朋友创业失败的教训

最近朋友开了10多年的公司由盛而衰,经营陷入低谷举步维艰。他经常找我聊天解闷,于是我知道了很多他公司的事情,再加上我平常也经常被他叫去当“顾问”,和下面的员工也很熟,听到了很多他听不到的话,因此对于造成目前的结局的原因似乎也略知一二,只是不好当面和他说。现在写出来避免自己将来犯同样的错误。一个公司的成败由多方面的因素,我也只能站在一个技术人员的角度来分析。另外本文主要分析朋友公司的不足之处,而没有提及做的好的地方,这并不表示该公司就一无是处,它能存在这么长时间本身就说明它有很多优势。
一、老板的因素
我的朋友原来是大学老师,真正的技术出身,也算是同行里的佼佼者。对技术非常热爱也非常重视,这有好处也有坏处。好处是在创业初期能够亲自上手开发出高质量的产品。重视技术和研发人员,能够开发出技术含量较高的产品。日常工作中也能和技术人员打成一片,公司的核心技术人员也比较稳定。坏处是过于重视技术,往往容易忽视市场,而市场才是我们的衣食父母,再好的产品卖不出去也是枉然。
而且我这位朋友作为公司老板却把自己当作公司的技术总工,每天与技术人员混在一起,技术上事无巨细都要插手过问。而对公司大的战略方向、对市场的把握却很少思考。这不是一个公司的老板应该有的作为。
由此而知,作为公司的老板,不管出身来自哪里,既然当了老板就应该不停的改造自己,克服原有的各种习惯,使自己变成一名合格的老板。
二、产品布局
一个公司的产品肯定有主有次,每年的开发计划也应该有主有次。一般小公司至少应该有1、2款核心产品。每年的研发计划也应该以核心产品为主,进行升级优化,保证核心产品在同行业的领导地位。然后在根据市场预测,稳健研发以后的核心产品,这个研发过程应该逐步进行,不求一蹴而就。核心产品是公司生存的根本,所以必须把最多的精力投在它上面。然后再有余力的情况下再接一些项目做做(即:临时性、一次性的一些产品),作为公司收入的补充。在接项目时也要有所选择,充分考虑自己的精力和对公司发展的推动性(比如:某些项目有可能转变为公司的产品、某些项目的甲方可能变为公司的固定客户),千万不可不加选择的来者不拒,有什么项目就接什么项目。
我朋友的公司成立之初就全力研发出了一款行业领先的产品,在随后的几年里该产品是公司收入的主要来源。此后的几年里针对该产品,公司只对它进行BUG修改,而没有持续投入研发升级。好日子过了4、5年后,某次招标会上突然冒出好几个竞争对手,他们的产品不仅具有全部功能,而且性能更高、外观更漂亮、价格更低。本次招聘会公司颗粒无收,领导顿时慌了手脚,马上投入大量人力物力研发新产品,然后先机已被别人抢去,再想抢回来何其难也,这个核心产品从此一蹶不振,公司的收入也大大减少。
然而,在这4、5年里公司又在干什么呢?公司在大量的研发各种各样的新产品,有的是本行业的前瞻性产品、有的是和高校合作的科研项目、有的的跨领域的产品(公司希望产品线能进入其他领域)。短短3、4年的时间里公司研发出的产品和半成品达上百项。如此大规模的研发任务,使研发人员疲惫不堪,只能疲于应付根本没有时间精雕细琢,产品质量就可想而知了,而且工期也一拖再拖。然而研发出的产品又怎样了,前瞻性产品由于太过超前,根本没有市场。跨领域产品由于瞻前顾后,不敢太深的进入,最后也无果而终。只能靠一些科研项目勉强支撑。可是科研项目往往研发难度大,但是收入少,而且基本是一次性收入,所以这个钱赚的很辛苦。就这样3、4年的时间里公司几乎没有什么成长。造成这种结果的根源,正是因为公司领导只重技术不重市场,而且独断专行,研发什么产品,用什么技术基本都是他一人说了算。而他往往根据一些国外同行的新产品新技术,就判断过几年会在国内流行,然后决定仿照国外产品进行研发。然后国内和国外的发展是有很大差距的,有许多新技术,因为政策的原因或者用户认知的原因恐怕10年内都不可能在国内流行开来。所以公司研发的的大量产品大都放入库房了事。这也是朋友公司失败的最大原因。
三、技术平台
作为一个技术型的公司,应该有相对稳定的技术平台,才能保证产品的研发进度和最终产品的稳定性。而且技术平台的演进也应该是一个持续叠加的过程,最后稳定在某一点,才能作为新的升级版平台。朋友因为是大学老师,对新技术非常热爱,所以一旦有新的技术、新的平台、新的芯片出现,就会让研发人员学习研究,然后在下一个产品中使用。新技术年年的都会出现,这就导致研发人员年年都要学习新技术,新的产品都要在新平台上开发。每个新技术还没有学透就匆匆应该到新产品上,产品的质量很难保证。从这个事中我吸取了教训:应该持续关注新技术,但切不可盲目追求新技术,把新技术带入新品中更要慎重,产品稳定是第一要素。
四、公司管理
和大多数刚刚创业的公司一样,公司刚刚起步时都没有什么所谓的管理制度。但是大多数公司能够在慢慢发展的过程中逐渐形成自己的一套行之有效的管理制度与管理模式,公司的管理也就慢慢走上正轨了。朋友的公司在这么多年来虽然也发布过大大小小很多规章制度,但真正落实的几乎没几个,大多是新鲜几天就束之高阁了。揪其根源乃是因为领导的家长式一言堂的管理方式。公司的事情领导事无巨细都亲自过问,那些所谓的中层领导也就无形之中被架空了,下面的员工都知道,什么事情都要大领导说了算才行。所以也就没人把规章制度、中层领导当回事。而领导似乎也很喜欢这种威权模式,所以下面的员工谁也不服谁管理,这么多年来公司管理一直无法走上正规,严重影响的公司的效率。
后记
看了以上我总结的这么多问题,你也许会觉得这个公司简直一无是处,其实不是这样的。这个公司是个有人情味的公司,也是个技术实力雄厚的公司,也有许多高素质的人才。所以才能支撑运行了这么久,我着重分析他的不足是为了避免自己将来犯错,并不表示他没有优点。
最后希望这篇文章能对朋友有用,也能给那些刚刚创业或准备创业的人一些帮助,那我就非常欣慰了。

【6层】一字型框架办公楼(含建筑结构图、计算书) 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。
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。
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。
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