绩效评分汇总与异常识别

这个场景解决什么问题

绩效评分来自员工自评、主管评价或多位评委，汇总时容易出现漏表、重复评分、权重用错和分数异常集中。AI 可以按已批准的公式汇总并指出需要核查的分布现象，为绩效校准会准备可追溯数据；它不能凭分布图自动修改个人等级，更不能把“必须符合某个比例”当成默认规则。

需要准备什么

本期应考核人员名单、已批准的评分表与指标权重、各评价人提交的原始文件、评分规则、岗位与部门信息、例外人员清单。若采用多人定性评价，应明确谁有评价资格、是否去掉无效评分以及如何计算；若使用定量指标，须明确数据来源和公式。

具体操作步骤

第一步：汇总原始评分

按被评价员工编号、评价人编号、指标编号和周期提取分数，保留原文件、单元格和提交时间。同一评价人重复提交时列出版本，让 HR 确认有效版，不直接取最高或最新分。缺分、越界分和未授权评价人单列。

第二步：按规则计算

分别计算定性评价与定量结果，再按企业已确认的权重合成。原材料中的案例展示“多人评一人”的定性分取平均、“一人评一人”的定量分直接取值，但这只是具体企业的规则，不能普遍套用。每名员工保留公式、参与评分人数和缺失情况。

第三步：识别分布异常

按部门、岗位和评价人查看均值、中位数、分布及评分变化，标记全员同分、某评价人持续偏高或偏低、跨部门评分口径差异和与证据不符的极端分。小样本分布不做强判断；群体差异只在合法、必要且匿名汇总条件下分析，不能用性别、年龄等属性自动调整个人分数。

第四步：交校准会核查

输出异常清单，逐条写明原始分、公式、相关证据、需要讨论的问题和责任人。校准会如修改结果，应记录修改人、理由、依据和审批记录，保留原评分。场景 061 再处理会议议程与材料包。

可以直接参考的提示词

请只读【周期】应考核人员名单、原始评分文件和企业已批准的评分规则。先提取被评价员工编号、评价人编号、指标、分数、来源文件及单元格；找出缺失、重复、越界和人员不匹配记录。

仅按明确规则计算定性、定量和综合分，逐人展示公式、权重、参与评价人数与缺失项。按部门、岗位和评价人做匿名分布汇总，标记同分集中、评分尺度异常和需要证据复核的极端分。

输出可追溯的评分汇总与校准问题清单。不要自动改个人分数，不默认强制分布，不以敏感属性决定个人等级。

验收检查

• 应考核人员与评分汇总人数一致，例外有记录
• 每个分数可追溯到原表和评价人
• 计算公式、权重及缺失处理符合本期规则
• 分布异常是核查信号，不是自动改分依据
• 校准修改保留原分、证据与审批留痕

常见问题与边界

某部门高分特别多，就必须压低吗？ 不一定。可能是评分宽松，也可能有真实业务差异。先看目标难度、业务结果和评价尺度，不用预设比例反推个人等级。

AI 能否根据评语重算分数？ 不能。评语可用于发现“分数与事实不一致”的疑点，是否调整由具备权限的主管和 HR 决定。

参考材料

• 《【实战案例】用 AI 重做一次人才盘点》：提出会前检查证据完整性、跨部门评分分布和群体差异。
• 《综合案例：AI × Python × Excel 绩效考核汇总》：提供定性与定量评分分开提取和按被评价人汇总的具体示例。