第三位石匠的生产力

第三位石匠的生产力

2006-3-8 8:56:43    詹文明/KMCenter 

曾经有三位石匠同时来到一座城市里:当被问及为什么在这里工作时,第一位回答道:“养家糊口。”第二位却说:“他们用高薪聘用我,因为我是全国最棒的石匠。”第三位石匠却在此时抬头仰望着蓝天白云,不急不徐地说出:“我要建造一座大教堂。”

 

  故事里的第一位石匠考虑的是当一天和尚撞一天钟,做一天工作赚取一天工资,为的是能养家糊口。当然,这样的生活方式并没有任何错,而且大有人在;第二位石匠可以看成是“知识工作者”,他们学有专精、技艺超群,他们关注的是报酬的多寡、是否持有股票与红利,他们以专精为傲,以薪酬为荣,自视甚高,却往往忽略了整体的绩效、企业的责任;而第三位石匠,才是真正的管理者,是创建企业愿景、具备道德勇气的领导者。这类人懂得资讯的交流,资源的整合,他们深知专业的统合、团队的运作,才是“创造顾客”的来源、企业经营的目的。

  以上三位石匠并不能代表哪位的“生产力”就较高或较好,但可以确定的是,第三位石匠的成就可能是较大的,风险也许是较小的。不过,德鲁克为了提高知识工作者与服务工作者的生产力,提出精辟独到的秘方,使得知识员工的工作做得漂亮(WORKING SMARTER),而非仅卖命地工作(WORKING HARDER):

  一、 删除不必要的工作。(自我询问:任务是什么?目标是什么?又为什么?)

  二、 专注于任务上。(公司付钱雇我的目的是什么?这个工作的附加价值到底在哪里?)

  三、 界定绩效的程序。(我们怎么做会更有效? a.品质代表绩效;b.质量并重的工作代表绩效;c.数量代表绩效。)

  在任何时间,界定任务、把工作专注在任务上及界定绩效,都是提高知识员工和服务员工生产力的关键步骤。

  破坏性创新

  有系统地抛弃不再具有生产力、不再具有意义的工作,不仅是知识员工的首务,乃至整个组织亦如是。其中最为简单有效的自问:任务是什么?任务应该是什么?目标是什么?目标应该是什么?最后再问为什么?事实上,这样的提问是更新个人、创新企业的最有效的方式。

  一家世界知名的保险公司自问:“我们的任务是什么?”得到的答案则是“以最省钱、最快速的方式支付死亡理赔金”。此后,该公司针对此一任务研拟对服务标准与服务绩效的评鉴制度,做成人事考评的奖惩办法。为此平均每件理赔案处理所需的时间,由十五分钟降为三分钟,生产力足足提高了五倍之多。

  另一个值得重新回顾的故事则是1985年的英特尔公司的转折。当年格鲁夫走进董事长摩尔的办公室与两位合伙人商讨眼前的情势。“那时我们的士气十分低落。”他说,“我看着窗外游乐场的摩天轮始终旋转着,便转过身来问高登道:‘如果我们被董事会撤换了,你觉得新来的CEO会怎么做?’高登毫不考虑地回答:‘他会放弃记忆体事业。’这时我愕了一下,便问他:‘那为什么不由我们自己来动手呢?’”当然新英特尔的任务的设定,决不会是在这戏剧性的一刻内就完全拍板,肯定也需经过漫长的决策过程,才能作出重新的市场定位,建立一家世界级的企业,且奠定了“处理器之王”全球之冠的地位。格鲁夫的回忆讲述的依然是同一个道理:删除不必要的工作。惟有在厘清自我任务之后,企业才能拟定目标、发展策略、集中资源、作出贡献及建立反馈机制。对于知识员工而言,要提高个体生产力,道理亦如是。

  专注于任务

  在厘清工作要义之后,德鲁克强调的是要专注于任务。对于任何一家企业而言,打造专注力都是没有终点线的马拉松赛跑,这里既包括专注于企业的任务,也包括让员工各有所专。“企业付钱要员工做什么?而该项工作应该要生产怎样的附加价值?”常见的情况是:护士只花一半时间探视病人,另一半则是花在文书作业上;业务代表花三分之一的时间在填写各类报表,而不是拜访客户及服务顾客;工程师的主要工作不是思考或研发新技术或新产品,而是参加开不完的会议。我们是否有深思过护士、业务代表、工程师的工作所产生的是何种附加价值?另外身为知识工作者是否也能反省自个的工作任务是什么?惟有如此,才能专注于工作任务,完成组织的重大使命。

  绩效的界定

  最后,我们应该追问结果。那么什么是绩效?套句老话,这要具体问题具体分析。现今关于绩效的定义大致有三种:

  首先,“品质代表绩效”,即通常说的品牌效应。其次,“质、量并重代表绩效”,韩国三星集团的主席李健熙表示:“设计与创意是企业最重要的资产,它将是21世纪企业经营决定胜负的关键。”因而创立了三星设计银行库(SAMSUNG DESIGN BANK),到了2004年三星的ANYCALL手机获得全球第三名市场占有率的辉煌纪录,且三星的

液晶
电视、MP3随身听 微波炉 家电全部拿下世界第一的宝座,也验证了李健熙这位首席知识员工的漂亮工作。第三,“数量代表绩效”,如寿险公司死亡理赔的文书作业,跟制造和运输工作的绩效评量方式是一样的。对这类工作来说,“品质”是外在的一种条件和限制,而非本身的绩效。因此,品质标准必须在过程中设定。一旦设定后,这类工作的绩效就大都由“数量”来界定,虽然这类工作并不涉及制造和运输实物,但实际上却算是“生产工作”。

  因此,要提供知识工作者的生产力,就必须先思考它所属的绩效类别。惟有如此,我们才能晓得特定知识工作的生产力意义何在。

  知识工作者昨日是第一位石匠,仅养家糊口,奔波劳碌,今日由于通过脑力工作,生产力大幅提升,成为第二位石匠,又由于终身学习、心智开放,有机会成为真正的领导者,而成为不折不扣的第三位石匠,不仅让自己工作得漂亮,也让企业变得伟大,这就是符合德鲁克所期许的“一群平凡人做出不平凡的事”的最佳写照。

  (作者詹文明,远流管理咨询公司、德鲁克管理研究中心大中华区CEO首席顾问)

原文:http://www.kmcenter.org/ArticleShow.asp?ArticleID=2872

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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