國內外職場上的軟實力

【創業543】

國內外職場上的軟實力

「記住,你四十歲的時候有人挖角你,絕對不是因為你很厲害,而是你的人脈很厲害!」鍾俞平是多家新創公司顧問,他常常提醒年輕人,檢視自己是否有一個「隨時可以集合成工作團隊」的名單,這是創業成功的關鍵。

 

擁有一個「隱藏版的超威團隊」,並非一朝一夕。平時將成功歸於同儕、團隊,即使那種讓你恨的牙癢癢的同事或長官,都視之為學習機會。時刻告訴自己公司就是社會大學,保持感恩的心情、尊重團隊,自然而然,無形之中就會擁有一個堅強的團隊名單,所以從現在開始,就建立自己的人脈網路!

 

鍾俞平提醒,在創業路上,你還需要:

 

  1. 職場導師:找一個或是更多在職場上能夠幫助你的前輩。

  2. 不斷拓展專業知識和能力:英文尤其重要,等待別人翻譯過的專業知識,會有時間差。

  3. 了解自己:檢視自己的性向和差異性,並非人人都能當CEO。

  4. 設定短、中、長期目標

  5. 投入工作並且學習

  6. 與逆境相處:職場會有意外、衝突或是不善意的小人,與逆境相處才是真本事。

  7. 做最適當的選擇: 選擇沒有對錯,而是在當下情境做出最適合的選擇。

  8. 維持身心健康:保持身心健康狀態,頭腦清醒才能做對的判斷。

  9. 建立隱形團隊名單:將成功歸功於團隊。

  10. 提升生活哲學:創業不論是要搶攻物美價廉或是冷門的市場,靠的都是專業,最終目標是「比人家好」。

 

 

筆者:

 

鍾俞平/分子診斷醫療器材新創公司Anitoa Systems共同創辦人及資深副總裁,同時擔任4家新創公司顧問。(加州矽谷)

 

文章授權/CONNECTING.TW

 

 

新聞上菜了,客官今天吃什麼?

台灣有個另類奇蹟,「新聞台特別多」。但這面積僅3萬6千平方公里、2300萬人口的小島,有那麼多新聞可以報導嗎?以電視台為例,現今新聞收視習慣,仍是透過家中有線系統台。若無重大事件,一般新聞時段為清晨6點到午夜12點,整整18小時。換句話說,全台有線、無線10~20家新聞台,供應新聞的總時數達360小時。

 

重點來了!誰決定「什麼是新聞」?

 

各電視台的新聞部,編制人數多寡不一,最位高權重的那位,你可以把他(她)想像成主廚,主廚底下有二廚、助理、學徒等。主廚上班前(早上8至9點),二廚以下的人得先備料,供主廚設計菜單。通常二廚會早到,大約7點多,「那個誰誰誰,去問一下前場預約狀況」、「我的刀具呢」、「助理怎麼還沒到」、「幹!忘了買豬肉」,一陣兵荒馬亂後,主廚到了。「今天出什麼菜單?我覺得不要義大利麵了,改春雞吧!」主廚突發奇想,眾人面有難色,心裡嘀咕「雞你媽啦!不早說,都9點多了去哪生隻雞?」,「啊!看現成食譜最快!」二廚們趕緊把報紙拿來翻,主菜(新聞)、附餐(配稿)、飲料甜點(分析、圖表)一應俱全,食譜還有4本任選(自由、聯合、蘋果、中時),最後指揮徒弟出菜。中午過後主廚又召集大家開會,了解顧客對早餐、午餐的滿意程度,要是接受度高,「晚餐菜色照舊!」

 

久而久之,你會發現電視新聞變成報紙的3D版,內容看來看去,都是報紙上寫的。
一則新聞從透早播到晚上;一份春雞,從早茶賣到宵夜。至於電視台記者,在主廚、二廚長期「指導」下,就算他(她)再有天分,創意也會被食譜扼殺;當然也是有只看食譜的記者啦!電視新聞有影像、聲音,行動餐車(SNG車)快速有效率,也確實是電視立足市場的本錢,但隨著網路普及,這些優勢正逐漸流失,因為網路直播的普及,人人都是「自媒體」。

 

然而,報紙、雜誌雖然沒落,卻始終引導輿論方向。所以當觀眾拿著遙控器轉來轉去,質疑「這也算新聞」時,或許可以想一想,誰點了這盤難吃的菜?

 

 

 

筆者:

 

望春風

經歷: 從事新聞業十五年,經歷廣播、電視台、報紙記者,現任職新聞工作。

比文字更有渲染力—網路行銷影片當道

【行銷即戰力--JO姊來教你】

有圖有真相?JO姊要告訴你:「有影片才有業績」,要洗腦人手一機的消費者,影片是最直接的方式,在網路行銷上,已是銳不可擋。

 

擁有60萬粉絲人數的486團購網,在2016年創下16億驚人的營業額。撇步就是:以大量的影片洗腦電腦或手機前的網友。

 

比起文字、圖片,聽得見聲音、看得見畫面的影片更觸動人心。這也是486團購網早在2年前就調整行銷方向,改以影片取代傳統圖文,從營業額以及不斷增加的粉絲人數來看,確實牢牢抓住網友的手指頭:點影片,接著刷卡付錢。

 

JO姊在電視台打滾了10多年,用的是動輒百萬的攝影器材和剪輯設備,一則影音的成本極高。但隨著自媒體時代來臨,每個人拿起手機,就能當導演、攝影師,畫質不用特別好,內容最重要。

 

以486團購網的行銷編制來看,企劃部共有12位具有能拍、能編、能導、能演、能剪輯的企劃人員,即使是接電話的總機妹妹,也能隨時上場拍攝影片。很難嗎?一點都不。

 

事實上,起步就是從手機「錄影功能」開始,加上手機剪輯APP隨手可得,要讓你的粉絲頁、部落格動起來,請盡快加入「all in one」的行列。

 

網路行銷其實沒有那麼難,拿起手機,拍影片吧!

 

 

 

筆者: Jo姊

 

經歷: 從事新聞、公關工作20年,經歷廣播、電視台、百大企業公關、精品燈飾、知名團購網節目製作。

 

 

JO姊其他文章:

影片行銷—最關鍵的黃金10秒

掌握3招–素人孌身吸金網紅

幸好,有直播!

賣東西,先學會說故事

在職教育:資料科學家(大數據)的新需求

富比士雜誌近期稱資料科學家(大數據)為「本世紀最夯的職業」。

不管是消費性包裝產品還是醫療保健,世界上的各大產業都面臨著被各種數據淹沒的困境,急需能夠幫助他們將龐大的數據實用化的人才,而對這類工作也理所當然地出現了強烈和逐漸增加的需求
但因為這項產業的變化和創新是如此劇烈,專家們在接下來的十年(甚至更久)將對在職教育出現投資需求。

 

不久前,作為一名資料科學家(大數據),你只要會數學和統計學就可以了
但是現在隨便找一則網路應徵廣告都可以看出資料科學家(大數據)已經變成了大數據工程師、統計學家和業務分析員的綜合體。
企業們應徵的不單是資料科學家(大數據),而是接受過現代工具訓練的專家,希望他們能夠使用適合的方法和工具設計出讓使用者輕鬆操作的介面。
換句話說,資料科學家(大數據)已經成了一種工作內容多合一的職位。

 

為了因應這樣的趨勢,便出現了對在職教育的需求。
在現實中,資料科學產業變動得非常快速,而新科技和應用方法也不斷的推陳出新,早已和學校的教程不同,甚至和職場訓練提供的內容也有所差距。
資料科學逐漸轉型成為一種綜合各種學科的領域,其中包含了資料科學、資訊與決策系統、社會科學和工程學等元素。
在這個領域中的專家們如果希望保有競爭力並且把握住現在這些豐富機會的話,就必須持續磨練自己的能力。
為了達到這個目的,他們不僅需要增進數據分析的能力,還必須學會深層學習及其影響等解析學的技巧;
了解如何克服龐大數據的演算法所帶來的挑戰和限制;和找出能更加應用機器學習的方法。
此外,除了專業知識,資料科學家(大數據)還必須對各種產業的問題和挑戰有所認知,才能讓他們發現不了解該領域的人無法洞悉到的部分。

 

為了克服這項挑戰,利用各種專業教育機會是一個好的開始,線上教學和身邊的會議是不錯的選擇,但最適合的還是嚴格結合各學科精華的活動。
這些課程和研討會大多可以藉由詢問得到檔案或是找到紀錄,
不需要花太多時間就可以幫助資料科學家(大數據)獲得需求的技術,以扮演他們在職場中的新角色,也讓他們在這個領域中更加成功。

 

各種類型的公司都在尋找資料科學家(大數據),光是看ODSC的徵才資訊或是在LinkedIn網站上點擊「工作」分類並以全美為範圍搜尋「資料科學家(大數據)」,截至一月中就可以找到8,600件以上的工作機會。
這些公司都想要從手邊龐大的數據中彙整出有商業價值的部分,但是資料科學家(大數據)若是要做到這項要求並抓住眼前這些絕佳的機會,就必須不斷的學習新知並更深入的鑽研這項學問,
因為不管是人、公司機構或事物都會不斷的增生更龐大的資訊量。
讓更多的人得到正確的工具,並且教會他們如何把數據變成對未來的洞悉能力,不單是讓他們達到市場所需,更是讓資料科學能加完整地發揮它的潛能。

 

 

如果您已經準備好要踏出下一步,請參考Devavrat教授的新課程。
該課程於2017年3月30日開始授課
欲洽更多資訊請上MIT Professional Education網站,網址:https://goo.gl/MgKUK1 

 

想淋漓盡致地運用大數據,有效的數據科學訓練是最好的途徑

來自麻省理工學院電子工程和電腦科學系的特別嘉賓Devavrat Shah教授在專訪中談到, 數據科學家若是想要在龐大資訊中, 提取出最有價值的部分,便需要接受的訓練類型。
(Shah教授是MIT專業教育課程《數據科學:從數據到洞悉》的教學主任,MIT統計學和數據科學中心(SDSC)的主任,同時也是數據、系統和社會研究所(IDSS)的核心成員,另外還是MIT訊息及決策系統實驗室(LIDS)和運籌學中心(ORC)的成員。)

 

各種不同的機構都對能夠從龐大數據中洞悉資訊以便有效運行、增加收益或是提升業務的方式非常感興趣。
但是這些洞悉能力並不是憑空就能得到的,必須靠接受過訓練的數據科學家運用所學才能得到最好的結果。

 

關鍵就在於「受訓」,雖然說統計學、解析學、資料探勘、型態辨識和其他領域並不是什麼新的概念,但是數據科學本身的理念是利用這些知識挖掘有價值的資訊。
有效率的應用方式並不是工程師們光靠自學得到一點毛皮就能學會的,他們需要的是適當的訓練。

 

為了讓訓練有實質效用,其內容必須涉及各種領域的知識,像是工程學、社會科學、數學和統計學。
在理想的狀態下,訓練課程需要包含以下主題:

 

結構鬆散的數據:
資料探勘工具長久以來都被用於能在資料庫中找到的那種結構化的數據上,但是現在有很多龐大的數據都是未事先結構化的。
例如文字檔、報告、社群媒體提供的資訊、畫面或是其他資源,而資料探勘工具在這類數據資源中搜索的效能並不高,因為探勘工具大多是為了已知的結構設計的。
但在經過有效的訓練,學會如何使用最新科技後,數據科學家便能藉由各種先進的機器學習演算法整理龐大的數據,在其中找出先前不明確的邏輯與架構。

 

迴歸和預測:
整理龐大的數據需要在變量中尋找關聯的能力,而且通常要整理的變量甚至不只一組。
這代表數據科學家必須接受迴歸技巧的訓練,其中包括了雙變量(兩組變量)和多變量(兩組以上的變量)的迴歸流程。
在提到這個部分時,迴歸樹、提升樹和隨機森林一類專有名詞應該是大家所熟悉的。
同樣的,對於現代預測方法來說,能夠藉由對其的熟悉度利用驗證樣本和交叉驗證的方式達到預測成效是很重要的。

 

數據分類和假設測試:
數據科學家必須擁有多種技能和熟知數據分類的辦法才能有效的分析數據。
同時,他們還需要學會如何測試假設和偵測像是詐騙以及其他惡意行為的反常數據。
數據科學家也需要了解各種方法的極限和誤用可能帶來的危險。

 

推薦系統:
我們都對推薦系統有一定的認識,因為它是亞馬遜、Netflix、LinkedIn和YouTube等公司的主要線上構成。
有一些推薦系統運作能力超群,能依照過去的行為模式預測出訪客可能想要的資訊,但是設計和架構一套好用的推薦系統需要對運作原理和背後的演算法有詳盡的了解。

 

圖表範例和網路:
圖表範例對理解複雜的資訊和推動數據計算有極大的幫助,讓我們能揭露網路資訊中存在的既有模式、功能和行為,這種辦法不管是應用在基因管理網路或是社群網路都是一樣的。
數據科學家必須學會分析這種網路環境的辦法,首先是學習如何用圖表說明他們的系統,再來是向心性量測、影響最大化和藉由干涉得到對不同圖表範例的分析。
數據科學家用這種方式找到了各地的互動模式,而這正是企業最在乎的大規模網路影響指標。

 

為了追求最好的效果,訓練課程中應該要包含案例研究,才能讓學員了解各種概念的實際用途。
這邊提到的案例研究可延伸到不同領域,例如實施不同類型的回歸、將性別造成的薪資差異具象化、玩味深度神經網路和了解它們如何做出決策。
這樣的案例研究對數據科學家是相當珍貴的,因為那可以幫助他們了解如何在自己的組織系統中應用所學。

 

近年來,Gartner調查發現只有41%的IT專員認為他們的公司已經準備好面對兩年後數位產業的需求,意指59%的專員承認他們毫無防備。
別讓您的員工成為沒有準備的那一半,現在就替他們安排一些實用的數據科學訓練,讓他們有能力迎接大數據時代的需求。

 

 

MIT最新線上課程: Data Science (可取得MIT證照)

即將於3/30開課

報名網址: https://goo.gl/K15Zk2

MIT最新線上課程: 資料科學:從數據到洞悉(Data Science: Data to Insights)

課程描述:

能夠快速分析並對數據做出反應的能力日漸成為一種迫切的需求。為了幫助您在大量數據中培養出重要的洞悉能力。
麻省理工學院專業教育與其數據、系統及社會研究所(IDSS)合作,提供《資料科學:從數據到洞悉》這場為期六週的線上課程。
為了讓您更加瞭解數據科學的基礎,我們會請您提供貴公司遇過最棘手的數據分析。

 

主要收穫:

在這個深度線上課程中,您將學會:

1.如何將資料科學的技巧有效地套用在貴公司遇到的挑戰上。
2.如何在大筆數據分析中找出常見的錯誤以及避免該錯誤的策略。
3.如何加強您對機器學習的知識並瞭解如何實際運用。
4.如何解析範例並學習應該問什麼樣的問題才能做出更好的商業決策。

 

「資料科學在現代組織裡需要建立三樣東西:
(1) 能聚集或蒐集正確資料的檢測平台,(2) 貯存並能提供一定規模數據的設施,以及(3)能利用統計學和機器學習處理從數據中萃出的訊息並做出有效決策的系統」。
教學主任
Devavrat Shah表示,「本課程會著重在這三項元素上,同時也會指導學生,讓他們了解在既有的決策中應該要蒐集哪些數據才正確。」

 

課程安排

麻省理工學院專業教育(MIT Professional Education)數位課程是為工作繁忙的人員所設計,在六週的上課期間內,沒有限制觀看時間。

 

課程特色

1.教學影片、案例研究、以研究為基礎的課程內容皆由麻省理工學院傑出的教授們提供。
2.完整的課堂紀錄
3.完善並能培養網路作業的協作環境

 

課程大綱

數據科學可分成五大單元:

單元一:讓結構鬆散的數據變得有意義

學習如何過濾龐大的數據,並找出其規律或是隱藏的架構。
本單元將會探討現代分析工具,例如集群分析、降維和光譜分析技巧。

 

單元二:回歸和預測

在典型線性和非線性回歸中取得穩固的基礎就如同在現代回歸中取得高維度的數據。
除此之外,您還可以利用回歸樹、提升樹和隨機森林了解如何解決預測中的問題。

 

單元三:分類、假設測試和異常偵測

 

探討分類統計方式、假設測試及其應用範圍,其中包括了偵測數據異常、詐騙、垃圾資訊和其他惡意行為。
在看過幾項範例之後,您將會對應用、限制和使用這些辦法有更深的認知。

 

單元四:建議系統

了解為什麼這些推薦的系統會成為從大量數據中找出相關資訊最好的選擇。
學習Netflix、YouTube、Spotify和Amazon這些頂尖的公司是如何使用演算法設計並發展他們強大的系統。

 

單元五:網路和圖表範例

學習利用數據分析大量網路資訊、確認其性能或功能並推斷流失數據最好的幾種方式。本單元還會著重於圖表範例可以如何幫助您設立網路流程和有效統計數值。

 

在每個單元中,教師們會示範如何將這些實用的技巧套用在實際案例中。

 

授課教授名單

Devavrat Shah 教授,教學主任

教授

訊息及決策系統實驗室(LIDS)、電腦科學及人工智慧實驗室(CSAIL)和運籌學中心(ORC)

 

Guy Bresler 教授

助理教授

電子工程及電腦科學、LIDS和IDSS

 

Victor Chernozhukov 教授

教授

經濟學系;數據中心

 

Stefanie Jegelka教授

助理教授

數據、系統和社會研究所(IDSS)、電子工程和電腦科學系(EECS)

 

Ankur Moitra 教授

助理教授

數學系及電腦科學和人工智慧實驗室(CSAIL)之成員

Philippe Rigollet 教授,教學主任

助理教授

數學系和統計學中心

 

Tamara Broderick 教授

助理教授

數據、系統和社會研究所(IDSS)、電子工程和電腦科學系(EECS)

 

David Gamarnik 教授

教授

麻省史隆管理學院

 

Jonathan Kelner 教授

助理教授

數學系和麻省點腦科學和人工智慧實驗室(CSAIL)之成員

 

Caroline Uhler 教授

助理教授

數據、系統和社會研究所(IDSS)、電子工程和電腦科學系(EECS)

 

開課時間: 2017/3/30
上課期間: 六週
線上報名網址: https://goo.gl/J0MUsc