设计师也不能开口跪,看看你会不会谈客户!

有这样一类设计师,他们专业技术过硬,作品优秀,可是谈单总是谈崩。太可惜了有木有,客户失去一位优秀的设计师,设计师也失去一次接单的机会。为什么会出现这种情况?如果他不是和客户先有过节的话,很可能就是在和客户沟通中出现了问题。沟通问题究其根源,一是技巧,二是心理。今天创优翼就来和大家聊一聊,作为一个设计师,你的心理素质够了吗?

一、自信


一个有自信的人才会美丽无限,自信是设计师谈单的首要心理要求。你只有相信自己能够做好这个单子,才能有底气和客户谈判,否则客户随便一个问题就能让你底气全无。

那么如何成为一名有自信的设计师?这要追溯到我们刚才聊的设计师的专业技能上了,技术过硬,底气自然就来了,经常参加一些设计比赛,获几个奖项,也是培养设计师自信的不错办法。除去技术,谈单时的着装也可以为设计师“壮胆”,干净利落的着装会瞬间提升你的魅力值。

二、耐挫


谈单不会一帆风顺,刁蛮客户更是不少见,这个时候如果没有点愈挫愈勇的的心理素质,因为客户一个否定或质疑就垂头丧气,单子怎么谈得成?

如何成为一名愈挫愈勇的“斗士”呢?其实很简单,客户再刁难也是外行人,只要你能从客户的话里听出他的本意,你就不会觉得他有多难缠,反而能直击其要害,灭了他的傲气。在第三章《解读客户的“话中话”》一文中,我们有详细的解说,相信能给你的防御值增加十倍。

三、积极


积极的谈单心理,是指当你遇到客户的怀疑、责问,甚至刁难时,首先想到的是如何和客户沟通,如何和客户一起解决问题,而不是抱怨这个客户真难缠。

培养自己积极的谈单心理,一定要要有一种不要脸的精神,并要有幽默意识。你可以准备几个笑话,在交谈陷入僵局的时候讲出来调节气氛,让自己和客户的心情都舒缓一下,然后在适当的时机向客户提出你的想法。

四、条理


客户和你谈设计的问题,他是外行,本来就容易混乱,此时如果你也没有条理的思路,那场面可要乱套了。作为设计师,你是谈单过程中的引导者,你必须思路清晰,引导客户有秩序地解决待解决的问题。

相比于上面说的三点,这一点是最容易的,你可以在和客户会面之前简单列出谈话大纲,理清自己需要和客户沟通的问题,届时只需要用条理的语言表述即可。创优翼教育,陪你一起进步。

心理素质是很抽象的东西,它在谈单中起到的作用非常大,而我能说的却很有限,因为它就像内功心法,口诀只有寥寥数字,重要的是参悟。这个页面上我说再多,也不过是用无聊的理论来无聊地说心理素质有多重要,倒不如你用这些宝贵的时间去查询自身的不足,找寻弥补自己谈单心理不足的方法。


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