重构人生战略-直面中年焦虑

零、核心主题:

为什么需要人生战略?

什么是人生战略?

怎么重构自己的人生战略?

 

一、为什么需要人生战略

先说结论:40岁,竞争力直线下降必然到来,但是大部分人没有为这个做好准备。

这次疫情过后美团外卖和滴滴司机量增长了30%左右,其中有一部分是40岁中年人的无奈。

为什么突然想到这个主题呢?因为自己马上要面临IT圈的35岁困境,自己身边朋友A,37岁,职级对应阿里P8,从滴滴准备离职出来,看了半年的机会都没有找到合适的职位。还有一个朋友B,38岁,阿里P8+水平,因为内部权力调整,离职后已经4个月没有找到合适职位,一直在等待合适的职位。发生在身边的案例,让我深刻感受到了现实的残酷。

苏格拉底曾说:“未经审视的人生不值得过”,如何理解这里的“审视”?我个人认为就是设计和反思。

如果我们不去主动设计自己的人生战略,大部分人的轨迹是:

25-30刚毕业,随波逐流,陷入竞争,竞争力提升。

30-40工作稳定,工资收入增加达到高点。

40以后竞争力直线下降,如果企业稳定可以再坚持几年,差一点就很难再找合适职位。

无论你在什么行业,国企,外企,40岁的中年危机必然到来,放弃幻想。

为什么中年危机一定会到来呢?

最近投资,看企业财报,发现你的收入就是公司成本。因为到了一定年龄,上有老人,下有儿女,还有车子,房子需要还贷,这些都需要你保持工资不断增加。

但是我们从企业角度看:收入和盈利是企业的根本。

你的收入就是企业支付的成本。

当你的收入增长率,大于生产率增长的时候。也就是ROI<1,投入产出比,企业必然需要你离开,不然企业终会破产。

从过往经历来看,没有什么是年龄和经验是壁垒。现在社会发展这么快,很多东西年青人来做可能会更好,工作态度更好。

尤其是头部发展比较快的行业,你看大部分互联网行业平均年龄小于30岁。

也许你会说,既然加薪会导致ROI下降,企业不愿意用40岁左右的人,那么我不要求加薪,只求留在公司呢?

不好意思,现实是公司还是倾向年轻人,因为管理层会思考,中年人工作态度不会太好,比较油,会偷懒,进取心会下降。

我们换位思考,你站在企业主的角度,你也是使用更加听话,更加有冲劲的年轻人。

总结一下,发现两条路都走不通,这二年开始焦虑了,自己不能像年青人那样去加班。

开始重新思考人生战略,解决这个问题的唯一的方法就是:保持指数成长,终生成长,让自己的生产率大于收入增长。

实现途径就是:升职升职,对公司和部门有掌控力,成为企业的中高管。

我们可以看到阿里,腾讯,平均年龄30岁,但是高管是有不少大于50岁的。

二、何为人生战略

先了解一下什么是战略:

战略:是确保赢在未来的保障体系和方法

怎么制定:问自己一组问题

1.怎么才算赢。也分赢和输,什么是你想过的生活

2.赢的机会在那里?

3.你明确的长期目标是什么?

4.明确的关键结果。

 

好战略判断标准:

1.是不是围绕自己的优势,在放大自己的优势。

之前说过我们要实现飞跃,必须要使用杠杆,就是能放到你优势的东西。那这些东西要怎么找到呢?从我们的生活不是无中生有,不要做白日梦,必须从自己的经历中去挖掘。

2.是不是聚焦。大家都知道华为早年,交换机比不过爱立信,国外厂商。华为的方法是:聚焦,大炮打蚊子,所有人对着一个城墙口不断冲锋,直到攻克。那些年多少企业都去做房地产,挣快钱。华为没有这么做,而是把收入都投入到研发中。所以今年华为手机能这么厉害也是有基因和必然在背后。

3.是不是具有前瞻性。不要刻舟求剑,想清楚未来的趋势是什么? 特别明显的是人工智能AI,无疑会让很多东西变的不在重要。

 

那么,从我们人生的角度考虑,好的人生战略标准:

1.能不能财富增值

2.能不能让认知不断提升

3.能不能让我们具有反脆弱能力,具有抗打击的能力

 

三.如何重构自己人生战略

1.严肃认真的思考,40岁的中年危机

直面思考40岁时,需要获得什么样的职位,获得什么收入。以及为什么能获得职位和收入。很多人计算自己的收入时,默认会认为会一直涨。这个是不现实的。

练习:思考终生收入和众生花费。以5年为一个时间段,计算收入和花费的曲线。在同一个时间轴,如果花费大于同时期收入曲线,你的人生财务会面对入不敷出,一定会破产。

认真思考才会痛苦和焦虑,很多人不愿意面对,痛苦和焦虑是你改变的前提,大部分不疼到自己身上,改变是很难的。

 

2.思考怎么才算赢

比如说定义:终生有一个很好的财富状态,有几个模式:

快速致富:一夜暴富,很少出现,新闻出现的是别人的故事,不是你的。

慢慢变富:终生成长,收入大于花费,个人喜欢,也比较适用于大部分人。这需要有我们有前瞻性,有耐心。

FIRE模式:提早退休,前提先攒钱,在短期内攒够一年生活费的25倍,之后依靠无风险利率4%,实现复利保证开销。前提要求:控制自己的物质欲望,尽量不要生娃,不然教育费用都会让你头疼不已。

 

3.赢的机会在哪里?

1.快速致富模式:创业

2.慢慢变富:专业深耕(赚取本金),投资理财(复利增长)

3.FIRE模式:强制储蓄,严格控制开支,稳定收益理财,每年4%(极为简朴)

 

 

人生战略需要怎么做?关注一下要点:

目标是什么?

采用什么模式?

机会在哪里

定出非常具体的明确的目标

 

我们以大家都感兴趣的财富自由为例:

长期目标:先认真思考是不是有真正有目标,想到70岁,你需要多少财富,足够大能够引领人生。

模式:慢慢变富模式

目标是不是有意义?是不是能支持自己在20-30年为之奋斗,只有实现了财富自由,才能更好的做自己愿意做的事情。

目标是不是远大?大的目标能引导你的人生走出精彩

是不是真正的相信能达到?不是盲目相信,前后逻辑。马云互联网,90年代当时几万人,未来几十亿人。

实现目标路径是什么?这个大家都比较熟悉,参考《原则》

 

注意事项:

一定要有目标

足够聚焦:围绕目标配置资源,配足资源(重要和紧急)身体,时间

提高认知:脑力资源,花钱去投资,需要花时间去思考

学会坚持:战略 Vesion 和 Action 之间的互动,进行远景和行动之间微调。

长期主义者:未来20-30年的胜利点在什么地方?

 

总结:

40岁危机一定回来

战略是确保自己赢在未来的保障。(时间,精力)

为自己的人生选择一个模式,你就可以按照这种模式成功。

如果你感觉对你有一点点启发,可以关注博主公众号,博主会把对职场和人生的思考持续发布在公众号中,期待我们一起成长。

 

 

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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