Page 352 - 《软件学报》2024年第4期

1930 软件学报 2024 年第 35 卷第 4 期

供激励或补偿可以刺激员工绩效 [47] . 对员工进行有效组织激励的意义还在于被奖励的员工会影响其他员工的打
卡、绩效——标杆效应. 当员工参与进来时, 他意识到自己在业务目标中的责任, 并激励同事一起努力实现组织目
标 [48] . 也就是说, 个体行为之间实现了有效的协同, 并形成一个正反馈回路, 进而在群体层次上表现出智能的自组
织行为 [49] .
从员工的需求方面分析, 根据马斯洛的生理需要、安全需要、爱和归属的需要、自尊需要和自我实现的需
要 5 层次理论 [50] , 可以推断员工的需求是多样的且随着发展阶段与环境的变化而时刻改变. 在企业中时刻会产生
新的动机和需要, 这意味着组织管理者应关注每一个旨在为员工带来福利的决策 [46] . 组织管理者对职工进行思想
引导时, 应合理地针对每一个不同组织提出不同要求, 针对它们, 制定各种激励政策, 或者是几种激励政策的结合
使用 [51] . 员工奖惩制度一般就是为了提高员工对于工作的积极性, 利用奖励政策提高员工工作效率, 以提高公司
的整体经济效益, 并可利用员工奖惩制度进行对企业正常工作秩序的维护管理. 薪酬待遇亦是一种企业在人才市
场的有力诱惑, 能够吸引工作人才, 使之奉献个人价值的同时形成组织价值, 进而增强企业人力资源核心竞争力 [51]
以及企业凝聚力, 让员工具有主人翁意识. 作为企业管理者, 需要其权衡激励机制及其运用的时效性, 这将为企业
吸收工作人才, 将其智慧和力量为企业所用, 使其个体的智能转换为组织的智能, 这也是 HAO 打卡中组织智能的
体现之处. 企业获得了良好发展, 员工才会获得更为良好的发展平台, 企业与员工属于是共同发展的双赢关系,
HAO 打卡旨在通过打卡, 为企业提供决策支持, 稳固这种双赢关系, 推动员工和企业的共同发展.
4 总 结

个人打卡可能有一个或多个组织关联, 也可能没有组织关联, 所以打卡数据的保存、分享和分析需要按照用
户类型进行精细化管理. 本文以组织智能为驱动, 提出并实现了一个轻量级打卡平台——HAO 打卡系统. HAO 打
卡系统利用 HAO 智能体系建立 HAO 打卡知识图谱, 使用知识图谱和语义技术来辅助进行数据分析和决策.
HAO 打卡系统围绕组织智能, 旨在为企业的考勤打卡、组织架构、绩效管理提供助力. 本文详细说明了 HAO 打
卡的核心功能与系统亮点, 并着重讨论了 HAO 打卡系统如何从组织智能出发管理和利用打卡数据. 本系统使用
四要素得分法、四要素考勤报表法来推动打卡数据助力绩效管理. HAO 打卡实现考勤方式的智能化变革, 以“人+
组织”为两个抓手, 让个人提高效率, 让组织更加协作, 旨在通过对人类智能、人工智能和组织智能三位一体的集
成, 构建面向人机协同的智能打卡系统, 加速新一代人工智能平台在企业管理领域的落地.
在个人和组织的打卡数据基础上, 包括个人的无组织关联打卡信息, HAO 打卡系统也提供组织考勤之外的
POI (points of interest) 服务, 这些功能正在开发之中, 我们将另文介绍.

References:
[1] Prayogi MA, Lesmana MT, Siregar LH. The influence of communication and work discipline to employee performance. In: Proc. of the
1st Int’l Conf. on Administration Science (ICAS 2019). Atlantis Press, 2019. 423–426.
[2] Wu XD, Dong BB, Du XZ, Yang W. Data governance technology. Ruan Jian Xue Bao/Journal of Software, 2019, 30(9): 2830–2856 (in
Chinese with English abstract). http://www.jos.org.cn/1000-9825/5854.htm [doi: 10.13328/j.cnki.jos.005854]
[3] Foley É, Guillemette MG. What is business intelligence? Int’l Journal of Business Intelligence Research, 2010, 1(4): 28. [doi: 10.4018/
jbir.2010100101]
[4] Wu MH, Wu XD. On big wisdom. Knowledge and Information Systems, 2019, 58(1): 1–8. [doi: 10.1007/s10115-018-1282-y]
[5] Korteling JE, van de Boer-Visschedijk GC, Blankendaal RAM, Boonekamp RC, Eikelboom AR. Human-versus artificial intelligence.
Frontiers in Artificial Intelligence, 2021, 4: 622364. [doi: 10.3389/frai.2021.622364]
[6] Cui JW, Zhao Z, Du XY. Survey on data management technology for machine learning. Ruan Jian Xue Bao/Journal of Software, 2021,
32(3): 604–621 (in Chinese with English abstract). http://www.jos.org.cn/1000-9825/6182.htm [doi: 10.13328/j.cnki.jos.006182]
[7] Rich E, Knight K. Artificial Intelligence. 2nd ed., New York: McGraw-Hill, 1991.
[8] Rich E, Knight K, Nair SB. Artificial Intelligence. 3rd ed., New Delhi: Tata McGraw-Hill, 2009.
[9] Korteling JE, van de Boer-Visschedijk GC, Boswinkel RA, Boonekamp RC. Effecten van de inzet van non-human intelligent
collaborators op opleiding & training [V1719]. Soesterberg: TNO Defense Safety and Security, 2018.