本发明涉及薪酬统计，更具体地说，本发明涉及一种薪酬数据的统计优化方法及系统。
背景技术：
1、薪酬数据指的是关于员工工资、薪水、福利、奖金、津贴等方面的具体数字和信息。这些数据可以包括每位员工的基本工资、绩效奖金、加班费、福利待遇（如医疗保险、退休金、带薪假期等）以及其他与薪酬相关的各种支付和福利项目。
2、薪酬数据统计则是指对上述薪酬数据进行收集、整理、分析和报告的过程。这一过程旨在理解和评估企业对员工的薪酬支出，以及薪酬在不同岗位、部门或地区的分布情况。薪酬数据统计可以帮助企业管理层制定合理的薪酬政策，优化资源分配，吸引和留住人才，同时确保薪酬的公平性和合理性。
3、随着企业规模的扩大和薪酬项目的增加，传统的数据处理方法可能无法满足实时处理和大规模数据分析的需求。大多数公司仍依赖于手工处理和excel表格来进行薪酬数据的收集和分析，容易出现错误和耗时较长的问题。
4、一些企业使用关系型数据库管理系统（rdbms）来存储和处理薪酬数据，在处理大数据量和复杂查询时，也存在着性能不足等问题。目前的薪酬数据统计系统缺乏基于数据的预测分析和个性化建议，在数据分析和决策支持方面通常缺乏智能化和自动化能力，无法为管理层提供更深入的洞察和决策支持。
5、针对上述问题，本发明提出一种解决方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本发明的实施例提供一种薪酬数据的统计优化方法及系统，通过获取待观测公司的薪资数据，并进行分析处理；
2、利用卷积神经网络，建立管理层薪酬统计模型，利用管理层薪酬统计模型对管理层薪酬进行分析；利用随机森林回归算法，建立员工薪酬分析模型，利用员工薪酬统计模型对员工薪酬进行分析；根据历史薪资数据对员工薪酬统计模型和管理层薪酬统计模型电网进行参数优化，得到最优的薪酬统计模型，以解决上述背景技术中提出的问题。
3、为实现上述目的，本发明提供如下技术方案：
4、一种薪酬数据的统计优化方法，包括以下步骤：
5、获取待观测公司单位时间跨度的的薪资数据，并将获取的薪资数据建立集合作为历史薪资数据；
6、通过薪资数据基于卷积神经网络，建立管理层薪酬统计模型，利用管理层薪酬统计模型对管理层薪酬进行分析；
7、通过薪资数据基于随机森林回归算法，建立员工薪酬分析模型，利用员工薪酬统计模型对员工薪酬进行分析；
8、根据历史薪资数据对员工薪酬统计模型和管理层薪酬统计模型电网进行参数优化，得到最优的薪酬统计模型。
9、在一个优选的实施方式中，所述薪资数据包括员工薪资数据和管理层薪资数据；所述历史薪资数据包括员工历史月薪酬数据和管理层历史年薪酬数据。
10、在一个优选的实施方式中，所述员工薪资数据的具体获取方法如下：
11、从公司人力资源信息系统中导出员工薪资数据，并将员工薪资数据进行薪资组类别归类；
12、获取不同薪资组类别内的薪酬数据的统计数据；
13、利用散点图查看薪酬数据的分布和变化趋势；
14、对散点图上出现的偏差值和离散数值进行处理，去除图表中可能出现的数据错误值、缺失值，处理存在的重复数据或错误数据条目，得到预处理后的员工薪酬数据；
15、所述薪资组类别包括高薪组、中薪组以及低薪组；所述统计数据包括均值、中位数、标准差。
16、在一个优选的实施方式中，所述管理层薪酬统计模型的具体获取方法如下：
17、通过卷积神经网络，建立管理层薪酬统计模型；
18、将管理层基本年薪酬作为卷积核固定步长，结合管理层特征值信息进行卷积运算，并得到相应管理员特征信息的占比权重系数和灵敏度误差系数；
19、结合灵敏度误差系数和预设的熵损失函数，计算得到管理层薪酬修正系数；
20、根据管理层薪酬修正系数进一步计算得到管理层薪酬统计模型函数。
21、在一个优选的实施方式中，所述员工薪酬统计模型的具体获取方法如下：
22、所述员工薪酬统计模型的具体获取方法如下：
23、收集预处理后的员工薪酬数据建立集合，并计算集合内的样本方差；
24、根据所述样本方差建立薪酬重抽样函数；
25、根据预设的指示函数验证重抽样函数的可行性；
26、根据指示函数进一步计算不同员工间的薪酬变量重要性评分，结合重抽样函数数值，计算得到员工薪酬统计模型函数。
27、在一个优选的实施方式中，所述根据历史薪资数据对员工薪酬统计模型和管理层薪酬统计模型电网进行参数优化的具体方法如下：
28、根据员工历史月薪酬数据和管理层历史年薪酬数据，对管理层薪酬数据统计模型和员工薪酬数据统计模型进行模型参数调整，修正模型偏差值，得到优化后的员工薪酬统计模型和管理层薪酬统计模型，获得符合实际薪酬情况值的管理层和员工薪酬统计模型。
29、在一个优选的实施方式中，用于实现权利要求1-9任一项所述的一种薪酬数据的统计优化方法，包括薪酬数据收集模块：获取待观测公司单位时间跨度的的薪资数据，并将获取的薪资数据建立集合作为历史薪资数据；
30、薪酬处理分析模块：通过薪资数据基于卷积神经网络，建立管理层薪酬统计模型，利用管理层薪酬统计模型对管理层薪酬进行分析；
31、通过薪资数据基于随机森林回归算法，建立员工薪酬分析模型，利用员工薪酬统计模型对员工薪酬进行分析；
32、优化调整模块：根据历史薪资数据对员工薪酬统计模型和管理层薪酬统计模型电网进行参数优化，得到最优的薪酬统计模型。
33、本发明一种薪酬数据的统计优化方法及系统的技术效果和优点：
34、1.本发明通过卷积神经网络，建立管理层薪酬统计模型，将管理层基本年薪酬作为卷积核固定步长，结合管理层特征值信息，进行卷积运算并得到相应的特征信息的占比权重系数，再结合计算过程中的灵敏度误差系数和神经卷积过程中的熵损失数值，计算得到管理层薪酬修正系数，进一步得到管理层薪酬统计模型，可用于预测计算管理层人员的年薪酬，大大提高了薪酬计算效率，提升薪酬数据分析智能化和自动化能力；收集预处理后的员工薪酬数据，建立集合并计算集合内的样本方差，建立薪酬重抽样函数并验证重抽样函数的可行性，计算不同员工间的工资、津贴、奖金、提成等变量的薪酬变量重要性评分，结合重抽样函数数值，得到员工薪酬统计模型，可用于预估员工的月薪酬数据，简化了薪酬统计过程，避免了可能出现的数据缺失等风险，提高了员工薪酬统计效率。
35、2.本发明通过处理后的员工薪酬数据和管理层薪酬数据，利用神经网络卷积和随机森林方法建立管理层薪酬数据统计模型和员工薪酬数据统计模型；根据员工历史月薪酬数据和管理层历史年薪酬数据，对管理层薪酬数据统计模型和员工薪酬数据统计模型进行模型参数调整，修正模型偏差值，得到优化后的员工薪酬统计模型和管理层薪酬统计模型，得到符合实际薪酬情况值的管理层和员工薪酬统计模型；自动化的薪酬数据统计系统可以显著提高数据收集、整理和分析的效率，节省管理层和人力资源团队的时间和成本。通过此方法建立的薪酬统计模型可以帮助企业做出更明智的薪酬决策，提升公司的管理效率、员工满意度和公司的竞争力。
1.一种薪酬数据的统计优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种薪酬数据的统计优化方法，其特征在于，所述薪资数据包括员工薪资数据和管理层薪资数据；所述历史薪资数据包括员工历史月薪酬数据和管理层历史年薪酬数据。
3.根据权利要求2所述的一种薪酬数据的统计优化方法，其特征在于，所述员工薪资数据的具体获取方法如下：
4.根据权利要求3所述的一种薪酬数据的统计优化方法，其特征在于，所述管理层薪资数据的具体获取方法如下：
5.根据权利要求4所述的一种薪酬数据的统计优化方法，其特征在于，所述管理层薪酬统计模型的具体获取方法如下：
6.根据权利要求5所述的一种薪酬数据的统计优化方法，其特征在于，所述员工薪酬统计模型的具体获取方法如下：
7.根据权利要求5所述的一种薪酬数据的统计优化方法，其特征在于，所述管理员特征信息的占比权重系数的具体计算公式如下：
8.根据权利要求6所述的一种薪酬数据的统计优化方法，其特征在于，所述薪酬重抽样函数的具体计算公式如下：
9.根据权利要求7所述的一种薪酬数据的统计优化方法，其特征在于，所述根据历史薪资数据对员工薪酬统计模型和管理层薪酬统计模型电网进行参数优化的具体方法如下：
10.一种薪酬数据的统计优化系统，用于实现权利要求1-9任一项所述的一种薪酬数据的统计优化方法，其特征在于，包括薪酬数据收集模块、薪酬第一处理分析模块、薪酬第二处理分析模块，以及优化调整模块，模块间存在连接；
