协同OA项目失败常见场景

协同OA项目实施的失败比比皆是!下图是公司小赖在内部OA的BBS论坛中发了一个图片:
   
    显然这是国内一家非常有名OA厂商所为的。
    虽为竞争对手,这并不值得炫耀、或者用来攻击他人。重要的是协同OA项目为什么多有失败?其原因是非常复杂的,在我的编著的书籍中有过深入分析。原因很多,说起来太过啰嗦!让人云里雾里。下面仅总结几个最可能失败的场景(而非原因)分享给大家:

     场景一:客户过于强势
     将“客户过于强势”推为首要一条,确实是因为事实如此,感受颇深! 这类客户往往集中在政府、国有企业这样一些强势单位,他们认为“我花了钱了,就要按我的来......”,尤其是面对协同OA这种谁都可以谈出个一二三来的管理系统更是如此。
     尊重客户、满足客户实际需求来实施应该是天经地义的事情,如果能共同认真讨论、多听取专业公司的意见,事情可能就容易了!但事情往往并非如此!甚至有些客户的管理人员更是颐指气使,对服务实施人员指来喝去,要求对产品按其意见改来改去最后不伦不类。
     如果碰到这样的单位,你除了极度耐心等待客户自己明白之外,就剩下图画无奈了!
     该场景发生可能性:      ~~30%
     该场景下的失败率:>=80%

     场景二:客户混沌不清
     许多客户单位要实施OA,却并没有弄明白为什么要上?它与管理体系的关系?哪些是真正的需求?怎么个科学上法?找个什么样的服务厂商?选取什么样的产品?完全稀里糊涂。一方面寄托于太大的希望,希望软件能将企业管理通顺起来,另一方面在厂商实施过程中学习、然而想法不断、要求不断,最终双方合作受阻、项目宣告失败。也有些混沌客户认为找个便宜的,或者有名气的就行。
     这里软件服务厂商也有很大的责任!不能站在客户角度帮其厘清问题的本质(也往往是没有这样的管理咨询能力),只想早些拿下订单、甚至吹个大泡泡骗取客户大腰包,最终将客户搁置裸露的阳光下暴晒!
     这样客户单位往往是可怜的、很值得同情的!
     该场景发生可能性:  >=40%
     该场景下的失败率:>=80%

     场景三:服务厂商的不良
     虽然负责任、想作好的厂商是存在的,但大多数服务厂商唯利是图,不是欺骗就是忽悠!即使有些责任心的厂商也禁不了某些商务经理为了完成任务取得业绩而极力忽悠客户的情况。
      如果只是想取得订单、或者取得好些利润的适当忽悠我倒认为是良性忽悠。
      但不良忽悠则表现为过度承诺、过分吹嘘、霸王硬上弓、合同陷阱、收钱走人等等,丝毫不站在客户经营发展角度考虑。
      作为客户单位则需要睁大自己的眼睛认真选择自己所需要的服务厂商了。如果你遇到这样的厂商,那——同情你了!
      该场景发生可能性:  >=30%
      该场景下的失败率:>=50%    

     场景四:特殊的合作关系
     许多OA都是非专业化的厂商签约、实施的(占据市场量的70%以上),如电信、众系统集成商、、、、等等这些拥有良好商务关系的厂商。
     这些非专业化厂商(简称为C厂商)多是采用专业OA厂商(简称为B厂商)产品、并依靠专业厂商技术支持来进行实施的。关系大致如下:
     C厂商与客户单位签单——B厂商与C厂商签单——B厂商与客户单位背靠背
     即客户单位并不知道用的是谁的产品、是谁来进行实施,完全 是被隐瞒的! 这在市场体系下是非常多见的一种模式。而问题往往出现在此!C厂商商务经理为拿下客户单位订单,或口若悬河、空头支票乱开。而B厂商是按与C厂商签约而实施,也并不知晓当时商务状况(B厂商也被隐瞒)、、、
     总之最后结果客户对实施结果不满意!B厂商夹在中间(甚至底下)也备受委屈,也不满意!C厂商看到此结果也不满意。客户与C厂商(商务人员)皆认为B厂商的产品“有问题”! 于是项目陷入僵局!
     该场景发生可能性:  >=30%
     该场景下的失败率:>=60%    


      题外言:
      1、OA系统只是管理的体现和工具,不要寄托太高希望。实施之前最好作作管理咨询功课!
      2、管理不是科学,人人都可能表述自己的看法,所以OA项目的实施往往备受争议
      3、.........

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