企业家在运用资本时往往面临着两大挑战:大规模运营的复杂性,以及市场条件的不可预见性。一般来讲,当市场风向变化且业务增长缓慢时,初创公司和上市企业往往都会全面裁员以减缓资本耗损的速度。
根据Crunchbase的数据,今年到目前为止,全球遭解雇的科技员工已达近45000名。在过去几个月里,Glossier、Go Puff、Klarna和Netflix等知名企业都发生过裁员,更多互联网公司则暂停招聘。
在HackerEarth,我们成功度过了两轮衰退周期,且从未进行过任何裁员。最近10年来,我们发现了一种可持续的招聘和项目实验方法,足以帮助我们驾驭充满不确定性的市场条件。
时刻保持「安全车距」
为了保持精益,我们一直设定并执行一组目标和最佳实践,让我们能够随着持续变化的市场而灵活调整,避免一切资源浪费。在任何特定时段之内,我们的员工组合都在给完美条件打个九折的状态工作。设想一下,如果说我们在高速公路上开车时,与前方车辆间保持的距离有个完美条件下的理论值,那我们就把它再放大一些作为常态。这样当市场快速变化时,企业就不致于因运营状态过于极限而引发「意外」。
如此一来,我们可以在「安全车距」内做出干预、及时反应,又不会对员工造成重大干扰。总之,我们会主动规划员工组合来应对当前及未来,而不是在发现压力后第一时间调整招聘计划、甚至着手裁员。
这样的运营思路不仅让我们能够对变化做出快速反应,也有助于提高每位员工的效率。当人员配备略低于最佳状态时,人们就有机会比绩效标准做得更好。而这种完成目标的感觉,能让整个团队以更自信的态度追求新的效率与成长。
建立强大文化,保障产品目标
由于留下了10%的效率空间,那这部分就要靠文化来填补。在招聘时,我们会优先考虑具备多样化灵活技能组合、可以适应需求变化的候选人。这就让我们的团队能够同时处理多个项目,并减少成员之间隔绝孤立的思维和行为。
作为管理团队,我们共同做出决策,并对最终决定承担集体责任。只有建立起透明和开放的沟通渠道,这种联合决策才有可能实现。我们尽可能与团队分享意见,因此在组织当中,新人员工所知悉的信息很可能达到某位高管的99%。
建立开放沟通文化的最佳方式,就是努力建立横向沟通渠道,并授权中层管理者自主做出重要决策。作为人才留存战略的重要一环,我们专注于增强员工信任和忠诚度。根据相关调查,当员工信任雇主时,他们在工作中主动找到解决方案的可能性要高出23%。根据亲身经历,我们发现这个结论真实可信。
别把人孤立于寒风当中
说起从不裁员,很多朋友可能觉得那是因为我们公司的业务没怎么受大环境的影响。真是这样就好了,其实近几年的震荡下哪有完全不受影响的企业呢?
这10年来,我们至少有两次都是在搜肠刮肚,希望找到在不裁员的前提下压缩预算的办法。首先就是关闭一条业务线,但继续保留所有团队成员。我们让这部分员工转向其他业务价值,变成增强另外部门的重要后援。
在这里,我们贯彻了建立多样化团队、灵活发挥自身优势的思维。事实上,我们的任何一个团队都不会100%满负荷,这样就能轻松实现团队间的人员往来,同时避免对预算产生显著影响。
在疫情最严重的时期,我们再次陷入困境。这时候的现实问题主要集中在工作方式和工作地点上。为了适应新的现实,我们集思广益并制定出最佳行动方案,最终决定以减薪但不裁员的方式降低运营风险。这是一项集体决定,团队中的每个人都表示支持,而且大家都认为相对于失去伙伴、少拿点工资其实不是什么大问题。
这个决定也来自长期观察和短期内的实验性调整。如果业务再次回暖,我们该做点什么?如果招不到合适的新人,我们要怎么办?要回答这些问题,我们就必须开放沟通渠道,定期与员工们分享企业决策背后的考量。
可持续增长重于盲目扩张
在我们的业务中,可持续运营绝不代表保守。我们是专注于衡量回报、计算风险,追求雄心勃勃目标的同时,也采取精心设计的试水方案。
我们知道,要想实现真正的增长,就必须勇敢跨出舒适区。无论一项倡议看起来多么古怪或者不可思议,我们总会以成本极低的方式进行尝试,并最终将其推向某个具备合理性和成功可能的状态。
具体来讲,我们的大多数实验都不会被一次性赋予太多资源。我们乐于接受失败,因为哪怕路走不通,项目中的人员和资源也可以被重新分配给其他工作。
我们不知道自己的这条「不裁员」之路有没有带来什么启发,但至少这十年来,我们的业务支柱仍然稳健坚实,我们也一直非常谨慎地看待招聘工作,只在必要时才增添新成员。我们的团队一直精干老练,总能在出现问题时帮企业扛住不少压力。
我们也关注初创心态,深信员工们能够理解这个集体的难处、愿意共同让步以解决问题。最后,我们将这种信任融入企业文化,让员工的忠诚度成为这家公司的立足之本。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。