浙大研修笔记(二):创新思维与现代管理

今天讨论的主题是:创新思维与现代管理。金立教授主讲(本文也夹杂了我个人的理解和牢骚)。欢迎参与讨论,微信私人号:rain_linux,公众号:fengxinzi136。


一、创新思维

什么是创新?弄懂已经知道的就是创新。大家要知道,你知道了并不代表你弄懂了,这就是创新需要的思维方式。由此,我们可以产生很多个不等式:餐饮业,服务了不代表服务好了;工作上,完成了不代表完成好了;修水管,修完了不代表修好了;等等,可以说出很多。企业其实可以根据自己行业的特点,制定出N个不等式,然后要求每个员工将不等式做成等式,那就实现全员创新了,企业能不好吗?这是对创新最直白的解释和最简单的实践了。


创新思维是有特点的,它具有独创性、连动性和多维性。

独创性,那就是与众不同啊。这就要求我们要有发现问题的意识,要敢于怀疑。喝水就一定要用杯子吗?写字一定要用笔吗?不一定吧,人类最开始时是没有杯子和笔的,这样一思考,是不是可以给出很多新颖的答案啊。

独创是很难的,那是零到一的转变。但也是有方法可以去遵循的,比如加一加、减一减、扩一扩、缩一缩、改一改等。比如“加一加”的方法在手机的演变路程中用到了极致。刚开始,只有固话,要打电话只能去某一固定的地方,接电话也要到某一固定地方去等着。打电话一定要到固定地方打固话吗?于是移动电话出现了;人和人交流只有通话这一种方式吗?于是短信功能加到手机里了;手机只能用来通话吗?于是游戏加入到手机里来了;再然后,手机变成了智能手机,几乎万能了。

所以我们要做到:突破类同性而达到独创性。


连动性,由此及彼,举一反三,触类旁通。

你可以纵向连动,发现一种现象后,立即纵深一步,探究其产生的原因。探索始于好奇,发明始于好动,成功始于好胜,卓越始于好学。这告诉我们,透过现象看本质嘛,要多想一步,才能有创新啊。

你也可以横向连动,发现一种现象后,能联想到与之类似的现象。南通州,北通州,南北通州通南北;东当铺,西当铺,东西当铺当东西。多好的横向连动啊。

你更可以逆向连动,发现一种现象后,立即想到它的反面。龟兔赛跑的故事,我们已经反复听过很多遍了,它告诉我们很多道理,虚心使人进步,骄傲使人落后,不可以小瞧敌人,坚持就能胜利,等等。可我们反思过没,乌龟和兔子能拿到一起比吗?能比赛跑吗?在你的企业中,你会让研发工程师和销售工程师比一比,看谁更能卖公司产品吗?显然不会。同样,我们是不是让乌龟和乌龟比,兔子和兔子比更合适。而且应该乌龟比寿命长短,兔子比短跑速度快慢。这样做,才会激发他们的潜能,让团队发挥最大效率。

所以我们要做到:突破分离性而达到连结性。


多维性,多向求索,多种途径。走在大街上,一个长发飘飘、身材曼妙的背影出现在你的面前,你可能想象,她会有多么天使般的面孔呢?但实际上,她有可能是大妈,甚至是一位男性。这需要我们走到她的正面,才能看到究竟。所以我们需要从不同的角度来思考,用灵活多变的思维去应对千变万化的世界。没有万能的人,每个人的认知都是有限的,我们需要多维思考,团队的价值也正在此。创新也是,需要我们转换思维的角度。

所以我们要做到:突破单一性而达到多样性。


最后,我想说一句,我们还要突破孤立性而达到系统性。一个杯子单独放在那,你说它是大了呢还是小了呢?是不是放到一个可以参照的系统里才能知道它是大了还是小了啊。我们要学会系统性思维,善于用系统的观点去分析和处理“复杂性”问题。对于企业,我们要从整体的角度来把握组织发展。很多员工,甚至很多部门经理,提出很多从本部门出发的问题,而没有考虑其他部门的资源,这样的问题就会是不全面的,这也就是信息的不对称导致的。站在越高地位的领导,看的越全面,就是这个道理。


关于这个创新思维,我想再多说点。因为正好我们公司有个新产品要上,我就在想,我们该怎样做市场,怎样和对手竞争?按照传统思维,我们要降低价格,广做宣传,和对手产品比功能强弱,直接碰个你死我活。但对我们小企业来说,胜算几何呢?那我们是不是该创新一下,转变自己的思维方式呢?

价格低就一定有客户吗?价格高就一定卖不出去吗?好像市场上没有这条定律。其实我们可以挖掘高价竞争对手的漏洞,然后弥补到自己的产品中来,创造出符合高价格的高价值出来!不要老是盯着那些低价的竞争对手,记住,卖1件490的产品要比卖10件49的产品的利润高的多!

花钱去做大量的广告宣传,有时候是必要的,但对小企业来说,高昂的广告费用是承受不起的。1个30秒的广告,可能需要10万元。10万元广告打出去后,一个月内你能赚回10万利润吗?如果不能,那就用这10万元的费用在一个月内来改善产品细节,提高自己的竞争力吧。1个月之后,两种不同做法的效果就能看出来了。

还有就是直接和对手去比功能强弱,配置高低。你永远比不过别人的,你没有人家的资金雄厚,没有人家那么好的资源,他们会在量大的情况下获得最优的成本控制。就算你的配置一时超过别人了,那么也会有别人很快超过你的。这是没办法的事情。那我们该怎么办?老A说过,我们要想法弥补你的标杆对手没法做到的小差异,不要一直在产品上找差异。你可以从包装上创新,可以在服务上创新,甚至可以在品牌理念上创新。马云说过,企业赢在细节(马云说的这句话的下一句不是我们本文讨论的重点啊;-))。从细节上创新,超越你的对手。

我们曾想过花钱去买一些流量过来,后来发现效果不好,因为不能保证转化率。有流量没转化,那就是个屁,一放就没了。那转化率从哪来?要从消费者的认同和信任上来,如何让消费者认同和信任,那就要做好细节,突出自己对他们的价值!

一说到凉茶,大家的脑海中立马浮现出王来吉,难道是消费者记住了王老吉凉茶的味道是多么的独特多么的好喝吗?完全不是!是消费者记住了王老吉凉茶的价值,上火就喝王老吉,记住了王老吉这个产品的红色包装,火辣辣的形象,是王老吉这个品牌的整体,燃起了我们的购买欲望。

就如我上面提到的,我们要用系统性的思维,从产品的各个细节开始包装,然后连接在一起,给消费者一个完整的价值印象。如果你做到了,你就赢了,一切竞争对手那就将是浮云!


二、现代管理的思维导向

现代管理要有明确的定位意识,明确的形象意识,明确的文化意识,明确的生命意识和明确的沟通意识。一个人有理性思维和感性思维,也就是科学思维和人文思维,两者缺一不可,缺一个就是残缺的人。

送大家四句话:先把自己当成别人,然后把别人当成自己,再把别人当成别人,最后把自己当成自己。



  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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