طراحی مدل تلفیقی خوشه بندی-تخصیص به منظور خوشه بندی عملکردی کارکنان و تخصیص بسته های آموزشی ضمن خدمت به آنان

امروزه سازمان ها به منظور همگام شدن با پیشرفت تکنولوژی و تداوم بقا در محیطی رقابتی، پیوسته مهارت های کارکنان خود را ارزیابی می نمایند و در صورت نیاز به پرورش و ارتقاء سطح عملکرد کارکنان خود دوره های آموزشی برای آنان طراحی و برگزار می کنند. لذا در این پژوهش با توجه به اهمیت ارتقای عملکرد کارکنان با رویکردی نوین در ادبیات موضوع به تعیین بسته های آموزشی پرداخته می شود. بدین صورت که ابتدا با روش خوشه بندیsom دو مرحله ای، خوشه های عملکردی کارکنان برای مورد مطالعه مشخص می شود و سپس با استفاده از معیارهای اعتبارسنجی و تست همگرایی، تعداد خوشه های نهایی مشخص می گردد. نتایج نشان داد کارکنان به لحاظ عملکرد در چهار خوشه قرار می گیرند که ویژگی های عملکردی هر خوشه و عضویت هر کارمند به هر خوشه نیز با اجرای مدل تعیین گردید. در آخر با توجه به نتایج خوشه بندی، با هدف ارتقاء ویژگی های کارکنان برای هر خوشه مناسب ترین بسته آموزشی با استفاده از مدل تخصیص تعیین شد.

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

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.