分享两个故事

第一个故事

前两天和写文档的小姑娘聊天。 她说写文档的效率提高了差不多近一倍。让我感到挺惊喜。

在此之前,一个项目负责人和说起最近文档的工作累计的比较多。 我比较疑惑,所有的项目都需要文档吗?

然后和负责人简单的聊了几句,大概了解了下相关的工作流程。

觉得流程上有一定的问题,我就立马叫上了小姑娘过来简单开会沟通一下相关的情况。 这种事情不能拖。

小姑娘自己也说写文档效率比较低。沟通下来发现:基本上每个项目的文档,都重新做了大量的工作。 而我们的项目都是基于我们的产品的,所以除了少数的有差别的地方之外,其他很多功能点的文档都可以复用。

基于此,我们给小姑娘提出了一些建议,比如:做一个完善的通用版本,然后每个项目的文档在此基础上面做小部分的改动。 一个功能点的截图,在能够说明功能的前提下,尽量用通用的截图等等。

然后她按照这个我们沟通的方式去做,发现确实极大的工作效率。

所以说,工作不能死做,记得有一句话说的好,不要只顾往前走,也要记着看看前方的路。 很多时候,如果我们发现工作低效,可能需要改进我们的工作方式,这就需要我们在工作中多思考,多总结。 善于思者,善于战也。 思考,总结的时间不会耽误你的工作时间,反而会帮你节省很多时间。记得我最早刚开始做一个ERP项目的时候,就自己思考着代码太多,写了个简陋的代码生成器。如果是程序员,就更应该多思考,提高效率,善用工具,甚至自己开发工具。

同样的道理,如果管理者发现了某个项目,某个人的工作流程或者方式出来了问题,也一定要对下属尽快的及时说明,不要置若罔闻(此时置若罔闻简直就是在犯罪),必要时给予下属必要的指导。 管理者也不要舍不得花时间在这些流程整理和指导工作上。要知道,有时候看似一个小小的改动,带来的就是效率的很大提高。 比如前面,我们三个人花了半小时的时间,总共就是1.5个小时的时间。却在后面所有的文档工作中,会帮助小姑娘节约出远远超过1.5个小时的时间,而且这种收益是持续的。

管理有时候是个细致活,我一直比较关注的是下属工作能力的成长,因为我相信员工的成长才是团队最大的进步,所以也一直愿意在这方面多花时间。平时 我自己工作之余,就会抽一点时间到办公室转一转,在每个人身边看一看。 我并不是不放心大家,而是希望在这个过程中,发现一些员工的不好的地方,并及时指出,然后指导好的思路。比如我会发现一些技术人员在某些技术方面的不足,我就会告诉他应该多去补习相关的基础知识。如果发现员工的思维方式不对,就会给予思维的启迪。如果发现某个Leader的工作方式不好,没有培养下属的意识等,也会指出Leader的毛病等。 这种指导方式是比直接培训更有效的方式,记忆更加深刻。

恩,我转一转的过程中,一些员工有疑惑的地方,也会主动提出来。

总结来说: 员工自己要多思考,总结。 管理者要帮助员工成长,整理流程,提高思维能力等等。

第二个故事。

前两天,像平常一样,在办公室转一下。一个做项目实施的员工,由于他工作没多久,还不是很熟练。向我咨询了Excel中 多个单元格合并的技巧,过程中还要加入一些其他的固定文本。

其实说实在的,我对excel表格也不是很熟。但是,我带着他,通过一些简单的搜索技巧,优化搜索关键字,加上一些对比思考等等方式,很快的就找到了解决方案。

同样的一个问题,我和他其实都不会,但是我可以很快找到解决方案,而他并没有,为什么呢?其实这就是解决问题的能力的差异。 我平时也对员工强调这一点,同样的问题,给两个人,两个人对于该问题的知识点可能都是一样的,但是能力强的人可以很快解决一个问题,能力弱的人就没有那么快解决一个问题。所以我们除了要学习知识、技术以外,还需要锻炼底层能力,这儿说的底层能力,主要是底层思维能力。在我们已知资源的基础上,快速找到解决问题的方法。这是一种重要的思维能力,但是这需要长期的锻炼,不像学习知识点或者技术点那么快速,但是其收益远高于学习某个技术点或者知识点。

比如在这次解答问题的过程中,我运用了简化,搜索,联想猜想,尝试,类比等一系列的方法。

简化方法,也就是复杂问题简单化。这种方法是从一个复杂的问题,提取出关键因素,然后发现解决方案,找出相关规律,然后把找出方案或者规律,然后再回过来运用到复杂的问题上。或者把多个影响因素纠缠在一起的问题,变成多个没有纠缠因素的错误问题。比如之前实施人员已经做了一个复杂的公式,但是是的,我先简化问题,只简单的合并两个单元格,而不考虑其他的因素。

加上猜想和尝试。这个时候找出了单元格合并是通过连字符“&”来连接多个单元格的规则。比如A1和B1就是A1和B1单元相加,当然这个是一个Excel公式。

在这个联想猜想的过程,也是类比了编程中的字符串相加的过程,比如JavaScript中的两个字符串变量的相加:A1 + B1,可以看出连字符就是编程中的加号的意思。所以类比,猜想,尝试,除了本身的思维方式外,还依赖于知识广度。

然后回到复杂一些的问题,要加入其他的固定字符,比如temp,通过类比编程,猜想尝试,很快解决:A1&“ temp ”&B1。

接下来更加复杂问题,还要输入引号本身,我们知道,固定的字符串需要用引号“引起来”,那么如何输入引号本身呢?最开始尝试了下“”“是不行的,学过编程的应该都知道转义,接着猜想此处可能同样需要转义。

这个时候,想到到搜索引擎这个工具,实施人员搜索了一把“Excel如何输入引号”,然而并没有找到答案。因为他的搜索关键词不对。对于搜索,运用精确的关键字也很重要的,也是一种重要的能力。因为Excel本身是可以输入的引号的。而当前问题问题中是在公式中,所以我让他改变关键词“Excel公式输入引号”,第一条搜索结果就是:

输入引号的方法就是用两个引号,此时问题就解决了:“”,但是发现并没有出现引号?思索了一下,还记得前面总结的规则吗?要加入固定的字符,需要用引号引起来,两个引号“”表示一个引号,要显示出来,还需要用两个引号引起来,所以应该是:“”“”

至于,问题得到解决。当然最主要的不是这个技术点,上面主要说明的是一个思维过程。可能excel高手有更好的解决方案,此处不议。

当然,对于实施人员来说,他也采用了了一个常用的解决问题的方法,那就是寻求帮助记住:。适当的寻求帮助,也是解决问题的重要手段这也是利用已有的资源,不是吗?比如我平时有时候遇到问题,我也会很快的找相关的人员寻求帮助。当然我这种寻求帮助基本上都是咨询性质的,不会给对方造成太多的困扰。我不会说扔一个实质性的一个任务,让别人帮忙来做。我会在别人的建议思路综合了自己的思路,很快形成自己的解决方案。

总结:培养底层思维能力很重要,底层思维能力比知识点更重要。底层思维能力强的人,发展前途一定更好。当然不是说技术本身不重要,事实上学习技术和锻炼底层能力是相辅相成的。平时可以多做一些发散性的联想,想象,类别训练,也可以做一些收敛性的抽象,归纳,总结训练。
另外,懂的适当寻求帮助也很重要。

更多精彩内容,请关注公众号。

 

ITman彪叔公众号

ITman彪叔公众号

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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