你拿了多少年终奖?

见字如面,我是军哥!

前几天我看到一个大 V 调研他的程序员粉丝,都拿了多少年终奖?结果可想而知,2000 多人参与问卷调查,53% 左右的人说今年没有年终奖。

另外,我估计大多数人今年的年终奖金额相比去年还要少,这其实对于打工人还是很郁闷的,毕竟辛辛苦苦干一年~

年终奖,这个话题其实挺有意义的,我来说说其中的底层逻辑,让各位以后多拿年终奖,文章马上开始哈~

1、我拿过最少的和最多的一次年终奖

我记得我刚工作的时候,也就是 2008 年时,我拿了一次最少的年终奖——500元,我当时那个郁闷呀,问了身边的同事他们都有大概 1 月工资的年终奖。

于是,过了年去上班的时候问部门老大,部门老大的回复很官方,说按绩效评定就是这么多,我觉得我是被侮辱了。于是,我裸辞了,第二天就离开了 。因为我觉得,平时比我变现差的人拿的比我还多,这个公司的规则不公平,不待也罢,走人!

拿年终奖最多的一次是在饿了么,那是 2016 年,我记得是 15 万左右(含税哦),那个时候别提多开心啦,当然当时我工作确实很出色,我把部门人数从 1 人拉到 30 人,出色地完成了公司 2 个战略级别产品的设计和开发,并且数据还相当不错!给竞争对手美团很大的威慑力!

所以,通过我的切身体会,年终奖这事也是树挪死,人挪活!关键是遇到快速发展的行业 + 好的领导 + 靠谱的自己!

2、说说年终奖底层逻辑

很多读者不了解年终奖的底层逻辑,以为和领导管好关系,不得罪同事就可以了,事实上并不完全是这样呢!

年终奖的底层逻辑是奖励员工对公司当年利润的贡献,也叫业绩!换句话说,如果公司当年没有利润,那基本年终奖清零或很少。

年终奖的计算公式一般(非销售类)是 = 目标奖金 * 公司(部门)KPI系数 * 个人绩效系数 * 员工服务公司时间(全年就是1)。

目标奖金通常是月基本薪的倍数,常见的目标奖金是在 1 - 6 个月之间。

这个公式背后的逻辑是:

基本月薪代表了岗位价值和个人能力;

公司(部门)KPI系数代表公司(部门)的财务业绩表现;

个人绩效代表个人当年的业绩表现和对公司的贡献。

通过以上公式,你会发现部门越牛逼,你可以拿到更多的年终奖,所以在有条件的情况下尽量选择厉害的领导,第二个重要因素就是个人绩效,而个人的绩效的好坏依我看来主要有四条:

a、和上级领导在工作目标上达成高度一致。

b、这一年有出色的业绩,超越领导预期,并且可以量化。

c、并且还能年终述职等重要场合的出色表现,所以低头干活是不行的,还得抬头看天。

d、技术能力等综合能力有大幅度提升,未来一年还愿意积极和公司一起成长。

好了,今天的文章就写到这了!我们下篇见哈~

最后灵魂提问:你今年拿了多少年终奖?!

「关于作者:军哥,前饿了么、贝壳技术总监,目前是一名自由职业者兼公司顾问,乐于结交朋友,也欢迎加我微信与我做朋友(公号输入框回复“w”即可),朋友圈做个点头之交!

另外军哥写了一些,关于个人如何快速成长、深度思考、程序员或产品经理能力模型、架构,OKR干货,技术管理等电子书资料,公号后台回复 “9”获取,不谢。」

以往热文推荐:

比技术能力更重要的能力是什么?

2023 年,请你记住并践行这 10 条重要认知!

我自由职业 3 年了!


更多精彩,关注我公号,一起学习、成长

d71ac4765247e6905043606fd2acdd1e.png

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