为什么给的待遇很丰厚,我的90后员工还是要走?

90后的员工和富二代、娱乐圈,并称朋友圈三宝,因为他们总是说走就走了,老板们哭着喊着给他们加薪升职,却也只能看到他们的背影和扬起的尘土。

  

  90后的员工和富二代、娱乐圈,并称朋友圈三宝,因为他们总是说走就走了,老板们哭着喊着给他们加薪升职,却也只能看到他们的背影和扬起的尘土。

  其实钱、工作环境这些因素只能让他们“没有不满意”,并不能让他们感到“满意”。满意只能来自于工作本身,和已经得到满足的需求。一个人的需求很多样化,有五层,满足的难易程度不同,而当每一层的需要得到满足之后,就很难起到任何的激励作用了。所以对超级多元化的90后员工,老板们还是得用不同的激励手段。

  没有不满意,不代表一定喜欢啊

  小甄是小巴的朋友,一位80后的尾巴,本科毕业之后就在一线城市的一家互联网创业公司工作。

  毕业三年后第一次同学会上,别人就发现他的名片头衔上已经带上了“总”字。有相熟的同学半开玩笑地说以后要照应兄弟们。

  去年年底,他在微信上公告已卖掉期权,从工作了五六年的公司辞职了。前段时间,他旅游路过杭州,顺道来看我,便聊起了近况。他上半年一直在装修新房子,自己设计、自己买材料、自己做监工,现在一切完毕后出来旅游放个假。

  小甄突然离职,且并非被别家挖走,只是单纯地离职在家赋闲,总归让人有一些不解。我就问他为什么不干了?他的回答让我印象太深刻。

  

  | 为什么90后员工这么难留?|

  他的父母并不同意他辞职,问他“这么好的工作还有什么不满意的”,小甄的回答是“其实一切都很好,但是没有不满意并不等于一定满意。”

  在原来的公司收入很丰厚,岗位层次也不低,管理人性化,总体上办公室政治也在可控范围内。但他渐渐觉得这些应该是一个好公司的必要条件。要让他在工作上更有动力,还需要一些别的东西,他离职的前一年,似乎并没有感觉到。虽然公司的发展还是很快,但他每天在做的事情都变化不大,似乎和公司总体上的大局没有太大关系,有没有他其实不会有决定性的差别。

  小甄一直都希望有一套自己设计的房子,正好去年年底房价低,就在市区买了一套大户型,辞职全身心投入到房子的装修设计中去了。

  说起房子,他手舞足蹈地给我比划结构,一本正经地给我科普:家里第一重要的玄关要怎么设计、客厅大的话顶灯要选择什么样式、如果在家里安置一面书墙应该放在哪里比较好、阳台上其实可以铺一部分鹅卵石,还拿出手机不停地展示这个他最钟情的“产品”。整个装修过程中他都全情投入,有时候每天要花十几个小时,甚至比此前的工作时间还要长。

  看得出来,这是他喜欢的事情,也让他很满足,他说:“装修房子特别好玩,住自己设计的房子这个做法特别酷,以后也许就在这个方面创业,把它作为未来的事业”。

  报酬待遇、上司的监督、人际关系、工作环境,这些和工作内容本身没有太大关系的物质利益和工作条件等,在工作中属于“保健性因素”。如果工作中这些条件没有被满足,员工很容易产生不满。任何一个企业要想安抚员工,维持工作水平,就必须让这些因素维持在使员工满意的水平。不过这些因素只能消除不满意,却不能激励员工更热爱这份事业。

  而激发员工工作意愿,自发自愿地“喜欢”一项工作的元素,来自于工作内容本身,属于“激励性因素”。这些条件包括:成就感、赏识和褒奖、工作内容本身、责任、升迁和发展等。

  在一个快速成长的行业,激励性因素显然不会是稀缺事物,但却可能经常被忽略。很多时候管理者仅仅依靠保健性因素来作为激励手段,而对于工作本身并没有提供激励,才会出现小甄这种“钱给够了,但是心还是委屈了”的离职。

  

  | 90后需要“激励性因素”更甚于“保健型因素”|

  “员工以客户为上帝,管理以员工为上帝”

  老叶是一家精品酒店的老板,是一位70后的老酒店人,在多家五星级酒店担任了多年的管理层。现在他手下带领着一个几乎由清一色90后 “小朋友”组成的团队,少数的几位80后高管镶嵌在其中。

  在几个旅游网站上,他的酒店评分都是本地最高的,接近满分,看评语似乎有很多回头客,除了酒店的环境很好之外,主要的原因大概是“服务真的很好”、“酒店的员工很周到”。

  老叶说服务业终究还是人的行业,一开始他觉得自己有很多年的酒店从业经验,从“顾客是上帝”这一点出发,把服务做好,后面的一切都有了。但是年轻人的世界不太一样,他走了一段弯路。最后发现,他还是要先把员工们伺候好了,然后员工们才能把顾客当成是上帝。

  他告诉我“90后和90后也是不一样的”。不同的岗位和员工类型上,也需要用不同的激励手段。

  服务中心的一线员工,比如前台和服务员,工作本身是一套流程,而不是高深的专业技能。他们工资不高,因为在这个岗位上酒店付不起太高的工资。所以需要对他们进行额外的非物质激励,给予他们被重视的感觉。老叶采取过一些老式方法,比如通过业绩光荣榜来展现对优质员工的重视、经常采取态度真诚的口头表扬,效果也都不错。

  不过效果最好的办法是给一线员工授权,让他们在解决顾客的实际问题时拥有更多的自主权。服务中心距离顾客最近,所以他把服务中心设置成资源调配中心,有权力调动包括客房、厨房等其他部门的资源,并在考核上加以参考。除此之外,前台员工可以直接调用一夜间房费以内的费用,事后报备,比如某位新入住的顾客,正好是生日,订一个蛋糕还是鲜花,完全由一线员工决定。

  

  | 不少公司让年轻员工自己设计办公场所|

  而酒店的微信订阅号做得不错,负责的是一位从媒体界挖来的90后编辑,虽然年轻,但也是资深的专业人员,忠于自己的专业技能甚于雇主。所以老叶给他安排了很多具有挑战性的目标,又让他自主决定如何处理,还定期慰问表达支持与鼓励,关心他的工作存在什么问题,是否需要支持,以表达对他的工作不仅感兴趣而且很看重。

  还有一些是兼职的实习生和试用期的员工,他们在工作安全感和稳定性上欠佳,福利待遇上也有所不如。所以相应的激励因素就是提供转正的机会,以及提供一些职业技能培训的课程。

  在行为科学上具有划时代意义的心理学家亚伯拉罕·马斯洛将人类的需要分为了五层,分别是:

  1)生存和生理需求

  2)安全需求

  3)情感和归属的需求

  4)尊重的需求

  5)自我实现的需求

  当每一层的需要得到满足之后,就很难起到任何的激励作用了。

  很显然,相较于长辈和前辈们,90后成长于殷实的年代,生存和生理上的、安全的两层需要被轻易满足,所以基于此的薪酬、稳定等因素已经失效了。

  社交上的认可、他人和自我的尊重、以及一种自我成就感,才是需要优先考虑的。如果一份工作不能拿出去在朋友圈晒、如果工作成果不能让顾客和老板真诚表扬、如果由于公司或者上司的支持力度不够而不能做到最好,那么这份工作对于他们的激励是远远不够的。

  而最终的激励一定来自于自我的实现和超越,对于此,马斯洛在他的专著《动机与人格》中写到“的确,自我实现的人,那些已达到成熟、健康和自我满足的高层次的人们,他们有如此多的东西可以教给我们,以至于有时他们几乎就像是人类中的一个不同的种类。”

  90后员工的老板们最好能理解并做到这一点,并用心为此提供一切帮助,否则他们一定会用脚惩罚你们。

如何联系我:【万里虎】www.bravetiger.cn 【QQ】3396726884 (咨询问题100元起,帮助解决问题500元起) 【博客】http://www.cnblogs.com/kenshinobiy/
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