产品汪想跳槽

来信一:
我是一个软件项目的经理,呆了4年多,从开始的产品策划到后面的运营主管,再到现在的项目经理,面临一个让我很难抉择的问题,就是权和钱。

   

一直有个上级在我上面,我在很多事情上没有决策权,很多idea得不到重视。在钱方面,做了4年的产品,薪资还不如新进的产品策划,目前底薪还不足6K(补贴,奖金什么的就不计算在内了)。

   

对此我很困惑,想着离职吧,但是又舍不得这款产品,毕竟带了这么久还是有感情的。您会怎么选择呢?

   

来信二:
一年多的产品汪,从运营转行,之前跟打了鸡血一样,天天加班做交互写文档,最近因为部门变动,环境大变,有些怀疑现在的抉择。

   

关于团队氛围:大领导不懂产品,一些流程上走起来特费劲,4名产品基本是互不沟通,没有头脑风暴,没有商量。

   

关于设计师跟前端:页面很重要阿,为虾米很爱重复之前的设计,把现在的页面跟一年前相比,是真一样阿,提点意见还认为我没审美观。泪奔下!

   

关于绩效:最近开始考核,相当于是每月写的需求越多,分就越多。本来一直规定自己做高保真的原型,一来锻炼自己熟悉工具,二来跟开发过需求时比较容易接受;现在根据考核来看,压根就赶不上那些不做原型的同事。搞不好还得扣工资。

   

怪蜀黎给分析分析,我是继续沉淀?还是走?

   

来信三:
我是一个女产品汪,非常喜欢产品汪这个职业,想在以后很多年里继续做产品汪。但是由于自己的不成熟,造成了短期工作经历过多的局面。

   

第一份工作是在某知名产品,从实习生开始共1年6个月,有段时间做的特别开心,后来在我和直属领导之间空降了一个人,百般挑剔,当面辱骂,忍了将近半年后,有点心灰意冷,下决心离开了。

   

接下来去了一家电商公司工作,发现自己做的就是个炮灰项目。然后接手了另一个项目,也是设计完成后迟迟得不到开发,整个人是半闲置的状态。只呆了6个月。

   

第三份工作在原创阅读行业,整个公司以编辑团队为主,产品几乎只负责实现编辑的想法。自己做了站内任务、激励系统等,拿出来给产品组及以上的人过目,大部分得不到认可。有些公司内的决策,我调研发现有问题,可是公司只要求做执行。谈转正时公司觉得我不吸收他们的思想,要求延期,我就离职了。在职4个月。

   

上两份工作中遇到的情况,作为一个年轻幼稚产品汪是应该潜伏忍耐呢,还是果断放弃不要再浪费时间?

   

   

   

这周有三封来信,谈的都是同一件事情:产品汪不开心,该换工作吗?

   

1、
我在网易做了4年多的产品,第一年整个部门都是炮灰,第二年坐冷板凳,最后两年才算是“理顺了,放手打”。所以我的产品积累也在后两年。

   

我自己反复想过这个问题,如果前两年不忍辱偷生,跳去更好的环境,成长更快,是否能抓住更大的机会?想来想去没个答案。毕竟一直做总监,算是在一个安逸的环境下完成产品转型,否则30多岁跳出去从基层干起,未必受得了,更未必能找到“更好的产品环境”,或许是从一个坑到另一个坑……

   

最终,我好歹等来了两年的“放手打”,转型产品成功,也算是天不绝我。面对不可知的命运,选择只是一念之差。总体上来说,如果你的苦恼已经持续了半年以上,然后在可预知的接下来半年,仍然全无光亮,那就该多考虑离职的事儿了。人生苦短。

   

2、
我在网易的时候,身边不错的产品汪很多,当时觉得产品汪易学难精,天花板不太高。没想到离职以后才发现,整个市场上产品汪的平均水准还是满低的,不及格的占大多数。大汪朋友跟我哭诉——靠谱的小汪难招啊,来的都是熊孩子啊。我们就一起讨论,产品行业兴旺五六年了,怎么就沉淀不下来人才呢?

   

首先,产品汪很拼天赋,天赋不行徒有热情,怎么努力都会变成熊孩子,甚至热情越高破坏力越大。其次,产品汪的成长很依赖项目环境,就算是天赋不错吧,被傻逼上司盯着做愚蠢的项目,最后也会废掉,而好的项目环境是少数。

   

什么叫好的项目环境呢?项目本身有一定的合理性,资源配置到位,同事齐心协力,进度安排稳健,上司懂产品又能放权,那么不论最终结果如何(其实大多数还是会失败的),都算是好项目。简单来说,能快速验证产品想法的项目就是好项目,经验值打着滚地往上翻。有天赋的小汪折腾个一两年,差不多能“从入门到精通”。

   

遗憾的是,好项目的整体占比肯定不到30%。我分析这个原因,主要是管理者不懂产品,决策层层走样导致。毕竟产品行业兴起不足10年,作为资深产品汪的管理者还不够多,而自以为“我会用产品当然就懂产品”的二杆子又很多,再加上自封产品经理已成为高层的时髦……

   

在管理上,任命下属主管时往往选择自己最信任的人,但因为产品行业兴起不久,高层熟悉且信任的人往往并不是产品专家,而高层会认为我信任的人就很适合做产品,或者他现在虽然不适合,没多久摸熟了也就适合了。更糟糕的是,因为高层不懂产品,他连“什么人最适合”也判断不好。结果如来信所述,一方面二杆子产品主管泛滥,另一方面高层下达的产品要求也未必合理,这样的项目环境当然令人绝望,整死了多少有潜力的小汪。

   

3、
三封来信都提到了和上司有矛盾,想法不受重视,产品思路冲突。

   

你们既然写信给我咨询,对我应该大概是有最起码的认同感的。但是……如果接触我的一些老同事,应该会吃惊地听到:“郭子威是傻逼”“抠细节瞎指挥”“做一款死一款,去哪里都是祸害”。

   

呵呵。正所谓“一面之词”。

   

由此引申开来,脱离了具体问题具体分析,我可没法单凭来信认定你们怀才不遇,上司蛮横愚蠢。因为我也听到过不少荒诞不经,瞎折腾工程师的想法,偏偏又无法说服,对方便耿耿于怀良久。

   

产品设计高度依赖经验与直觉,为什么可以这样做,为什么不能那样做,各执一词很正常,如果每样事情拿出数据来论证,则会浪费大量的研发资源。另外,都对,都没错,只是设计风格差异的情况也不少,而产品又不能搞成大杂烩,必然有一种设计风格占上风。

   

所以参与产品设计,产品决策的人越少越好。一旦出现产品汪扎堆的情况,多半内耗严重,情绪消极。

   

惭愧地讲,我以前也做过不少天真愚蠢,瞎折腾工程师的事儿,踩着雷成长起来。然后又会有小汪热情地来提方案,一看,这雷我踩过啊,跟他讲为什么这样做不行,不信,非说现在环境不一样了,再试一次试一次嘛。这时我也会很困惑,他没挨过炸,恐怕是理解不了这坎的;但我的经验如果不能传承下去,每只小汪都来折腾一圈,他妈的就不像话了,工程师也是人啊。

   

有时候我想,这可能也是好产品汪数量不多的原因之一。除了天赋之外,他还得有犯错的机会,血淋淋地成长起来。但公司是不会允许资源白白浪费的,意味着权力收拢在少数产品决策者身上,曾经在吃亏犯错中变得成熟,然后再为公司节约走弯路瞎折腾的资源浪费。在他们之下的小汪就没这么好运了,只能被动接受一些(可能是正确的)方案,却没机会从头培养这部分经验与直觉。

   

以上的分析,不代表来信这三位产品汪就一定是错的,而你们的上司是对的。我只是解释,为什么许许多多的产品汪都会觉得自己被压制,被否定。毕竟傻子都知道,产品要做减法对不对?

   

我的老朋友X,每次他不服上司看法的时候,会找几个信得过的朋友,也包括我,把情况详详细细地讲一讲,丢出AB两套方案来让我选,却不说谁代表A,谁又代表B。好几次我选择之后,他沉默一会儿,说原来你和我上司的看法是一致的。这样的心态,自然比大骂“我上司是傻逼”更好得多。
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