为什么每次升职加薪都没你的份?

趣说IT职场9:升职加薪话术库:怎么说,让老板主动给你涨薪? 升职加薪话术库:怎么说,让老板主动给你涨薪? 阅读详情

"Talk is cheap,show me the code",是技术人常说的一句话。潜台词是,除了代码,别的都不重要。但真实的工作并非如此,你还会遇到不少技术之外的问题,比如:

 

“大家都觉得我现在的公司不错,毕竟是个业界知名的跨国企业。但我们没有自己的产品,说白了,就是专门给人做外包的。一开始,我觉得公司不错,虽说是外包,但能做不同的项目,可以多接触一些东西。但时间长了,就发现有点不对劲……”

 

“我的同学都有自己的专攻方向,就我没有,要不要跳槽呢?跟我一起的同事,现在职位都比我高,为啥升他不升我呢?”

 

我们中的不少技术人,平时只顾闷头写代码,却忽略了一件非常重要的事:我们首先是职场人,然后才是程序员。技术过硬只是工作的一部分,而并非全部。

 

除了专业技能,工作中还有不少细节,会影响你的交付成果、与同事和领导之间的关系,甚至会成为你职业发展的决定性因素。这也是为什么,大学毕业时站在同一个起跑线的人,进入职场后,却有着不同的境遇和地位。

 

在职场中,我们遇到的每一个问题都不是小问题,只要没有被提出和解决,就有可能反复出现。要知道,工作不仅对你的业务能力有要求,你还要掌握高效的工作方式,进行合理可行的职业规划,了解如何与同事协作、与上司沟通,如何选择公司及领导等等。

 

毫不夸张地说,如果你想谋求更好的职业发展和晋升前景,这些可能比你的专业能力更为重要——会工作也是个技术活。

因此,为你推荐一位在职场工作了 14 年的技术老兵臧萌,他把 14 年的职场经验总结成了一个专栏《职场求生攻略》。可以说,每一个经验教训,背后都是他蹚过的坑。

 

在专栏中,臧萌将以实际工作场景为例,带你掌握职场通用的高效工作法,提供切实可行的职业规划指南,教你如何规避职场中常见的坑,练就鉴别公司与领导的火眼金睛,让你工作起来更加游刃有余,在职业晋升的道路上稳中求胜

????扫码,免费试读

结算时,输入优惠口令「zhichang8」

再减 10 元,到手仅 ¥58

仅限「前 100 人」有效

作者是谁?

作者是臧萌,PayPal 数据处理组技术负责人,极客时间《零基础学 Java》课程作者。

 

多年来他始终专注于 Java,有 10 多年软件设计和开发经验,曾任职于 Sybase、eBay、盛大、亚马逊、携程等公司,出版书籍《Java入门 123》,目前豆瓣评分 9.2,累计印刷 7 次,已售出 30000+ 册。

这门课是如何设计的?

在专栏中,作者以利益为视角,以换位思考为手段,以现实案例为场景,用自己 14 年的经验教训,告诉你如何培养良好的工作习惯,以及习惯背后的逻辑,帮你明确工作的方向。    

以利益为视角

 

如果你想理解工作中的问题,不妨坦诚地从“利益”的角度出发,厘清事情背后的“原动力”。别觉得“利益”是什么不好的词儿,公司存在的主要目的是创造利润,而我们工作的终极目标是赚钱。

 

但是,除了看得见摸得着的金钱,从工作中获取的利益有很多,比如:成长机会、经验累积、职位晋升、人脉资源、公司声誉等等。

 

可以说,利益贯穿了工作中的每个关键环节,是推动工作中几乎所有事情的原动力。按照这样的逻辑分析问题,事情的走向就会简单、明晰很多。

 

换位思考为手段

 

换位思考是一种非常重要的能力,如果你觉得一些事情看上去难以理解,甚至匪夷所思,其实是因为我们没有站在对方的立场,去考虑问题。

 

你可能要说,换位思考对我有什么好处呢?我觉得最直接的一点就是,可以帮我们更高效地协作,规避一些诸如信息不同步,沟通不顺畅带来的麻烦,让我们在做事情之前,提前预知可能出现的问题,确保工作顺利推进。

现实的场景为例子

 

职场中的每一段经历都有其价值,这些经历塑造了我们的职场价值观,并逐渐形成了我们解决问题的方式。

没有人喜欢干巴巴的理论讲解和推断过程,那太过枯燥。所以,专栏中的全部案例,都来自真实的工作场景,甚至很多都发生在作者自己身上。在阅读的过程中,你可以想一想,如果你遇到这个问题,会如何解决。结合专栏里的内容,会让你的学习事半功倍。

说了这么多,看看目录吧:      

 

从我这订阅,有什么福利?

1.早鸟优惠+口令「zhichang8」到手价 ¥58,立省 ¥41,仅限「前 100 人」有效。 

2.订阅后生成海报发给好友,每成功邀请 1 位好友,可得 ¥24 返现。

 

????扫描下图,免费试看????

  

????点击「阅读原文」,

输入优惠口令「zhichang8」,

以 最低价 ¥58 入手,仅限前 100 人。

DeepSeek 的应用行业及其在不同行业中如何利用以实现升职加薪 DeepSeek 作为一款强大的 AI 模型,可以在多个行业中发挥其潜力,帮助专业人士提升工作效率、提供更优质的服务,并在职场中脱颖而出。通过以上方法,DeepSeek可以成为你在职场中的强大助手,帮助你在任何行业中快速成长,实现职业目标。 阅读详情

相关推荐

k8s架构、工作流程、集群组件详解

Kubernetes(简称K8s,是因为 k 和 s 之间有八个字符)是一个开源的容器编排平台,用于管理云平台中多个主机上的容器化应用程序。它提供了一种机制,用于自动化部署、扩展和管理容器化应用程序的集群。Kubernetes的目标是让部署容器化应用程序变得简单高效。它提供了应用程序部署、规划、更新和维护的基本机制,同时具备强大的扩展性和可靠性。Kubernetes采用主从设备模型(Master-Slave架构),其中Master节点负责核心的调度、管理和运维任务,而Slave节点负责运行应用程序的容器。

qq_51545656的博客 4383

程序员加薪升职之成长金字塔

在“程序员加薪升职之探索适合你的路径”一文中,我们介绍了成就事件和榜样两个方法,帮助你在技术路线和管理路线之间做出选择。 选择技术路线,会往深处发展,以专精取胜。选择管理路线,会向上发展,不断扩大管理范围,以影响力取胜。 不管选择哪条路线,都和我们今天要介绍的职场成长金字塔有关。所以,我们先来介绍下它。 (一)职场成长金字塔 从这张图上可以看到,个人在职场上的成长与修炼,分为 6 个层级。 第1...

安晓辉生涯——聚焦程序员的职业规划与成长 1万+

弘玑RPA进阶攻略

01.弘玑RPA产品概要。02.设计器的安装与卸载。03.设计器特性与使用。

长安诗社社长@-梁瀚文- https://github.com/HevnChin https://gitee.com/HevnChin 3650

升职却不加薪,为什么我还觉得老板说的挺有道理

前几天晚上,DevOps交流群里,有人抛出这样一个观点:如果有人来找我加薪,我一定告诉他我要给他升职,因为升职是免费的,加薪可是真的要花钱。但是我也会许诺他,如果他能把那...

dotNET跨平台 1062

Java开发者必备:Ollama4j客户端库全面指南与实战

在AI应用开发领域,本地部署大型语言模型(LLM)已成为降低成本和提升隐私安全的重要趋势。其核心原理是通过REST API与模型服务器交互,实现文本生成、对话和语义理解等功能。这一技术为Java生态系统带来了显著的工程价值,使开发者能够便捷地将AI能力集成到企业级应用中。Ollama4j作为一款专为Java设计的轻量级客户端库,通过封装底层HTTP通信和JSON处理,提供了类型安全、面向对象的API,极大地简化了与Ollama服务器的交互。它全面支持流式生成、多轮对话、嵌入向量计算以及高级的**工具调用**

weixin_28295799的博客 438

MD01和MD01N比较

摘要:MD01(传统MRP)与MD01N(MRP Live)是SAP系统不同版本的物料需求计划事务码。核心差异包括:MD01N取消MRP列表、简化计划规则、合并MPS/MRP操作、采用BAdI技术等,体现S/4HANA平台简化、标准化和智能化的演进方向。MD01N通过优化参数配置、增强筛选功能、利用HANA实时计算能力,实现了更高效的物料计划流程,代表了新一代计划引擎的技术革新。

SAP_LES_COM的博客 894

程序员加薪升职之全路径解析

12月16在麦思博卓越研发之路活动上做了一次演讲,题目是——“开发者的职场成长之路”。有小伙伴反映说听了很受启发,希望看到文字版本,因此我根据当时的演讲,整理了这个系列,分享给大家。预计有 7 篇文章: 程序员加薪升职之全路径解析 程序员加薪升职之探索适合你的路径 程序员加薪升职之职场成长金字塔 程序员加薪升职之技术修炼 程序员加薪升职之人际沟通修炼 程序员加薪升职之项目管理能力修炼 程序员加薪...

安晓辉生涯——聚焦程序员的职业规划与成长 4635

Pythia: A Customizable Hardware Prefetching Framework Using Online Reinforcement Learning——“预取”论文解读

参考传送门: 1. Hardware Prefetching笔记 2. 全球百科——缓存预取 3. 百度百科——缓存数据预期技术 目录0. 什么是Hardware Prefetching(本节内容不包括在论文中)1. 简介1.1 关于Hardware Prefetching的一些关键信息1.2 现阶段方法的缺陷1.3 论文团队的目标1.4 核心思想2. 必要的背景知识介绍2.1 强化学习(Reinforcement learning)2.2 为什么说强化学习是一个好的解决思路3. 解决方法与思路3.1 Py

Pinkgranite86的博客 2170

升职加薪的工作总结怎么写?

2020年马上就要过去了,年底了!想要升职加薪,工作总结要写什么内容呢?写你为业务部门创造了什么价值,特别是和公司营收相关的价值;是否有提升公司核心业务指标方面的贡献;是否有提升公司效率方面的贡献;是否有改善公司产品的体验的贡献;如果这些都没有,是否有降低公司风险方面的贡献,例如网络安全方面的;......举了例子:例如中台部门,开发了一个线上服务的监控系统,用来监控各个系统的健康度,在软件系统碰...

AI天才研究院 1万+

基于IC617下Layout XL的使用

基于IC617下Layout XL的使用

weixin_43816759的博客 1万+

【系统架构设计师-2024下半年真题】案例分析-参考答案及部分详解(完整回忆版)

根据h中描述,为了保证高可靠性,有ping/echo,心跳机制两种策略,从资源利用率问为啥心跳更好。王工觉得使用ping/echo好,但李工觉得从系统资源利用率来说,使用心跳机制好 1、针对质量属性可以使用ping/echo和心跳模式实现,分别简述ping/echo和心跳的实现原理。 2、张工认为心跳策略比较适合,简述为什么?

数据知道的博客 1万+

在职场,如何才能更快的让自己升职加薪?

我用实际经验来回答吧。 我将结合在百亿美金上市工作做管理的经验,和创业九年的管理经验来回答。 其实升职加薪,是一个综合结果。也就是影响升职加薪的往往不是一个因素,除非你的长板很长。比如你的销售能力极强,那你可能升职。比如你一个月销售8万,你每个月比别人多一两万,其实水平是差不了多少的。单靠这个条件,不足以升职加薪。 在职场,如何才能更快的让自己升职加薪? 关于升职加薪,核心四点原因:(抛开学历和每家公司的特殊情况) 1.工作能力。 很多岗位都是靠工作能力,尤其是技术型岗位,薪资直接由技术水平决定。就算是事物

zihaunshuo的博客 3937

结构光之相移法+多频外差的数学原理推导

‍论文:基于数字光栅投影的结构光三维测量技术与系统研究 [博]作者:李中伟 华中科技大学 2007功能:相移法:多频外差(三频N步相移法)01 相移法图1 待写入投影仪的理想N步相移条纹通常对于 步相移来说,生成第 幅条纹图像(如图1所示)的公式如下:402 Payment Required其中::背景光强:调制强度:像素点横向坐标:相移值图2 相机拍摄到的实际 N ......

3D视觉工坊 1191

IT老鸟给开发者升职加薪的小技巧

2023开发者职场生存白皮书,升职加薪的财富密码

qq_29061315的博客 5495

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

6、如何制定升职加薪计划?

如何制定升职加薪计划?1、做计划之前要先想清楚什么?2、升职加薪计划的4种方案3、升职加薪计划中的常见问题 1、做计划之前要先想清楚什么? 目标(必要性:心里想要什么?)→计划(合理性:怎么能够实现?) 计划为目标服务 你的升职加薪目标是什么?你的升职加薪目标足够明确吗? 不满→现在挣得太少→发挥空间不足→工作不感兴趣 愿望→工资再高一点→实现更大价值→每天更有激情 目标→至少涨20%→晋升做负责人→换个好工作 你的具体目标是什么? 最低目标:至少带一个人,哪怕实习生也行,我可以自己招聘 满意目标:晋升做小

一个有趣灵魂的测试员,指点江山,挥斥方遒 969

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

为什么自己一直没升职,升职这么难吗?

工作两三年还是个普通员工,工作四五年还是个小主管,工作六七年还是个小主管,工作八九年手下管理的还不到10个人…… 相信以上这种状态是很多人的现状,升职总是这么难,加薪更难! 有的人是完全不想升职加薪,只是得过且过,这种我们不说也罢,但如果你想升职加薪,那一定要注意这些方面了。 首先,你肯定是得做事做好。 怎么把事情做好呢?除了必备的专业技能,这个得自己通过专业的学习去提升,其他通用的必备职场技能也一定要掌握。比如制定和管理工作计划、做好工作汇报、训练表达力、训练商业逻辑、提升创意思维等。 为什么自己一直没升

zihaunshuo的博客 376

程序猿之升职加薪

我们很多人,工作很长时间了,提高甚少,最后升职或加薪困难,很多人老觉得自己怀才不遇,老板苛刻,这样的情况有没有,也有,但是我想说并不常见,没有一个老板愿意对一个能帮公司贡献价值的人苛刻,除非老板很傻。 那么是什么原因,让我们升职或加薪困难呢?我个人认为有一下几个原因: 懒惰 懒惰是我们很多人难以加薪甚至的主要原因,不管你之前底子有多好,不管你是多大的名牌学校毕业的,因为大部分人的聪明程度...

jiaweiok123的博客 490

毕业这么多年,为啥升职加薪这么难?

要说职场人最梦寐以求的,那一定是:升职加薪。可对大多数人来说,不管是升职还是加薪,都很难。和很多人交流后,我发现大家普遍有这样一个认知:只要一个人业绩好,就一定能升职加薪。我也曾这样认为...

cainiao_python的博客 707

初级程序员如何快速升职加薪?

提升硬技能 无论在什么情况下,提高自身的硬技能都是不会错的。多学会一种语言,多掌握一种系统,对自身和公司的发展都是有好处的。当你拥有强硬的技术背景的时候,不需要你自己开口,领导为了挽留你、充分利用你的价值,也会主动为你升职加薪。提高硬技能需要你不断把握IT发展的方向,不断...

chiluoyan2037的博客 357

怎么提示老板升职加薪呢?升职加薪的标准又有哪些?

升职加薪几乎是所有在职场奋斗的童鞋都真实的想法,但有时候,加薪不是自己想加就可以加的,就好像梦想与现实是存在一定的差距的,工作了好几年了,想让老板加薪,要怎么提示老板给自己加薪呢?高校人才网已经整理了如下的内容供大家做参考。其实,你是否能及时获得升职加薪的机会,不在于老板的个人想法,也不在于你的工作时间长短,而是在于你是否能为公司创造价值,带来利益,因此想要提示老板给自己升职加薪前,先衡量下自己是否已经达到升职加薪的标准,具体标准从以下几个方面进行分析:1、你的工作与公司的目标是否匹配首先,你要先弄明白自己

xuweibin666的博客 246

python——简单升职加薪

employee_info_dict['工资'] += 100。print(f"员工升职加薪之前:{info_dict}")print(f"员工升职加薪之后:{info_dict}")# 将内层嵌套字典更新回源字典。"部门": "科技部","部门": "市场部","部门": "市场部","部门": "科技部","部门": "市场部","工资": 3000,"工资": 5000,"工资": 7000,"工资": 4000,"工资": 6000,# if条件判断符合条件的员工。# 获取员工的信息字典。

hshjdbxjsjbs的博客 1535

怎么升职又加薪

<br />马上一年一度的绩效考核就要到了,不免又有许多关键对话要发生了。(Crucial Conversation).这样的谈话,最crucial的就是,员工问:老大,我要怎么做能拿优?怎么才能升职加薪?<br /> <br />坦率地说:在我职业生涯迄今为止,我跟过不同的老板,但从未有机会问过我的老板这样的问题。我努力工作,聪明地工作( I work very hard and I work smart): 每当我们谈绩效考核时,谈话更多集中在:你下面还想做什么?甚至有一次,我在以前的公司,我对老板说:

关注产品,关注前端,关注体验 568

这个数据分析师今年升职加薪了!他做对了什么?

这是我的第39篇原创昨天在朋友圈说有人升职加薪了,好几个朋友私信我,说这情况咋做到升职加薪的,赶紧详细写一下。你们这看文章还看出催更来了。没问题,安排!这不,我已经给你整理复盘好了,希望对...

weixin_52346300的博客 217

想要升职加薪,请从“主动”做起

在职场中,有人希望从工作中能让自己有很大的成长,有人希望公司能有很好的文化氛围,有人希望与同事有良好的人际关系,但大多数情况下最让人看重的那就是升职加薪,可就是这个期望却难倒了很多人。有...

hailang2ll的专栏 537

提升职加薪的标准话术与禁忌

作者:Kevin Zhang 链接:https://www.zhihu.com/question/59654251/answer/176843723 来源:知乎 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。 作者:Kevin Zhang 链接:https://www.zhihu.com/question/59654251

wsyzxss的博客 1万+

为什么有的人明明能力没问题,却总是抓不住升职加薪的机会?

升职加薪对于很多人来说是一个挺遥远的词汇,很多人获得升职加薪没有什么技巧,基本就是靠时间,干熬。 但是总有那么一批人。他们能力勉强过得去,升职却像坐火箭,经常让身边的同事羡慕嫉妒恨。 是他们真的处事圆滑,会当领导的“舔狗”么?不尽然全是,公司不会任用任何一个没有能力的人身担要职。所以真正能够拿捏升职加薪的人一定是有自己的技巧的。 讲一个发生在我身边的事,我觉得可能会给大家启发。 我之前在一家中型企业当一个小主管,公司的管理算得上是比较正规的了,每周周一,公司都会把二十多个中层管理叫到一起,去

weixin_64766716的博客 2414
上一篇: 琢磨琢磨,while (true) 和 for (;;) 哪个更快?!
下一篇: Apollo 源码解析 —— Portal 创建灰度
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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