怎样在裁员后被再次聘用?

 

    几年前,我被公司裁员了。第二天早上醒来的时候,我意识到自己不得开始以更主动的方式来掌控自己的职业道路。经过跌跌撞撞的尝试,我学到了如何在裁员后建立个人品牌,如何定制简历,以及如何向招聘经理讲述我的故事。

    后来,我先后在三家财富500强企业里工作,并且拿到了六位数的薪水,做到了自己想也不敢想到的职位。在我的新书《强势回归——如何在裁员后重返工作岗位》。书中讲述了我与十三位专业人士、管理人员在受挫后强势重返职业道路所使用的策略。下面是书中的节选,告诉大家怎样在裁员后再次受到聘用。

    1. 向招聘经理讲述你的故事。

    有一个最棒的方法:关于你以前的职位,你总是可以说一些积极的东西出来。你可以讲讲为什么自己的公司很棒,或者你有多么喜欢自己的职位和职责。你一定要确保关于自己的经验有一些积极的东西可说,并且你一定要打心底里相信这种想法,这样的话,在说到它们的时候你会显得很真诚。

    另外,如果你被解聘是由于公司裁员,你可以接着说,“不幸的是,我们公司经历了一段经济困难的时期,我所在的位置被(取消了,外包了,或其他原因)。如果你的解聘是因为工作效率不够高——就像我在一家广告公司工作时,一个人在干两个人的活——那么你可以这样说,“当我在接受这份工作的时候,我并不知道他们希望我能够干两个人工作量的活儿。虽然我的工作效果不错,也有一些不错的成果,但是我确实没有办法完成两个人的工作量”。

    2.定制你的简历。

    对于每一份有兴趣申请的工作,你都需要对自己的简历做出一定的修改。你可以在简历上新加一个部分叫“自由职业、咨询及短期职位”,并把你做过的短期工作放在这个部分。这样的话,你就可以向招聘经理证明自己除了长期受雇于3、4个公司之外,还在其他的舞台上展示过自己的能力!

    当某个潜在雇主询问你有关这个部分的职位时,你可以这样说,“我在那里工作了几个月,真的很喜欢这个职位!我学会了这些……”或者“我干过这些……从而为公司做出了贡献”。你要确保你说出口的话永远是积极的,并且注重说明你学到了什么,或者你是怎样做出贡献的。

    此外,一定要注重结果。你在简历上一定要写出你的成果、实现(或超出期望值)的目标,而不是仅仅列出你的工作职责;在描述中加入美元,数字或百分比来数量化你的内容。这些都会向你的潜在雇主展示你已经有一段不错的工作历史或模式,并且你追求可量化的结果。

    3. 保护工作的线索,转介和建议。

    今天,大多数的新员工能找到新工作的原因是他们知道公司内部的某人会给他们一个积极的工作推荐。这意味着,你需要放下任何不安全感,并主动和你人际网络里的人联系。我总是联系过去的雇主、经理或客户,告诉他们我已经准备好翻开职业生涯的新篇章。我活跃在自己的人际网络中、积极社交,它们帮助我建立了信心,让我对讲述自己的故事有了足够的练习,也帮我了解新的就业机会。

    你可以在准备面试的时候练习大声讲述你的故事,保证你会谈到你所学到的东西以及你是如何为自己的公司创造价值的。你需要问招聘经理一些有价值的问题。你需要对自己的长处和能力充满信心。你要显示出自己对过去的职业生涯心存感激。

    社交可以发生在任何时间。我的一个客户参加了一场高尔夫比赛,他的搭档是某大型零售公司的副总裁。他们分享了自己关于高尔夫球比赛和职业生涯中的故事。在打第18洞的时候,我的客户递给这位副总裁他的名片,说:“如果你的公司里有职位空出来的话,请告诉我。我很想加入你的团队。”四个星期后,这位副总裁雇用了他。

    当你有了正确的故事,简历和态度后,你一定可以再次获得聘用。你来决定怎样讲述自己的职业生涯故事,并且以一种最积极的方式来讲述它。练习,大声地讲述你的故事,直到你可以在面试和社交时能感到非常自信,让别人感到你的故事是可信的、真实的。

    新的工作机会就在那里等着你...你只需要去得到它!

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的方法来解决这些题。
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