年后第一天上班就提辞职是不是“不厚道”???

本文探讨了年后跳槽的现象,分析了员工为何在年后选择离职的原因,包括享受完福利假期、拿到年终奖以及追求“金三银四”的工作机会。文章引用LinkedIn创始人里德·霍夫曼的观点,提倡联盟式的雇佣关系,强调员工和公司之间的阶段性互惠。同时,文中通过案例分享了不同员工的跳槽策略,包括年前跳槽、年后第一天跳槽以及在涨薪和年终奖前寻找新工作的方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

“我打算年后第一天上班就提离职,下家已经找好了。” 程序员海滨说。

他犹豫道,“我这样做是不是不厚道啊?刚拿完年终奖就跑。”

公司是年前最后一天发放年终奖和季度奖,海滨在年前请了几天假去面试,拿到年后入职的Offer,他打算年后第一天上班提离职。将假期和年终奖计算得分毫不差,他是个有计划的人。

我们在职外出面试或者找到下家提离职时,为什么会有负罪感呢?

年后第一天提离职,不厚道?

在《联盟》一书中,LinkedIn(领英)创始人里德·霍夫曼(Reid Hoffman)针对公司和员工提出一种全新的雇佣关系:联盟。

联盟关系里,雇主和员工建立的关系基于他们为对方增加价值的能力。双方不承诺终身雇佣与终身受雇,两者只是阶段性的互惠。在一个任期内,员工让公司更有价值,公司也让员工更有价值。
员工和公司谈忠诚、谈感情,是没有任何的意义,正如有的公司和员工谈情怀、画大饼,还不如落实员工的实际利益。毕竟有的公司在年前裁员不发年终奖,也从不谈论“厚不厚道”。年终奖是公司给过去一年辛苦工作的你,而不是给未来的你,你该拿得理直气壮的。

所以无论是年前还是年后提离职,均是个人的自由选择,并不涉及“厚不厚道”的问题。

为什么年后离职率高?

李扬在春节假期已准备好简历,打算年后第一天就投递简历。

“不等三四月份了,竞争太大,公司还可能会不放人。”李扬说。

去年李扬所在的部门,春节后平均一个星期便有一个人离职,两个月里走了十几人。一开始走的人离职手续办得很快,可后来人手不足了,最后走的人公司是按照正常的一个月交接流程办的。

年后离职率高是因为大伙已享受完福利假期、拿完该拿的年终奖,再加上“金三银四”的工作机会很多,春节过去代表一年的伊始,大多数人渴望一个全新的开始,于是选择年后跳槽。

可工作机会多的同时代表竞争大,刘文去年三四月份也尝试换工作,由于自身准备不充分和竞争对手较多,他没能在三四月份拿到好的Offer,反而在“淡季”的八月份跳槽成功。

他说,三四月份的时候公司的招聘流程缓慢,有时候一面与二面之间相距一周,有的面试时感觉良好,可左等右等,最终并没被录用,大概是候选人较多,用人单位多衡量评估。

在什么时机跳槽比较好?

有人习惯在年后跳槽,有人却认为年前跳槽更好。

春节前几天,正在大伙无心工作,讨论如何过春节时,晓辉突然提离职了。

年终奖不要了?

晓辉笑说,新公司给补偿年终奖,等这两天办完离职手续后,我还能赶在年前入职,他们着急呢,生怕年后变数多。新公司的春节假期是多放两天的,我还能多赚两天假呢。

机会永远留给有准备的人。

程序员王明的跳槽秘籍也与众不同:他习惯在涨薪和发年终奖前找工作。他认为一旦有了跳槽的念头,不要想着“再忍几个月就该发年终奖,等拿完再跳吧”。这样无疑浪费几个月,很可能遇到跳槽旺季,竞争较大。面试时可以要求下家承担你的年终奖损失。

为什么在涨薪前找工作?如果没定下决心离开,正好给机会让领导给加薪;如果下定决心离开,便让下家承担预期涨薪的那部分工资。

职场里是自己需要对自己负责的,职业规划和涨薪要求也一样。无需将精力放在纠结“年后第一天提离职是否厚道”,那是莫须有的自我感动。

职场不相信感动。

“控制你自己的命运,否则别人会代劳。”


欢迎来评论区留言

你年后有跳槽计划吗?

一.算法系统简介 1. 算法应用背景 在金属切削加工过程中,后刀面磨损(flank wear)作为刀具失效的主要形式之一,直接影响加工精度、表面质量和生产成本。尽管现有研究已证实进给率、切削深度和切削速度三大工艺参数对磨损的显著影响,但关于其独立作用与协同效应的量化关系仍存在争议。值得注意的是,传统试错法参数优化存在效率低下、成本高昂的局限性,而机器学习方法为磨损预测供了新的研究路径。在此背景下,本算法目的是解决两个核心问题:(1)线性回归模型能否有效捕捉切削参数与磨损之间的非线性关系。(2)同参数组合对磨损的贡献权重是否存在显著差异。 2. 建模方法与数据 采用公开发表的切削实验数据集,该数据通过控制变量法获取,涵盖硬质合金刀具加工中碳钢的36组工艺组合。进给率(0.1–0.3 mm/rev)、切削深度(0.5–2.0 mm)和切削速度(80–200 m/min)作为自变量,后刀面磨损量(VBmax)作为因变量。 0 NaN Feed rate Depth of cut Speed rpm NaN 1 NaN mm/min mm NaN NaN 2 1.0 0.7 0.5 250 0.393513 3 2.0 0.7 0.75 500 0.467263 4 3.0 0.7 1 750 0.541013 建模流程分为三个阶段: 单因素分析:分别建立进给率、切削深度和速度的简单线性回归模型,通过判定系数(R²)和p值评估显著性; 多因素分析:依次构建双因素(如进给率×切削深度)和三因素全变量多元回归模型,利用方差分析(ANOVA)检验交互项效应; 模型验证:通过留出法(hold-out)计算测试集的均方根误差(RMSE)和95%置信区间,对比预测精度。 二.算法模型构建结果总结 1.基于进给率(单位mm/min)的后刀面磨损 运行方法:linear_regression(X,y,name = 'Feed Rate mm/min', facecolor = 'green') 方程: 2.基于切削深度(mm)的后刀面磨损 运行方法:linear_regression(X,y,name = 'Depth of cut mm', facecolor = 'yellow') 方程: 3.基于转速的厚道面磨损 运行方法:linear_regression(X,y, name = 'Speed (rpm)', facecolor = 'red') 方程: 4.后刀面磨损与进给率、切削深度和速度的关系 运行方法:multiple_linear_regression(X,y, color = 'green') 方程: 5.后刀面磨损与进给率、切削深度的关系 运行方法:multiple_linear_regression(X,y, color = 'turquoise') 方程: 6.根据进给率、切削深度和相互作用预测后刀面磨损 运行方法:multiple_linear_regression(X,y, color = 'violet') 方程: 7.模型验证 综合上述的模型表现,线性回归模型的总体排名从优到劣如下: 1. MODEL 5 (Best model) 2. MODEL 6 3. MODEL 4 4. MODEL 1 5. MODEL 2 6. MODEL 3 (Worst model) 三. 算法流程 下图为整个软件算法的流程: 该软著的开发目的是啥
最新发布
06-04
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