支持小型运载火箭发射客户

　2017 年，任正非在华为战略务虚会上总结说：“我们胜利的两个基础：一是方向要大致正确；二是组织要充满活力。”

　　方向大致正确是高层领导的职责，让组织充满活力则是人力资源管理工作的任务：激发员工能够始终充满活力地长期艰苦奋斗，既是人力资源管理工作的巨大挑战、也是华为能够取得商业成功与可持续发展的关键驱动因素。

　　华为让组织充满活力，除了通过获取分享制为基础的物质文明建设、以满足员工的饥饿感，通过愿景牵引发展为手段的精神文明建设、以激发员工的使命感之外，还有基于对人性的深刻理解、通过末位淘汰制来保持员工的危机感，全方位地激发组织活力、驱动华为的商业成功和可持续发展。

　　很多企业都知道华为坚持实行末位淘汰制，但是很少有企业认真地思考过：华为为什么要实行末位淘汰制？华为是如何实行末位淘汰制的？华为为什么能够实行末位淘汰制？

　　学习华为管理经验要注重底层的逻辑，不仅要知其然、更要知其所以然，凡事多问几个为什么：只有想清楚了华为管理行为背后的底层逻辑，才能活学活用华为管理经验并取得实际效果，简单地照搬照抄华为管理经验是会被带到沟里去的，因为成功不能够被简单地复制。

　　笔者尝试分析华为实行末位淘汰制的底层逻辑、回答上面的三个问题，以帮助其他企业活学活用华为末位淘汰制管理经验，并能够取得实际的效果。

　　01

　　引入末位淘汰制

　　华为在对标学习先进与自身管理实践中，越来越认识到末位淘汰制对于激发组织活力的重要性，不仅引入了末位淘汰制，而且营造出了良好的文化氛围、长期坚持末位淘汰制。

　　1). 尝试末位淘汰制

　　西点军校坚定不移地贯彻末位淘汰制度，目的是用来挤压队伍、激活组织，鼓励先进、鞭策后进；任正非认为西点军校考核制度很好，早在 1995 年就将末位淘汰制引入了华为，要求每年保持5% 的自然淘汰率和 10% 的合理流动率、以激发员工的积极性。

　　“历史把我们推到一个不进则退、不进则亡的处境。我们只有坚定不移地向国际著名公司看齐，努力实现全面接轨，否则随时都有破产的危险。山羊为了不被狮子吃掉，必须跑得比狮子快；狮子为了不饿肚子，必须比山羊跑得快。

　　各个部门各个环节都必须优化自己，将懒羊、不学习上进的羊、没有责任心的羊吃掉。不愿意重新分配工作的员工，可以劝退，劝退的员工要注意他们的合理利益。每年华为要保持5% 的自然淘汰率与 10% 的合理流动率。哪一个部门的人员凝固了，就说明哪一个部门的领导僵化了。”（1995 年 12 月 26 日，任正非在 1995 年总结大会上的讲话：目前我们的形势和任务）
 

02 商业离不开气氛组

　　为何商业世界里的“气氛组”如此盛行？

　　因为“气氛组”能带来流量。

　　而流量与资本相结合，可以快速造就一个上市公司，实现丰厚的回报，比如，18 个月就上市的瑞幸。

　　这些被迅速催熟的企业，成了创业的标杆，以至于大量的创业者都将“烧钱”、“补贴”、“抢占流量”奉为信条。

　　商业的本质开始被忽略，“烧钱营销抢流量”成了企业发展的重头戏，毕竟大家都做的事，不做就等于落后。

　　譬如奶茶店门口的排队充场，商家想借助排队，来形成网红店的冷启动，他们相信当刻意安排的初始人群形成一定规模，达到一定阶段后，后续就会不断地产生自然流量，并且呈现指数级增长。通俗地讲，就是烧钱补贴到位后，新韭菜就会自然入坑，再被收割。

　　商业“气氛组”尊崇的理论逻辑是口碑营销。Jonah Berger 所著的《疯传》曾提到过，我们的消费决策有 20-50% 是受到口碑的直接影响。这里的口碑包括线上、线下、熟人、陌生人。

　　例如，亚马逊上一本书的一个五星好评会比一个一星评价平均多带来 20 本的销量。

　　背后的本质是，人类都喜欢“跟风”，因为“跟风”可以减少认知负担，也被进化证明是正确的行为——“跟风”不一定每次都对，但是比特立独行有更大的正确概率。

　　再来深究一下口碑营销的定义：口碑营销是指企业为消费者提供需要的产品和服务，同时制定口碑推广计划，让消费者自动传播公司的产品和服务的良好评价的一种营销方式。

　　关键就在这个“让”字。

　　产品初期怎么才能“让”消费者主动推荐企业产品？一定是商家运用某种手段刻意推动的。微博中无处不在的水军，淘宝里的刷单一族，网红店门口的排队充场，就在这种需求下被催生了。

　　但是，口碑营销不等于刷单排队，商业也不能和流量划等号，大部分商家只学到了皮毛，却没有看透真相。
 

下一步：自动驾驶

　　MIT-IBM Watson AI 实验室的 David Cox 团队希望将这种混合 AI 用于自动驾驶技术。

　　自动驾驶 AI 需要神经网络经过训练来识别其环境中的物体，并采取适当的措施。如果神经网络在训练中做错了什么，例如撞到行人，就会受到惩罚。

　　另一位小组成员 Nathan Fulton 解释这种机制：“为了学会不做坏事，它必须做坏事，体验过那些坏事，然后在做坏事之前找出 30 个步骤，防止自己陷入困境。”

　　因此，AI 学习安全驾驶需要大量的训练数据，而这些“坏事”让 AI 很难在现实世界中训练出来。

　　Fulton 和他的同事正在研究一种神经-符号 AI 方法，克服这种局限性。AI 的符号部分对现实世界的某些危险行为做出限制，来约束深度网络的行为。

　　从一开始就排除某些选择，这种简单的符号干预大大减少了训练 AI 所需的数据量。

　　“如果智能体不需要遇到一堆坏状态，那么它就只需要更少的数据，”Fulton 说。

　　尽管该项目仍未准备好在实验室外使用，但 Cox 设想了一个未来，具有神经-符号 AI 的汽车将可以在现实世界中学习，而符号组件将成为防止不良驾驶的保障。

（编辑：威海站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!