Tổng quan nghiên cứu

Trong bối cảnh chuyển đổi số giáo dục nghề nghiệp, chi phí tiền lương và các chế độ đãi ngộ thường chiếm từ 60% đến 70% tổng ngân sách chi thường xuyên của các trường công lập. Tuy nhiên, công tác phân tích, đánh giá và dự báo quỹ lương tại nhiều đơn vị vẫn phụ thuộc nặng nề vào các bảng tính rời rạc, khiến việc cân đối tài chính gặp nhiều trở ngại. Luận văn tập trung giải quyết bài toán tự động hóa phân nhóm thu nhập và phát hiện quy luật phân bổ lương tiềm ẩn thông qua kỹ thuật khai phá dữ liệu hiện đại, thay thế cho các phương pháp thống kê mô tả thủ công truyền thống.

Mục tiêu cụ thể của nghiên cứu là xây dựng khung phân tích thực nghiệm bằng thuật toán phân cụm dữ liệu động, từ đó thiết kế phần mềm ứng dụng hỗ trợ ra quyết định tài chính và quản trị nhân sự. Phạm vi nghiên cứu được triển khai trực tiếp trên toàn bộ nguồn dữ liệu cán bộ, giảng viên tại Trường Cao đẳng Nghề Hà Nam trong giai đoạn 2014 - 2015.

Ý nghĩa thực tiễn của công trình thể hiện qua việc nâng cao độ chính xác trong phân nhóm ngạch bậc thu nhập lên trên 92%, đồng thời rút ngắn thời gian xử lý tổng hợp dữ liệu lương định kỳ từ 15 ngày làm việc xuống còn dưới 2 ngày. Kết quả nghiên cứu không chỉ tối ưu hóa việc phân bổ ngân sách thu nhập tăng thêm mà còn tạo cơ sở khoa học vững chắc giúp nhà trường xây dựng chính sách đãi ngộ công bằng, thúc đẩy động lực làm việc cho hơn 180 cán bộ, viên chức.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng quy trình khám phá tri thức từ cơ sở dữ liệu gồm 7 giai đoạn tiêu chuẩn: làm sạch, tích hợp, trích chọn, chuyển đổi, khai phá dữ liệu, đánh giá mẫu và biểu diễn tri thức. Trong đó, kỹ thuật học không giám sát đóng vai trò chủ đạo nhằm phát hiện các cấu trúc mẫu tự nhiên mà không cần gán nhãn trước.

Hệ thống lý thuyết phân cụm được phân tích chuyên sâu qua 4 hướng tiếp cận chính: phân hoạch, phân cấp, dựa trên lưới và dựa trên mật độ. Trọng tâm nghiên cứu xoay quanh mô hình phân cụm dựa trên mật độ DBSCAN và biến thể nâng cao Incremental DBSCAN, kết hợp đối chiếu với thuật toán phân hoạch K-Means, Seeded K-Means cùng mô hình phân cấp BIRCH sử dụng cây đặc trưng cụm.

Nghiên cứu vận dụng 5 khái niệm cốt lõi:

  • Điểm lân cận theo bán kính Eps: Tập hợp các đối tượng nằm trong phạm vi khoảng cách không vượt quá ngưỡng quy định.
  • Điểm nòng cốt: Đối tượng sở hữu số lượng điểm lân cận đạt tối thiểu ngưỡng MinPts định trước.
  • Mật độ đến được trực tiếp: Mối quan hệ giữa một điểm nằm trong lân cận của một điểm nòng cốt.
  • Mật độ liên thông: Khả năng kết nối giữa hai điểm bất kỳ thông qua một chuỗi các điểm nòng cốt trung gian.
  • Dữ liệu nhiễu: Tập hợp các điểm dị biệt không thuộc về bất kỳ cụm mật độ liên thông nào.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được trích xuất từ cơ sở dữ liệu nhân sự và bảng lương thực tế tại Trường Cao đẳng Nghề Hà Nam. Cỡ mẫu nghiên cứu gồm toàn bộ 185 hồ sơ cán bộ, giảng viên và nhân viên đang công tác tại 8 phòng ban chuyên môn và khoa đào tạo trực thuộc.

Nghiên cứu áp dụng phương pháp chọn mẫu toàn thể nhằm đảm bảo bao quát 100% các thang bảng lương, phụ cấp chức vụ, thâm niên và khối lượng giảng dạy thực tế, tránh các sai lệch do chọn mẫu ngẫu nhiên gây ra.

Lý do lựa chọn phương pháp phân tích bằng thuật toán Incremental DBSCAN xuất phát từ tính biến động liên tục của dữ liệu nhân sự khi có cán bộ mới tuyển dụng, chuyển công tác hoặc điều chỉnh bậc lương. Khác với các thuật toán tĩnh đòi hỏi phải tính toán lại toàn bộ dữ liệu từ đầu, Incremental DBSCAN chỉ tập trung cập nhật các lân cận bị ảnh hưởng thông qua cấu trúc cây không gian R-Tree, giúp tối ưu hóa hiệu năng tính toán và xử lý triệt để các phần tử nhiễu ngoại lai. Quá trình thu thập, chuẩn hóa ma trận thuộc tính số và thử nghiệm mô hình phần mềm được triển khai liên tục trong thời gian 12 tháng từ đầu năm 2014 đến đầu năm 2015.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình phân tích thực nghiệm trên 185 hồ sơ cán bộ đã chỉ ra những phát hiện định lượng quan trọng về bức tranh thu nhập tại đơn vị:

  • Cụm thu nhập cơ sở: Chiếm tỷ trọng cao nhất với 52,4% tổng số nhân sự (97 cán bộ), có mức thu nhập thực nhận dao động từ 3,5 đến 6,2 triệu đồng/tháng. Nhóm này chủ yếu là nhân viên hành chính mới tuyển dụng và giảng viên tập sự dưới 3 năm công tác.
  • Cụm thu nhập trung bình khá: Chiếm 31,8% tổng thể (59 cán bộ), đạt mức thu nhập từ 6,3 đến 9,8 triệu đồng/tháng, cao hơn 45% so với mức sàn của cụm cơ sở. Đây là lực lượng giảng viên nòng cốt có thâm niên từ 5 đến 12 năm và có số giờ giảng vượt định mức ổn định.
  • Cụm thu nhập cao: Chiếm 12,5% tổng số nhân sự (23 cán bộ), ghi nhận mức lương từ 9,9 đến 15,6 triệu đồng/tháng, tập trung ở các vị trí lãnh đạo quản lý khoa, phòng và chuyên gia kỹ thuật bậc cao.
  • Dữ liệu dị biệt: Thuật toán tự động phát hiện và cô lập 3,3% dữ liệu (6 trường hợp) thuộc nhóm nhiễu, bao gồm các cán bộ hợp đồng ngắn hạn dưới 3 tháng hoặc nhân sự có thời gian nghỉ thai sản, ốm đau dài hạn.
  • Hiệu năng xử lý gia tăng: Khi thực hiện kiểm thử cập nhật thêm mới 25 hồ sơ nhân sự, thuật toán Incremental DBSCAN chỉ mất 0,18 giây để tái cấu trúc các cụm, giảm hơn 85% thời gian xử lý so với việc chạy lại toàn bộ thuật toán DBSCAN tĩnh.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự phân hóa rõ nét giữa các cụm thu nhập bắt nguồn từ cơ cấu phụ cấp ưu đãi nghề, phụ cấp thâm niên nhà giáo và nguồn thu nhập tăng thêm từ hoạt động đào tạo liên kết.

So với các nghiên cứu trước đây vốn chủ yếu sử dụng thuật toán K-Means cổ điển, kết quả từ K-Means thường có xu hướng ép buộc dữ liệu vào các cụm hình cầu nhân tạo, làm sai lệch các điểm ranh giới giữa ngạch lương giảng viên chính và giảng viên thường. Ngược lại, thuật toán dựa trên mật độ đã phản ánh chính xác các hình dạng cụm phân bố tự nhiên theo từng thang bảng lương.

Để phục vụ quản trị trực quan, dữ liệu phân cụm được biểu diễn tối ưu thông qua biểu đồ phân tán hai chiều với trục hoành thể hiện hệ số lương cơ bản và trục tung thể hiện tổng phụ cấp thực nhận. Bên cạnh đó, việc xây dựng bảng thống kê đối sánh giá trị trung bình, độ lệch chuẩn và khoảng biến thiên thu nhập theo từng khoa giúp Ban Giám hiệu nhận diện ngay sự chênh lệch chi trả giữa khối kỹ thuật công nghệ và khối lý thuyết đại cương, từ đó đưa ra các căn chỉnh tài chính kịp thời.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả quản lý tài chính và tạo động lực cống hiến cho đội ngũ cán bộ, nghiên cứu đề xuất 4 nhóm giải pháp trọng tâm:

  • Chuẩn hóa và số hóa toàn diện quy trình quản trị tiền lương: Triển khai phần mềm quản lý lương chuyên dụng trên nền tảng kiến trúc 3 lớp trong vòng 6 tháng tới. Mục tiêu đạt tỷ lệ số hóa 100% hồ sơ lương và tự động hóa cập nhật dữ liệu với độ chính xác trên 95%, do Phòng Tổ chức - Cán bộ chủ trì phối hợp cùng Trung tâm Công nghệ thông tin thực hiện.
  • Tái cấu trúc quy chế chi tiêu nội bộ gắn với chỉ số hiệu suất: Xây dựng cơ chế trích lập quỹ thu nhập tăng thêm dựa trên 3 tiêu chí định lượng gồm khối lượng giảng dạy vượt giờ, kết quả nghiên cứu khoa học và mức độ hoàn thành nhiệm vụ. Phấn đấu nâng mức thu nhập bình quân của cụm giảng viên nòng cốt thêm 15% đến 20% trong giai đoạn 2016 - 2018, do Ban Giám hiệu phê duyệt.
  • Thiết lập hệ thống cảnh báo và kiểm soát quỹ lương định kỳ: Áp dụng công cụ phân tích mật độ dữ liệu định kỳ 3 tháng một lần để theo dõi biến động chi trả, duy trì biên độ tăng trưởng quỹ lương hàng năm ở mức an toàn từ 8% đến 10%, do Phòng Tài chính - Kế toán đảm trách.
  • Bồi dưỡng năng lực ứng dụng công nghệ cho cán bộ quản lý: Tổ chức 4 khóa đào tạo chuyên sâu về khai thác phần mềm và kỹ năng phân tích dữ liệu cho 100% chuyên viên nhân sự, kế toán trong vòng 12 tháng, bảo đảm vận hành hệ thống thông suốt và bảo mật.

Đối tượng nên tham khảo luận văn

Công trình luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho nhiều nhóm đối tượng:

  • Lãnh đạo và các nhà quản lý cơ sở giáo dục nghề nghiệp: Sử dụng kết quả nghiên cứu như một tài liệu tham khảo thực tế để đổi mới cơ chế phân bổ tài chính, xây dựng thang bảng lương nội bộ và hoạch định chính sách thu hút nhân tài cho các trường có quy mô từ 100 đến 1.000 cán bộ.
  • Chuyên viên phòng kế toán và tổ chức cán bộ: Ứng dụng các biểu mẫu chuẩn hóa và thuật toán phân cụm tự động để rà soát bất thường trong bảng lương hàng tháng, giúp loại bỏ 80% các sai sót tính toán thủ công.
  • Kỹ sư phát triển phần mềm và chuyên gia dữ liệu: Khai thác mô hình mã nguồn, kiến trúc hệ thống 3 lớp và thuật toán Incremental DBSCAN kết hợp cấu trúc cây R-Tree để phát triển các module phân tích thông minh cho hệ thống quản trị doanh nghiệp.
  • Học viên cao học và nghiên cứu sinh ngành Khoa học máy tính: Tận dụng cơ sở lý thuyết, các chứng minh bổ đề toán học và phương pháp đánh giá thuật toán phân cụm để mở rộng hướng nghiên cứu sang các dạng dữ liệu chuỗi thời gian hoặc dữ liệu văn bản phức tạp.

Câu hỏi thường gặp

Thuật toán Incremental DBSCAN mang lại lợi thế gì vượt trội so với DBSCAN truyền thống?

Incremental DBSCAN có khả năng cập nhật lại cấu trúc các cụm ngay khi có dữ liệu mới được thêm vào hoặc xóa đi mà không cần quét lại toàn bộ cơ sở dữ liệu. Trong thực tế quản lý nhân sự, khi phát sinh 10 hồ sơ mới, thuật toán chỉ xử lý các điểm lân cận bị tác động, giúp rút ngắn thời gian tính toán từ 1,2 giây xuống dưới 0,2 giây.

Làm thế nào để xác định chính xác các tham số bán kính Eps và MinPts trong phân tích lương?

Nghiên cứu sử dụng phương pháp đồ thị khoảng cách k-dist đã sắp xếp kết hợp với sự tương tác của người dùng để xác định điểm ngưỡng chuyển đổi mật độ. Việc thiết lập hệ số láng giềng k = 4 trên tập dữ liệu thực tế giúp tách biệt chính xác 96% các điểm nòng cốt và nhận diện chuẩn xác các điểm biên của từng nhóm thu nhập.

Mô hình phân tích phân cụm lương này có thể ứng dụng cho các doanh nghiệp ngoài ngành giáo dục không?

Hoàn toàn có thể ứng dụng hiệu quả. Do thuật toán vận hành trên ma trận thuộc tính số và độ đo khoảng cách đa chiều, các doanh nghiệp có quy mô từ 200 nhân viên trở lên thuộc mọi lĩnh vực đều có thể ứng dụng mô hình này để phân tích cơ cấu chi phí, đánh giá tương quan lương và phát hiện các trường hợp chi trả lương bất thường.

Hệ thống xử lý các dữ liệu khuyết thiếu hoặc sai lệch trong hồ sơ lương như thế nào?

Hệ thống tích hợp quy trình làm sạch dữ liệu ở bước tiền xử lý. Những thuộc tính bị khuyết thông tin được tự động điền khuyết bằng giá trị trung bình của đối tượng láng giềng gần nhất theo khoảng cách Euclidean, đồng thời thuật toán DBSCAN tự động cô lập khoảng 3% các điểm dữ liệu sai lệch vào danh mục nhiễu để bộ phận chuyên môn kiểm tra lại.

Kiến trúc phần mềm 3 lớp đem lại lợi ích gì trong việc triển khai thực tế?

Kiến trúc 3 lớp gồm tầng giao diện người dùng, tầng xử lý nghiệp vụ thuật toán và tầng cơ sở dữ liệu giúp phân tách độc lập các chức năng. Cấu trúc này tối ưu hóa tốc độ truy vấn, tăng cường tính bảo mật cho thông tin lương cán bộ và cho phép hệ thống mở rộng hỗ trợ đồng thời trên 50 người dùng truy cập mà không gây nghẽn hệ thống.

Kết luận

  • Hệ thống hóa toàn diện các phương pháp phân cụm dữ liệu hiện đại, làm rõ ưu thế của thuật toán dựa trên mật độ Incremental DBSCAN trong xử lý dữ liệu động.
  • Xây dựng thành công thuật toán phân tích gia tăng, giảm hơn 85% thời gian tính toán khi cơ sở dữ liệu nhân sự có biến động thêm hoặc xóa.
  • Nhận diện chính xác 4 nhóm thu nhập đặc thù và tách biệt 3,3% dữ liệu dị biệt trên tổng số 185 hồ sơ cán bộ tại Trường Cao đẳng Nghề Hà Nam.
  • Thiết kế và triển khai hoàn chỉnh phần mềm ứng dụng quản lý lương trên kiến trúc 3 lớp, đảm bảo tính ứng dụng thực tế cao và bảo mật dữ liệu.
  • Đề xuất 4 nhóm giải pháp quản trị đồng bộ, hỗ trợ lãnh đạo nhà trường tối ưu hóa quy chế chi tiêu và nâng cao hiệu quả sử dụng ngân sách.

Luận văn đã đóng góp một giải pháp công nghệ thông tin thiết thực, kết nối thành công lý thuyết khai phá dữ liệu với bài toán quản trị nhân sự trong giáo dục nghề nghiệp. Trong 12 tháng tiếp theo, mô hình cần tiếp tục được nghiên cứu mở rộng để tích hợp dự báo quỹ lương theo chuỗi thời gian nhiều năm. Các cơ sở giáo dục và đơn vị đào tạo nên tham khảo và áp dụng mô hình này nhằm nâng cao năng lực quản trị tài chính hiện đại và minh bạch.