员工的不幸?还是公司的悲哀?

职能不同之后,关注的事情也不一样了。最近对周围朋友发生一些事情又是深有感触。特写下来,告诉公司管理者们一些员工的心声。其实很多的心声,管理者都明白!我这里也只是“炒剩饭”

事情是这样的,小D在一个还不错的所谓的大公司上班,做的事情,当然是和IT相关的了,至于相关到什么程度,就不好说了,因为“Ta是革命的一块砖,哪里需要哪里搬”。

公司处于二线城市,工资当年也高不到哪里去。就D处的职能,在这个二线城市中,平均工资是3k,当时D因为是刚刚毕业就招进来的,公司喜欢找应届毕业生,降低成本,而且本来公司的事情就没有非得要有经验的人干,所以,工资不高,差不多是2K多一点,每年的涨幅,100(当然,与物价上涨相比,那是杯水车薪)。这不是故意的夸大,而是确有其事。不处于某个位置,就永远不会明白那个位置的那些人的处境和想法。

attachimg.gif attachment.aspx?attachmentid=517
20120918092400.png(51.56 K)
9/18/2012 9:32:17 AM

话说回来,其实在公司中,很多的人做的事情都是非常基础的,或者说不是计算机专业的也能做,事实也确实如此,因为其他非计算机部门的事情搞不完,而丢过来的。所以很多的人是名符其实的打杂员。


干了很长的时间,公司的业绩下落。本来就是什么核心竞争力的公司,随着几个大的项目结束,公司开始不景气。随之而来的都是芝麻绿豆的项目,钱是赚的,但是赚的很少。既然开源不行,那么就要想办法节流了。

如何节流。心思自然就动到了员工的身上。

原本工资就处于原地不动和工资低于行情的情况下,公司开始挖空心思的“赚”员工的钱。例如,每次迟到就罚款几十元,不管是什么原因,如果是公司的班车迟到,那公司就更加的happy了,因为一方面会扣员工的钱,另一方面回扣班车师傅的钱,如果遇到堵车(出门再早也不行),天灾,迟到也扣钱。

说到班车,就更加的让人不平了,表面一看,公司有班车,很高兴,其实公司这是有后招的。因为公司地处偏僻,而且很多人住的很远(住在市内的房租N高),很多的人不想来这个公司,因为交通不方便,就一趟公交到。为此,公司承诺,有班车接送。后来才知道,为了省钱,班车只去几个固定的地方,或者说只是把员工送到交通便利一点的地方就完事。


行,大家也就没有说啥。后来,公司要节流。班车不免费,每个人每个月要给几百元。大家不能不出,因为这几百元如果去自己做公交,是不够的,特别是那些住的远的,需要倒几趟车,更加不划算。于是,大家也忍着。后来,公司认为这样还不行,就规定,班车迟到扣钱,而是一扣再扣的。

俗话说的好,有罚必有赏。既然迟到要扣钱,那么如果全勤,或有奖金么?但是,说告诉我,罚是必须的,全勤,想都别想。

曾经有人忿忿不平过,因为名目众多的收费,无缘无故的取消奖金,而且也曾经通过公司内部邮件让大家维护自己的权利,但是被公司逼迫:向全公司道歉。

attachimg.gif attachment.aspx?attachmentid=520
94_16547294_652dbc140454399.jpg(22.00 K)
9/18/2012 9:32:17 AM

其实大家都心知肚明:那个发送邮件的人说出了他们的心声。

大家也许就要说了:走人呗,此处不留爷,只有留爷处。 这个城市,工作的机会比不上北上广,很多的人不是没有找,而是不断的再找,但是因为确实找不到,才默默的忍受着。玩裸跳,不是每个人都玩得起的,一大家子人要养,一屁股的债每个月要还。

公司里面,表面上很多人都很听话,但是心里的不满,已经让公司很难前进。水可载舟,也可覆舟。公司,说到底就是人。没有人,什么事情都干不了。当这种不满和怨气越来越多的时候,即使哪天接到大的项目,估计也会砸的。养兵千日用兵一时,平时就把士兵往死里整,上阵之后,说不定会调转枪头。
attachimg.gif attachment.aspx?attachmentid=519
20120918092712.png(22.16 K)
9/18/2012 9:32:17 AM



杀鸡取卵,这种短期的收益,终究不是办法。长期的投资,长远的目光,才能让公司,让员工更好的走下去。
道理都懂,做的很少!
 
 
声明:本文仅在51cto和agilesharp发布,其他地方,严禁转载!
 
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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