[走过的路]联想时光——人艰不拆(店员篇+推销员篇)

2013-11-27 黄炎雷 IT百问

书接上文,今天我想和大家聊一聊电脑城的店员们和推销员们。


店员篇:

大多数人对于电脑城店员的印象均止步于进入电脑城那一句句“帅哥”、“美女”、“需要什么”,电脑城里面的店员也不是我们想像的那么“不专业”,很多人都至少是大专以上文化,特别是一些直营品牌,如Apple,Sony,而像我所在的经销店,里面的店员也有大专毕业生以及职业学校的毕业生,他们和我们年龄相仿,平时聊天还是很愉快的。


店员们,不像店长,需要一大早就坐在那儿做审计,他们的最基本的工作就是将客户拉入门,然后由经验老到的店员或直接由店长向客户推销商品,新晋的店员一般都会有一个直接的老店员带着,店员与店员之间也会时常开些善意的玩笑,整体氛围很和谐。


我当时入驻店面,第一项工作就是请教店员关于推销笔记本的事情,我也没去问哪个经验最多,直接找了个“面善”的,一问原来也是新来的,但至少比我“专业”,我大概了解了他们的学习过程:

1、拉客户入门——摆脱“害羞”的性格

2、给客户介绍店面笔记本品种——基本了解店面情况

3、向客户推销笔记本零配件——这就属于接老店员做下的买卖练练手

4、笔记本品牌知识解答——根据店面不同,有些店面经销多种品牌,给客户介绍品牌可以使店员本身加速了解笔记本的定位

5、低端笔记本的推销——从低需求用户群开始实战

6、进行中高端产品手册学习——补充自己的知识盲点


这样子的阶段一般需要半年时间,期间经销商的店员也有机会去参加品牌供应商的产品介绍会,供应商也会根据店面上一季度的销售额给予奖励,比如店面布置的材料、更低的购货价等等,不过菜鸟店员能去的机会很少,基本上是等着老店员或店长回来“传授真经”~~


店面7天实习到最后,我也未能亲自体验一把“拉客户”,以上也是我经过整理后的菜鸟店员进化步骤。用店员的学习历程,是想说明任何一份工作都会有一个“循序渐进”的过程,做的好的人,都有提前预热的习惯,对于找到工作的同学,我还是建议先了解你之后的工作情况,提前学习充电,适当去工作地点实际调研一番。对于还想做研究的同学,抓时间找准自己的研究领域,深入下去成为“领域专家”才是正道~~


推销员篇:

再来说一说这个推销员,这要从我们接到店面实习任务那一天的下午说起,mentor建议我们先去电脑城做下实地调研,熟悉下未来一周的工作环境,体验一把消费者的感觉。于是乎,我们顶着大太阳就屁颠屁颠的去了,来到电脑城,就被推销员——一个年轻的小伙儿,后来得知他在这边是兼职赚钱(但也不怎么可信,做这种销售的可会吹牛了),我们定的目标很明确,看看炒的最热的超级本怎么买。


推销员属于电脑城里面的“黄牛”,他们几乎和任何店家都有关系,他会根据你的要求带着你到指定的店面,当然也有例外,我们当时给小伙儿的预算是3K多,小伙儿眼睛一转,说楼下有。我伙呆,楼下居然还有买电脑的地方,太黑暗了~~


小伙儿一路带我们来到了负一层的仓库,我心想这是直接撬仓库还是怎么的。峰回路转,眼前出现了一个亮腾腾的铺面,小伙儿一路上就和我们吹,铺面挺干净的,比楼上的店面都大,摆的各个品牌的电脑,难不成这也有水货黑市?


小伙儿领着我们来到一排超级本前,一一介绍了下价格,我们大抵了解了,这些超级本之所以便宜,是因为更新换代的原因,同样是超级本,样式差不多,但隔了一代,这价格就直线下跌,3K拿回去的也是上一代的试验品,要是不懂这行的,估计就得被这小伙儿骗了。


后来我们直接以还是不满意的原因,吹着牛结束了与小伙儿的聊天。到了第二天上班途中,再次遇见小伙儿,表明昨天的目的,小伙儿意味深长的说要是昨天我们上了当,他那笔买卖可以赚1K,其中他能拿到的提成是10%,也就是100左右,可想电子消费品市场水有多深~~


每一个行业都有一个行业的规则,我们还是行外人时,免不了会对这个行业进行吐槽,看不惯这个行业的潜规则,更不能理解那些不合理的规矩,当我们真正深入后,才明白行业的不合理存在自有它的原因,于不合理中找到合理之处,然后再加以改变它的行动,才能真正把不合理变成合理。


我们先是讨厌“潜规则”,然后习惯“潜规则”,紧接着讨厌“规则”,最后妥协于“规则”。引用前几天朋友文章中的一句话:

“这个世界并不是非黑即白,还有无对错之分的灰色地带。”


我们的观点大多形成于特定的环境、特定的时间,看破看透都是幌子,会隐忍的活着,也能聪明的反抗才是坚持下去的,走向“了解真我”的现实方法论。


《搜商》正在进行内容整改,你有什么好的想法,请直接留言回复我~~


===只做最真实的自己===


微信公共号IT百问

关注方式:

1、打开微信搜索微信号ID:itbaiwen

2、或者扫描下方的二维码


回复m查看文章列表

举报


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值