跳槽日记.2012.09 work2year

本文分享了作者在薪资谈判过程中的经历与感受,从加入公司到离职,详细描述了薪资调整、谈判过程及离职前后的心态变化。文章强调了在面对薪资不满意时,如何理性沟通与决策的重要性。

2010年毕业,8月进入了D公司,给银行做管理系统。待遇税后3000,非正编,有社保没有公积金。15个月后2011年12月转正、工资涨500,有了公积金。在北京3500的月薪什么都不是,于是在2012年4月找了一家月薪7k的公司,社保公积金齐全。就在快要谈妥的时候,项目经理找我谈话要给我加薪到5500(因为项目组连续有人跳槽,公司要稳定人心)。5500根本没有达到我的期望,我也没说什么。

等新的公司谈好后,遂向项目经理辞职,项目经理问是不是找好工作了,待遇如何。我都如实的告诉了他。项目经理说既然在这里给不了你那么多,有好的地方就走吧。很快项目经理又找我问我"如果部门老总也同意给这样的待遇,你愿意留下不?当然很可能不会给那么多,我是假设",我一时犹豫,没有回答。项目经理说“好的,我知道你的想法了”。然后我和项目经理被部门老总请去喝咖啡了,老总谈的云天雾地,包括个人的发展,公司的未来。半个小时我和项目经理一直没有机会插话,项目经理一直暗示我说话,后来正好部门老总接了个电话,项目经理说你直接提待遇问题别的不用说。于是等部门老总接完电话我就说如果公司给我这样的待遇我是不愿意跳槽的。于是老总留下经理让我回去了。第二天项目经理找我说部门老总同意给5500月薪加上今年10000的项目奖金。我感觉奖金这东西不太靠谱,就没有同意。项目经理说他可以保证让我拿到奖金,我当时真的不知道该做什么决定了。考虑到我如果留下就要做长期打算还是高工资靠谱。我于是提出月薪6500+20000奖金。项目经理没有同意,后来我们一个部门副总又找我,给我3500工资+3500补助。

当时我都无奈了,于是同意了,但是很大成分是因为是碍于部门副总和项目经理的面子。

接下来和项目经理部门副总相处依旧很好的,天天在项目组一块吃饭一块玩。但总感到部门老总对我有点隔阂,弄的我心里不是很不爽。时间越长越不爽,于是后悔当初留下来的决定。2012年9月我还是辞职,去了另一家公司。待遇比这好一点,辞职的时候依旧和项目经理如实说明了情况。后来项目经理还给我放了年假,然后办离职手续。在办理离职的时候项目经理给我透露,部门老总给我评语不太好。于是在开离职证明的时候我特意扫了一眼人事的oa电脑,看到的是“学历一般,能力一般,不注重公司价值...",说实话我很受刺激。亏我还在集团人事调查时没有说半点他的坏话(我们是某集团下的子公司,部门老总就是我们公司的技术中心的总经理)。现在想想再根据平日对他的了解,他的目的无非就是让我在登录oa的时候看到这些评语,故意打击我、报复我,还有就是可能影响以后集团对我回聘...

虽已成往事,想想自己还挺生气的。辛辛苦苦工作两年多换了如此评价。后来知道我之前跳槽的同事都是说要回老家发展,要回家结婚什么的,只有我说了嫌工资低的实话。大家觉得是这个原因吗?虽是跳了槽,也涨了工资,我觉得我这次跳槽是失败的,遂发此文吐槽并给要跳槽的人以借鉴。

内容概要:本文介绍了一种基于蒙特卡洛模拟和拉格朗日优化方法的电动汽车充电站有序充电调度策略,重点针对分时电价机制下的分散式优化问题。通过Matlab代码实现,构建了考虑用户充电需求、电网负荷平衡及电价波动的数学模【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺和拉格朗日的电动汽车优化调度(分时电价调度)(Matlab代码实现)型,采用拉格朗日乘子法处理约束条件,结合蒙特卡洛方法模拟大量电动汽车的随机充电行为,实现对充电功率和时间的优化分配,旨在降低用户充电成本、平抑电网峰谷差并提升充电站运营效率。该方法体现了智能优化算法在电力系统调度中的实际应用价值。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事新能源汽车、智能电网相关领域的工程技术人员。; 使用场景及目标:①研究电动汽车有序充电调度策略的设计与仿真;②学习蒙特卡洛模拟与拉格朗日优化在能源系统中的联合应用;③掌握基于分时电价的需求响应优化建模方法;④为微电网、充电站运营管理提供技术支持和决策参考。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注目标函数构建、约束条件处理及优化求解过程,可尝试调整参数设置以观察不同场景下的调度效果,进一步拓展至多目标优化或多类型负荷协调调度的研究。
内容概要:本文围绕面向制造业的鲁棒机器学习集成计算流程展开研究,提出了一套基于Python实现的综合性计算框架,旨在应对制造过程中数据不确定性、噪声干扰面向制造业的鲁棒机器学习集成计算流程研究(Python代码实现)及模型泛化能力不足等问题。该流程集成了数据预处理、特征工程、异常检测、模型训练与优化、鲁棒性增强及结果可视化等关键环节,结合集成学习方法提升预测精度与稳定性,适用于质量控制、设备故障预警、工艺参数优化等典型制造场景。文中通过实际案例验证了所提方法在提升模型鲁棒性和预测性能方面的有效性。; 适合人群:具备Python编程基础和机器学习基础知识,从事智能制造、工业数据分析及相关领域研究的研发人员与工程技术人员,尤其适合工作1-3年希望将机器学习应用于实际制造系统的开发者。; 使用场景及目标:①在制造环境中构建抗干扰能力强、稳定性高的预测模型;②实现对生产过程中的关键指标(如产品质量、设备状态)进行精准监控与预测;③提升传统制造系统向智能化转型过程中的数据驱动决策能力。; 阅读建议:建议读者结合文中提供的Python代码实例,逐步复现整个计算流程,并针对自身业务场景进行数据适配与模型调优,重点关注鲁棒性设计与集成策略的应用,以充分发挥该框架在复杂工业环境下的优势。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值