休了个长假,一回来上班,感觉自己被架空了


01

职场上,领导被下属架空的例子不少,说不定休个长假,回到公司上班,发现公司局势已变;亦或是抬头一看,城头的旗帜都换了,管理层都改朝换代了。

最近有位读者和我分享了他的一段职场经历,分享给大家。

张工是一名项目经理,在公司任职三年多了,平时主要工作是协调好和客户的关系,协调好和上级的关系, 协调和下属的关系。前段时间张工休假了,5天年假加上之前的加班补休,张工休了接近10天的假期,假期过后,张工一回来,发现原先负责的几个项目都被人接手了。

最近部门也没什么项目跟进,问领导有没有项目需要他跟进的,领导说先等等,张工就这样度过了两周,感觉自己都快被架空了。

02

在《鬼谷子 内楗》篇中:鬼谷子通过深入地分析,严谨的语言,和深邃的智慧,指导我们,领导者如何管理自己的下属,才不会被架空?  

君臣上下之事,有远而亲,近而疏;就之不用,去之反求;日进前而不御,遥闻声而相思。 

大意是:君臣上下之间的事情,有的距离虽远但很亲密,有的距离很近却很疏远。有的在身边却不被使用,有的在离去以后还受聘请。有的天天都能到君主眼前却不被信任,有的距离君主十分遥远却听到声音就被思念。

同样这个道理也适合在职场上,相信很多人会有疑惑,作为领导者,特别是基础领导,为什么要对离得远的人亲近,对离自己近的人疏远呢?

远而亲,近而疏,是一种很大的学问,在公司,作为一名普通的员工,很多时候,我们很少有机会和高层的领导接触,要是能有机会和他们接触,要好好把握,错过了就没有了。

作为一名基层管理者,如果能协调好和上级的关系, 协调和下属的关系,也是一件不容易的事情,近而疏,对下属不仅要严格,还要适当地疏远他们,这样,把他们锻炼成能独当一面的,共同学习,彼此进步。

03

只有自己不被身边的人架空、掣肘,我们才能更好的管理自己的下属,管理自己的团队。

对此,作为一名项目经理,张工感觉自己被架空,大家是如何分析的呢。欢迎交流。

【END】

阅读推荐:


为什么有的人工作多年还是老样子

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