Why·Liam·Blog

Winter 老师说在他 30 万年薪的时候获得了腾讯 100 万年薪的邀请，而他认为自己是最适合这个岗位要求的人，但是觉得自己配不上这个年薪。(ps. 后面腾讯给了一个价值 100 万年薪的 title，但是当前合理区间年薪的报酬。他没有接受 ^_^)

在我换工作的时候，我也一度在幻想 4，5 倍年薪的增长。在真正拿到 Offer 的时候，我也认清了一个事实，这个增幅我真得可以 hold 吗？

工资是企业衡量员工的价值的一个标准。比如我的一个学长，在他没有开口加薪的时候，老板主动给他翻了一倍的薪水——对于有价值的员工，有远见的老板从来都不会吝啬手中的现金。而在我过往的任职经历中，出现了两次财不配位的情况。在薪酬没有高于行业水平的同时，企业的薪酬分配不均，对于高价值员工没有良好的物质奖励，激起企业内部的高价值员工反感和流失，而低价值员工的则继续吸血。

对于企业来说，给了相应的薪水，就是希望有相应的价值产出。目前大部分公司的裁员，很大原因是在经济景气的时候给了员工一个较高的薪水，在经济不景气的时候，需要回收额外的支出，进而就有了裁员的现象。（同时还有一部分是给对方的薪酬高于预期，但是在一定的时间范围没有相应的价值产出。）

所以，在获取 Offer 的时候，需要评估是否真的有能力驾驭这个岗位，通过自己的努力是否可以在一定的周期内达到这个岗位的要求——不然就会有被裁员的风险。

在回国之后有过一段迷茫期，在工程师和产品经理的职业道路上摇摆不定。一方面是对自己的视野认知狂妄自大，一方面是对当前能力极端缺乏自信。回国之后，在惶惶恐恐中加入了国企以求得一份工作，同时和朋友一同创业以求得一份心安。

这些年在自己的成长道路上有所提升，同时也确实也怀有一些遗憾。

对于前公司，真是有种「恨其不幸 怒其不争」的感觉，一副大好的牌打的稀巴烂。手里拥有政治资源、内容资源、渠道资源、技术资源、金钱资源，但是就是发展不起来，只能维持一个公司的生计平衡。这也让我感受到了一个实力雄厚的中型创业公司在发展过程中的注意点。

方向的选择至关重要，前公司处于传统媒体行业，在方向上的切入点是做内容分发的 SAAS 服务。目前用户群体就是一群 小众的、金钱敏感的、无决定权的用户，这条道路必十分艰辛。关于媒体行业的分析，我想单独在写一篇，作为这近 3 年时间的回顾。

饼真的是一个可以给员工加 buff 的利器。在入职的时候，老板总是喜欢私下聊八卦，悄咪咪地告诉我公司的下步计划，给我展望愿景。而我也是觉得这个饼真香，觉得我一定会在这大施拳脚。——直到我们的工作变忙了，也可能意识到了这个饼实现不了了。

如果智商不足够高到碾压一切，那情商获得的收益就高于智商。

年少的时候总想着用智商碾压大众，以为自己可以一技傍身走天下。年近 30，不得不承认自己的就是一个普通人，很多的理想主义被现实无情的摩擦。

前两天听到了一句令我虎躯一震的话——人际网络是财富的放大器。（当然，AA 是 BB 的放大器，这句话在无论什么语境里面都是成立的。）

对于技术而言，年少的积累是一条上升的快速通道，大家在同一条起跑线上积累知识。从小学、初中、高中、大学、研究生一直都是在一个平台、一个赛道竞争。同时社会对学历的依赖也是呈现很明显的分层，比如初中文化，高中毕业，本科学历，但是对于大学、研究生、博士生的区别却没有一个很常见的划分壁垒，大学生在向上的通道却在收窄，对于投资回报却没有一个很好的正向反馈。（当然，这不是呼吁大家不要去上研究生，研究生、尤其是研究型硕士对人的影响是一生的。可以有空再聊。）

之前调研的《大数据在媒体应用报告》的一个部分，删除了一部分内容。

近年来随着大数据的广泛普及和应用，数据资源的价值逐步得到重视和认可，数据交易需求也在不断增加。2015 年《促进大数据发展行动纲要》明确提出「要引导培育大数据交易市场，开展面向应用的数据交易市场试点，探索开展大数据衍生产品交易，鼓励产业链各环节的市场主体进行数据交换和交易，促进数据资源流通，建立健全数据资源交易机制和定价机制，规范交易行为等一系列健全市场发展机制的思路与举措」。

数据交易的概念是在 2010 年之后才开始火起来的，而国内的数据交易是在 2015 年《促进大数据发展行动纲要》提出后在开始进入正轨。

在数据交易所成立之前，数据的交易一般以地下交易为主，即使现在面对地下交易，交易所的数据交易量也只是冰山一角。

08 年的经融危机，房地产价格停止上涨，开始回落，但是房地产数据交易市场却更火了——开盘定位定价以及房地产交易真实数据对开发商异常重要。房地产公司新盘开盘定价主要参考依据是托人从一家咨询公司处购买的北京市房地产交易数据。但是这些数据交易没有固定价格和标准可言。同一个公司不同的人去，可能得到的是不同的报价。而且数据没有定制，就像「照方抓药一样」，开发商提交一个自己需求数据的列表，对方按照列表给一些数据，最后依据提供数据的多少、详细程度、档次来口头确定一个价格。

社交软件一直都是最激烈的战场，每一个巨头都有一个社交梦，因为社交产品上面巨大的流量让每一家企业趋之若鹜。每一家大厂都打造过自己的社交软件，最终都是落败的结束。社交霸主 QQ 和微信已经伴随着时代走过来了 20 个年头，大众型的社交软件是否还会出现新更替的可能性？

一直以来我都有这样的困惑，微信的崛起的原因到底是什么？移动端的兴起，还是 3G 网络的发展，都不足以解决我心中的困惑。因为 QQ 依然同等地踩在了微信的发展机遇上面，但是强大的社交护城河为什么没有形成发展的壁垒，而是只是促成了微信的发展。

我一直想要一个数据来验证我的假设，但是找不到这样的一个数据源，所以下内容源自我的凭空臆想。

（图片仅做解释作用，QQ 经过蓬勃发展，在与微信竞争的时候出现平缓期，之后因为 00 后的崛起，经过一个短暂的二次爆发，但是由于用户群体的流失，开始进入衰退期。）

今天刚好看到 兼续对2019的思考，有几句话特别的有感触，所以有了以下的收集。

如何做产品?

• 技术很好的人很多，但是能用艺术思维和产品思维去表现技术的人太少了。让技术艺术化和产品化。– 知乎某回答
• 做任何事情都要做好，细节做好，考虑周到，用户最终埋点的是好用的细节，细节让人感动
• 但这种细节需要多年的积累才会形成。这是一个二八定律：我们用两分的时间就会让一个东西看起来像那么回事，但却需要八分的时间把它打磨成精品。这当然还适用于一个产品，这八分时间填补的虽然只是百分之 20% 的差异，但却成为一个产品的核心竞争力，这可能就是所谓的「底蕴」的来源，所谓的「细节决定成败」– 某同事

如何提升影响力?

• 通过参与内部项目，贡献，布道等方式提升影响力，让团队成员信任你愿意委任重要任务给你，而不是等待任务到你的头上
• 埋头猛干，适时发声
• 社交媒体力量巨大，个人影响力可以凭借社交媒体迅速发酵
• 在做的正确的事情不一定会有人跑过来赞赏你，认定正确的事情一定要多发声音，被别人注意到

寡头时代已然形成，强者恒强，弱者更弱，综合电商想从巨头手中分一杯羹尚且不易，而对于垂直电商来说，更是哀鸿遍野，一地鸡毛。

随着拼多多的成长，有没有发现曾经的垂直电商渐渐的消失了。你会发现从当当、好乐买、乐淘网、红孩子，到唯品会、聚美优品，一个个名字曾经星光熠熠，但如今倒的倒，衰的衰，基本全军尽没。

相较于淘宝等综合电商可以覆盖全品类的产品，而垂直电商大多聚焦于某一些细分品类。但是对于消费者而言，一站式购物的天然需求，在这综合电商可以满足所有商品的购买需求。

对于垂直电商而言，具有先发优势，比如买书就会就想到去当当。但是随着各大电商开始做用户留存，培养用户使用习惯和忠诚度。垂直电商的优势逐渐消失，被综合电视吸引。随着流量价格的提升，垂直电商的获客成本上升，与综合性平台上的同类型商品相比无论在价格还是品质上都未存在较大优势。

凡客曾在短短两年间完成了 7 轮融资。而红杉资本则同时投资了唯品会、乐蜂网、聚美优品等多家垂直电商。但随着电商红利消失，资本也回归冷静。当企业遭遇危机时，资本为追求自身利益最大化会选择早点脱身。

Mac 升级 Catalina 后，Alfred 搜索出来的结果出现了两次，或者有的软件怎么也搜索不出来。

我刚开始还以为是我电脑问题，把所有软件重新安装了一遍也没有效果。

其实修复办法很简单，在 Alfred 里面输入 reload 来重载就好了。

via:Duplicate apps in results (10.15 and V4)

Mac 上的迅雷越来越臃肿，加入了很多广告或者是一些不必要的功能。所以，下面介绍的就是如何去除这一些内容。

之前有文章介绍过直接删除相关的文件，但是迅雷可能会加入相应的文件检查机制。

这次的方法是直接禁止执行相关的垃圾程序。简单的说就是，去除所有功能的执行权限，只允许 登入，VIP，下载历史等非垃圾功能。

以下是代码：

首先题目涉及的一个前提使用场景是产品功能设计时，其实，从本质上讲，无论是产品开发时的功能设计或产品上线之后的运营，数据一直以来都是产品设计人员/运营人员所能接触的最直观反馈产品或运营情况的途径。优质且直观的数据体系，在产品的整个生命周期中扮演不可或缺的角色。

数据衡量体系中涉及的数据大都指的是可量化的数据。整个数据衡量体系包括：数据体系搭建的核心目标、数据收集渠道、数据反馈的指标、数据体系带来的执行变化等。

**数据体系搭建的核心目标：**基于某个需求、想要通过数据解决的问题或验证的业务。

**数据收集渠道：**在产品生命周期中，为了反馈某个或某些变化带来的影响，我们基于项目需求，在特定的渠道里进行数据埋点，进而形成一定的数据收集渠道。

**数据反馈指标：**将数据体系要达成的目标进行分解或量化成多个指标，以便用于实际操作中，即数据化操作的基础。