解决问题图片素材免费下载，千图网为中国设计师们免费提供包括，，。千图网素材为用户免费分享产生，若发现您的权利被侵害，请联系 ，我们尽快处理Copyright & 2015 沪ICP备号-6 用时：0.0335上海工商实例详解机器学习如何解决问题前言
随着大数据时代的到来，机器学习成为解决问题的一种重要且关键的工具。不管是工业界还是学术界，机器学习都是一个炙手可热的方向，但是学术界和工业界对机器学习的研究各有侧重，学术界侧重于对机器学习理论的研究，工业界侧重于如何用机器学习来解决实际问题。我们结合美团在机器学习上的实践，进行一个实战（InAction）系列的介绍（带“机器学习InAction系列”标签的文章），介绍机器学习在解决工业界问题的实战中所需的基本技术、经验和技巧。本文主要结合实际问题，概要地介绍机器学习解决实际问题的整个流程，包括对问题建模、准备训练数据、抽取特征、训练模型和优化模型等关键环节；另外几篇则会对这些关键环节进行更深入地介绍。
下文分为1）机器学习的概述，2）对问题建模，3）准备训练数据，4）抽取特征，5）训练模型，6）优化模型，7）总结 共7个章节进行介绍。
机器学习的概述：
###什么是机器学习？随着机器学习在实际工业领域中不断获得应用，这个词已经被赋予了各种不同含义。在本文中的“机器学习”含义与wikipedia上的解释比较契合，如下：Machine learning is a scientific discipline that deals with the construction and study of algorithms that can learn from data.
机器学习可以分为无监督学习（unsupervised learning）和有监督学习（supervised learning），在工业界中，有监督学习是更常见和更有价值的方式，下文中主要以这种方式展开介绍。如下图中所示，有监督的机器学习在解决实际问题时，有两个流程，一个是离线训练流程（蓝色箭头），包含数据筛选和清洗、特征抽取、模型训练和优化模型等环节；另一个流程则是应用流程（绿色箭头），对需要预估的数据，抽取特征，应用离线训练得到的模型进行预估，获得预估值作用在实际产品中。在这两个流程中，离线训练是最有技术挑战的工作（在线预估流程很多工作可以复用离线训练流程的工作），所以下文主要介绍离线训练流程。
###什么是模型（model）？模型，是机器学习中的一个重要概念，简单的讲，指特征空间到输出空间的映射；一般由模型的假设函数和参数w组成（下面公式就是Logistic Regression模型的一种表达，在训练模型的章节做稍详细的解释）；一个模型的假设空间（hypothesis space），指给定模型所有可能w对应的输出空间组成的集合。工业界常用的模型有Logistic Regression（简称LR）、Gradient Boosting Decision Tree（简称GBDT）、Support Vector Machine（简称SVM）、Deep Neural Network（简称DNN）等。模型训练就是基于训练数据，获得一组参数w，使得特定目标最优，即获得了特征空间到输出空间的最优映射，具体怎么实现，见训练模型章节。
###为什么要用机器学习解决问题？
目前处于大数据时代，到处都有成T成P的数据，简单规则处理难以发挥这些数据的价值；
廉价的高性能计算，使得基于大规模数据的学习时间和代价降低；
廉价的大规模存储，使得能够更快地和代价更小地处理大规模数据；
存在大量高价值的问题，使得花大量精力用机器学习解决问题后，能获得丰厚收益。
###机器学习应该用于解决什么问题？
目标问题需要价值巨大，因为机器学习解决问题有一定的代价；
目标问题有大量数据可用，有大量数据才能使机器学习比较好地解决问题（相对于简单规则或人工）；
目标问题由多种因素（特征）决定，机器学习解决问题的优势才能体现（相对于简单规则或人工）；
目标问题需要持续优化，因为机器学习可以基于数据自我学习和迭代，持续地发挥价值。
对问题建模
本文以DEAL（团购单）交易额预估问题为例（就是预估一个给定DEAL一段时间内卖了多少钱），介绍使用机器学习如何解决问题。首先需要：
收集问题的资料，理解问题，成为这个问题的专家；
拆解问题，简化问题，将问题转化机器可预估的问题。
深入理解和分析DEAL交易额后，可以将它分解为如下图的几个问题：
###单个模型？多个模型？如何来选择？按照上图进行拆解后，预估DEAL交易额就有2种可能模式，一种是直接预估交易额；另一种是预估各子问题，如建立一个用户数模型和建立一个访购率模型（访问这个DEAL的用户会购买的单子数），再基于这些子问题的预估值计算交易额。
不同方式有不同优缺点，具体如下：
1. 预估难度大 2. 风险比较高
1. 理论上可以获得最优预估（实际上很难） 2. 一次解决问题
1. 可能产生积累误差 2. 训练和应用成本高
1. 单个子模型更容易实现比较准地预估 2. 可以调整子模型的融合方式，以达到最佳效果
选择哪种模式？1）问题可预估的难度，难度大，则考虑用多模型；2）问题本身的重要性，问题很重要，则考虑用多模型；3）多个模型的关系是否明确，关系明确，则可以用多模型。
如果采用多模型，如何融合？可以根据问题的特点和要求进行线性融合，或进行复杂的融合。以本文问题为例，至少可以有如下两种：
###模型选择对于DEAL交易额这个问题，我们认为直接预估难度很大，希望拆成子问题进行预估，即多模型模式。那样就需要建立用户数模型和访购率模型，因为机器学习解决问题的方式类似，下文只以访购率模型为例。要解决访购率问题，首先要选择模型，我们有如下的一些考虑：
主要考虑1）选择与业务目标一致的模型；2）选择与训练数据和特征相符的模型。
训练数据少，High Level特征多，则使用“复杂”的非线性模型（流行的GBDT、Random Forest等）；
训练数据很大量，Low Level特征多，则使用“简单”的线性模型（流行的LR、Linear-SVM等）。
补充考虑1）当前模型是否被工业界广泛使用；2）当前模型是否有比较成熟的开源工具包（公司内或公司外）；3）当前工具包能够的处理数据量能否满足要求；4）自己对当前模型理论是否了解，是否之前用过该模型解决问题。
为实际问题选择模型，需要转化问题的业务目标为模型评价目标，转化模型评价目标为模型优化目标；根据业务的不同目标，选择合适的模型，具体关系如下：
通常来讲，预估真实数值（回归）、大小顺序（排序）、目标所在的正确区间（分类）的难度从大到小，根据应用所需，尽可能选择难度小的目标进行。对于访购率预估的应用目标来说，我们至少需要知道大小顺序或真实数值，所以我们可以选择Area Under Curve（AUC）或Mean Absolute Error（MAE）作为评估目标，以Maximum likelihood为模型损失函数（即优化目标）。综上所述，我们选择spark版本 GBDT或LR，主要基于如下考虑：
1）可以解决排序或回归问题；
2）我们自己实现了算法，经常使用，效果很好；
3）支持海量数据；
4）工业界广泛使用。
准备训练数据
深入理解问题，针对问题选择了相应的模型后，接下来则需要准备数据；数据是机器学习解决问题的根本，数据选择不对，则问题不可能被解决，所以准备训练数据需要格外的小心和注意：
###注意点：
待解决问题的数据本身的分布尽量一致；
训练集/测试集分布与线上预测环境的数据分布尽可能一致，这里的分布是指（x,y）的分布，不仅仅是y的分布；
y数据噪音尽可能小，尽量剔除y有噪音的数据；
非必要不做采样，采样常常可能使实际数据分布发生变化，但是如果数据太大无法训练或者正负比例严重失调（如超过100:1）,则需要采样解决。
###常见问题及解决办法
待解决问题的数据分布不一致：1）访购率问题中DEAL数据可能差异很大，如美食DEAL和酒店DEAL的影响因素或表现很不一致，需要做特别处理；要么对数据提前归一化，要么将分布不一致因素作为特征，要么对各类别DEAL单独训练模型。
数据分布变化了：1）用半年前的数据训练模型，用来预测当前数据，因为数据分布随着时间可能变化了，效果可能很差。尽量用近期的数据训练，来预测当前数据，历史的数据可以做降权用到模型，或做transfer learning。
y数据有噪音：1）在建立CTR模型时，将用户没有看到的Item作为负例，这些Item是因为用户没有看到才没有被点击，不一定是用户不喜欢而没有被点击，所以这些Item是有噪音的。可以采用一些简单规则，剔除这些噪音负例，如采用skip-above思想，即用户点过的Item之上，没有点过的Item作为负例（假设用户是从上往下浏览Item）。
采样方法有偏，没有覆盖整个集合：1）访购率问题中，如果只取只有一个门店的DEAL进行预估，则对于多门店的DEAL无法很好预估。应该保证一个门店的和多个门店的DEAL数据都有；2）无客观数据的二分类问题，用规则来获得正/负例，规则对正/负例的覆盖不全面。应该随机抽样数据，进行人工标注，以确保抽样数据和实际数据分布一致。
###访购率问题的训练数据
收集N个月的DEAL数据（x）及相应访购率（y）；
收集最近N个月，剔除节假日等非常规时间 （保持分布一致）；
只收集在线时长&T 且 访问用户数 & U的DEAL （减少y的噪音）；
考虑DEAL销量生命周期 （保持分布一致）；
考虑不同城市、不同商圈、不同品类的差别 （保持分布一致）。
完成数据筛选和清洗后，就需要对数据抽取特征，就是完成输入空间到特征空间的转换（见下图）。针对线性模型或非线性模型需要进行不同特征抽取，线性模型需要更多特征抽取工作和技巧，而非线性模型对特征抽取要求相对较低。
通常，特征可以分为High Level与Low Level，High Level指含义比较泛的特征，Low Level指含义比较特定的特征，举例来说：
DEAL A1属于POIA，人均50以下，访购率高；
DEAL A2属于POIA，人均50以上，访购率高；
DEAL B1属于POIB，人均50以下，访购率高；
DEAL B2属于POIB，人均50以上，访购率底；
基于上面的数据，可以抽到两种特征，POI（门店）或人均消费；POI特征则是Low Level特征，人均消费则是High Level特征；假设模型通过学习，获得如下预估：
如果DEALx 属于POIA（Low Level feature），访购率高；
如果DEALx 人均50以下（High Level feature），访购率高。
所以，总体上，Low Level 比较有针对性，单个特征覆盖面小（含有这个特征的数据不多），特征数量（维度）很大。High Level比较泛化，单个特征覆盖面大（含有这个特征的数据很多），特征数量（维度）不大。长尾样本的预测值主要受High Level特征影响。高频样本的预测值主要受Low Level特征影响。
对于访购率问题，有大量的High Level或Low Level的特征，其中一些展示在下图：
非线性模型的特征1）可以主要使用High Level特征，因为计算复杂度大，所以特征维度不宜太高；2）通过High Level非线性映射可以比较好地拟合目标。
线性模型的特征1）特征体系要尽可能全面，High Level和Low Level都要有；2）可以将High Level转换Low Level，以提升模型的拟合能力。
###特征归一化特征抽取后，如果不同特征的取值范围相差很大，最好对特征进行归一化，以取得更好的效果，常见的归一化方式如下：
Rescaling：归一化到[0,1] 或 [-1，1]，用类似方式：
Standardization：设为x分布的均值，为x分布的标准差；
Scaling to unit length：归一化到单位长度向量
###特征选择特征抽取和归一化之后，如果发现特征太多，导致模型无法训练，或很容易导致模型过拟合，则需要对特征进行选择，挑选有价值的特征。
Filter：假设特征子集对模型预估的影响互相独立，选择一个特征子集，分析该子集和数据Label的关系，如果存在某种正相关，则认为该特征子集有效。衡量特征子集和数据Label关系的算法有很多，如Chi-square，Information Gain。
Wrapper：选择一个特征子集加入原有特征集合，用模型进行训练，比较子集加入前后的效果，如果效果变好，则认为该特征子集有效，否则认为无效。
Embedded：将特征选择和模型训练结合起来，如在损失函数中加入L1 Norm ，L2 Norm。
完成特征抽取和处理后，就可以开始模型训练了，下文以简单且常用的Logistic Regression模型（下称LR模型）为例，进行简单介绍。设有m个（x,y）训练数据，其中x为特征向量，y为label，；w为模型中参数向量，即模型训练中需要学习的对象。所谓训练模型，就是选定假说函数和损失函数，基于已有训练数据（x,y），不断调整w，使得损失函数最优，相应的w就是最终学习结果，也就得到相应的模型。
###模型函数
1）假说函数，即假设x和y存在一种函数关系：
2）损失函数，基于上述假设函数，构建模型损失函数（优化目标），在LR中通常以（x,y）的最大似然估计为目标：
###优化算法
梯度下降（Gradient Descent）即w沿着损失函数的负梯度方向进行调整，示意图见下图，的梯度即一阶导数（见下式），梯度下降有多种类型，如随机梯度下降或批量梯度下降。随机梯度下降（Stochastic Gradient Descent），每一步随机选择一个样本，计算相应的梯度，并完成w的更新，如下式，批量梯度下降（Batch Gradient Descent）,每一步都计算训练数据中的所有样本对应的梯度，w沿着这个梯度方向迭代，即
牛顿法（Newton’s Method）牛顿法的基本思想是在极小点附近通过对目标函数做二阶Taylor展开，进而找到L(w)的极小点的估计值。形象地讲，在wk处做切线，该切线与L(w)=0的交点即为下一个迭代点wk+1（示意图如下）。w的更新公式如下，其中目标函数的二阶偏导数，即为大名鼎鼎的Hessian矩阵。拟牛顿法（Quasi-Newton Methods）：计算目标函数的二阶偏导数，难度较大，更为复杂的是目标函数的Hessian矩阵无法保持正定；不用二阶偏导数而构造出可以近似Hessian矩阵的逆的正定对称阵，从而在&拟牛顿&的条件下优化目标函数。BFGS：
使用BFGS公式对H(w)进行近似，内存中需要放H(w),内存需要O(m2)级别；L-BFGS：存储有限次数（如k次）的更新矩阵，用这些更新矩阵生成新的H(w),内存降至O(m)级别；OWLQN: 如果在目标函数中引入L1正则化，需要引入虚梯度来解决目标函数不可导问题，OWLQN就是用来解决这个问题。
Coordinate Descent对于w，每次迭代，固定其他维度不变，只对其一个维度进行搜索，确定最优下降方向（示意图如下），公式表达如下：
经过上文提到的数据筛选和清洗、特征设计和选择、模型训练，就得到了一个模型，但是如果发现效果不好？怎么办？【首先】反思目标是否可预估，数据和特征是否存在bug。【然后】分析一下模型是Overfitting还是Underfitting，从数据、特征和模型等环节做针对性优化。
###Underfitting & Overfitting所谓Underfitting，即模型没有学到数据内在关系，如下图左一所示，产生分类面不能很好的区分X和O两类数据；产生的深层原因，就是模型假设空间太小或者模型假设空间偏离。所谓Overfitting，即模型过渡拟合了训练数据的内在关系，如下图右一所示，产生分类面过好地区分X和O两类数据，而真实分类面可能并不是这样，以至于在非训练数据上表现不好；产生的深层原因，是巨大的模型假设空间与稀疏的数据之间的矛盾。
在实战中，可以基于模型在训练集和测试集上的表现来确定当前模型到底是Underfitting还是Overfitting，判断方式如下表：
训练集表现
测试集表现
& 期望目标值
& 期望目标值
Underfitting
& 期望目标值
接近或略逊于训练集
& 期望目标值
远差于训练集
Overfitting
###怎么解决Underfitting和Overfitting问题？
Underfitting
1. 增加特征2. 删除噪音特征
1. 调低正则项的惩罚参数 2. 换更“复杂”的模型（如把线性模型换为非线性模型） 3. 多个模型级联或组合
Overfitting
1. 进行特征选择 2. 降维（如对特征进行聚类、主题模型进行处理等）
1. 提高正则项的惩罚参数2. 减少训练迭代次数 3. 换更“简单”的模型（如把非线性模型换为线性模型）
综上所述，机器学习解决问题涉及到问题建模、准备训练数据、抽取特征、训练模型和优化模型等关键环节，有如下要点：
理解业务，分解业务目标，规划模型可预估的路线图。
数据：y数据尽可能真实客观；训练集/测试集分布与线上应用环境的数据分布尽可能一致。
特征：利用Domain Knowledge进行特征抽取和选择；针对不同类型的模型设计不同的特征。
模型：针对不同业务目标、不同数据和特征，选择不同的模型；如果模型不符合预期，一定检查一下数据、特征、模型等处理环节是否有bug；考虑模型Underfitting和Qverfitting，针对性地优化。
不想错过技术博客更新？想给文章评论、和作者互动？第一时间获取技术沙龙信息？请关注我们的官方微信公众号“美团点评技术团队”。现在就拿出手机，扫一扫：关注我们扫码关注技术博客微信搜索 "美团技术团队"当前位置：
& 读后感 & 《工作就是要解决问题》读后感
读后感最新范文
········
读后感排行榜
读后感推荐范文
········
读后感相关范文
········
《工作就是要解决问题》读后感
查阅次数：1720次
发布人：admin
　　《工作就是要解决问题》读后感
　　(作者：刘春伟)
　　每一天，我们都会在工作中遇到各种各样的事情，有的事情能够解决，有的事情解决不了或是解决不好，就会形成问题，困扰好久。读了《工作就是要解决问题》，让我颇受启发。
　　主动性是解决问题的法宝。在问题出现前就能有所察觉，主动采取行动是很多优秀员工或管理者具有的共同特点。遇到问题才有所反应，被迫处理有可能会让自己陷入险境，如果经常处于被动状态，那工作就会变成疲于奔命，苦不堪言。而未雨绸缪往往能起到事半功倍的效果。
　　前瞻能力让人受益匪浅。守株待兔的事情当然也是有的，但是等待的煎熬需要更大的勇气。曾经听一个在会计师事务所工作的朋友讲过，在和客户的交流中对于客户提到的额外问题要特别引起注意，因为这些额外问题中都会蕴含着额外的机会，甚至有可能成为一个大项目。对于各个行当来说，抓住新机遇，充分利用，才能拓展并取得更大的成就。
　　问题总是存在的，关键是我们如何去对待它，与其听之任之，不如奋起攻之，或是扼杀在萌芽里。把握自己的每一天，就离我们心中的梦不远了。
　　读《工作就要解决问题》有感
　　(作者：蔡鹏)
　　“彻底解决工作中出现的问题，把工作做到最出色”。这是企业对员工最为根本的要求，也是励志在职业生涯当中有所收获的人所必须具备的职业素养。《工作就要解决问题》这本书紧密围绕“怎样成为积极寻找方法解决问题的好员工”这个问题，分别从思想态度，工作习惯以及方法等方面出发，结合生动的小案例，为大家指明了实现这一目标的途径。
　　在工作当中，我们会遇到各式各样的问题。解决问题就是我们工作的实质。也许每个人在工作中面对的问题各不相同，但工作当中的每个问题都隐藏着机遇，当我们选择逃避，推诿扯皮，把问题的责任转给其他人，或者是把问题留给老板的时候，就意味着我们已经在机遇面前选择了放弃。因此，我们不应当去回避或者是害怕问题的发生，而应该积极的去面对和解决各种各样的问题。只有勇于直面工作的挑战，承担起工作所带来的责任，才能把握住工作所带来的机遇，实现个人的价值。
　　俗话说得好，“工欲善其事，必先利其器”，空有鸿鹄之志，没有行动力，不学习不思考，最后也不会有理想的结果。所谓“用心做事，带着思想做事”，就是要求我们一方面不断的学习，多积累新的知识，多参考别人的成功经验，从而拓展我们的视野，能够帮助我们在面临问题时多些选择，多谢参考;另一方面，要认真研究问题，解决的方法毕竟总是要比问题多，勇于尝试新鲜事物，才能确保我们不会受僵化思维方式的束缚，通过创造性的解决方法来赢得最佳业绩;此外，细节永远决定成败。我们往往在工作当中会被“面”的问题所干扰，而忽略了“点”的存在。所谓“千里之堤毁于蚁穴”，尤其是在个别情况下，如果不能把细节问题处理好，不单会给今后留在隐患，甚至还会导致整个工作功亏一篑。相对地，如果在重复性的工作当中，能够把握住细节的差异，也能让自己的工作更加出彩。
　　此外，人作为个体总是生活在团队当中，无论个人的能力再如何突出，没有团队成员之间的相互协助和配合，即使个人的任务完成了，团队的努力也不可能取得好的收获。因此，如果要成为解决问题的高效员工，除了个人能力的培养，还必需积极融入团队当中，充分依赖、借用团队成员的力量，充分的在团队内进行沟通协同，以确保大家向着目标共同努力，共同进步。
　　最后，所有的工作成果都要经得起双效检验，也就是我们解决问题的过程既要有效率，又要有效果。我们的工作通常都会有时效性要求。无论问题的成果再怎么美好，没有在规定的时间之前完成，往往就会丧失它最宝贵的意义。从效果的要求看，做好一件工作就必须要求所有的问题能够得到有效的解决，假如最终的成果不是老板所需要的结果，那么最初所付出的一切努力都将变得没有意义。这既是把握细节这种基本职业素养的要求，也是衡量工作成绩的关键标准。
　　总之，“不积跬步，无以至千里”，个人价值的实现，需要在实际工作当中，以最终结果为导向，在个人的努力和团队协作的基础之上，通过一个个问题的解决来实现。成功没有速成公式，只有加倍的付出和努力，通过工作当中的点滴积累，才能在漫长的职业生涯当中收获辛勤劳动的果实。以上是读书的一点心得，望大家共勉。
　　《工作就是要解决问题》读后感
　　《工作就要解决问题》是最近非常畅销的职场励志书籍，是长期从事管理工作的丁川先生的著作。作为对人力资源问题有深入理解专家，结合个人经历以及组织行为心理分析，以通俗易懂的方式从多个角度向大家阐述了工作的目的，工作应有的态度，以及做好工作所必需掌握的技巧和方法。为众多职场人士心中的彷徨、疑问提供了很好的解释和答案。
　　在实际的工作当中，我们通常会遇到各种各样的问题。当我们接受一份工作的时候，就意味着我们必须要解决工作当中所遇到的各种各样的问题。“有工作，就意味着你还有价值”，只有选择不逃避、不抛弃、不放弃，放弃各种各样的借口，直面工作所带来的各种挑战，才能够证明自己的价值，才能够在职业生涯当中有所发展，个人价值得到实现。如果一味的逃避工作当中的问题，或者是把所遇到的问题推给其他人，个人的价值和能力就很难得到提高。
　　但是，光是勇于承担责任，直面问题是远远不够的，我们不但要“苦干”，更需要“巧干”。巧干不是投机取巧，而是要“用心做事，带着思想做事”。也就是说，在工作当中，我们需要不断的加强学习，努力掌握新的知识和新的方法，知识的积累可以为我们带来更新的视角，从而更深入的去理解问题，创造性的解决问题，不会去钻死胡同，做无用功。此外，在实际解决工作问题的时候，我们需要注意两方面的问题。一是在实际工作当中，一个人的力量永远是有限的。无论个人做的多么完美，如果集体出现了问题，个人的努力也将付之东流。所以，我们需要信任、依靠团队的伙伴，通过团队协作和配合，才能更好的解决各种问题。二是从始至终需要特别关注细节问题，正所谓“细节决定成败”，细节的问题没有处理好，很可能整个问题都没有办法解决。我们需要时时盯住细节这个魔鬼，在处理各种问题的时候，把细节处理好、消灭掉，才能做到所欲即所得。
　　工作的结果不单是要求我们按时完成了任务，更要求我们高效率的解决问题，对于效率的要求需要我们善于找到解决问题的关键，在锁定关键目标之后，通过制定细致的计划，有针对性的去应对和处理各种问题。此外，加强个人的时间管理，才能确保我们把工作安排的井井有条，把计划执行的更加顺畅。
　　总之，个人职业生涯的发展有赖于实际工作的绩效，干好工作又需要我们既要端正工作的态度，不推诿、不逃避工作责任;又要运用合适的技能高效地处理好工作当中的各种问题。
　　读《工作就要解决问题》有感
　　(作者：劳硕)
　　这本书从拿到手中开始就已经饱受争议，最大的原因不过是由公司统一推荐而又要求写读后感的书。就好像本来夏季里面你口渴了，这时候有人给你一杯水，本来你是很感激他的，可是那个给你水的人偏偏要让你写一篇文章来纪念你此时的心情。这种感觉，听起来就让人满是负担，鲜少感受到轻松惬意。好在这本书的题目——工作就要解决问题，我还很是认同，由此耐下心来品读了一番。
　　这是一本端正员工心态的书，浅显易懂，内含十一章，分别为牢记使命，工作就要解决问题;立即行动，积极面对所有问题;全力以赴，别把问题留给老板;勇于承担，问题来了我负责;用心做事，带着思想来工作;放弃借口，解决问题不推脱;敢想敢做，方法总比问题多;踏实认真，莫要败给细枝末节;重视效率，找到解决问题的关键;借力使力，团队协作找答案;彻底解决，给老板想要的结果。初看起来颇觉得乏味，但细品之后还是能够让人警醒的。那些看似空洞的口号提醒你要理解工作的实质，工作总会给你带来新的状况，带来新的机遇、新的挑战，要端正心态、正确认识，既能够呼吸到开窗带来的新鲜空气，又要能够编织出适当的网格，阻挡空气中的蚊子苍蝇，让你的生活和工作都因为工作而受益。
　　我个人很喜欢第六章的“遇困难，多找办法别找借口”，这一章中引用了一则一个普通业务员敢于接受高难度工作任务，虽未取得显著的工作成绩，但最终获得了工作升迁的机会。通过这个生动的案例，说明了工作的过程本身就是一个学习的过程，不怕干不了，就怕不去干。不敢去尝试的员工，永远开创不了新天地，只能在自己的狭小世界中徘徊。那些喜欢找借口的员工，往往将自己的失败归咎于工作的困难和对手的强大。在遇到困难和挫折的时候，不是积极地去想办法克服，而是去找各种各样的接口为自己的懒惰和灰心找理由。联系自身的实际工作，在面对工作中的难题与挑战时，我不会让“难”字写在工作的前面，让自己觉得“又来了一个问题”，我一直坚信：除了自己，没有任何人可以使你沮丧消沉，战胜不了自己的消极心态，就等于剥夺了个人成功的机会，最终使自己一事无成。承担的工作越富有挑战性，工作越有效率。艰巨的任务是锻炼自己能力难得的机会，在完成这些艰巨任务的过程中，工作能力和经验会迅速提升，这些都是通往成功之路的宝贵财富。
　　一本书只要能给你一个启迪都是好的，从这个角度看，这是一本值得一看的书。
【上一篇】
【下一篇】
&|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|& &|&}