为什么您公司的工作周报制度,形同虚设?



据调查,高达78%的公司都在执行工作周报制度,但大部分管理者反映:这项制度似乎并没有取得预期的效果。针对这个问题,笔者结合自己公司这项制度的演化做了一些思考。
   首先,我们需要了解为什么很多企业都要求员工写工作周报、开周会?不外乎三个原因:
第一:通过工作周报、周会,检查员工的工作饱和度。
   对管理者来说,了解下属的工作饱和度是一个很重要的事情。以周为单位进行工作计划与回顾,管控的粒度比天要宽,比月更细。从管理者的时间分配上来说,是最优化的。通过周报,组织者可以确认每个员工的工作负荷是否合理。用“土老板”的话说:公司花钱购买的其实就是员工每天那8小时的工作时间,我不能让你闲着……
第二:通过工作周报、周会,对实际的工作进展和计划对比,了解执行中的问题。
    现在工作内容越来越错综复杂,公司制定的计划往往和现实的进展不符,管理者需要及时知道工作执行的进展问题,以确保事情进展顺利。
第三:通过写周计划、周总结,持续改善和提高员工的素质
    不可否认,做出一个靠谱的计划并认真执行是那些优秀人才都具备的一种能力。但在现实里,大部分员工都懒于主动思考工作,所以管理者要求员工写工作周计划、周总结,变向的强迫员工完成这个过程。
但为什么这项制度在具体落实执行的时候就走样了呢?笔者认为是工具和形式的问题。以我们公司为例:
最初一开始,我们是通过开周会,来落实这项制度的。我们团队8个人,每周五下午5点开周例会,计划1小时完成。流程是:每个人花费3分钟汇报上周做了什么,遇到了什么问题,下周计划做什么。但执行了一段时间后,我发现有通过“周会”这种工具来管理有2个弊端:
一是口说无凭,不利于工作追踪。每次员工讲完下周计划,你无法记下来。而大家可能也是临时上会时随便想了几件事情,就汇报了。
二是时间成本比较高。公司有的人讲话啰里啰嗦(往往越是绩效差的人,汇报工作时间越长),原计划3分钟,但可能一讲10分钟,导致会议经常超时。这种高昂的时间成本,转化为金钱:假如每个人平均时薪是80元,8个人开2小时的会就花掉了1280元的人力成本。随着公司规模扩展到20人时,公司的周例会的效果就名存实亡了。
发现开周例会的这些弊端后,我决定让团队的人每周把周计划写下来。参考了很多网上的周计划模板,我们自己也做了一个,如下图所示:


但按照这种方式实行了一段时间后,又遇到了新的问题:员工填写计划周报比较及时,但管理者的评阅反馈很麻烦。你可以想象一下:我们团队20个人,如果我想知道团队成员的工作计划,需要打开20封邮件20份excel表格才能知道,如果给他们评论,就更麻烦了。但我要是只看个别人的,一段时间后就发现,团队认真对待这件事情的重视程度就大大降低了。用excel写工作计划的另一个问题是,往往员工写完计划发给我就再也不看了,直到周五要写工作周报时才会再打开,而不是每天都去对照周计划检视自己的工作。
经过近两年的实践,我认为要想真正解决团队工作周报制度形同虚设的问题,必须通过简单好用的生产力软件,这款软件必须具备简单明了、调整计划快速方便、手机上能查看等特点。顺着这个思路,找了很多款软件,都不满足……直到找到“日事清”这款软件。它采用通过看板的方式管理工作计划。所谓看板,可以理解为公司里面的白板。用看板管理工作计划的最大好处是:工作可视化,调整方便。如下图所示:


这种管理工作计划的思路,反馈到软件上,如下图所示:


通过软件,管理者可以一目了然每个人当前在做哪些任务,任务的计划结束时间如何,当前进展如何。日事清还有一个创新是:工作计划可以自动分解到日程,团队做完工作计划后,会自动将任务分解到每个人的日程里,完成日程后又会将工作的结果自动反馈给任务的下发者。
在互联网发展如火如荼的今天,工作周报的制度也需要借助互联网升级。以往企业要求写工作周报,更多是站在管理者自己的角度来考虑如何将公司管控起来,对于基层员工来讲,写工作周报并没有真的帮助他们提高生产力。但通过新一代的工作计划与任务管理软件日事清,这项古老的管理制度,会焕发新的一春! 
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