顾问成长(15)-演讲结束后如何听到真实的反馈并改进

    ERP顾问经常需要去协助市场部门去做一些市场活动,或者在客户现场进行一些培训,甚至也经常要去一些政府机构或院校讲课。或者是因为ERP当久了,讲的内容因为都是自己之前非常熟悉的内容,讲解的套路已经非常熟悉了,一直就没有注意到自己的演讲有哪些讲的不够好。
    直到上周,在深圳的一次演讲过程中,一位公司领导到现场认真坐下来听我讲了20分钟,这位领导不是我的直接领导,但是一位令人尊敬的行业前辈,在一起吃晚饭的时候跟我说起到:“今天我认真听了你20分钟的演讲,你的讲解过程非常流畅,现场把握以及话题的发挥,还有整个时间控制都做的不错。但在这里我要给你提一点不足的地方:就是你今天用的案例都是服装行业的案例,但今天到场的企业客户有很多行业的,像深圳比较多的电子、快消品、注塑、五金类的企业,如果你都讲的是服装行业的话,客户可能会觉的跟他的关系不大,从而对客户没有太大的吸引力。所以你下次演讲的时候,案例能否再丰富一些,穿插一些其它行业的案例,目前我们公司已经积累了大量的案例,这些案例是完全可以用来发挥的。同时,对于整个案例的讲解分析还可以更为透彻一些,这一点你们部门的老王做的非常不错,我在上海听过他讲的两堂课,因为他是项目实施顾问出身,讲解的内容非常有深度,你有机会可以去听他讲讲课。最后一点是你在讲解的过程中有一个概念你没有讲清楚,就是‘一分钱分八瓣花’,不是讲的是一分钱分八次花的概念,而是讲一分钱周转8次的概念。”
    这位前辈讲完之后,或许是觉的讲的太直接了,怕我受不了,又说道:“当然这个也只是我的一个理解,也不全对,权且给你一个参考,你的整体的讲解还是非常不错的”。其实在听完这一席话之后,我由衷地感激这位领导,因为在每一次演讲之后,作为演讲者,因为在现场需要进行语言组织,进行会场气氛的观察,还有就是现场提问的思考,并来不及进行总结与改进。同时在演讲完了之后,因为与客户并不是太熟悉,也很难听到客户对你演讲的评价,因为对你感兴趣的客户才会在会后跟你交流,如果听的感觉不好的客户就直接离开了。现场的其它同事,或者因为是请你到现场进行演讲的,如果又直接向你提意见,会感觉不太好意思说,往往在这种情况下,演讲者很难听到真实的声音,结果就成了“没有批评就没有进步”。
    听到这一次的批评之后,我也在反省我自己,我是否应该在每次演讲结束之后给听众发放演讲调查表,让我的听众给我们反馈演讲中的问题,我想也只有这样每次演讲结束之后不断总结,才会有不断的进步。当然,还有针对我的同事们,我每次讲完之后,应该不只只是听到我的同事向我感谢与夸奖,还应该清醒地请同事们提一下:我到底还有哪里讲的不好的,哪里没有的把握住的,我讲解的内容是否与今天到场的听众相匹配?语速是否太快?讲的案例是否与现场听众的行业及职位匹配?我的着装是否合理?等等。
    再次感谢能够指点我的前辈与同事,希望每一次都能够听到中肯的意见与建议,促进我在每一次演讲之后都有一点进步。

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 1
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