如何提高工作效率-杜绝以下七种事情

想提升工作效率,就別再做这七件事

试想一位小公司老板每日孜孜不倦地工作,为何不能从为数众多的竞争者脱颖而出?

一位创业家可以不眠不休一天工作24 小时,整整一周不休假。 然而,时间有限,且竞争者却永远可以投入更多钱与心力,让竞争更剧烈。那么,为什么某些小型新创公司可以完成许多大型企业无法完成的事情呢?

●Instagram──只有13 名员工却被Facebook 用几十亿买下的公司。

●Snapchat──只有30 名员工却拒绝科技巨人Facebook、Google 的并购交易。

它们的成功部分来自于幸运──其余则是因为效率 。

成功的关键不是努力工作,而是用聪明的方式工作。

有效率并不是指良好的时间管理,而是──管理您的精力。 人们都需要学习如何花费最少的精力能够得到最大效益。

要提升生产力,下面这些事情绝对要避免:

一、停止加班,提升效率!

1926年,福特汽车工业亨利福特(Henry Ford)执行了一项实验发现有趣的结果:当把一日的工时从10 小时降到8小时,从一周工作6 天减少至一周5 天,人们的生产力将会提高(注一)。

当您工作得越多,不论是短期或长期而言,您的效率、生产力都会降低。 1980 年由The Business Roundtable的一篇研究〈Scheduled Overtime Effect on ConstructionProjects〉指出(注二):

当每周工作时间超过60 小时,并持续超过两个月,生产力下降的累积效应将使完工日期推迟,而人数相同但每周只工作40 小时的团队执行同样工作,甚至还会更早完工。

在AlterNet的一篇文章中,SaraRobinson回顾美军执行的一项研究,这项发现「每晚都减少1小时睡眠,持续一周,将导致认知功能退化,等同于喝酒使血液酒精浓度升高至0.10。

当个人过于劳累,使其以比平常还要负面的角度看事情,导致普遍地心情低落。 比心情更重要的是,其思维往往伴随着减少「主动思考与行动」──包括控制冲动、自我感觉良好、同情他人与情绪智力──的意愿(注三)。

维持高程度的生产力,避免让自己过度工作并睡眠充足很重要。 下次您思想为何工作缺乏生产力,原因很简单,您有可能缺乏睡眠。

二、不要太常说「yes」

根据80/20 法则(Pareto Principle),20% 的努力创造80% 的成果,20% 的成果消耗80% 的时间。不是努力工作,我们应该把注意力放在创造80% 的结果并放弃其余的。 我们应该把更多时间放在最重要的任务。我们应该停止对低效能与无效能的任务说:「好的,我来做」 。

「成功的人」与「非常成功的人」之间的差异在于,非常成功的人对几乎所有的事情都说不。— Warren Buffet

激发一个问题:什么事情要说yes,什么事情说no?如果您不能想出某些值得花时间的地方,就考虑作个小测试找出答案:追踪您作的所有事情,可能的话持续优化处理的过程。

通常人们说「yes」的频率比实际上应该的次数还要多,因为说「yes」比说「no」要简单太多,没有想要当坏人。

2012 研究发表在Journal of Consumer Research,研究者将120 个学生分成两组。一组被训练为说「我不能(I can’t)」,然而其他被训练为「我不要(I don’t)」。 结果很有趣:

对自己说「我不能吃X」的学生,61% 都会选择吃巧克力糖,同时,对自己说「我不要吃X」的学生,只有36 % 会选择吃巧克力糖。 光是简单的词汇替换,就能显著增加人们选择更健康食品的机率。 (延伸阅读: 拒当YES MAN,说「不」让生活更美好 。)

三、停止什么都事必躬亲,让其他人帮忙

在我职涯的某个点,我管理一个非常大的社群,而我无法处理得很好。 我试图每一件事情都自己来。我疲倦不堪,但社群最终接管我的职责并自行治理。因此我也学习到社群的力量,以及为什么品牌需要使用者创造的内容(user-generated content)。

消费者知道他们想要什么,以及他们想要如何让它更好,更甚于任何行销人员。 根据Octoly,一支使用者自制影片的观看次数要比品牌自制影片多上十倍。 当寻找关于一个特定品牌的资讯,超过半数(51%)的美国人相信使用者自制内容大过于品牌官网(16%)与媒体报导(14 %),对行销人员来说,寻求社群的帮忙至关重要。

除此之外, 当您需要时,很重要地是愿意求助,让其他人来帮您。 因为这样可以让您有更多时间将焦点放在更重要的任务上。

大多数的时候,即使您的朋友不能帮助您提升生产力。 光是陪在您身边就足够,研究证实:分心的人在其他人也在场的情况,尽管那些人没有协助或指导,也可以完成更多的工作事项。

四、停止完美主义

Dalhousie University心理学教授Simon Sherry博士Simon Sherry执行一项完美主义与生产力的研究,她指出:我们发现完美主义是绊倒教授的研究生产力的大石头。 完美主义倾向越高的教授就越没有效率。

当一位完美主义者有以下问题:

●他们在一项花费的时间比任务要求所花费的时间还多。

●他们会拖延并等到最佳的时刻。 在企业中,如果这是最完美的时刻,就代表已经太迟了。

●他们过度聚焦在细节,反而忽略整体。

五、停止作重复的事情,并使它自动化

根据一项Tethy Solutions的研究,一个5人团队分别花3%、20%、25%、30%与70%的时间处理相同的事情,导入工作自动化软体两个月后,分别将处理重复事情的时间降至3%、10%、15%、15%与10%。

人们时常忘记时间就是金钱,因此经常土法炼钢地处理事情,因为这样比较容易,且不需要花费心力研究。 假设您办了一个Instagram活动,号召网友上传的照片总数只有30 张,您可以手动一张一张处理。但如果总共有从5个不同平台上传的30000张照片与影片时,您就需要一个好的数位管理系统了(例如Filemobile)。

给行销人员的小撇步 :到GitHub或Google app script library,通常会发现免费且可马上使用的开源程式码,让您找到省去手动处理重覆工作的软体/程式。

六、停止猜测,并开始用数据支撑决策

如果您可以在搜寻引擎上优化网站,那么您也可以优化您的人生,让它成长并发挥最大的潜能。

不同领域的研究其实都可供参考,举例来说,宾州州立大学心理系助理教授Robert Matchock所执行的研究发现,大部分的人们最容易分心的时间是从中午到下午四点。 此数据便提供您作工作相关决策的考量。假使您无法从现有研究找到答案,那么您也可以自行执行简单的测试。

举例来说,Filemobile就制定了许多测试,试图找出如何优化Twitter的图片呈现 。

不断询问您自己:要如何测量并优化所有事情呢?

七、停止工作,并拥有无所事事的时间

大部分的人都没有了解到,当我们专注在某件事上,基本上就像是把自己锁在一个箱子里。很重要的是要每隔一段时间离开工作现场,享受独处的时光。 独处时光对大脑与灵魂都有益处(注四):

一项哈佛研究指出,当人们相信他们是单独经验某项事情时,脑海的记忆会更持久且更精确。 另外一个研究也指出体验相当程度的孤独会让一个人更能够同理他人……相当程度的孤独可以帮助青少年改善心情与获得好成绩。

我们不会因为熬夜而更有效率。 就像是生命中的每件事情,需要耗费心力。如果您什么都不做只是坐着等,不会有什么改变,所以我们要更了解自己的限制与潜能,并将精力作有效的配置,过一个更成功、更快乐的人生。

注释:

注一、注二:Calculating Loss of Productivity Due to Overtime UsingPublished Charts — Fact or Fiction

注三: The Secret World of Sleep: The Surprising Science of the Mindat Rest

注四: The power of lonely

来自:inside - elaine

链接:http://t.cn/8sdSqDI

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