企业数字化进程还有很大进步空间

今日在公司报销上次差旅费,发现提报系统又改版了,整整花了两个多小时,才把一个报销弄完,提单、打印、贴票,还有各种证明,中途整的全身冒汗,火冒三丈,身在一个互联网公司,而且有办公领域业务,这么多年来,出差报销的流程还是如此繁琐,深感诧异,深感愤怒,也略有无奈。

中途有考虑过是不是自己的问题,但我也是经常走这个流程的了,基本上每两个月都会有一次报销,应该说是一个较为了,依然还是有如此高的操作成本,这些浪费的人工时间,对公司来说,是一个挺大的浪费,着实是有些不值当。

回想起来,最大的问题出在哪里呢,也待过效率很高的企业,差别主要在以下:

一,形式上,高效企业只需要电子票据就能完成整个流程,而不需要再贴纸质票据。

二,材料上,高效企业只需要简单的单据,而无需十分繁琐的各种证明。

三,内核上,高效企业对员工会有更强的信任感,在一定金额范围内,会更多的相信员工,尽量使流程简化。

在某种程度上,其实是一家公司的格局,是这家公司掌舵者的格局问题,对待员工是选择相信还是提防,是怕被部分投机者窃取利益,还是更珍视高效节省的人力成本。

这个问题相信不是某个企业的个例,每家公司数字化程度参差不齐,如果真是的去量化数字化带来的提升,会让企业主更加重视数字化便利性建设。

信息化、数字化,会是未来每一个企业都需要投入的,而且是持续投入的,这是一个长期具有超强性价比的决定。

从另一层面,繁琐的报销流程就将自己弄得火冒三丈,也说明自身的气量修为也有很大的进步空间。

Read more

利用神经网络拟合一元二次方程

我们这次要拟合的关系是一个一元二次方程 目标 * 理解参数初始化对于模型效果的重要影响。 * 学习模型训练过程中,如何通过观察损失值相应的调整学习率、epoch大小。 数据构建 这次我们在准备数据的时候,就将数据进行划分好,总训练集100个,训练集90个,测试集10个。 # 生成准备y = x^2 + 2x + 1数据,共100个点,并按9:1的比例划分为训练集和测试集,并保存到CSV文件 ​ import numpy as np ​ from sklearn.model_selection import train_test_split ​ # 生成输入数据 x = np.linspace(-10, 10, 100) # 在[-10, 10]范围内生成100个均匀分布的点 ​ # 生成目标输出数据 y = x**2 + 2 * x

By 李浩

利用神经网络拟合一元线性方程

在现代人工智能技术中,神经网络通常被应用于复杂的非线性问题,如图像分类、语音识别和自然语言处理。然而,即便是简单的数学关系,像一元线性方程(y = ax + b) 的拟合,对于理解神经网络的基本原理、训练过程及其局限性会是很好的学习案例。 本文将探索如何利用神经网络来拟合这样一个简单的线性方程。我们将从零开始搭建一个基础网络,通过逐步训练,观察网络如何学习到输入与输出之间的线性关系。通过这个简单的示例,我们不仅可以验证神经网络的学习能力,还可以揭示一些训练过程中的常见挑战和优化技巧。 选择拟合的目标方程是: 目标 * 对可视化探索、模型构建、模型训练、模型测试有一个全程直观了解。 * 观察学习率、epoch调整对结果训练结果带来的影响。 数据构建 先来手动制作一批训练数据,以便为神经网络提供可用于拟合的样本数据。可以快速编写一个小脚本,生成 100 对 (x, y) 数据点,并将其保存在 train.csv 文件中。我们选择了一元线性方程 y = ax + b 的形式,后续构建神经网络及训练的目标是,通过训练逐步学习到系数 a

By 李浩

企业挣钱跟小区店铺有类似逻辑

今天在填明年海外部门预算,以往都是敷衍了事,没有在意,这次专门看了具体条目,以及金额数量,才发现预算金额如此庞大,再加上idc成本,人员成本,场地费,税务,剩下的就没多少来。一直以为挣了好多好多,结果算上来净利润还是在百分之三十左右,虽然说对比其他行业来说,已经是一个非常不错的水平了,但对于之前没有详细算过账的感觉来说,一下就打破模糊的偏差认知了。 这个利润率,也是公司坚持投入了好多年,才逐步打平以至营收的。 具体办企业与小商店在底层逻辑上有哪些共同点呢。 一,最后的利润,都是钱经过层层漏斗,漏到最后能留下来的,才是最后到口袋的。哪一个环节没有做好控制,都容易入不敷出。每个环节的成本控制,都不可忽视。对于负责人或老板来说,对每个环节的成本支出必须做到了然于胸。 二,外部合作必不可少,不管是企业还是小商店,都只是经济环节中的某一环,都会有上下游合作方,对于软件公司来说,云平台、支付渠道、投流平台等都会涉及到与其他企业的利益分配。对于小商店来说,进货商、场地租金、营收工具等都需要花钱解决,商店本身只负责末端售卖。大家都是整条产业链中的一环,参与进来才是最重要的。 三,都会有成本,

By 李浩

好的故事创意是否不会枯竭

似乎好久没有看到十分精彩的电影了,新出的电影观影过程中几乎就能才到后续的发展,总会感觉似曾相识或过于老套,引发了一个思考 - 好的故事创意是否不会枯竭。 如果不会枯竭,说明创意是一个永不会灌满的大水池,想不出创意只是能力问题,创意的点还无穷无尽。如何论证呢,无法论证,但是能计算,何解? 创意也可以分解为创意点的组合,将人类有史以来所有的故事放在一起,进行分解,可以提取出不同维度的要点,并且每个要点都会是可枚举的,即便是还未被创作出来的,其要点数量也会是可枚举的,可枚举的要点排列组合在一起,就会是一个有限数量大小。 如此看来,整个池子是一个固定数量,前面的创意点相对容易挖掘,越到后面,越难挖掘出来,想必这就是电影越来越难以创新的原因了,已挖掘的创意点多了,后续创意需要避开现有点才能被称为创意。 站在人的维度,看的电影越多,后续能触动到你的点就越少了。

By 李浩