蓝图职业规划

  蓝图职业规划

上周遇到一位咨询者A君,他对心理学有浓厚的兴趣,想从事这方面的工作。但他知道要想做好这行需要扎实的理论基础和长期的实践积累,目前他还在山门之外。他要想拜入山门,只能从扫地小沙弥做起,也就是从事心理学课程的销售工作。他之前做过职业定位,认准心理咨询是适合自己的职业,同时也认为自己不适合从事销售。他很痛苦,不知道该怎么办。 


在一个阳光明媚的下午,我们坐下来聊了聊。由于之前我们已经认识,简单的寒暄后,我问他:“你认为一名合格的销售人员应具备什么?或者说你的不适合是哪里不适合?”他想了想回答道:“首先我的表达能力就销售来说,是有很多不合适的。其次对于销售团队的氛围有些不适应,对于销售的一些方式,我也不能很好的接受。”我继续道:“ 可以更具体点吗?”“比如就销售来说,普遍的都是卖产品。那么我如何把这个产品说得更好,或者向客户多方面来推销,这个我觉得自己很难做到。然后就是对于销售团队里,以提成作为薪酬主要的收入方式,以至于整体会采用多种方式进行销售,这个不是很能接受。这个,我觉得是 高强压力的环境,我不是很适应吧。最后会有感觉,如果去做销售,还不如认真把自己家店子经营好。”他的表情有些焦虑~蓝图职业规划

我注意到他的表述中提到了三点:1.担心自己表达能力不足2.不适应销售团队的氛围3.销售方式不能接受。我和A君之前有过多次接触,对于他的表达能力,我有自己的评估,那么就剩下销售团队的氛围和销售方式,我觉得在第三点上很有必要深挖。于是我继续问:“那你觉得心理学的销售,是采用的哪种方法?”他胸有成竹的回答:“对心理学的销售来说,更多是沙龙、讲课、微信及文章推广。”“你核实过?”“是的。”“这个方式对你来说,接受不了?”“额。。。这个倒是没有接收不了。”他显然没有意料到这个问题,想了半天回答道。“你抗拒的销售,更多的是喝酒应酬这种性质的吧?”我追问道。“额......恩!恩!我想是的,更多的是这种!因为我们家是这种环境,我个人不是很喜欢。”他顿了顿,频频点头。“那既然心理学销售不是这样子的,你有什么好担心的呢?”“恩,是啊!我起初就是单纯觉得不适合销售,现在想起来没有什么担心的,是我想多了,哈哈!”他摸了摸额头。“销售也是有很多不同类型的。”“恩恩,是的。”“你给自己下了限制性信念吧?”我引导道。“也许是放大了对于销售的恐惧吧。因为我们家做工程的,经常需要应酬,所以对于这种场合,是很厌倦。嘿嘿,这下是明白我的局限在哪里了。既然自己不喜欢应酬类的销售,去做其他类型的销售,就可以了。也不是都不能做。真的很感谢你!谢谢了哈!”他的状态明显轻松了很多,面带微笑的说。


这只是一个小案例,但我相信很多人也有类似的境遇。作为咨询师,如何让咨询者看到自己的盲点,从而打破自己的限制性信念,这是一名合格的咨询师应具备的能力,成功的破除限制性信念同时也会增进咨询者和咨询师之间的信任关系~蓝图职业规划


那么,信念是如何建立的呢?显然,案例中“我不适合销售”这个信念来自于咨询者对家庭成员及社会上相关销售的观察,然后自我总结所得。一般来说,信念的建立有几个途径:1.自己的体验 2.自己观察他人总结所得 3.自己信任的人灌输所得 4.间接读书所得。每个人的生活经历都不一样,咨询师需要对咨询者的信念产生足够的好奇,深入挖掘到咨询者信念建立的途径,了解咨询者过往的认知经历,引导咨询者自己看到自己所建立的信念的盲点。这样比一味的说服教育或是讲道理要有效得多,而一旦就某一点达到了突破,后面的咨询自然轻松很多,因为信任关系的初步建立已经达成,有些咨询甚至可以就此结束~蓝图职业规划


我们常说的蛇打七寸,就是这个道理。倘若仅仅是应用各种工具对咨询者做一套测评,告诉咨询者适合什么,不适合什么,无异于隔靴搔痒,治标不治本。 

 专业感悟:来自生涯咨询师实操班学员的专业文章,分享职业生涯规划、NLP、教练技术的精髓,和所有立志成为生涯咨询师的同行者共修共进~蓝图职业规划

【蓝图】是一个让你认识自我,找到自己,从容做自己,成就最好自己的地方。我们以文化聚人,专业助人,用心留人,让相遇蓝图的每个人摒弃浮躁、麻木与虚荣,回归宁静、简单、真挚与纯善,倡导一种有梦想、会规划、重实干的生活方式。我们定期举办各种丰富活动,每周沙龙,每月读书,每年旅行、摄影、做公益等,同时提供职业生涯规划咨询、生涯教练服务,心理辅导,这里是职场加油站,生命咖啡馆,精英成长平台。

详情可以加微信号lantu1212,提供一次免费的咨询。

文/蓝图职业生涯规划咨询师:归凯

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。
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。
【7层】6900平米左右一字型框架办公楼毕业设计(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。
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