互联网就业寒潮来临,更让人担心的恐怕是裁员

面对市场竞争和转型压力,科技企业如华为、阿里、京东等开始调整招聘策略,聚焦高级人才,同时裁员潮可能加剧,尤其针对40岁以上的员工。文章分析了科技行业偏爱年轻人的原因,以及企业为应对挑战进行的变革。

继阿里、京东传出缩招的消息之后,国内影响力最大的科技企业之一的华为也传出停止社招,华为方面迅速辟谣,不过另有消息人士指华为的社招虽然没有停止,不过社招方面对中端和低端人才的确实已停止仅剩下对高级人才的招募在继续,笔者认为对于互联网企业来说未来更让人担忧的恐怕是裁员潮。

 

互联网就业寒潮来临,更让人担心的恐怕是裁员

 

 

“老人”向来不受科技企业待见

美国的科技企业向来非常重视年轻化,据调查数据显示美国极大科技企业如FacebooK、谷歌这些新兴的科技企业人均年龄普遍在30岁以下,即使是老牌的科技企业如Intel、IBM等的人均年龄也不到35岁,可见科技企业更追捧年轻人,“老人”在这些企业普遍不受欢迎。

在美国硅谷,风投资金也更偏好年轻人,据分析指风投机构给予35岁以下的创业者的资金往往较年龄更大的创业者的资金多一倍左右,可能在风投机构眼里因为年轻人更有冲劲、更愿意面对风险。

2016年Intel推出全球裁员计划,削减其整体员工人数的11%即约1.2万人左右,当时分析就发现其裁减的员工当中有超过八成的员工年龄超过40岁,这引发了业界对它歧视老员工的巨大争议。分析显示在美国科技企业,超过40岁被裁员的几率是40岁以下员工的2.5倍,而且年龄越大被裁员的几率就越大。

科技企业偏向年轻人由来已久,Facebook的扎克伯格就曾说“年轻人更聪明”,而谷歌公司称那些超过40岁的员工为“Greyglers(大龄员工)”。其实这也无可厚非,毕竟年轻人的精力更旺盛,可以承受更大的工作压力,对于科技企业来说经常需要员工熬夜加班,在这样巨大的工作压力下,显然年轻人更能承受如此高强度的工作。

对于Intel这样一家老牌的科技企业来说,近几年来它也面临这巨大的转型压力,它的主要业务PC由于PC市场连续多年的下滑已被重组而将重心放在服务器芯片业务方面,并开拓AI、物联网等新兴领域,需要引入新的人才,而原有的PC人才被裁减也就在情理之中。Intel在进行裁员之后,2017年取得了净利润增长两位数的优异成绩,似乎裁员确实为它降低了成本提升了利润。

中国科技企业裁员潮来临并非危言耸听

对于中国的科技企业来说,如今同样面临着美国科技企业所面临的“老人”问题,而且相比起美国科技企业的快速转型,中国科技企业的竞争压力更大、变化也更快。BAT用10年左右时间成为国内的互联网龙头,然而如今正面临京东、滴滴、今日头条、小米的挑战,中华酷联曾是国产手机的领头羊而短短5年时间就变成了如今的华米欧维,市场环境的变化迫使这些科技企业必须不断对自己进行变革以应对挑战。

面对激烈的市场竞争,这些科技企业同样不得不进行转型,阿里巴巴以电商业务起家通过不断并购,甚至当年曾被认为通过收购“买下了中国互联网的半壁江山”,如今已变成互联网行业的巨头;腾讯以社交应用起家,如今已涵盖游戏、网媒、无线等行业。随着AI、自动驾驶、物联网等的兴起,BAT也在加快进入这些新兴行业。

对华为这家成立时间更早的科技企业来说更是如此。华为作为中国最知名的科技人才,成立时间已有30年时间,它最初以做通信设备起家,如今智能手机业务已成为与通信设备并列的两项主要业务,同时已涉入服务器、芯片、云计算、AI等众多业务,在业务不断扩张的过程中,老去的人才就成为它们淘汰的对象,据称其工号如今已排到40万,而实际在职员工只有17万左右,可见中间被末位淘汰制度淘汰的员工比例之高。

对于中国的科技企业来说,加班更是家常便饭,国内的不少科技企业更是实现“996”制度,如此高强度的工作显然并非40岁以上的人所能承受,我们也能不时的听到一些科技企业的离职员工表示在企业中赚取了丰厚的收入,但是同时也弄到自己一身病,前半生赚的钱就是为后半生的养病做准备。

如今众多科技企业纷纷传出停止社招,意味着它们已经预见到企业发展可能面临的艰难时刻,在面对艰难时刻的时候往往裁员就成为它们的主要手段,而很显然那些年纪大的“老人”将成为它们照顾的对象。千万不要小看中国企业在应对艰难时刻的手段,在数年前某家电企业一年时间内就裁员超过40%,裁员之激烈让人瞠目结舌,科技企业的裁员或许顾及颜面会采用近几年颇受它们欢迎的“人员优化”作为掩饰吧。

当然对于社会来说,每个不同的阶段都会出现新的变化,企业在应对市场环境的变化中采取不同的策略无可厚非,在如今大家都在喊着转型的时候裁减老员工可以为新的员工提供机会,激发企业活力,应对企业的艰难时刻。

### 使用R语言基于温度数据分析寒潮 对于寒潮的定义,在气象学上通常指某一地区冷空气过境后气温24小时内下降幅度超过一定标准,或最低气温降至某个特定阈值之下。在分析过程中,可以利用时间序列数据来识别这些特征。 为了实现这一目标,首先需要加载必要的库并读取温度数据: ```r library(dplyr) library(ggplot2) # 假设temperature_data是一个包含日期和平均日温的数据框 temperature_data <- read.csv("path_to_temperature_file.csv") head(temperature_data) ``` 接着,计算每日温度变化率以及筛选出满足寒潮条件的日子: ```r # 添加新列表示前一天的日均温和当前天减去前一天得到的变化量 temperature_changes <- temperature_data %>% mutate(prev_temp = lag(avg_daily_temp), temp_change = avg_daily_temp - prev_temp) # 定义寒潮:当一天内的降温幅度大于等于8度时视为发生了一次寒潮事件 cold_wave_events <- filter(temperature_changes, abs(temp_change) >= 8 & !is.na(temp_change)) nrow(cold_wave_events) # 查看符合条件的记录数 ``` 最后,可以通过可视化手段更好地理解数据中的模式: ```r ggplot(data=temperature_data,aes(x=date,y=avg_daily_temp))+ geom_line(color="blue") + geom_point(data=cold_wave_events,mapping=aes(x=date,y=avg_daily_temp),color='red',size=3)+ labs(title="Daily Average Temperature with Cold Wave Events Highlighted",x="Date",y="Temperature (°C)") ``` 上述方法提供了基本框架用于检测寒潮现象;然而实际应用中可能还需要考虑更多因素如持续时间和地理区域特性等[^1]。
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