也谈创业企业CEO该拿多少工资

网上看到一篇文章,关于创业公司CEO要给自己开多少工资。

当然,原文中的一些创业公司例子都过于高大上,譬如一创业就拿到A轮B轮的融资。对于这样的案例我想说的是:“太脱离人民大众创业者”。

纵观我国的IT创业者,大部分都是从小额资金投入开始的,也就是说一般都是几个志同道合人一起出资成立公司,然后为共同的目标而奋斗。如果产品有创新、有市场、够噱头,没多久就会得到风投的青睐,然后获得投资。自然而然的很多CEO开始给自己涨工资。

   这里插一句话:关于风投

不知道从何时起,IT创业公司大都开始以“何时拿到风投、拿到多少风投”成为了衡量这个企业或者产品“牛逼”的标准,如果在一线城市(譬如北上广)如果你告诉大家你的公司还没有拿到过风投,立马会被周围的同行所“鄙视”。

鄙视的有道理吗?道理是有,只不过有些鄙视者的鄙视原因是为了炫耀自己拿到风投后收入有了“很大增长”。

从 我了解身边的几个有风投性质的朋友来看,他们也很感冒一拿到钱就立刻提高自己工资(有的甚至成倍增长)的CEO。这些CEO的心态很简单嘛:创业期间有的 CEO只拿很微薄的工资,譬如5000,二三线城市甚至只有2000。好不容易拿到风投了,早就憋坏了,还不赶紧给自己涨涨工资?于是原本5000涨到1 万甚至2万的不在少数。

 偷偷的说。也许这时你和风投的第一根梁子就这么小小的结下了。

 

我先来分类我身边的几个创业者案例:

1、北上广的高大上创业者朋友

 我发现这些有所成功的朋友有个共同的特点,初创时期自己不拿工资或只是那很少的生活补贴,基本生活除了“干”就是“干”。等到产品或者市场有一定规模时会进一些风投,然而我发现他们给自己也不开很高的工资。基本属于中上层,有时公司的技术总监拿的工资都比CEO自己高。

我问过他们为何?他们答:创业初期靠大家、中期还是靠大家、后期才是靠他老板。

我简单总结就是:前期要靠干、中期还是靠干、后期才需要老板现身玩资本运作把公司推上更高的境界。

 

顿时觉得很有道理

 

2、二三线城市的实体软件企业者

这些企业者朋友一般都有自己一定的客户资源、人脉资源和出身背景。本身靠这些也能养活一帮人,我曾去过这样几家初创公司做过技术培训和顾问。经过深入了解我发现,譬如某公司的平均年收入在5-6万之间,老板自己也只有这么多甚至还少一些。

当然,这样的老板拿低工资有几个方面原因:

1)初创企业,自己拿得少,把份额留给有用的员工

2)自己更多的是靠分红(这种CEO和上面一种不一样,他们往往占据很高比例的股份)

3)自己拿得少,等于制定了一个限制标准,底下一些副总、总监也不好意思要求更高的工资

 

顿时觉得很有手段。。。

3、小规模创业者

 其实我本身也属于这种创业者。去大公司上班太老,去小公司上班人家养不起。于是就形成高不成低不就的状态,再加上自己秉着“小程序员,大梦想”的理念,所以唯一一条路就是创业了。

对于像我们这样的初创者往往产品不够夯实,资源不够丰富,资金不够雄厚。温饱问题肯定能解决,小康水平还需要一番大努力才能茁壮成长。但是,有些好的创意和概念性半成品也不难找到一些“天使投”。

大约是在两个月前,有位“有钱”的行业人士找到我,说可以给我30-50万左右的天使投,入一些股份,这厮主要对“在线教育”这块也很感兴趣。

然后我们秉烛夜谈,谈着谈着我们就谈到了工资方面。

当他听到我现在“不怎么拿工资”时,很惊讶,当即想拥抱我。

最后因为时限原因,投资进程要延后。

 

这里我想说的是,初创企业CEO不拿工资都很正常何况给自己开低工资?而且往往容易得到外部投资人的欣赏。

 

以下是个人观点,仅供参考:

1、初创公司CEO理论上讲一年内不要拿工资。但是不能亏待你的左膀右臂。尤其是技术大拿。

2、如果你想拿风投,也不要把自己工资开的太高。否则这帮风投也不是省油的灯,时不时的派个手下入驻你的公司盯着你。

3、把自己工资定低点还有利于“打压”你副总的工资。~_~

4、工资定太高,税要交很多哦~~~

5、工资定的太高,回家上交的也多。把一些收入放在提成部分,你家里人不知道的哈

6、言归正传:

初创企业CEO其实是在为投资人打工、为自己的员工打工、为客户打工。

等你发展到中期,你的员工和客户才真正在为你打工。

等你发展到后期,你的投资人才真正为你打工。

如果你能IPO,应该在这之前要把以上要素“玩弄于股掌之间”,而不该在意自己的工资有多少。这才叫“自己给自己打工”

 

--------------------------------

关注我的微信公众号,每天成熟一点点
关注步骤:
  很直接的拿出手机->打开微信->点扫一扫,扫下面二维码即可

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 1
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