线和雇员条目，与雇员所完结的产品线相关联的案件的数量被列出在案件完结数据445中，并且完结案件的平均天数由平均完结天数数据447指示。

本领域普通技术人员将容易地认识到，图4D仅是雇员/工程师案件类型技能数据440的类型和布置的一个特定说明性示例，并且雇员/工程师案件类型技能数据440的许多其他类型和布置是可能的并且是发明人想得到的。因此，图4D的雇员/工程师案件类型技能数据440的类型和布置的特定说明性示例不应被理解为限制权利要求中阐述的本发明。

图4E是根据一个实施例的雇员/工程师复杂度获得技能数据450的特定说明性示例，该雇员/工程师复杂度获得技能数据450包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中，并且用于生成标准化雇员技能集合矢量数据的一部分。

如图4E所示，雇员/工程师复杂度获得技能数据450包括产品线数据451，该产品线数据451指示所考虑的产品线以及产品线数据条目之下的雇员/工程师条目，诸如452。如图4E所示，对于每个产品线和雇员条目，在雇员条目之下列出了与雇员所获得的产品线相关联的模块和/或技能。

本领域普通技术人员将容易地认识到，图4E只是雇员/工程师复杂度获得技能数据450的类型和布置的一个特定说明性示例，并且雇员/工程师复杂度获得技能数据450的许多其他类型和布置是可能的并且是发明人想得到的。因此，图4E的雇员/工程师复杂度获得技能数据450的类型和布置的特定说明性示例不应被理解为限制权利要求中阐述的本发明。

图4F是根据一个实施例的雇员/工程师调查平均值数据460的特定说明性示例，该雇员/工程师调查平均值数据460包括在经聚集的雇员技能集合数据的动态雇员/工程师技能集合数据中，并且用于生成标准化雇员技能集合矢量数据的一部分。

如图4F所示，雇员/工程师调查平均值数据460包括：产品线数据463，其指示所考虑的产品线；雇员标识数据461，在该情况下为雇员名称数据；调查平均值数据465，在该情况下指示雇员在最近的3个月内与所考虑的产品线有关的平均顾客审查数据评级；以及调查平均值数据467，在该情况下指示雇员在最近的6个月内与所考虑的产品线有关的平均顾客审查数据评级。

本领域普通技术人员将容易地认识到，图4F仅是雇员/工程师调查平均值数据460的类型和布置的一个特定说明性示例，并且雇员/工程师调查平均值数据460的许多其他类型和布置是可能的并且是由发明人想得到的。因此，雇员/工程师调查平均值数据460的类型和布置的特定说明性示例不应被理解为限制权利要求中阐述的本发明。

如下文更详细讨论的，在一个实施例中，对于根据一个实施例其中雇员是图4B到图4F的软件工程师的特定说明性示例的动态雇员技能数据的特定说明性示例用于生成标准化雇员技能集合矢量数据的一部分。

返回到图3，如下面更详细地讨论的，在一个实施例中，在ML引擎350的预处理模块351处执行雇员技能集合合并/聚集，以使用雇员初始雇员技能集合数据335、雇员动态技能集合数据337和雇员HR数据333来为雇主企业的每个雇员生成经聚集的雇员技能集合数据323。在一个实施例中，然后将全部或部分经聚集的雇员技能集合数据323提供给企业ML数据库320，并将其存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件的访问和使用。

在一个实施例中，雇主企业数据库331包括雇员案件加载数据339。在一个实施例中，雇员案件加载数据339可以包括但不限于表示以下的数据：分派给雇员的开放任务、项目或案件的数量；分派给雇员的开放任务、项目或案件的优先级；分派给雇员的里程碑和截止日期的数量和频率；和/或如本文中所讨论或说明的，和/或如在提交时在本领域中所已知的，和/或如在提交后所可用/已知的针对雇员的任何其他工作量相关数据。

在一个实施例中，将雇员案件加载数据339的全部或部分提供给企业ML数据库320，并将其存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件访问和使用。

如图3所示，在一个实施例中，自主机器学***台106的预处理、技能匹配、标准化、排名、过滤和负荷平衡处理功能。

为此，在一个实施例中，ML引擎350包括预处理模块351，技能匹配、标准化和排名模块353，过滤模块355，和负荷平衡模块357。

在一个实施例中，预处理模块351执行以下功能：获取、转移、处理、聚集、纠正、存储和更新来自用于企业ML数据库320的多个数据源以及到企业ML数据库320的各种数据，以及获取、转移、处理、聚集、纠正、存储和更新来自规则和约束数据库345的多个数据源的各种数据以及到规则和约束数据库345的各种数据。

图5是示出根据一个实施例的用于提供图3的多维人力资源配置顾问300的***的预处理子***500的各个组件的交互的组件图。

参照图3和图5，在一个实施例中，预处理模块351利用在雇主/主管施加的规则和约束数据341中阐述的一个或多个雇主/主管施加的规则和约束来对各种数据进行预处理。在一个实施例中，首先定义雇主/主管施加的规则和约束，然后生成雇主/主管施加的规则和约束数据341。

在各种实施例中，所定义和生成的作为雇主/主管施加的规则和约束数据341的一部分的雇主/主管施加的规则和约束的特定示例可以包括但不限于：限制能够分派给任何雇员或特定雇员的活跃任务、项目或案件的数量的规则和约束；限制在每个定义的时间范围内能够分派给任何雇员或特定雇员的活跃截止日期或基准的数量的规则和约束；限制能够分派给任何雇员或特定雇员的具有特定优先级或紧迫性的活跃任务、项目或案件的最大数量的规则和约束；有关在分派其他类型的雇员(诸如合同雇员和/或兼职雇员)之前使用特定类型的雇员(诸如全职雇员)的规则和约束；有关各种角色对不同优先级任务、项目或案件和客户所需的雇员经验的规则和约束，和/或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后开发或变得可用的任何其他雇主/主管施加的规则和约束。

在一个实施例中，雇主/主管施加的规则和约束的特定示例还包括但不限于：与雇员工作的区域以及针对该区域的团队、主管和组织有关的规则和约束，以允许以“追随太阳”模型在整个全球为客户和案件选择可以服务于产品线和/或支持团队的雇员，在该“追随太阳”模式中，可以在全球在团队、区域和办事处之间传递案件，以减少延误并提高对客户的响应。

在一个实施例中，雇主/主管施加的规则和约束数据341的雇主/主管施加的规则和约束可以由具有访问权限的任何雇主或主管在任何时间并针对任何受支持的产品或服务来激活和/或修改和调整。因此，所公开的实施例极其灵活，因为阈值以及规则和约束集合可以在任何时间并由具有访问/配置权限的任何人结合任何产品线、产品团队、服务、客户或任务/项目/案件为每个雇员技能定义。

如图5所示，并且如上所述，在一个实施例中，预处理模块351从雇主数据库获得初始雇员技能集合数据335、雇员动态技能集合数据337和雇员HR数据333的全部或部分，并对其进行处理，以为雇主企业的每个雇员生成经聚集的雇员技能集合数据323。

在一个实施例中，预处理模块351基于对经聚集的初始雇员技能组数据335、雇员动态技能组数据337和雇员HR数据333的多维分析，获取初始雇员技能集合数据335、雇员动态技能集合数据337和雇员HR数据333雇员技能集合中的全部或部分，并对其进行处理，以为雇主企业的每个雇员生成经聚集的雇员技能集合数据323，并定期地和/或随着新数据变得可用而动态地更新经聚集的雇员技能集合数据323。

在一个实施例中，然后，由预处理模块351将经聚集的雇员技能集合数据323的全部或部分提供给企业ML数据库320，并将其存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件访问和使用，并且企业ML数据库320中的经聚集的雇员技能集合数据323由预处理模块351定期地动态更新，和/或随着新数据变得可用而动态地更新。

根据一个实施例，经聚集的雇员技能集合数据323提供了带来独特且不同角度的雇员技能的雇员技能集合维度，这些独特且不同角度的雇员技能对于雇员技能的统一视图至关重要，并且如下面更详细地讨论的允许雇员技能集合数据的生成和标准化，在一个实施例中，雇员技能集合数据又用于生成所公开的标准化雇员技能集合矢量数据，该标准化雇员技能集合矢量数据用于为案件分派做出结论和决策。

如图5所示，预处理模块351还获得历史案件数据305、新案件数据307和客户数据308的全部或部分，其包括但不限于：从新案件数据307和客户数据308获得的新案件需求和限制，诸如客户施加的规则和约束数据；在定义的时间段内客户联系人顾客审查数据；以及在定义的时间段内雇员顾客审查数据，以标识与新案件相关联的新案件要求和/或合同义务以及为了满足任务、项目或案件和/或客户的需求而为新案件分派的雇员所需的技能集合。

在一个实施例中，预处理模块351然后对该数据进行处理，以生成新案件要求和技能集合数据325，数据新案件要求和技能集合数据325表示所标识出的与新案件相关联的新案件要求和/或合同义务以及新案件技能集合。

在一个实施例中，新案件要求和技能集合数据325由预处理模块351鉴于雇主/主管施加的规则和约束数据341中阐述的一个或多个雇主/主管施加的规则和约束生成。

作为特定的说明性示例，新案件要求和技能集合数据325由预处理模块351在雇主/主管施加的规则和约束下生成，该雇主/主管施加的规则和约束为如果针对与任务、项目或案件相关联的客户联系人的顾客审查数据的平均值小于阈值分数(诸如5分之3)，则客户联系人数据必须被标记为需要特别关注的已升级的或更高优先级的客户联系人。

在一个实施例中，然后，预处理模块351将新案件要求和技能集合数据325提供给企业ML数据库320，并将其存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件访问和使用。

在一个实施例中，预处理模块351还访问新案件数据307和客户数据308以标识并生成客户施加的规则和约束数据343。在各种实施例中，客户施加的规则和约束数据343包括但不限于：指示为客户工作和/或为新案件分派的雇员所需的公民身份的规则和约束；指示为由客户工作的和/或为新案件分派的雇员所说的所需语言的规则和约束；关于为客户工作的和/或为新案件分派的雇员的可用性的规则和约束；和/或如本文中所讨论或说明的，和/或如在提交时在本领域中所已知的，和/或如在提交后所发展或可用的任何其他客户施加的规则和约束。

在一个实施例中，预处理模块351然后聚集并纠正雇主/主管施加的规则和约束数据341以及客户施加的规则和约束数据343，以生成新案件规则和约束数据340，新案件规则和约束数据340随后被转移并存储在规则和约束数据库345中，以供多维人力资源配置顾问***300的其他组件访问和使用。

图6A、图6B和图6C示出了根据一个实施例的表示可选择和可编辑的规则和约束的规则和约束数据以及用于设置、调整和编辑规则和约束的用户界面屏幕的特定说明性示例。

图6A示出了根据一个实施例的包括在案件分派模型中的规则和约束数据610的特定说明性示例，该案件分派模型示出了可选择和可编辑的规则和约束。

如图6A所示，规则和约束数据610包括：规则类别数据611，其指示所考虑的规则的类别；规则名称数据612，其指示所考虑的规则的名称；规则条件数据613，其指示应用所考虑的规则所必需的条件；规则动作数据614，其指示使用所考虑的规则所采取的动作；规则激活数据615，其指示规则是否已经被激活；默认值数据616，其指示如果主管没有录入任何数据，并且如果规则具有相关联的可选择值，则为该规则设置该默认值；规则产品线值更新链接617，主管可以通过该规则产品线值更新链接来设置指定产品线的规则的值；以及规则动作图标618，其激活允许主管查看、编辑或删除规则的各种相关界面屏幕。

如上所述，在一个实施例中，图6A的规则和约束可以由具有访问权限的任何雇主或主管在任何时间并针对任何受支持的产品或模块激活和/或修改和调整。因此，所公开的实施例极灵活，因为阈值以及规则和约束集可以在任何时间并由具有访问/配置权限的任何人结合任何产品线、产品团队、服务、客户或任务/项目/案件为每个雇员技能定义。

作为特定说明性示例，图6B示出了根据一个实施例的用于设置和编辑针对产品线的规则和约束值的规则和约束产品线修改界面630的特定说明性示例。在图6B的说明性示例中，用户界面屏幕630是响应于用户激活图6A的产品线值更新链接617而被生成并显示的。

如图6B所示，规则和约束产品线调整界面630包括列631中的产品线以及值字段632的列表，管理者可通过值字段为特定规则设置特定产品线的特定值。

图6C示出了用于激活规则和约束并编辑案件分派模型的规则和约束值的规则和约束修改界面650的特定说明性示例。

参照图6A和图6C，在图6C中，规则和约束修改界面650包括：Ml模块名称字段651，其用于录入/选择要修改的机器学习模型；规则类别字段652，其用于录入/选择或修改图6A的规则类别数据611；规则名称字段653，其用于录入/选择或修改图6A的规则名称数据612；规则条件字段654，其用于录入/选择或修改图6A的规则条件数据613；规则动作字段655，其用于录入/选择或修改图6A的规则动作数据614；默认值字段656，其用于录入/选择或修改图6A的默认值数据616；规则激活字段657，其用于录入/选择或修改图6A的规则激活数据615；规则附加到字段658，其用于录入/选择或修改规则附加到的模块或过滤器；解决方案用于661，其用于链接到有关规则所解决的难题或问题的注释/评论；实现笔记663，其链接到关于规则的实现的笔记/评论；以及更改历史链接665。

本领域普通技术人员将容易地认识到，图6A、图6B和图6C仅表示规则和约束以及规则和约束的修改的一个示例性示例，并且规则和约束以及规则和约束的修改的许多其他示例是可能的，并且是发明人想得到的。因此，图6A、图6B和图6C的特定说明性示例不应被解释为限制以下权利要求中提出的本发明。

返回到图5，如图5所示，一旦已经向企业ML数据库320提供了各种预处理数据(包括但不限于经聚集的雇员技能集合数据323以及新案件要求和技能集合数据325)，并且已向规则和约束数据库345提供了各种预处理数据(包括但不限于客户施加的规则和约束数据343和新案件规则和约束数据340)，该数据就被定期地更新并变得可用，以供多维人力资源配置顾问***300的其他组件(包括技能匹配、标准化和排名模块353)访问和使用。

图7是示出根据一个实施例的用于提供多维人力资源配置顾问300的***的技能匹配、标准化和排名子***700的各个组件的交互的组件图。

如图7所示，企业ML数据库320和技能匹配、标准化和排名模块353交换并更新数据，以生成原始经排名技能匹配雇员推荐数据563。在一个实施例中，在技能匹配、标准化和排名模块353处，使用机器学习算法来结合被标识为给定任务、项目或案件所需的技能集合以及新案件要求和技能集合数据325中的与该给定项目、任务或案件相关联的因作业而异的要求来对经聚集的雇员技能集合数据323进行标识、标准化和排名。

为此，在一个实施例中，技能匹配、标准化和排名模块353对新案件要求和技能集合数据325以及规则和约束数据库345的新案件规则和约束数据340进行处理，以生成新案件理想雇员数据327，以及在一个实施例中，生成新案件矢量数据328。

在一个实施例中，新案件理想雇员数据327包括两个或更多个新案件理想雇员元素，诸如所需的技能、经验水平以及新案件雇员规则和约束。在一个实施例中，该数据然后被用于生成新案件矢量数据328。

在一个实施例中，新案件矢量数据328是从新案件理想雇员数据327得到的，并且包括与新案件理想雇员数据327元素和/或新案件要求和技能集合数据325元素相对应的两个或更多个新案件理想雇员矢量328元素。

在一个实施例中，新案件矢量数据328由技能匹配、标准化和排名模块353的一个或多个机器学习服务和/或模块使用新案件理想雇员数据327和/或新案件要求和技能集合数据325和/或新案件规则和约束数据340作为输入数据来生成。在各种实施例中，一个或多个机器学习服务或模块的集合包括但不限于以下中的一个或多个：监督式机器学习服务或模型；无监督式机器学习服务或模型；半监督式机器学习服务或模型；或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后开发的或变得可用的能够基于新案件理想雇员数据327和/或新案件需求和技能集合数据325和/或新案件规则和约束数据340作为输入数据来生成新案件矢量数据328的任何其他机器学习服务或模型。

在一个实施例中，一旦由技能匹配、标准化和排名模块353生成，新案件理想雇员数据327以及新案件要求和技能集合数据325就被提供给企业ML数据库320，并存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件访问和使用。

图8是根据一个实施例的新案件矢量元素800的特定说明性示例的图形图示，其中雇员是用于向用于提供多维人力资源配置顾问300的***的技能匹配、标准化和排名子***700提供输入数据的软件工程师。

如图8所示，在图8的特定说明性示例中，新案件矢量元素800包括：名称元素801，其用于表示新案件和/或客户名称的数据；案件优先级元素802，其用于表示新案件优先级的数据；顾客优先级元素803，其用于表示与新案件相关联的顾客/客户的优先级的数据；产品线元素804，其用于表示与新案件关联的产品线的数据；产品模块元素805，其用于表示与新案件关联的产品模块的数据；类型元素806，其用于表示案件的类型的数据；复杂度元素807，其用于表示案件的复杂度的数据；客户升级元素808，其用于表示新案件所需的客户升级存在或不存在的数据；战略客户价值元素809，其用于表示客户是否为需要特殊处理/对待的战略客户的数据；客户平均调查元素810，其用于表示针对定义数量的最近调查，来自与新案件相关联的客户的平均调查分数的数据；客户联系人平均调查元素811，其用于表示针对定义数量的最近调查，来自与新案件相关联的客户联系人的平均调查分数的数据；以及地理位置/时区元素813，其用于表示与新案件相关联的地理位置和/或时区的数据。

本领域普通技术人员将容易地认识到，图8仅是新案件矢量元素800的类型和布置的一个具体说明性示例，并且新案件矢量元素800的许多其他类型和布置是可能的并且是发明人想得到的。因此，图8的新案件矢量元素800的类型和布置的具体说明性示例不应被理解为限制权利要求中提出的本发明。

返回到图7，在一个实施例中，技能匹配、标准化和排名模块353生成标准化雇员技能集合数据329和标准化雇员技能集合矢量数据330。

为此，在一个实施例中，由技能匹配、标准化和排名模块353对针对每个雇员的经聚集的雇员技能集合数据323以及新案件要求和技能集合数据325进行技能匹配，即，使用技能查找例行程序进行处理，以标识初始技能集合匹配雇员数据，该初始技能集合匹配雇员数据表示好像具有与新案件要求和技能集合数据325中指示的技能集合匹配或最紧密匹配的关联技能集合数据的雇员及其相关联的经聚集的雇员技能集合数据323。

在一个实施例中，针对每个雇员的经聚集的雇员技能集合数据323以及新案件要求和技能集合数据325由技能匹配、标准化和排名模块353使用一个或多个机器学习算法来技能匹配，该机器学习算法为诸如但不限于K最近邻(KNN)分类和加权或非加权欧氏距离方法、或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后开发的任何其他分类算法/方法。

在一个实施例中，由技能匹配、标准化和排名模块353基于所标识出的存在于新案件要求和技能集合数据325以及经聚集的雇员技能集合数据323两者中的共同技能(也称为匹配技能或匹配技能特征)，来将雇员初始确定为匹配或最紧密地匹配新案件要求和技能集合数据325中指示的技能集合。

在一个实施例中，技能匹配、标准化和排名模块353然后使用机器学习算法结合被识别为给定任务、项目或案件所需要的技能集合以及与给定项目、任务或案件相关联的因作业而异的要求，来对经聚集的雇员技能集合数据进行标识、标准化和排名。

如上所述，在一个实施例中，由技能匹配、标准化和排名模块353对包括在每个初始技能集合匹配雇员的技能集合数据中的匹配技能进行标准化，以为每个雇员生成标准化雇员技能集合数据329。在一个实施例中，标准化过程基于与动态雇员技能集合数据337的匹配技能相关联的雇员的经聚集的动态“在职”获取技能集合数据。

如上所述，在各种实施例中，针对与匹配技能集合特征相关联的雇员的雇主数据库331的动态雇员技能集合数据337可包括但不限于表示以下中的一个或多个的数据：由与匹配技能集合特征有关的雇员完结的全部案件；由与匹配技能集合特征有关的雇员处理的案件的平均完结时间；针对雇员匹配技能集合特征的平均顾客满意度审查分数；由与匹配技能集合特征有关的雇员所拥有和/或完结的全部案件；由与匹配技能集合特征有关的雇员领导和完结的全部案件；由与匹配技能集合特征有关的雇员贡献的全部案件；同由与匹配技能集合特征有关的雇员拥有和/或完结和/或参与的全部案件相关联的平均解决时间；针对与匹配技能集合特征相关联的雇员或团队的平均审查和顾客满意度输入/评级；和/或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后所可用的与雇员以及匹配技能集合特征相关联的任何其他动态的技能集合数据。

图9A是根据一个实施例的由技能匹配、标准化和排名子***700执行的技能查找、技能标准化和技能排名的特定说明性示例的高级图示。

如图9A所示，在一个实施例中，使用K最近邻(KNN)分类和加权或非加权欧氏距离方法，或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发的任何其他分类算法/方法在框901处完成技能查找。

也如图9A所示，在一个实施例中，使用Min-Max标准化或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发的任何其他标准化算法/方法在框903处完成技能标准化。

也如图9A所示，在一个实施例中，使用加权或非加权欧氏距离方法或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发的任何其他排名算法/方法在框905处完成技能排名。

图9B是根据一个实施例的来自由技能匹配、标准化和排名子***700执行的图9A的技能查找、技能标准化和技能排名的特定说明性示例的数值结果的更详细说明。

如图9B所示，在一个实施例中，使用K最近邻(KNN)分类和加权或非加权欧氏距离方法或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发的任何其他分类算法/方法在框901处完成的技能查找导致技能查找数据，其包括：特征名称数据921，其指示所考虑的特征的名称；所拥有和完结的案件数数据923，其指示由针对所考虑的特征的雇员所拥有和完结的案件的总数；所领导和完结的案件数据925，其指示由针对所考虑的特征的雇员所领导和完结的案件的总数；作为团队成员的案件数据927，其指示雇员作为所考虑的特征的团队成员的案件的总数；以及平均解决时间数据929，其指示雇员为了所考虑的特征而工作的所有案件的平均解决时间。

也如图9B所示，在一个实施例中，使用Min-Max标准化或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发的任何其他标准化算法/方法在框903处完成的技能标准化导致标准化技能数据，其包括：雇员名称数据931，其指示所考虑的雇员的名称；标准化的所拥有和完结的案件数据，其指示由针对所考虑的特征的雇员所拥有和完结的案件的总数的标准化因子/分数；标准化的所领导和完结的案件数据935，其指示由针对所考虑的特征的雇员所领导和完结的案件的总数的标准化因子/分数；经标准化的作为团队成员的案件数据937，其指示雇员作为针对所考虑的特征的团队成员的案件的总数的标准化因子/分数；以及标准化平均解决时间数据939，其指示雇员为了所考虑的特征而工作的所有案件的平均解决时间的标准化因子/分数。

也如图9B所示，在一个实施例中，使用加权或非加权欧氏距离方法，或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发的任何其他排名算法/方法在框905处完成的技能排名导致技能排名数据，其包括：雇员名称数据941，其指示所考虑的雇员的名称；所拥有和完结的案件的排名数据943，其指示针对由针对所考虑的特征的雇员所拥有和完结的案件的总数，对所考虑的雇员的排名；所领导和完结的案件排名数据945，其指示针对由针对所考虑的特征的雇员所领导和完结的案件的总数，对所考虑的雇员的排名；作为团队成员的案件的排名数据947，其指示针对雇员作为针对所考虑的特征的团队成员的案件的总数，对所考虑的雇员的排名；以及平均解决时间排名数据949，其指示针对雇员为了所考虑的特征而工作的所有案件的平均解决时间，对所考虑的雇员的排名。

本领域普通技术人员将容易地认识到，图9B仅是技能查找、技能标准化和技能排名数据的类型和布置的一个具体说明性示例，并且技能查找、技能标准化和技能排名数据的许多其他类型和布置是可能的并且是发明人想得到的。因此，图9B的技能查找、技能标准化和技能排名数据的类型和布置的具体说明性示例不应被理解为限制权利要求书中提出的本发明。

在一个实施例中，每个雇员的标准化雇员技能集合数据329数据由技能匹配、标准化和排名模块353使用与匹配技能相关联的雇员的动态雇员技能集合数据337以及一个或多个机器学习算法来生成，该机器学习算法为诸如但不限于Min-Max标准化或如本文中所讨论或说明的，和/或如在提交时在本领域中所已知的，和/或如在提交后所发展的任何其他标准化算法/方法。

图9C是根据一个实施例的与由图7的技能匹配、标准化和排名子***700执行的标准化过程的一个说明性示例相关联的标准化数据和处理属性的特定说明性示例。

图9C包括标准化数据表960。在图9C的特定说明性示例中示出了标准化数据，该标准化数据针对特定的技能匹配雇员961——雇员1以及案件153665，该案件153665涉及软件产品线(即产品线1)和具有12个主要发行/版本的产品“财务–应收帐款(AR)”。

根据图9C的一个实施例的一个说明性示例，标准化数据表960示出了匹配技能矢量元素/矢量的标准化计算：总案件完结计数-产品963；总案件完结计数–发行965；顾客满意度审查(CSR)平均分数–产品967；以及CSR平均得分-与雇员1(961)相关联的发行969，以供在新案件153665中进行评估。

图9D示出了根据一个实施例的由图7的技能匹配、标准化和排名子***700执行的技能匹配过程的特定说明性示例的一些步骤。

参考图9C和图9D，在一个实施例的该特定说明性示例中，一般标准化方法是获取每个雇员(例如雇员1)的每个技能匹配矢量元素的经聚集、汇总、分析的值；图9D中的步骤1以及图9C中的值963A、965A、967A和969A。也如图9C所示，对于每个技能匹配矢量元素(即，总案件完结计数-产品963、总案件完结计数-发行965、CSR平均分数-产品967和CSR平均分数-发行969)，针对雇员1、963A、965A、967A和969A的每个技能匹配矢量元素的经聚集、汇总、分析的值分别被标记为该技能匹配矢量元素的“v”。

在该特定说明性示例中，确定每个技能匹配矢量元素的最小值；图9D中的步骤2以及在图9C中的值963B、965B、967B和969B。也如图9C所示，对于每个技能匹配矢量元素(即，总案件完结计数-产品963、总案件完结计数-发行965、CSR平均分数-产品967以及CSR平均分数-发行969)，相应的最小值963B、965B、967B和969B分别被标记为该技能匹配矢量元素的“最小值”。

在该特定的说明性示例中，确定每个技能匹配矢量元素的最大值；图9D中的步骤2以及图9C中的值963C、965C、967C和969C。也如图9C所示，对于每个技能匹配矢量元素(即，总案件完结计数-产品963、总案件完结计数-发行965、CSR平均分数-产品967以及CSR平均分数-发行969)，相应的最大值963C、965C、967C和969C分别被标记为该技能匹配的矢量元素的“最大值”。

在该特定说明性示例中，每个技能匹配矢量元素的最大标准化值为1，如图9C所示为963E，965E，967E和969E。也如图9C所示，对于每个技能匹配矢量元素(即，总案件完结计数-产品963、总案件完结计数-发行965、CSR平均分数-产品967以及CSR平均分数-发行969)，最大标准化值963E、965E、967E和969E分别被标记为x1、x2、x3和x4。

在该特定说明性示例中，对每个雇员的每个技能匹配矢量元素进行标准化；图9D中的步骤3以及在图9C中的标准化值963D、965D、967D和969D。

根据图9C的特定说明性示例，如下面直接讨论的，使用Min-Max标准化对匹配技能矢量元素963、965、967和969中的每一个进行标准化。

参考图9C，对于该特定说明性示例，总案件完结计数-产品963D的标准化值963D是使用Min-Max标准化算法971的用于得到标准化值963D的特定说明性示例(即，(v-Min)/(Max-Min))来计算的。

参考图9C，对于该特定说明性示例，总案件完结计数-发行965的标准化值965D是使用Min-Max标准化算法971的用于得到标准化值965D的特定说明性示例(即，(v-Min)/(Max-Min))来计算的。

参考图9C，对于该特定说明性示例，CSR平均分数-产品967D的标准化值967D是使用Min-Max标准化算法971的用于得到标准化值967D的特定说明性示例(即，(v-Min)/(Max-Min))来计算的。

参考图9C，对于该特定说明性示例，CSR平均分数-发行969的标准化值969D是使用Min-Max标准化算法971的用于得到标准化值969D的特定说明性示例(即，(v-Min)/(Max-Min))来计算的。

在此特定说明性示例中，如图9C所示，对于每个技能匹配矢量元素(即，总案件完结计数-产品963、总案件完结计数-发行965、CSR平均得分-产品967和CSR平均得分-发行969)，标准化值963D、965D、967D和969D分别被标记为y1、y2、y3和y4。

在如上所述的该特定的示例中，分派了欧氏参数y1、x1、y2、x2、y3、x3、y4和x4。此外，对于总案件完结计数-产品963、总案件完结计数-发行965、CSR平均分数-产品967以及CSR平均分数-发行969中的每一个，还分别定义了最小值、最大值和v。

在该特定的说明性示例中，将欧氏参数或其他指定参数提供给匹配算法(在该特定说明性示例中，为欧氏距离算法)；图9D中的步骤5以及图9C中的算法980。

如图9C所示，算法980的输出是欧氏距离值981。然后，如果总案件完结计数-产品963、总案件完结计数-发行965、CSR平均分数-产品967以及CSR平均分数-发行969中的每一个均被均等地加权，即算法980的输出仅被除以4(在此特定说明性示例中，为矢量元素的数量)，则结果是平均欧氏距离983。在一个实施例中，平均欧氏距离983被四舍五入以生成技能匹配接近因子985。

在其他实施例中，总案件完结计数-产品963、总案件完结计数-发行965、CSR平均分数-产品967和CSR平均分数-发行969没有被均等加权，而是适当的权重被应用来计算经加权的欧氏距离。

在该特定说明性示例中，然后基于欧氏距离算法980的输出值对雇员进行排名；图9D中的步骤6。

然后，如以下更详细讨论的那样，将基于一个或多个规则和约束来过滤经排名的雇员；图9D中的步骤7。

因此，所公开的实施例提供了将一个雇员的技能结合另一雇员的技能来“标准化”，使得可以结合给定任务、项目或案件的需求来客观地比较多个雇员的技能集合。这是通过考虑并整合雇员的历史和当前经聚集“在职”雇员绩效以及动态工作经验参数对其报告/已知技能以及潜在任务、项目或案件和/或客户的影响来实现的。结果，使用所公开的实施例，对多个雇员的技能集合数据的比较和分析反映了关于雇员的报告/已知技能以及所标识出的给定工作或客户的需求的“真实世界”和经聚集的“在职”绩效考虑。因此，公开的标准化过程集成了动态的“在职”获得的雇员技能，以统一评估雇员的技能集合数据。

本领域普通技术人员将认识到，图9C和图9D只是发明人想到的多种标准化方法的一个示例。因此，图9C和图9D中所示的标准化过程的具体的说明性示例不限于下面权利要求书中阐述的本发明。

返回到图7，在一个实施例中，一旦由技能匹配、标准化和排名模块353生成，则每个雇员的标准化雇员技能集合数据329会被提供给企业ML数据库320并存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件访问和使用。

在一个实施例中，技能匹配、标准化和排名模块353然后处理标准化雇员技能集合数据329，以为初始技能集合匹配雇员数据中表示的每个雇员生成标准化雇员技能集合矢量数据330。在一个实施例中，标准化雇员技能集合矢量数据330包括标准化雇员技能集合矢量数据330元素，其与同每个初始匹配雇员相关联的每个标准化雇员技能集合数据329特征相关。

在一个实施例中，每个初始匹配雇员的标准化雇员技能集合矢量数据330由技能匹配、标准化和排名模块353使用一个或多个机器学习服务和/或模型以及匹配的标准化雇员匹配技能集合数据329特征和新案件规则和约束数据340作为输入数据来生成。

在各种实施例中，一个或多个机器学习服务或模块包括但不限于以下中的一个或多个：监督式机器学习服务或模型；无监督式机器学习服务或模型；半监督式机器学习服务或模型；或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发或变得可用的能够基于使用标准化雇员技能集合数据329特征以及新案件规则和约束数据340作为输入数据来生成标准化雇员技能集合矢量数据330的任何其他机器学习服务或模型。

图10是根据一个实施例的标准化雇员技能集合矢量元素1000的特定说明性示例的图形说明，该标准化雇员技能集合矢量元素1000作为输入数据被提供给用于提供多维人力资源配置顾问300的***的技能匹配、标准化和排名子***700。

如图10所示，在图10的特定说明性示例中，标准化雇员技能集合矢量元素1000包括：产品线元素1001，其用于表示与雇员相关联的产品线的数据；产品技能元素1002，其用于表示与雇员相关联的产品技能的数据；模块技能元素1003，其用于表示与雇员相关联的产品模块的数据；技能类型元素1004，其用于表示与雇员相关联的技能类型的数据；复杂度获得元素1005，其用于表示由雇员所获得的复杂度的数据；能够处理P1/P2元素1006，其用于表示雇员是否能够承担优先级为一和/或优先级为二的案件的数据；工程师调查平均值元素1007，其用于表示针对定义数量的最近调查，对雇员的平均调查分数的数据；地理位置/时区/PTO元素1008，其用于表示与雇员相关联的地理位置和/或时区以及雇员的带薪休假状态的数据；以及工程师当前负荷元素1009，其用于表示雇员的当前工作量的数据。

本领域普通技术人员将容易地认识到，图10只是标准化雇员技能集合矢量元素1000的类型和布置的一个具体的说明性示例，并且标准化雇员技能集合矢量元素的许多其他类型和布置是可能的并且是发明人想得到的。因此，不应将标准化雇员技能集合矢量元素1000的类型和布置的特定说明性示例理解为限制权利要求中阐述的本发明。

返回到图7，在一个实施例中，一旦由技能匹配、标准化和排名模块353生成，每个雇员的标准化雇员技能集合矢量数据330就会被提供给企业ML数据库320，并且被存储在企业ML数据库320中，以供多维人力资源配置顾问***300的其他组件访问和使用。

如图7所示，在一个实施例中，由技能匹配、标准化和排名模块353生成原始经排名技能匹配雇员推荐数据563。在一个实施例中，由技能匹配、标准化和排名模块353使用新案件矢量数据328和标准化雇员技能集合矢量数据330以及一个或多个机器学习算法来生成原始经排名技能匹配雇员推荐数据563。

在一个实施例中，技能匹配、标准化和排名模块353使用新案件矢量数据328和标准化雇员技能集合矢量数据330作为一个或多个先前训练的机器学习模型的输入。

在一实施例中，先前训练的机器学***均解决时间、雇员的平均顾客满意度评论分数数据、历史案件数据305、历史客户数据、历史初始雇员技能集合数据、历史动态雇员技能集合数据、历史雇员HR数据和历史规则和约束数据以及历史任务、项目或案件完成数据、历史顾客审查/评级数据和其他历史案件和雇员数据作为培训数据来训练的。在一个实施例中，使用该训练数据，机器学习模型被训练以使用新案件规则和约束数据340作为匹配约束/过滤来将针对初始匹配雇员的标准化雇员技能集合矢量数据330与新案件矢量数据328进行匹配和排序。

在各种实施例中，机器学习模型是以下中的任何一个或多个：监督式机器学习服务或模型；无监督式机器学习服务或模型；半监督式机器学习服务或模型；或能够被训练以使用新案件规则和约束数据340作为匹配约束/过滤将针对初始匹配雇员的标准化雇员技能集合数据329与新案件矢量数据328进行匹配和排名的任何其他机器学习服务或模型。

作为一个特定的说明性示例，在一个实施例中，机器学习模型利用加权或非加权欧氏距离方法，或如本文中所讨论或说明的，和/或如在提交时在本领域中已知的，和/或如在提交后开发的任何其他排序算法/方法。

如图7所示，在一个实施例中，机器学习模型以及技能匹配、标准化和排名模块353的输出是原始经排名技能匹配雇员推荐数据563。在一个实施例中，原始经排名技能匹配雇员推荐数据563包括表示与新案件匹配或最紧密匹配的雇员及其经聚集的雇员技能组数据323的数据。

图11是根据一个实施例的图3的新案件数据307与图8的新案件矢量元素800、图3的经聚集的雇员技能集合数据323与图10的标准化雇员技能集合矢量元素1000、图7的技能匹配、标准化和排名子***700与原始经排名技能匹配雇员推荐数据563的交互和关系的具体说明性示例的图示说明。

返回到图7，如图7所示，来自技能匹配、标准化和排名模块353的原始经排名技能匹配雇员推荐数据563然后被提供给图3和图12的过滤模块355。

图12是示出根据一个实施例的用于提供图3的多维人力资源配置顾问300的***的过滤子***1200的各个组件的交互的组件图。

如图12所示，过滤子***1200的过滤模块355从技能匹配、标准化和排名模块353接收原始经排名技能匹配雇员推荐数据563。另外，过滤子***1200的过滤模块355与规则和约束数据库345进行有效的通信，因此可以访问新案件规则和约束数据340。

在一个实施例中，过滤模块355基于新案件规则和约束数据340中表示的一个或多个规则和约束对原始经排名技能匹配雇员推荐数据563进行处理，以生成经过滤的技能匹配雇员推荐数据565。在一个实施例中，经过滤的技能匹配雇员推荐数据565因此表示以下数据：该数据表示与新案件相匹配或最紧密匹配的雇员，这些雇员也符合新案件规则和约束数据340的规则和约束。

图13是根据一个实施例的过滤子***的特定说明性示例的操作的图示。如图13所示，过滤模块355从技能匹配、标准化和排名模块353接收原始经排名技能匹配雇员推荐数据563。

在图13的特定的说明性示例中，由规则和约束数据库345提供指向带薪休假(PTO)约束的规则1301、指向时区约束的规则1303、指向公民身份/居住权约束的规则1305、指向优先案件工作约束的规则1307，并在过滤模块355处将其应用于原始经排名技能匹配雇员推荐数据563。

在一个实施例中，结果是经过滤的技能匹配雇员推荐数据565，然后将其提供给负荷平衡模块357。

返回到图12，在一个实施例中，一旦由过滤模块355生成，就将经过滤的技能匹配的雇员推荐数据565提供给图3、图4和图16的负荷平衡模块357。

图14是根据一个实施例示出用于提供图3的多维人力资源配置顾问300的***的负荷平衡子***1400的各个组件的交互的组件图。

如图14所示，负荷平衡模块357从过滤模块355接收经过滤的技能匹配的雇员推荐数据565。另外，负荷平衡模块357与企业ML数据库320有效地通信，因此可以访问雇员案件负荷数据339。另外，负荷平衡模块357与规则和约束数据库345有效地通信，因此可以访问新案件规则和约束数据340。

在一个实施例中，负荷平衡模块357还基于雇员案件加载数据339中所指示的雇员作业负荷均衡考虑以及规则和约束数据库345中的新案件规则和约束数据中所指示的一个或多个规则和约束对经过滤的技能匹配的雇员推荐数据565进行处理和过滤，以为新案件生成推荐雇员数据363。

作为特定说明性示例，规定在规则和约束数据库345中指示的规则/约束之一是雇主/主管集合“规则A”，其对于向特定的主管报告或在任务、项目或案件的特定部分工作的任何雇员，雇员一次能有总共不超过5个分派的任务、项目或案件，并在给定的一周内能有不超过10个截止日期/里程碑要完成。

进一步规定，在由特定主管监督的任务、项目或案件的特定部分的经过滤的技能匹配雇员推荐数据565中，将三名雇员列为匹配雇员；雇员1、雇员2和雇员3。进一步规定，任务、项目或案件的一部分每周包含5个截止日期/里程碑。

进一步规定，负荷平衡模块357基于来自雇员案件加载数据339的数据确定：雇员1每周有5个开放任务、项目或案件以及3个截止日期/里程碑；雇员2每周有3个开放任务、项目或案件以及7个截止日期/里程碑；雇员3每周有2个开放任务、项目或案件以及4个截止日期/里程碑。

在这些规定的情况下，负荷平衡模块357将过滤掉经过滤的技能匹配雇员推荐数据565中的雇员1，因为雇员1已经有5个开放任务、项目或案件，而增加新的作业将违反一次不超过5个开放任务、项目或案件的规则A约束。

此外，过滤掉经过滤的技能匹配雇员推荐数据565中的雇员2，因为雇员2已经每周有7个截止日期/里程碑，而增加每周5个新的截止日期/里程碑会违反每周不超过10个截止日期/里程碑的规则A约束。

最后，仅雇员3不会被负荷平衡模块357过滤掉，因为雇员3既可承担新的作业而仅具有3个开放任务、项目或案件，又可每周承担5个新的截止日期/里程碑而每周仍仅具有9个截止日期/里程碑，因此仅雇员3将符合雇主/主管设定的规则A，该规则A为对于向该特定的主管汇报或者承担任务、项目或案件的特定部分的任何雇员，该雇员一次能具有总共不超过5个分派的任务、项目或案件，并且给定的一周内有不超过10个的截止日期或里程碑要完成。

因此，尽管在此示例中，来自过滤模块355的已过滤的技能匹配雇员推荐数据565包括3名雇员，但来自负荷平衡模块357的推荐雇员数据363仅包括单个雇员3。

图15是根据一个实施例的图12的过滤子***和图14的负荷平衡子***的应用对具有与所标识出的与特定案件相关联所需技能匹配或最紧密匹配的技能集合数据的雇员的初始池的累积影响的高级图解说明。

图16是示出了根据一个实施例的用于提供图3的多维人力资源配置顾问300的***的负荷平衡和雇员技能发展子***1620的各个组件的交互的组件图。

如图16所示，除了负荷平衡模块357之外，负荷平衡和雇员技能发展子***1620还包括雇员技能集合开发模块1621。在一个实施例中，雇员技能集合开发模块1621从过滤模块355或负荷平衡模块357接收经过滤的技能匹配雇员推荐数据565。此外，雇员技能集合开发模块1621与企业ML数据库320有效地通信，因此可以访问经聚集的雇员技能集合数据323。此外，雇员技能集合开发模块1621与规则和约束数据库345有效地通信，因此可以访问新案件规则和约束数据340。

在一个实施例中，雇员技能集合开发模块1621的目的是在满足新案件和客户的需求的同时，开发雇主企业的雇员的技能集合。为此，生成雇主/主管雇员开发规则，并将其存储在规则和约束数据库345中，雇主/主管雇员开发规则控制雇员到其可开发新的和定义的被确定为雇主企业和/或企业的客户所需要的技能的作业和案件的分派。

在一个实施例中，鉴于这些附加雇主/主管雇员开发规则来检查在来自过滤模块355的经过滤的技能匹配雇员推荐数据565中列出的或者在来自过滤模块355的经过滤的技能匹配雇员推荐数据565中没有列出的雇员的经聚集的雇员技能集合数据，并且相应地调整包括在推荐雇员数据363中的雇员的列表以提供用于进行雇员技能集合开发。

如图14和图16中的每一个所示，在一个实施例中，图14的负荷平衡子***1400或图16的负荷平衡和雇员技能开发子***1620的输出是针对新案件的推荐雇员数据363。

在一个实施例中，针对新案件的推荐雇员数据363包括表示以下一个或多个雇员的数据：该一个或多个雇员具有最紧密地匹配新案件要求和技能集合数据325的经聚集的雇员技能集合数据323、符合新案件规则和约束数据340、并且满足上面讨论的经验和/或工作量平衡要求。

如图3所示，针对新案件的推荐雇员数据363然后被提供给用户层107，并且在该讨论中，通过MHRAA应用程序108被提供给案件接收和管理***301。在一个实施例中，推荐雇员数据363和/或针对推荐雇员的原因和排名被提供给决策者，以供进行批准、编辑和最终雇员分派/配置。在各种实施例中，接收针对新案件的推荐雇员数据的决策者可以是但不限于以下中的一个或多个：人工决策者，诸如具有用于批准、编辑和最终雇员分派/配置的访问/决策者许可的主管或其他雇员；用于批准、编辑和最终雇员分派/配置，和/或用于对针对新案件的推荐雇员数据进行进一步处理的一个或多个应用程序；和/或负责批准、编辑和最终雇员分派/配置的任何其他实体(诸如，公司)。

图17A、图17B、图17C、图17D、图17E、图17F和图17G是根据一个实施例的指示与用于提供多维人力资源配置顾问的***和方法的一个说明性实施例相关联的操作和用户体验的用户界面屏幕的特定说明性示例。在下面更详细地讨论。

现在参考图3、图11和图17A至图17G，图17A包括用户界面显示1700，通过该用户界面显示1700，用户(诸如，主管或具有访问证书的企业的任何雇员)可以通过MHRAA应用程序108访问针对新案件的推荐雇员数据363。如图17A所示，通过激活用户界面显示1700的“新案件顾问”图标1701来启动对针对新案件的推荐雇员数据363的访问。

图17A的用户界面显示1700的“新案件顾问”图标1701的激活导致生成图17B的界面显示。图17B包括用户界面显示1702，其被雇员主管或具有访问证书的其他雇主企业雇员利用来通过MHRAA应用程序108访问针对新案件的推荐雇员数据363。

如图17B所示，在该特定说明性示例中，用户界面显示1702包括活跃案件的列表，该活跃案件包括每个案件的产品线数据、每个案件的案件编号、每个案件的优先级数据、每个案件的开放日期数据、每个案件的状态优先级数据、每个案件的产品模块数据、每个案件的主题数据以及每个案件的动作字段1705。

在一个实施例中，每个案件的动作字段1705包括每个案件的案件分派顾问图标。在该特定说明性示例中，规定主管/用户激活案件1707(即案件编号00153661)的案件分派顾问图标1706。值得注意的是，案件1707是优先级为三(P3)案件。在该说明性示例中，案件分派顾问图标1706的激活导致生成图17C的“我的推荐”屏幕1710。

如图17C所示，“我的推荐”屏幕1710显示推荐雇员数据363。如图17C所示，在该特定的示例中，我的推荐屏幕1710包括推荐雇员数据363的推荐雇员的列表，该推荐雇员包括雇员1711、1713、1715、1717、1719、1721、1723和1725以及最推荐的雇员1711和1713。

如图17C所示，在该特定的示例中，雇员1711和1713被首先列出，并被标记为“最适合分派”，即为最推荐的雇员。在该说明性示例中，这归因于以下事实：雇员1711和1713具有最低的技能匹配接近度分数，即他们的标准化技能匹配矢量与该案件的理想雇员矢量具有最小加权或非加权欧氏距离。

同样如图17C所示，虽然针对该示例性案件，雇员1715、1717、1719和1723被推荐为“适合分派”，但是还基于这些雇员的技能匹配接近度分数高于雇员1711和1713的技能匹配接近度分数，从而指示这些雇员的标准化技能匹配矢量距离针对该案件的理想雇员矢量更远，因此这些雇员不是针对这个案件最推荐的雇员。

同样如图17C所示，基于“LD”或者案件加载示出雇员1721已经有17个开放案件，不为该案件推荐雇员1721。

如图17C所示，我的推荐屏幕1710还包括：每个列出雇员的雇员时区数据；每位雇员的当前负荷数据，其列出了雇员在开放案件和截止日期/里程碑方面的当前工作量；作为……分派字段，主管/用户可以通过该字段指定为该案件分派的任何雇员的角色；工程师洞察列，其包括针对每个雇员的“审查”链接1726；以及列1727中针对每个雇员的模型推理链接。

还如图17C所示，我的推荐屏幕1710还包括诸如图17E所示并在下面讨论的用于生成客户洞察显示1750的审查客户洞察链接1729A，以及诸如图17G所示并在下面讨论的用于生成剧院或区域推荐显示的剧院推荐链接1729B。

如上所述，屏幕1710包括模型推理列1727和针对每个列出的雇员的“解释我”链接。在该特定说明性示例中，规定了主管/用户激活针对雇员1711的“解释我”链接1728，这导致生成图17D的“解释模型推理”界面屏幕1730。

如图17D所示，在该特定的说明性示例中，解释模型推理界面屏幕1730包括来自针对雇员1711的雇员经聚集技能集合数据323的匹配标准化雇员技能集合矢量元组和新案件矢量元素800以及与雇员1711的这些匹配技能相关联的数据/分数的子集。同样，值得注意的是，在图17D中，解释模型推理界面屏幕1730包括所应用/通过的规则和约束1731的列表。

返回到图17C，我的推荐屏幕1710还包括“审查客户洞察”链接

1729A。

在该特定的说明性示例中，规定了主管/用户激活“审查客户洞察”链接1729A，这导致生成图17E的审查客户洞察界面屏幕1750。

如图17E所示，审查客户洞察界面屏幕1750包括与案件1701(即案件编号00153661)相关联的顾客/客户的顾客满意度审查(CSR)洞察数据、案件流洞察数据和案件完结洞察数据。

返回到图17C，如上所述并且如图17C中所示，我的推荐屏幕1710还包括每个雇员/工程师的工程师洞察列和工程师洞察审查链接，包括针对雇员1711的工程师洞察审查链接1726。

在该特定说明性示例中，规定了主管/用户激活雇员1711的工程师洞察审查链接1726，这导致生成图17F的审查工程师洞察界面屏幕1760。

如图17F所示，审查工程师洞察界面屏幕1760包括与雇员1711相关联的顾客满意度审查(CSR)洞察数据以及对雇员1711的案件完结洞察数据。

返回到图17C，我的推荐屏幕1710还包括“剧院推荐”链接1729B。

在该特定说明性示例中，规定了主管/用户激活“剧院推荐”链接1729B，这导致生成图17G的“经剧院推荐过滤的我的推荐”界面屏幕1770。

如图17G所示，“经剧院推荐过滤的我的推荐”界面屏幕1770显示推荐雇员数据363。如图17G所示，在该特定示例中，“经剧院推荐过滤的我的推荐”界面屏幕1770包括推荐雇员数据363的推荐雇员的列表，该推荐雇员的列表包括雇员1771、1773、1775、1777、1779、1781和1783，其中最推荐的雇员是雇员1771和1773。

“经剧院推荐过滤的我的推荐”界面屏幕1770中所示的推荐与图17C中所示的推荐的不同之处在于“经剧院推荐过滤的我的推荐”界面屏幕1770的推荐基于与雇员所工作的区域以及针对该区域的团队、主管和组织有关的规则和约束或者是基于其过滤得到的，以允许以“追随太阳”模型在整个全球为客户和案件选择可以服务于产品线和/或支持团队的雇员，在该“追随太阳”模型中，可在全球在团队、区域和办事处之间传递案件，以减少延误并提高对客户的响应。

本公开的实施例使用从多个源获取的标准化多维雇员技能集合数据以及机器学***衡，来标识并推荐以下雇员：这些雇员具有执行与新项目或案件相关联的任务所需的技能，有空并且具有执行与项目或案件相关联的任务的经验，并且有资格基于客户和业务要求、区域要求以及工作量平衡考虑而被分派给新项目、任务或案件。因此，本公开的实施例提供了针对以下长期存在的技术问题的一个或多个技术解决方案：该长期存在的技术问题为要有效、高效和客观地为特定项目和任务分派最合格的雇员。

术语定义

在本文中，术语“生产环境”包括用于部署、实现、访问和使用给定应用程序的各种组件或资产，因为该应用程序打算被使用。在各种实施例中，生产环境包括被组合、通信耦合、虚拟和/或物理地连接和/或彼此关联的多个资产，以提供实现该应用程序的生产环境。

作为特定的说明性示例，构成给定生产环境的资产可以包括但不限于用于在生产环境中实现应用程序的一个或多个计算环境，诸如数据中心、云计算环境、专用主机环境和/或用于实现应用程序在生产环境中使用的一项或多项资产的一个或多个其他计算环境；用于在生产环境中实现应用程序的一个或多个计算***或计算实体；用于在生产环境中实施应用程序的一项或多项虚拟资产；用于监视和控制生产环境的资产和/或组件的一个或多个监督或控制***，诸如管理程序或其他监视和管理***；用于发送和接收用于在生产环境中实现应用程序的数据的一个或多个通信通道；用于限制对生产环境的各个组件的访问的一个或多个访问控制***，诸如防火墙和网关；用于引导、控制和/或缓冲到生产环境的组件的数据流量的一个或多个流量和/或路由***，诸如路由器和交换机；用于缓冲、处理和/或引导数据流量的一个或多个通信端点代理***，诸如负荷平衡器或缓冲器；用于加密/解密数据的一个或多个安全通信协议和/或端点，诸如用于在生产环境中实现应用程序的安全套接层(SSL)协议；用于在生产环境中存储数据的一个或多个数据库；用于在生产环境中实施应用程序的一个或多个内部或外部服务；一个或多个后端***，诸如后端服务器或用于在生产环境中处理数据和实现应用程序的其他硬件；用于在生产环境中实现应用程序的一个或多个软件***；和/或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的、和/或如在提交后开发的组成用于部署、实现、访问和运行(例如，操作)应用程序的实际生产环境的任何其他资产/组件。

如本文所使用的，术语“计算***”、“计算设备”和“计算实体”包括但不限于：虚拟资产；服务器计算***；工作站；桌面计算***；移动计算***，其包括但不限于智能电话、便携式设备和/或用户佩戴或携带的设备；数据库***或存储集群；交换***；路由器；任何硬件***；任何通信***；任何形式的代理***；网关***；防火墙***；负荷平衡***；或包括可以实施如本文所述的过程和/或操作中的任何一个的全部或部分的组件的任何设备、子***或机制。

另外，如本文中所使用的，术语“计算***”和“计算实体”可以表示但不限于由多个以下设备组成的***：虚拟资产；服务器计算***；工作站；台式计算***；移动计算***；数据库***或存储集群；交换***；路由器；硬件***；通信***；代理***；网关***；防火墙***；负荷平衡***；或可用于执行如本文所述的过程和/或操作的任何设备。

如本文所使用的，术语“计算环境”包括但不限于使用相同的基础设施和***(诸如，但不限于，硬件***、软件***和网络/通信***)对连接或联网的计算***和/或虚拟资产进行逻辑或物理分组。通常，计算环境要么是已知环境(例如“可信”环境)，要么是未知环境(例如“不可信”环境)。通常，可信计算环境是指其中资产、基础设施、通信和网络***以及与构成该可信计算环境的计算***和/或虚拟资产相关联的安全性***受一方控制或对一方已知的那些计算环境。

在各种实施例中，每个计算环境包括与应用程序相关联的以及被控制或使用来创建和/或部署和/或操作应用程序的配置资产和虚拟资产。

在各种实施例中，一个或多个云计算环境被用来创建和/或部署和/或操作可以是任何形式的云计算环境的应用程序，云计算环境为诸如但不限于公共云；私有云；虚拟专用网(VPN)；子网；虚拟私有云(VPC)；子网或任何安全/通信分组；或如本文中所讨论或说明的、和/或如在提交时在本领域中已知的，和/或如在提交后开发的任何其他基于云的基础设施、子结构或架构。

在许多情况下，给定的应用程序或服务可以在被创建和/或部署和/或操作的过程中利用多个云计算环境(诸如多个VPC)并与之连接。

如本文所使用的，术语“虚拟资产”包括任何虚拟化的实体或资源，和/或实际的或“裸金属”实体的虚拟化的部分。在各个实施例中，虚拟资产可以是但不限于：在云计算环境中实现的虚拟机、虚拟服务器和实例；与云计算环境相关联和/或在云计算环境中实现的数据库；与云计算环境相关联和/或通过云计算环境交付的服务；与部分云计算环境一起使用，或通过云计算环境提供的通信***；和/或如本文中所讨论或说明的、和/或在提交时在本领域中已知/可用的，和/或在提交后开发/变得可用的位于数据中心内、云计算环境内和/或任何其他物理或逻辑位置的“裸金属”物理设备(诸如移动设备、远程传感器、笔记本电脑、台式机、销售点设备等)的任何其他虚拟化资产和/或子***。

在各种实施例中，构成本文中讨论的和/或如在提交时在本领域中已知的、和/或如在提交后开发的给定生产环境的任何或全部资产可以被实现为一个或多个虚拟资产。

在一实施例中，两个或更多个资产(诸如计算***和/或虚拟资产)和/或两个或更多个计算环境通过一个或多个通信通道和/或分布式计算***网络连接，通信通道包括但不限于安全套接层和/或传输层安全通信通道以及各种其他安全通信通道，分布式计算***网络为诸如但不限于：公共云；私有云；多租户云架构；虚拟专用网(VPN)；子网；任何通用网络、通信网络或通用网络/通信网络***；不同网络类型的组合；公共网络；专用网络；卫星网络；有线网络；或如本文中所讨论或说明的、和/或如在提交时可用或已知的、和/或如在提交后开发的任何其他能够允许两个或更多个资产、计算***和/或虚拟资产之间的通信的网络。

如本文所使用的，术语“网络”包括但不限于任何网络或网络***，诸如但不限于对等网络、混合对等网络、局域网(LAN)、广域网(WAN)、公共网络(诸如Internet)、专用网络、蜂窝网络、任何通用网络、通信网络或通用网络/通信网络***；无线网络；有线网络；无线和有线组合网络；卫星网络；有线网络；不同网络类型的任意组合；或能够允许两个或更多个资产、虚拟资产和/或计算***之间的通信的任何其他***，无论是在提交时可用或已知的还是以后所发展的。

如本文中所使用的，根据一个实施例，术语“关系”包括但不限于一个信息、数据和/或用户集合或群组与另一信息、数据和/或用户集合或群组之间的逻辑、数学、统计或其他关联。根据一个实施例，集合或群组之间的逻辑、数学、统计或其他关联(即关系)可以具有各种比率或相关性，诸如但不限于一对一、多对一、一对多、多对多等。根据一个实施例，作为非限制性示例，如果所公开的用于提供访问控制和增强加密的***和方法确定了第一数据群组和第二数据群组之间的关系，则第一数据群组的特征或子集可与第二数据群组的一个或多个特征或子集相关、相关联和/或相对应，或者反之亦然。因此，根据一个实施例，关系可以表示与第一数据群组的一个或多个子集相关联的第二数据群组的一个或多个子集。在一个实施例中，两个数据集合或群组之间的关系包括但不限于数据集合或群组之间的相似性、差异和相关性。

如本文所使用的，术语“数据库”和“存储容器”可互换使用，并且包括但不限于任何物理或虚拟数据源或存储设备。例如，在各种实施例中，存储容器可以是但不限于用于实施使用处理器来执行过程的指令的非暂时性计算机可读介质、硬盘驱动器、固态硬盘、EEPROM、PROM、易失性或非易失性存储器、光盘、服务器、存储器阵列、数据库、虚拟数据库、虚拟存储器、虚拟数据目录或其他物理或虚拟数据源中的一个或多个。

如本文所使用的，术语“用户”包括但不限于使用本文中讨论的任何方法或***或者以其他方式与本文中讨论的任何方法或***进行交互的任何一方、各方、一个实体和/或多个实体。例如，在各种实施例中，用户可以是但不限于个人、商业实体、应用程序、服务和/或计算***。

如本文所用，术语“企业”和“雇主企业”可互换使用，并且包括出于执行“作业”、“任务”或者服务于“企业”的“客户”的“案件”或“项目”的目的而雇佣或签约“雇员”的任何组织、个人或实体。

如本文所用，术语“雇员”包括出于执行“作业”、“任务”或服务于“企业”的“客户”的“案件”或“项目”的目的而被“企业”利用的任何组织、个人或实体。作为特定的示例，“雇员”可以是全职雇员、兼职雇员、合同雇员或实体、或分包雇员或实体。

如本文中所使用的，术语“项目”、“作业”、“案件”和“任务”被交互和互换使用，其中：术语“任务”包括向“雇主企业”或“雇员”分派的要代表“雇主企业”的“客户”执行的任何项目、功能或责任；术语“项目”和“作业”包括向“雇主企业”或“雇员”分派的要代表“雇主企业”的“客户”执行的任何“任务”或“任务”的集合；术语“案件”包括向“雇主企业”或“雇员”分派的要代表“雇主企业”的“客户”执行的任何“任务”、“项目”或“作业”，其已被雇主企业接受并且正在、已经或将要被录入雇主企业的***。

在上面的讨论中，一个实施例的某些方面包括出于说明性目的而在本文中所描述的以特定的顺序和/或分组的处理步骤和/或操作和/或指令。然而，本文示出和讨论的特定的顺序和/或分组仅是说明性的，而不是限制性的。本领域普通技术人员将认识到，处理步骤和/或操作和/或指令的其他顺序和/或分组是可能的，并且在一些实施例中，上面讨论的一个或多个处理步骤和/或操作和/或指令可以被组合和/或删除。另外，一个或多个处理步骤和/或操作和/或指令的部分可被重新分组为本文所讨论的一个或多个其他处理步骤和/或操作和/或指令的部分。因此，本文所讨论的处理步骤和/或操作和/或指令的特定的顺序和/或分组不限制如以下所要求保护的本发明的范围。

如以上更详细地讨论的，使用以上实施例，通过很少的修改和/或输入或者不进行修改和/或输入，定制就存在相当大的灵活性、适应性和机会，以在许多情况下满足各方的特定需求。

在上面的讨论中，一个实施例的某些方面包括出于说明性目的而在本文中所描述的以特定的顺序和/或分组的处理步骤和/或操作和/或指令。然而，本文示出和讨论的特定的顺序和/或分组仅是说明性的，而不是限制性的。本领域普通技术人员将认识到，处理步骤和/或操作和/或指令的其他顺序和/或分组是可能的，并且在一些实施例中，上面讨论的一个或多个处理步骤和/或操作和/或指令可以被组合和/或删除。另外，一个或多个处理步骤和/或操作和/或指令的部分可被重新分组为本文所讨论的一个或多个其他处理步骤和/或操作和/或指令的部分。因此，本文所讨论的处理步骤和/或操作和/或指令的特定的顺序和/或分组不限制如以下所要求保护的本发明的范围。

已经结合特定的可能实施例特别详细地描述了本发明。本领域普通技术人员将理解，可以在其他实施例中实践本发明。例如，用于组件的命名法、组件名称和术语的大写、属性、数据结构或任何其他编程或结构方面都不是重要的、强制性的或限制性的，并且实现本发明或其特征的机制可以具有各种不同的名称、格式或协议。此外，如所描述的，本发明的***或功能可以通过软件和硬件的各种组合来实现，或者完全在硬件元素中实现。而且，本文描述的各个组件之间的功能的特定的划分仅仅是示例性的，而不是强制性的或重要的。因此，由单个组件执行的功能在其他实施例中可以由多个组件执行，而由多个组件执行的功能在其他实施例中可以由单个组件执行。

上面的描述的某些部分就信息/数据上的操作的算法和操作的符号表示或类算法的表示表示了本发明的特征。这些算法或类似算法的描述和表示是本领域普通技术人员用来最有效地和高效地将其工作的实质传达给本领域其他技术人员的手段。这些操作尽管在功能上或逻辑上进行了描述，但应理解为由计算机程序或计算***来实现。此外，在不失一般性的情况下，有时将这些操作的安排称为步骤或模块或功能名称也很方便。

除非另有明确地说明，从以上讨论中显而易见的是，应理解，在以上整个描述中，使用诸如但不限于“激活”、“访问”、“添加”、“聚集”、“更改”、“应用”、“分析”、“关联”、“计算”、“捕获”、“分类(categorizing)”、“分类(classifying)”、“比较”、“创建”、“定义”、“检测”、“确定”、“分布”、“消除”、“加密”、“提取”、“过滤”、“转发”、“生成”、“标识”、“实现”、“通知”、“监视”、“获取”、“发布”、“处理”、“提供”、“接收”、“请求”、“保存”、“发送”、“存储”、“替代”、“转移”、“转换”、“传输”、“使用”等的术语的讨论是指计算***或类似电子设备对表示为计算***存储器、电阻器、高速缓存或其他信息存储、传输或显示设备中的物理(电子)量的数据进行控制和操作的动作和过程。

本发明还涉及用于执行本文所描述的操作的装置或***。该装置或***可以被特定地构造用于所需的目的，或者该装置或***可以包括由存储在非暂时性计算机可读介质上的计算机程序选择性地激活或配置/重新配置以用于使用处理器执行指令以执行过程的***，如本文所讨论或说明的，可以由计算***或其他设备访问的***。

本领域的普通技术人员将容易地认识到，本文提出的算法和操作与任何特定的计算***、计算机体系结构、计算机或行业标准或者任何其他特定的装置都不固有地相关。根据本文的教导，各种***也可以与程序一起使用，或者可以证明构造更专业的装置来执行本文描述的所需的操作更加方便/高效。针对各种这些***的所需的结构以及等同的变型对于本领域普通技术人员将是显而易见的。另外，没有参考任何特定的编程语言来描述本发明，并且应当理解，可以使用各种编程语言来实现如本文所述的本发明的教导，以及对一种或多种特定的语言的任何引用仅出于说明的目的并且为了实现如发明人在提交时所构想的发明而提供的。

本发明非常适合于在许多的拓扑上运行的多种计算机网络***。在该领域内，大型网络的配置和管理包括存储设备和计算机，这些存储设备和计算机通过专用网络、LAN、WAN、专用网络或公共网络(诸如互联网)通信地耦合到相似的或不相似的计算机和存储设备上。

还应注意，说明书中使用的语言主要地是出于可读性、清晰性和指导性目的而选择的，并且可能没有被选择来描绘或限制本发明的主题。因此，本发明的公开旨在说明而非限制本发明的范围，本发明的范围在以下权利要求书中阐明。

另外，为了便于描述和理解，使用特定的术语来标识在附图中示出的、或者如本文所讨论或示出的操作，但是本领域中经常使用其他术语来标识等同的操作。

因此，鉴于本公开，本领域技术人员可以实现无论是由说明书明确提供还是由说明书隐含的多种变型。

Claims (37)

1.一种用于提供多维人力资源配置推荐的计算***实现的方法，所述方法包括：

获取对雇员技能集合数据的一个或多个源的访问，并聚集所述雇员技能集合数据，以生成针对企业的雇员集合的经聚集的雇员技能集合数据；

生成规则和约束数据，所述规则和约束数据控制所述企业的雇员到所述企业的所述雇员要为所述企业的客户执行的任务的分派；

获取新案件数据，所述新案件数据表示所述企业的雇员要为所述企业的客户执行的新任务或项目；

对所述新案件数据进行处理，以生成新案件要求和技能集合数据，所述新案件要求和技能集合数据表示要向所述新案件数据所表示的任务或项目分派的所述企业的雇员所需的雇员技能和资格；

对针对所述企业的雇员集合中的每个雇员的经聚集的雇员技能集合数据以及所述新案件要求和技能集合数据进行处理，以标识初始技能集合匹配雇员数据，所述初始技能集合匹配雇员数据表示具有与所述新案件要求和技能集合数据中表示的新案件技能和要求相匹配的一个或多个匹配技能的技能集合匹配雇员的集合；

针对每个技能集合匹配雇员，将所述技能集合匹配雇员的匹配技能标准化，以生成标准化雇员技能集合数据，并用于该技能集合匹配雇员；

将针对每个技能集合匹配雇员的标准化雇员技能集合数据以及所述新案件要求和技能集合数据提供给机器学习算法，以生成原始经排名技能匹配雇员推荐数据，所述原始经排名技能匹配雇员推荐数据表示原始经排名技能匹配雇员的集合；

使用所述规则和约束数据过滤所述原始经排名技能匹配雇员推荐数据，以生成雇员推荐数据，所述雇员推荐数据表示经过滤和排名的技能匹配雇员的集合；以及

将推荐雇员数据提供给决策者以供审查和批准。

2.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述经聚集的雇员技能集合数据包括初始雇员技能集合数据和动态雇员技能集合数据。

3.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述经聚集的雇员技能集合数据包括从包含以下项的雇员技能集合数据群组中选择的数据：

表示由雇员完结的全部案件的数据；

表示由雇员完结的案件的平均解决时间的数据；

表示雇员的平均顾客满意度审查分数的数据；

表示与雇员相关联的历史任务、项目或案件完结的数据；

表示与雇员相关联的经验和团队参与的数据；

表示与雇员相关联的团队领导经验的数据；

与雇员相关联的每个客户的审查数据；

与雇员相关联的每个产品的审查数据；

表示与雇员相关联的产品模块经验的数据；

表示与雇员相关联的案件优先级经验的数据；

表示与雇员相关联的每个产品的平均解决/完结时间的数据；

表示与雇员相关联的每个客户的平均解决/完结时间的数据；

表示与雇员相关联的在每个产品线/模块中工作的全部案件的数据；

表示与雇员相关联的证书的数据；

表示与雇员相关联的编程语言经验的数据；

表示雇员能够说、写或读的人类语言的数据；

表示与雇员相关联的每个时间段的里程碑的数据；以及

表示与雇员相关联的产品发行经验的数据。

4.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述规则和约束数据包括从包含以下项的群组规则和约束中选择的一个或多个规则和约束：

限制能够分派给任何雇员或特定雇员的活跃任务、项目或案件的数量的规则和约束；

限制每个定义的时间范围内能够分派给任何雇员或特定雇员的活跃截止日期或基准的数量的规则和约束；

限制能够分派给任何雇员或特定雇员的具有特定优先级或紧迫性的活跃任务、项目或案件的最大数量的规则和约束；

有关在分派兼职或合同雇员之前使用全职雇员的规则和约束；

有关一个或多个雇员角色对不同优先级任务、项目或案件和客户所需的雇员经验的规则和约束；

指示为客户工作或为新案件分派的雇员的所需公民身份的规则和约束；

指示为客户工作或为新案件分派的雇员所说的所需语言的规则和约束；

指示为客户工作或为新案件分派的雇员的所需时区的规则和约束；

有关为具有升级的客户的新案件分派的雇员的顾客满意度调查阈值的规则和约束；以及

有关为客户工作或为新案件分派的雇员的可用性的规则和约束。

5.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述规则和约束能够由所述企业的具有访问权限的雇员选择，并且包括所述企业的具有访问权限的雇员基于案件接收和管理***中的客户或历史数据能够调整的范围和阈值。

6.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述新案件数据包括从包含以下项的新案件数据中选择的数据：

表示所述新案件的任务或项目的名称的数据；

表示将要为其执行所述新案件的任务或项目的客户的名称的数据；

表示所述新案件的任务或项目的优先级的数据；

表示与所述新案件的任务或项目相关联的客户的优先级的数据；

表示与所述新案件的任务或项目相关联的设施类型或产品线的数据；

表示与所述新案件的任务或项目相关联的客户是升级客户还是战略客户的数据；

表示与同所述新案件的任务或项目相关联的客户相关联的合同义务或要求的数据或者表示与所述新案件的任务或项目相关联的合同义务或要求的数据；

表示与所述新案件的任务或项目相关联的客户的平均调查数据分数的数据；

表示与所述新案件的任务或项目相关联的设施类型或产品线包含的子组件的数据；

表示所述新案件的任务或项目的类型的数据；

表示所述新案件的任务或项目的复杂度的数据；

表示与所述新案件相关联的客户的地理位置的数据；

表示将要执行所述新案件的任务或项目的地理位置的数据；以及

表示将要执行所述新案件的任务或项目的时区的数据。

7.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述经聚集的雇员数据中与所述新案件要求和技能集合数据中表示的新案件技能和要求相匹配的一个或多个匹配技能包括从包含以下项的雇员匹配技能集合数据群组中选择的一个或多个雇员匹配技能数据：

表示由与所述匹配技能相关的雇员完结的全部案件的数据；

表示由与所述匹配技能相关的雇员完结的案件的平均解决时间的数据；

表示对与所述匹配技能相关的雇员的平均顾客满意度审查分数的数据；

表示由与所述匹配技能相关的雇员拥有和完结的案件的数据；

表示由与所述匹配技能相关的雇员领导和完结的案件的数据；

表示由与所述匹配技能相关的雇员贡献的案件的数据；

表示与由与所述匹配技能相关的雇员拥有和完结的案件相关联的解决时间的数据；

表示与由与所述匹配技能相关的雇员参与和完结的案件相关联的解决时间的数据；

表示与由与所述匹配技能相关的雇员参与的案件相关联的解决时间的数据；以及

表示对与所述匹配技能相关联的雇员或雇员团队的审查和顾客满意度审查的数据。

8.根据权利要求7所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述技能集合匹配雇员的匹配技能是使用Min-Max标准化来标准化的。

9.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，用于生成原始经排名技能匹配雇员推荐数据的机器学习算法是加权最小欧氏距离机器学习算法。

10.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，接收推荐雇员数据的决策者是应用程序。

11.根据权利要求1所述的用于提供多维人力资源配置推荐的计算***实现的方法，还包括：

生成表示雇员发展规则和约束的雇员发展规则和约束数据，所述雇员发展规则和约束控制雇员到使所述雇员能够发展被确定为所述企业以及所述企业的客户所需的定义技能的案件的分派；

使用所述雇员发展规则和约束数据对经过滤的技能匹配雇员推荐数据进行处理，以生成针对所述新案件的推荐雇员数据，所述推荐雇员数据表示针对所述新案件的一个或多个推荐雇员；以及

将推荐雇员数据提供给决策者进行审查和/或批准。

12.一种用于提供多维人力资源配置推荐的计算***实现的方法，所述方法包括：

聚集初始雇员技能集合数据、动态雇员技能集合数据和雇员HR数据，以生成针对企业的雇员集合中的每个雇员的经聚集的雇员技能集合数据；

定义雇主/主管施加的规则和约束数据，所述雇主/主管施加的规则和约束数据控制所述企业的雇员到所述企业的所述雇员要为所述企业的客户执行的任务的分派；

生成表示所定义的雇主/主管施加的规则和约束的雇主/主管施加的规则和约束数据；

获取新案件数据，所述新案件数据表示所述企业的雇员要为所述企业的客户执行的新任务或项目；

获取与所述新案件数据相关联的客户的客户数据；

对所述新案件数据和所述客户数据进行处理，以生成新案件要求和技能集合数据，所述新案件要求和技能集合数据表示要为所述新案件数据所表示的任务或项目分派的所述企业的雇员的所需雇员技能和资格；

对所述新案件要求和技能集合数据进行处理，以生成客户施加的规则和约束数据，所述客户施加的规则和约束数据控制所述企业的雇员到由所述新案件数据所表示的任务或项目的分派；

聚集所述雇主/主管施加的规则和约束数据以及所述客户施加的规则和约束数据，以生成表示所述雇主/主管施加的规则和约束以及客户施加的规则和约束的新案件规则和约束数据，所述新案件规则和约束数据控制所述企业的雇员到由所述新案件数据所表示的任务或项目的分派；

对所述新案件要求和技能集合数据以及所述新案件规则和约束数据进行处理，以生成新案件矢量数据；

对针对所述企业的雇员集合中的每个雇员的经聚集的雇员技能集合数据以及所述新案件要求和技能集合数据进行处理，以标识初始技能集合匹配雇员数据，所述初始技能集合匹配雇员数据表示具有与所述新案件要求和技能集合数据中表示的新案件技能和要求相匹配的一个或多个匹配技能的技能集合匹配雇员的集合

对于每个技能集合匹配雇员；

对于每个技能集合匹配雇员，将所述技能集合匹配雇员的匹配技能标准化，以生成标准化雇员技能集合数据，并用于该技能集合匹配雇员；

对于每个技能集合匹配雇员，基于该技能集合匹配雇员的标准化雇员技能集合数据，生成标准化雇员技能集合矢量数据；

将针对每个技能集合匹配雇员的标准化雇员技能集合矢量数据以及所述新案件矢量数据提供给机器学习算法，以生成原始经排名技能匹配雇员推荐数据，所述原始经排名技能匹配雇员推荐数据表示原始技能匹配雇员的集合；

使用所述新案件规则和约束数据来过滤所述原始经排名技能匹配雇员推荐数据，以生成经过滤的技能匹配雇员推荐数据，所述经过滤的技能匹配雇员推荐数据表示经过滤的技能匹配雇员的集合；

使用负荷平衡规则和约束对经过滤的技能匹配雇员推荐数据进行处理，以生成针对新案件的推荐雇员数据，所述推荐雇员数据表示针对所述新案件的一个或多个推荐雇员；以及

将所述推荐雇员数据提供给决策者进行审查和/或批准。

13.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，针对所述企业的雇员的初始雇员技能集合数据包括表示从包含以下项的初始雇员技能集合数据源群组中获得的一个或多个初始雇员技能的数据：

雇员自己；

雇员的雇佣记录；

雇员的HR记录；

与雇员相关联的证书和学校教育的公共记录；

雇员在专业社交媒体网站上的帐户；

雇员在一般社交媒体网站上的帐户；以及

雇员的先前雇主。

14.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述动态雇员技能集合数据包括从包含以下项的动态雇员技能集合数据群组中选择的数据：

表示由雇员完结的全部案件的数据；

表示由雇员完结的案件的平均解决时间的数据；

表示对雇员的平均顾客满意度审查分数的数据；

表示与雇员相关联的全部任务、项目或案件完结的数据；

表示与雇员相关联的任务、项目或案件的平均完结时间的数据；

表示每个顾客/产品/雇员的平均顾客满意度审查数据的数据；

表示与雇员相关联的经验和团队参与的数据；

表示与雇员相关联的团队领导经验的数据；

表示与雇员相关联的产品模块经验的数据；

表示与雇员相关联的案件优先级经验的数据；

表示与雇员相关联的在每个产品线/模块中工作的全部案件的数据；

表示与雇员相关联的证书的数据；

表示与雇员相关联的编程语言经验的数据；

表示雇员能够说、写或读的人类语言的数据；

表示与雇员相关联的每个时间段的里程碑的数据；以及

表示与雇员相关联的产品发行经验的数据。

15.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，针对所述企业的每个雇员的HR数据包括从包含以下项中的一个或多个的HR数据群组中选择的数据：

表示雇员的地理位置的数据；

表示与雇员相关联的时区的数据；

表示雇员的证书和/或教育数据的数据；

表示雇员的雇佣类型的数据；以及

表示雇员的计划带薪休假(PTO)状态的数据。

16.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述雇主/主管施加的规则和约束数据包括从包含以下项的群组中选择的一个或多个雇主/主管施加的规则和约束：

限制能够分派给任何雇员或特定雇员的活跃任务、项目或案件的数量的规则和约束；

限制每个定义的时间范围内能够分派给任何雇员或特定雇员的活跃截止日期或基准的数量的规则和约束；

限制能够分派给任何雇员或特定雇员的具有特定优先级或紧迫性的活跃任务、项目或案件的最大数量的规则和约束；

有关在分派兼职或合同雇员之前使用全职雇员的规则和约束；以及

有关一个或多个雇员角色对不同优先级任务、项目或案件和客户所需的雇员经验的规则和约束。

17.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述雇主/主管施加的规则和约束能够由所述企业的雇员选择，包括所述企业的雇员能够调整的范围和阈值。

18.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述新案件数据包括从包含以下项的新案件数据中选择的数据：

表示所述新案件的任务或项目的名称的数据；

表示将要为其执行所述新案件的任务或项目的客户的名称的数据；

表示所述新案件的任务或项目的优先级的数据；

表示与所述新案件的任务或项目相关联的客户的优先级的数据；

表示与所述新案件的任务或项目相关联的设施类型或产品线的数据；

表示与所述新案件的任务或项目相关联的设施类型或产品线包含的子组件的数据；

表示所述新案件的任务或项目的类型的数据；

表示所述新案件的任务或项目的复杂度的数据；

表示与所述新案件相关联的客户的地理位置的数据；

表示将要执行所述新案件的任务或项目的地理位置的数据；以及

表示将要执行所述新案件的任务或项目的时区的数据。

19.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，与所述新案件数据相关联的客户的客户数据包括从包含以下项的客户数据中选择的数据：

表示所述客户的优先级的数据；

表示与所述客户相关联的设施类型或产品线的数据；

表示与所述客户相关联的或与代表所述客户所执行的任务、项目或案件相关联的合同义务或要求的数据；

表示所述客户是升级客户还是战略客户的数据；

表示与所述客户相关联的调查或审查分数的平均值的数据；

表示所述客户的地理位置的数据；以及

表示与所述客户的位置相关联的时区的数据。

20.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，与所述新案件数据相关联的客户的客户数据是从以下项中一个或多个中获得的：

由所述企业维护的客户和案件记录；

与所述客户关联的社交媒体帐户；以及

与所述客户相关联的网站和广告。

21.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述客户施加的规则和约束包括从包含以下项的客户施加的规则和约束群组中选择的客户施加的规则和约束：

指示为所述客户工作或为所述新案件分派的雇员的所需公民身份的规则和约束；

指示由为所述客户工作或为所述新案件分派的雇员所说的所需语言的规则和约束；以及

有关为所述客户工作或为所述新案件分派的雇员的可用性的规则和约束。

22.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述经聚集的雇员技能集合数据中与所述新案件要求和技能集合数据中表示的新案件技能和要求相匹配的雇员匹配技能数据包括从包含以下项的雇员匹配技能数据群组中选择的一个或多个雇员匹配技能数据：

表示由与所述匹配技能相关的雇员完结的全部案件的数据；

表示由与所述匹配技能相关的雇员完结的案件的平均解决时间的数据；

表示对与所述匹配技能相关的雇员的平均顾客满意度审查分数的数据；

表示由与所述匹配技能相关的雇员拥有的案件的数据；

表示由与所述匹配技能相关的雇员完结的案件的数据；

表示由与所述匹配技能相关的雇员贡献的案件的数据；

表示与由与所述匹配技能相关的雇员拥有和完结的案件相关联的解决时间的数据；

表示与由与所述匹配技能相关的雇员参与和完结的案件相关联的解决时间的数据；以及

表示针对与所述匹配技能相关联的雇员或作为团队成员的雇员的顾客满意度审查的数据。

23.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述技能集合匹配雇员的匹配技能是使用一个或多个机器学习算法来标准化的。

24.根据权利要求23所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，所述技能集合匹配雇员的匹配技能是使用Min-Max标准化来标准化的。

25.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，用于生成所述原始经排名技能匹配雇员推荐数据的机器学习算法是加权最小欧氏距离机器学习算法。

26.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，其中，接收推荐雇员数据的决策者是应用程序。

27.根据权利要求12所述的用于提供多维人力资源配置推荐的计算***实现的方法，还包括：

生成表示雇员发展规则和约束的雇员发展规则和约束数据，所述雇员发展规则和约束控制雇员到使所述雇员能够发展被确定为所述企业以及所述企业的客户所需的定义技能的案件的分派；

使用所述雇员发展规则和约束数据对经过滤的技能匹配雇员推荐数据进行处理，以生成针对所述新案件的推荐雇员数据，所述推荐雇员数据表示针对所述新案件的一个或多个推荐雇员；以及

将推荐雇员数据提供给决策者进行审查和/或批准。

28.一种用于提供多维人力资源配置推荐的***，包括：

案件接收和管理***，所述案件接收和管理***包括新案件数据，所述新案件数据表示企业的雇员要为所述企业的客户执行的任务；

企业机器学习(ML)数据库，所述企业ML数据库包括：

针对所述企业的雇员集合中的每个雇员的经聚集的雇员技能集合数据，所述经聚集的雇员技能集合数据是从一个或多个雇员技能集合数据源获取的；以及

新案件数据，所述新案件数据表示所述企业的雇员要为所述企业的客户执行的新任务或项目，所述新案件数据是从所述案件接收和管理***接收的；

机器学习引擎，所述机器学习引擎包括：

预处理模块；

技能匹配、标准化和排名模块；

过滤模块；以及

负荷平衡模块；

规则和约束数据库，所述规则和约束数据库包括规则和约束数据，所述规则和约束数据控制所述企业的雇员到所述企业的所述雇员要为所述企业的客户执行的任务的分派；以及

多维人力资源顾问应用程序，所述多维人力资源顾问应用程序用于经由所述案件接收和管理***将雇员推荐数据提供给决策者，其中所述案件接收和管理***、所述企业ML数据库、所述机器学习引擎、所述规则和约束数据库以及所述多维人力资源顾问应用程序可操作地连接，以实现用于提供多维人力资源配置推荐的过程，所述用于提供多维人力资源配置推荐的过程包括：

利用所述机器学习引擎的所述预处理模块对所述新案件数据进行处理，以生成新案件要求和技能集合数据，所述新案件要求和技能集合数据表示要为由所述新案件数据表示的任务或项目分派的所述企业的雇员的所需雇员技能和资格；

将所述新案件要求和技能集合数据存储在所述企业ML数据库中；

利用所述机器学习引擎的所述技能匹配、标准化和排名模块对针对所述企业的雇员集合中的每个雇员的所述经聚集的雇员技能集合数据以及所述新案件要求和技能集合数据进行处理，以标识初始技能集合匹配雇员数据，所述初始技能集合匹配雇员数据表示具有与所述新案件要求和技能集合数据中表示的新案件技能和要求相匹配的一个或多个匹配技能的技能集合匹配雇员的集合；

对于每个技能集合匹配雇员，使用所述机器学习引擎的所述技能匹配、标准化和排名模块来将所述技能集合匹配雇员的匹配技能标准化，并为该技能集合匹配雇员生成标准化雇员技能集合数据；

将针对每个技能集合匹配雇员的标准化雇员技能集合数据以及所述新案件要求和技能集合数据提供给所述机器学习引擎的所述技能匹配、标准化和排名模块的机器学习算法，以生成原始经排名技能匹配雇员推荐数据，所述原始经排名技能匹配雇员推荐数据表示原始技能匹配雇员的集合；

利用所述机器学习引擎的所述过滤模块，使用所述规则和约束数据库的所述规则和约束数据过滤所述原始经排名技能匹配雇员推荐数据，以生成经过滤和排名的雇员推荐数据，所述经过滤和排名的雇员推荐数据表示经过滤和排名的技能匹配雇员的集合；以及

通过所述多维人力资源顾问应用程序来经由所述案件接收和管理***将推荐雇员数据提供给决策者，以供审查和/或批准。

29.根据权利要求28所述的用于提供多维人力资源配置推荐的***，其中，所述经聚集雇员技能集合数据包括所述企业的雇员的初始雇员技能集合数据和所述企业的所述雇员的动态雇员技能集合数据源。

30.根据权利要求28所述的用于提供多维人力资源配置推荐的***，其中，所述经聚集的雇员技能集合数据包括从包含以下项的雇员技能集合数据群组中选择的数据：

表示由雇员完结的全部案件的数据；

表示由雇员完结的案件的平均解决时间的数据；

表示对雇员的平均顾客满意度审查分数的数据；

表示与雇员相关联的历史任务、项目或案件完结的数据；

表示与雇员相关联的经验和团队参与的数据；

表示与雇员相关联的团队领导经验的数据；

表示与雇员相关联的每个客户的审查分数的数据；

表示与雇员相关联的每个产品的审查分数的数据；

表示与雇员相关联的产品模块经验的数据；

表示与雇员相关联的案件优先级经验的数据；

表示与雇员相关联的每个产品的平均解决/完结时间的数据；

表示与雇员相关联的每个客户的平均解决/完结时间的数据；

表示与雇员相关联的在每个产品线/模块中工作的全部案件的数据；

表示与雇员相关联的证书的数据；

表示与雇员相关联的编程语言经验的数据；

表示雇员能够说、写或读的人类语言的数据；

表示与雇员相关联的每个时间段的里程碑的数据；以及

表示与雇员相关联的产品发行经验的数据。

31.根据权利要求28所述的用于提供多维人力资源配置推荐的***，其中，所述规则和约束包括从包含以下项的群组规则和约束中选择的一个或多个规则和约束：

限制能够分派给任何雇员或特定雇员的活跃任务、项目或案件的数量的规则和约束；

限制每个定义的时间范围内能够分派给任何雇员或特定雇员的活跃截止日期或基准的数量的规则和约束；

限制能够分派给任何雇员或特定雇员的具有特定优先级或紧迫性的活跃任务、项目或案件的最大数量的规则和约束；

有关在分派兼职或合同雇员之前使用全职雇员的规则和约束；

有关一个或多个雇员角色对不同优先级任务、项目或案件和客户所需的雇员经验的规则和约束；

指示为客户工作或为新案件分派的雇员的所需公民身份的规则和约束；

指示由为客户工作或为新案件分派的雇员所说的所需语言的规则和约束；以及

有关为客户工作或为新案件分派的雇员的可用性的规则和约束。

32.根据权利要求28所述的用于提供多维人力资源配置推荐的***，其中，所述规则和约束能够由所述企业的雇员选择，包括所述雇员能够调整的范围和阈值。

33.根据权利要求28所述的用于提供多维人力资源配置推荐的***，其中，所述新案件数据包括从包含以下项的新案件数据中选择的数据：

表示所述新案件的任务或项目的名称的数据；

表示将要为其执行所述新案件的任务或项目的客户的名称的数据；

表示所述新案件的任务或项目的优先级的数据；

表示与所述新案件的任务或项目相关联的客户的优先级的数据；

表示所述新案件的任务或项目的优先级的数据；

表示与所述新案件的任务或项目相关联的设施类型或产品线的数据；

表示与所述新案件的任务或项目相关联的客户是升级客户还是战略客户的数据；

表示与同所述新案件的任务或项目相关联的客户相关联的合同义务或要求的数据或者表示与所述新案件的任务或项目相关联的合同义务或要求的数据；

表示与所述新案件的任务或项目相关联的平均客户调查分数的数据；

表示与所述新案件的任务或项目相关联的设施类型或产品线包含的子组件的数据；

表示所述新案件的任务或项目的类型的数据；

表示所述新案件的任务或项目的复杂度的数据；

表示与所述新案件相关联的客户的地理位置的数据；

表示将要执行所述新案件的任务或项目的地理位置的数据；以及

表示将要执行所述新案件的任务或项目的时区的数据。

34.根据权利要求28所述的用于提供多维人力资源配置推荐的***，其中，与所述新案件要求和技能集合数据中表示的新案件技能和要求相匹配的雇员匹配技能包括从包含以下项的雇员匹配技能数据群组中选择的一个或多个雇员匹配技能数据：

表示由与所述匹配技能相关的雇员完结的全部案件的数据；

表示由与所述匹配技能相关的雇员完结的案件的平均解决时间的数据；

表示对与所述匹配技能相关的雇员的平均顾客满意度审查分数的数据；

表示由与所述匹配技能相关的雇员拥有的案件的数据；

表示由与所述匹配技能相关的雇员领导的案件的数据；

表示由与所述匹配技能相关的雇员贡献的案件的数据；

表示与由与所述匹配技能相关的雇员拥有和完结的案件相关联的解决时间的数据；

表示与由与所述匹配技能相关的雇员参与和完结的案件相关联的解决时间的数据；以及

表示对与所述匹配技能相关联的雇员或团队的审查和顾客满意度审查的数据。

35.根据权利要求34所述的用于提供多维人力资源配置推荐的***，其中，所述技能集合匹配雇员的匹配技能是由所述机器学习引擎的所述技能匹配、标准化和排名模块使用Min-Max标准化来标准化的。

36.根据权利要求28所述的用于提供多维人力资源配置推荐的***，其中，由所述机器学习引擎的所述技能匹配、标准化和排名模块用来生成所述原始经排名技能匹配雇员推荐数据的机器学习算法是加权最小欧氏距离机器学习算法。

37.一种用于提供多维人力资源配置推荐的***，包括：

案件接收和管理***，所述案件接收和管理***包括新案件数据，所述新案件数据表示企业的雇员要为所述企业的客户执行的任务；

企业机器学习(ML)数据库，所述企业ML数据库包括：

针对所述企业的雇员集合中的每个雇员的经聚集的雇员技能集合数据，所述经聚集的雇员技能集合数据是从一个或多个雇员技能集合数据源获取的；以及

新案件数据，所述新案件数据表示所述企业的雇员要为所述企业的客户执行的新任务或项目，所述新案件数据是从所述案件接收和管理***接收的；

机器学习引擎，所述机器学习引擎包括：

预处理模块；

技能匹配、标准化和排名模块；

过滤模块；以及

负荷平衡模块；

规则和约束数据库，所述规则和约束数据库包括规则和约束数据，所述规则和约束数据控制所述企业的雇员到所述企业的所述雇员要为所述企业的客户执行的任务的分派；以及

多维人力资源顾问应用程序，所述多维人力资源顾问应用程序用于经由所述案件接收和管理***将雇员推荐数据提供给决策者。

Images