史玉柱论民营企业的“13种死法”

【导读】2001年2月,史玉柱参加泰山产业研究院的一次新闻发布活动。他在发言中说:”我粗粗地算了一下,要搞死一家民营企业,至少有13种方法。这里面还不包括出于企业内部的原因,比如说经营不善等。”

第一种死法是不正当竞争。”竞争对手如想整你,你在明处,他在暗处,很容易整死一家企业。诬告、打官司等破坏你声誉的方法很多。2000年秋天,全国有一半省会城市的人大、政协突然每天都能接到有关脑白金产品的投诉,这导致脑白金销售受阻。我们经过调查,发现原来是有些竞争对手在每个城市都雇了几个人,这几个人的主要工作就是写针对脑白金的投诉信。事情被发现后,投诉信随即就消失了。”

第二种死法是碰到恶意的”消费者”。史玉柱说他们曾碰到湖北有个人,身体某个地方骨质增生就埋怨厂家的产品有问题。

第三种死法是媒体的围剿。也许是对媒体至今还心有余悸的原因,史玉柱没有讲媒体在巨人当初倒下去时充当了什么角色,而是举了银行的例子:”比如说媒体一旦围剿银行,银行运转再健康,它说你已经资不抵债了,储户只要去提钱,银行肯定完蛋。”

第四种死法是对产品的不客观报道。史玉柱认为,在药品和保健品领域里,任何一个产品都不可能100%有效,如果有70%-80%有效就比较好了,如果90%有效,产品就称得上优秀;”如果媒体只报道那10%无效的,产品马上完蛋”,这是因为,”在中国,说产品不好的时候,老百姓最容易相信”。

第五种死法是主管部门把企业搞死。”产品做大了,哪怕只有万分之一的不合格率,但被投诉到主管部门,就有可能整个产品的批文被吊销了。”还有各地主管部门的处罚。”比如说工商行政管理局,每年是有罚款任务的,到年底任务完不成,就只能找做得好的企业完成任务,因为这些企业有现金。”据史玉柱讲,2000年在某市,他们曾被一个工商行政管理所毫无理由地罚了50万元,不缴纳这50万元就不让他们在当地卖产品。所以,只好缴纳罚款。谁知刚过1个月,另外一个工商行政管理所也说任务没有完成,要求他们缴纳50万元。”我们只有忍气吞声,做企业的,尤其是做民营企业的,要想活的话只能低着头。”

第六种死法是法律制度上的弹性。”很多事,你这么说是件好事,但换一种说法很可能就是违法犯罪。再加上法律制度的不完善,使你不得不违规。比如,以前规定进口计算机必须要有批文,可是民营企业根本拿不到批文,你想做计算机只能花钱买批文。而按照有关规定,买批文是违法的,你要么不做,要做就要违法。其他行业同样存在很多这样相类似的情况。”

第七种死法是被骗。”有时候一个企业的资金被骗后会出现现金短缺,甚至整个企业会一蹶不振。尤其是对民营企业来说,法律的保护很有限。”

第八种死法是红眼病的威胁。”红眼病多,谣言就多。有关企业的谣言还算是好的,最怕就是关于产品的谣言,谣言一起,产品马上就卖不出去了。”

第九种是黑社会的敲诈。”企业做好了,就会有黑社会的敲诈,除非是特别大的企业。”史玉柱显然相信黑社会势力在民营企业发展过程中已无孔不入。

第十种死法是因得罪了某一官员,该官员利用手中的权力给企业发展制造障碍。

第十一种死法是”得罪了某一刁民也有可能把企业搞死,比如说他在产品中投毒”。

第十二种死法是遭遇造假。”假货越多,影响销量是一个方面,最关键是影响声誉。在江苏某地,有一个比较大的造假窝点,家家户户造假,去打假没用的,当地有地方主义保护。后来,我们请来外地的公安人员,当场查封价值几千万元的假产品及造假设备,人赃俱获。可结果呢,人家当地公安部门要求把人送回去,送回去就被放掉了,然后继续造假。”史玉柱无奈地说:”现在,我们见到假货根本没办法,只好自己买回来。”

第十三种死法是企业家的自身安全问题。史玉柱说他自己已收到过不少的恐吓电话,而这样的电话在他一无所有的时候,从来就没有出现过。

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